dsst matlab运行,DSST详解

有一段时间没有看tracking了，前面一个月老师没有找，我也没有看文章，主要去看c++和cs231n去了。上周一老师找了我一次，于是赶紧把tracking又拾起来，把老师给的视频在前面的代码上跑了下，这周又看了篇新论文。

最开始的应该是MOOSE，作者没有给源码，所以论文理解得并不是很透彻，CSK以及KCF/DCF都是仔细研究了源码的，自认为还算比较了解了，接下来的CN,其实了解了KCF/DCF就很简单了，无非是另一种多特征的融合，融合方式都差不多。

昨天开始看DSST，只看了前面的部分，后边的实验没有怎么看，又去看了下matlab的源码，代码结构很清晰，因为框架还是CSK得大框架，结合作者的注释很快就看完了，做个整理。

MOOSE paper

是跟踪领域相关滤波的第一篇文章，开创性意义。

CSK paper

利用循环矩阵解决了训练量的问题，不用在进行随机仿射来得到样本。这个是单通道的， 作者只使用了灰度信息。

KCF/DCF paper

和CSK是同一个作者，和CSK的改进很小，主要贡献和CSK相比在于提供了一种把多通道特征融合进相关滤波框架的方法。

CN paper

和KCF/DCF是同一时期的，不同的是用了颜色通道，论文里作者比较了各种颜色空间的表现。

DSST paper

DSST解决了另外一个关键问题，那就是尺度更新。

这5篇文章是相关滤波的基础，今天这里主要写一下DSST的论文思路。

MOOSE基础

DSST是在MOOSE的基础上来的，所以很有必要再回顾一下MOOSE，正好昨天看论文的时候把MOOSE里的公式的推到再看了看了一遍。

信号处理里面有相关的概念，用来描述两个信号之间的联系，有自相关和互相关之分。

假设有两个信号f和g，则两个信号的相关(correlation)定义为：

这里分别给出的是连续信号和离散信号的公式，看起来和卷积很像。星号表示复共轭。

correlation的直观解释就是表示的是两个信号在某个时刻的相似程度，相关滤波应用到跟踪领域最简单的解释就是：两个信号越相似，其相关值就越高，跟踪的时候就是要找到响应最大的位置。

作者提出的滤波器叫做Minimum Output Sum of Squared Error(MOSSE)。

按照上面说的思路，我们需要找到一个滤波器，使其在目标上的响应最大：

其中g是输出，f是输入，h是滤波器，输出我们给成一个高斯分布，在目标点的值最大。

这是一个卷积计算，真的要这么直接算的话计算量还是很大的，所以很容易想到，变换到频域进行点乘：

注意这里和卷积稍有不同，简单的来说，卷积操作的时候卷积核要反转ÿ