matlab求kcf算法响应图_matlab求kcf算法响应图_剖析KCF

来源自我的博客

前言

核相关滤波算法是单目标跟踪领域一个举足轻重的算法，而kernelized correlation filters(KCF)是其原始形态，下面我以一个小白的角度慢慢揭开其神秘面纱。

(知乎的公式编辑跟mathjax有冲突，部分公式我用图片代替,如果阅读观感不好，请移步原博客)

1.岭回归理论推导

岭回归的理论比较简单，类似于一个单层神经网络加上一个正则项，不同于支撑向量机中的结构风险最小化，岭回归更像是一个逻辑回归，是在保证误差风险最小的情况下尽量使得结构风险小。另外支撑向量机对于高维数据的训练比较快，因为它只取对分类有影响的 support 向量。不过在此处 KCF 的训练样本也不多，所以二者其实都可以，再加上 KCF 中岭回归还引用了对偶空间、傅里叶变换以及核函数，二者的差别就比较小了。 ​ 岭回归的算法形式如下：

其中X 为特征矩阵，w 为权值，y 为样本标签/响应，其中每一项都采用了L2 范数的平方,即矩阵内所有元素的平方和。因此，该优化的关键在于求最优的 w，求解方法则是使用了最直接的拉格朗日乘子法：

我们假设当前的权重W和输出y都是一维向量，则矩阵的求导公式满足:

不过，由于后面要引入复频域空间，所以我们这里做一些微调:

其中，H 代表共轭转置，即在转置的同时将矩阵内所有元素变为其共轭形式，原因很简单：

2. 循环矩阵

2.1 循环矩阵的引入

由于在目标跟踪中定位目标时如果采用循环移位的方式定位其中心，则需要采用循环的方式逐步判断，这样做太耗时，因此作者引入了循环矩阵。这样做的话，我们的待选目标框不用移动，直接将原图像矩阵循环移位。以一维矩阵为例：

矩阵的每一行相对上一行都向右移动了一位，这里举这个矩阵例子是有用意的，通过该矩阵的n阶形式，我们可以轻松的实现任意矩阵 X 的右移

或者下移

，如：

2.2 循环矩阵的转换

循环矩阵本身是将循环移位的结果整合到了一个矩阵中，虽然可以将循环计算过程优化为矩阵运算，但对于图像这类二维矩阵，则会生成一个很大的循环矩阵，从而耗费内存。这里作者巧妙地引入了离散傅里叶变换(DFT)，将循环矩阵X等价为：

其中 F 与离散傅里叶变换中的矩阵有所差异，

就是原矩阵的傅里叶变换，

diag是将矩阵变为对角形式，后面会详细解释。

先以一维矩阵为例来证明：

Step1 定义循环矩阵 X 的多项式函数为：

这里先说明一下，单位矩阵 I 其实也是一个循环矩阵，而

其实就是将矩阵

I所有元素右移

n 个单位。

Step2 求矩阵K的特征值和特征向量：

可以发现矩阵 K 的特征矩阵与 DFT 的变换矩阵 W 一致，再利用多项式矩阵的性质可知,循环矩阵 X 的特征值为

， 利用矩阵与其特征值矩阵相似的特点, 可以很容易的证明该性质。

Step3 求循环矩阵 X 的特征值和特征向量：

可以发现循环矩阵 X 的特征值就是其原矩阵 x 的离散傅里叶变换，对于循环矩阵的特征向量，推导过程如下:

在这里我们将

替换为

DFT 变换矩阵

W ，利用矩阵对角化可知：

Step4 利用 DFT 变换矩阵 W 的性质修正 X :

通过观察可知 W 为对称矩阵，另外也可以轻松证明

，在这里呢，我们可以对W 进行适当地变换：

因此

，则

F 为酉矩阵，同时它也满足