ccot 目标跟踪全称_目标跟踪系列CCOT算法

C-COT是继KCF后相关滤波算法的又一大突破，不得不说Martin的数学功底实在太强了！ C-COT相比于KCF算法，使用了深度神经网络VGG-net提取特征，通过三次样条函数进行插值处理，将不同分辨率的特征图通过插值操作扩展到了同一周期的连续空间域，再应用Hessian矩阵可以求得亚像素精度的目标位置。确定插值方程之后，还解决了在连续空间域进行训练的问题。 个人思考：Martin大神的思路很清晰，针对跟踪过程中对于目标表观模型的建立，我们自然是希望模型越精确越好，富含目标的信息越丰富越好。可是最简单的来说，HOG特征是基于cell和block的直方图特征(描述轮廓信息)，而HOG和颜色空间的直方图明显不是一个分辨率的特征，传统的KCF或者DCF算法无法将不同分辨率的特征通道进行融合。Martin大神巧妙的将不同分辨率的特征图通过插值方法，拓展到了周期的连续空间域，使得他们拥有相同的计算周期，这样我们就可以很容易的实现多分辨率特征的融合计算。而且这样得到的置信响应图也会是连续的，这也使得算法可以实现亚像素精度的定位。

一

算子

M在论文中首先定义了复值函数g对应的   空间，其中g是周期为T的函数，  是一个希尔伯特空间。定义了一下两种算子，第一个其实就是傅里叶系数的求解公式，第二个就是周期卷积的公式。

二

多分辨率插值处理

很明显，对于不同池化层的特征图他们具有不同的分辨率，通常浅层特征富含图像的轮廓和颜色以及结构信息，深层特征富含语义和高级信息。

分析一维情况：对于一个样本   ，假设具有D个特征通道，比如有10个卷积层描述一个目标，每个通道的分辨率我们可以表示为 ，我们可以用   表达每一个特征值。为了实现连续操作，引入插值模型，将离散空间   映射为[0，T)的特征连续空间。定义内插算子 

进行以下插值运算，可以将不同分辨率的特征连续化，并且连续特征的周期相同：

对于上面的图像插值公式做简单分析： 想想对一个连续周期函数的采样操作，我们在时域上乘一个采样函数，相当于在频域将原函数和采样函数的傅里叶变化进行卷积，也就是将原函数的傅里叶变化周期化，当符合采样定理的时候我们可以通过以下的方式将从采样函数中恢复原函数：