关于hog特征提取

最新推荐文章于 2021-11-02 19:28:46 发布

汽车行业小硕妹子

最新推荐文章于 2021-11-02 19:28:46 发布

阅读量1k

点赞数 1

本文链接：https://blog.csdn.net/weixin_44287997/article/details/90440026

版权

@论文(paper),代码（code）核心思想：（1）本文利用任何循环矩阵可以被傅里叶矩阵对角化等性质，将矩阵的运算转化为向量的Hadamad积，即元素的点乘，降低了计算量，提高运算速度，使算法满足实时性要求。

（2）将线性空间的领回归通过核函数映射到非线性空间，在非线性空间通过求解一个对偶问题和某些常见的约束，同样的可以使用循环矩阵傅里叶空间对角化简化计算。

（3）加入多通道HOG特征来代替单通道原始像素特征，提高实验的数据。

摘要：给定一个图像块目标，学习一个分类器来区分目标与周围环境。为解决自然图像中的变化，典型的方法是用平移和缩放的样本块（patches）来训练分类器。这样的样本集充满冗余将所有重叠的像素约束为相同的像素。基于这一简单的观察，为包含上千个平移的图像块的数据集提出了一分析模型。可用离散傅立叶变换对角化已有的循环矩阵，极大降低了存储和计算量。有趣的是，对于线性回归，我们的公式与相关滤波器等价；然而，对于核回归，不同于其它核方法（复杂度与其线性部分相同），提出新的核化的相关滤波器（Kernelized Correlation Filter）。在核化的相关滤波器的基础上，提出通过线性核，扩展线性相关滤波器至多通道，我们称为“对偶的相关滤波器（Dual Correlation Filter）”。尽管每秒运行上百帧，且用到的代码行数很少（方法 1），KCF和DCF仍在包含50个视频的基准数据集上超越了Struck或TLD。为进一步发展，该跟踪框架已开源。

在这里参考@鲤鱼王写的思路清晰，风趣幽默，值得推荐。所谓的相关滤波方法就是根据当前帧的信息和之前帧的信息训练出一个相关滤波器，然后与新输入的帧进行相关性计算，得到的置信图就是预测的跟踪结果，显然，得分最高的那个点（或者块）就是最可能的跟踪结果。由于KCF里并没有任何的流程图，所以我们借助@Kaihua Zhang的STC[1]中的配图来理解一下，看着配图应该能理解主要的流程了。这里要说一下，为什么能用其它论文的配图，因为我们介绍的这篇KCF和STC都是对12年CSK[2]的改进，不同的是，KCF是在CSK基础上加了HOG特征使得效果大大提升了，STC是在贝叶斯的框架下对CSK进行解释并在其中加入了上下文（context）信息的应用。所以本质上来说，这几个都是一样的流程。

接下来，来场酣畅淋漓的推导（想起汤家凤老师），说起公式推导，刚拿到论文，发现有60+个公式，有点害怕，现在我来把重点的推导下，废话不多说，开始我的表演！

一，岭回归

设训练样本 \left( x_{i},y_{i} \right) ,样本和标签都为列向量，线性回归的函数 f\left( x_{i}\right)=W^{T}x_{i} ,加入正则项 \lambda ，防止过拟合。岭回归即最小二乘加上一个正则项，本篇选择这个loss,具有封闭解（解析解）对W求偏导，进一步的化简，可以求出

推导：

在傅里叶域中 X^{H}=(X{*})^{T}

二，循环矩阵

循环矩阵被傅里叶矩阵对角化性质很重要，推导可参考【PDF】，性质的推导：

进一步的推导，线性回归系数 W ,可以通过离散傅里叶变换得到点乘运算，免去了求逆计算，大大提高速度。推导结果原文中（12）不同，相关公式一起附上。

相乘：设C,B为循环矩阵，其乘积的特征值等于特征值的乘积：

相加：和的特征值等于特征值的和：

卷积：循环矩阵乘向量等价于生成向量的逆序和该向量卷积，注意卷积本身即包含逆序操作，另外利用了信号与系统中经典的“时域卷积，频域相乘”。

傅式对角化简化的岭回归：

三，非线性回归
将线性转化为非线性 w=\sum_{i}{x}{i}\psi\left( x{i}\right) , 使用核技法 k 是核相关矩阵， k_{ij}=k\left( x_{i},x_{j} \right)

f\left( z \right)=w^{{T}z=\sum_{i=1}}{n}{a_{i}}k\left( z,x_{i}\right) , 进一步的推导：

\alpha 的离散傅里叶变换，利用到 K=C(k^{xx}) ,进一步推导：