KCF目标追踪

KCF创新点：

• KCF在分类器的计算中引入了循环矩阵，巧妙地规避了矩阵的逆运算，大大减少了分类器的运算量。
• 高斯核函数引入可以将非线性问题转换为高维空间中的线性问题，使得算法更具有一般性。算法分为3部分：
• 模型建立、在线匹配、模板更新
  在KCF中，作者将目标跟踪问题的求解转换为一个分类问题（前景目标和背景）。这个分类问题的求解应用了岭回归方法，所得到的分类器中包含了矩阵的逆运算，其运算量复杂，严重影响了实时性。

题外话：
生成类：: 提取目标特征–> 后续帧匹配：光流法、粒子滤波meanshift、camshift
判别类方法: （基于检测CF和DNN)考虑背景与目标区分，根据前景和背景的差异–>提取当前帧目标位置.（核相关滤波就是计算响应最大的位置坐标就是目标运动更新的anchor

一、相关滤波跟踪算法

1. 在CF之前的算法在时域进行计算，涉及到复杂的求逆运算，无法实现实时性
2. CF将跟踪转换到频域，利用循环矩阵可在频域对角化的性质减少计算量，提高速度，实现实时跟踪
3. KCF在CF的基础上进行优化
4. 目标跟踪中缺少大量的负样本，通过循环矩阵可以增加负样本呢的数量，提高分类器训练的质量。
5. 将高斯核加入到岭回归中，能够将非线性问题转换到高斯的线性空间中，简化计算

1 相关滤波跟踪理论

相关是描述两个信号之间的关系，卷积是计算激励信号作用于系统所产生的系统零状态响应。在函数对称的情况下，卷积核相关具有相同的效果。为了创建一个快速跟踪器，在傅里叶域快速傅里叶变换（FFT）中计算出相关性

基本思想是越是相似的两个目标相关值越大。也就是后续帧于初始化目标越相似，得到的响应就越大。
时域的卷积可以转化到频域的相乘实现：训练的目标就是得到这样一个滤波器模板，使得响应输出最大化
时间域：f 输入，h：滤波器，g 输出 --> g=f *h
卷积定理说，相关性成为傅里叶域的一个元素乘法。通俗地说，卷积定理中，图像在时域上的卷积等于图像在频域上的乘法。使用这个符号⊙来显式地表示元素的乘法并用∗表示复共轭，相关性如下形式表达：
频域： （大写对应傅里叶变换结果）
所计算的目标为Hi=Gi/Fi
Mosse滤波器：
-
图像相关响应值计算
输入两张图，零均值化，计算两张图的相关值t=imfilter(im1,im2,‘corr’),h画出t的三维图像，可以找到t的最大响应值就是图像匹配的最佳位置

参考https://www.bilibili.com/video/av74302620/?spm_id_from=333.788.videocard.0
https://blog.csdn.net/qq_36880027/article/details/102705146
MOSSE: 最小输出平方误差。用自适应相关滤波器建模

2 核相关滤波KCF–High-Speed Tracking with KernelizedCorrelation Filters

目的：从一个单帧中训练出一个强健有力的滤波器，并能够随着物体外表发生变化而自适应。在KCF中，作者将目标跟踪问题的求解转换为一个分类问题（前景目标和背景）。这个分类问题的求解应用了岭回归方法，所得到的分类器中包含了矩阵的逆运算，其运算量复杂，严重影响了实时性。KCF在分类器的计算中引入了循环矩阵，巧妙地规避了矩阵的逆运算，大大减少了分类器的运算量。高斯核函数引入可以将非线性问题转换为高维空间中的线性问题，使得算法更具有一般性。算法分为3部分：模型建立、在线匹配、模板更新

1公式推导（参考自动化学报：目标跟踪算法综述）

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180277

1. 模型建立
   
2. 在线匹配、更新模板
   高斯核函数
   
   
   求出最高的响应点就是更新的框的anchor

2 代码实现

第一帧手动圈出目标框，提取hog特征，第一帧是训练样本。求a
第二帧跟踪到后，再以当前帧为训练样本更新模型

第二帧先提取原来的框内图像的hog特征，通过核化滤波找到最大响应的框的移动坐标，更新anchor，方框的大小

3 KCF文章（2014年发表）和代码

以下是实验我自己实验的代码
KCF文章http://www.robots.ox.ac.uk/~joao/publications/henriques_tpami2015.pdf
KCFhttps://github.com/HenryZhangJianhe/KCF
框选初始帧目标
后续帧跟踪结果