KCF目标跟踪学习总结

大致过程:
由第一帧真实bb2.5倍大小的window通过循环移位得到周围样本，真实bb的window作为base img,因为循环矩阵的特殊性，仅仅考虑base img的fhog feature即可(因为其他样本的fhog feature的每个通道的feature都可以根据base img的每个通道的循环移位获得)。这样在样本图像特征在每个通道上都可以看成是一个块循环矩阵。记录第一帧base img的 thog feature(在傅里叶域中的表示)。
通过高斯分布标记这些训练样本，即，根据样本中心离目标的远近分别赋值[0,1]范围的数。离目标越近，值越趋向于1，离目标越远，值越趋向于0。但考虑到将peak置于中心将使最终的output 不必要地平移半个window，如果将peak置于左上角(并环绕)，能正确地将检测结果置于中心。所以作者将label的峰值置于左上角，并在边界环绕，作为每个样本的label。
作者采用基于回归的方法，即要训练一个分类器，使得通过分类器预测到的样本标签与真实标签差距最小，所以，要为用于训练的每个样本分配一个系数（按理说，正样本的权重为正，负样本的权重为负。正样本的权重大，负样本中和正样本越相似，权重的绝对值越大)。
作者引入了高斯核，计算每个样本与base img 的相似度情况，从而得到每个样本的系数。存入模型在后续帧中，以上一帧预测到的bb2.5倍大小的window通过循环移位得到周围样本，计算每个样本与模型中存入的目标window的 thog feature的相似度，并将每个样本的kernel与每个样本的系数相乘，得到每个样本的响应，响应最大的记为本帧的目标bb的位置。
以线性组合的方式，以一定的学习率添加本次结果到模型中，从而更新模型中的目标winow的 fhogfeature(在傅里叶域中的表示〉以及每个样本的系数（在傅里叶域中的表示)，更新模型的过程，即是不断训练分类器的过程。