【论文阅读】【目标跟踪】High-Speed Tracking with Kernelized Correlation Filters

KCF，TPAMI，2015
核相关滤波的典型算法

code：https://github.com/uoip/KCFpy
当然，KCF已经集成到cv2中了，可以直接调用

讲KCF的博客非常多了，我这里就当做一个笔记了。强力推荐阅读以下原文，写的非常有逻辑。看再多的博客，也不如看一下论文，而且论文写的还是比较容易理解的。

KCF

前三section不是核心

4 BUILDING BLOCKS

4.1 Linear Regression

给出岭回归的目标函数和解的形式：


上标H表示Hermitian transpose，是考虑了复数的转置，如果X为实矩阵，则对应的就是转置

4.2 Cyclic Shifts

介绍循环移位，对于一个向量x，乘以一个permutation matrix，起到交换x中元素位置的作用。permutation matrix定义如下：

对1维向量的可视化表示如下：

对2维图片的表示如下：

可以看到，这个操作大致就是做平移。
可以对信号做多次平移，然后把所有的平移信号表示成为一个矩阵

注意：这种平移会产生失真，例如[1,2,3,4]平移一次变为[2,3,4,1]，这其实造成了边缘的扭曲。补救办法如下。做padding，[1,2,3,4]先padding为[0,0,0,1,2,3,4,0,0,0]，然后平移为[0,0,1,2,3,4,0,0,0,0]

4.3 Circulant Matrices

对x进行平移，就得到了循环矩阵，矩阵记为X，基于x构建循环矩阵的操作记为C(x)：

循环矩阵有个性质，对循环矩阵X，可以表示为一个对角形式：

其中F是固定的，被称为DFT matrix，与x无关，$\hat{x}$表示对x求离散傅里叶变换（DFT）

4.4 Putting It All Together

那么有了上述性质，如果将循环矩阵作为岭回归训练的输入，那么闭式解也可以用DFT表示：

其中，圆圈内加点这个操作表示element product，两个向量做元素积。

5 NON-LINEAR REGRESSION

那么，可不可以做岭回归的时候不用X，而是用它的一种非线性变换之后的特征呢？这就引入了核函数。

5.1 Kernel Trick – Brief Overview

核函数的几个特征如下：

1）闭式解w是是用核函数表示的，但要训练的变量变成了$\alpha$