无人驾驶感知篇之目标跟踪（七）

上一篇主要讲述的MOSSE跟踪算法，这一篇写写CSK跟踪算法。

1.CSK跟踪算法的由来

     大部分判别式跟踪算法为满足跟踪的实时性要 求，对背景和目标都采用稀疏采样策略，从而制约了跟踪性能。CSK算法通过样本的转移实现了一种特殊的稠密采样，并发现样本能通过核运算形成特殊的结构——循环矩阵结构，在此基础上引入经典信号处理 中的卷积操作代替一般跟踪算法所采用的滑窗操作， 实现了稠密采样条件下的高速跟踪。

2.CSK跟踪算法的原理

CSK采用岭回归方法学习分类器，求使得如下损 失函数最小的分类器参数w，即

最小化问题的解为:

其中，a具有解析解:

 

 式中：a和r均为M×N的矩阵，K为训练样本生成的核矩阵；I为单位阵。 CSK算法的关键是证明了K为循环矩阵，进而利用循环矩阵的属性求解分类器参数口，即

 式中：F和F-1分别表示傅里叶变换及其反变换；

 检测阶段，从新的一帧中采样图像块z，利用学习到的目标表观p和分类器d，可得出z内所有位置处的检测响应

3.CSK跟踪算法的优点

      CSK算法通过研究采样下的训练方法，发现密集采样所得到的样本具有循环矩阵的结构特征，然后在循环矩阵的基础上，引入FFT傅里叶变换，加快了算法的速度，并通过引入核技巧将原来的图像空间转换成了非线性空间的回归问题，进而增强了准确性。