ftp 企业网站,手机网站数据加载,科协建设网站 方案,网站建设对教育解决方案High-Speed Tracking with Kernelized Correlation Filters
使用内核化相关滤波器进行高速跟踪 大多数现代跟踪器的核心组件是判别分类器#xff0c;其任务是区分目标和周围环境。为了应对自然图像变化#xff0c;此分类器通常使用平移和缩放的样本补丁进行训练。此类样本集…High-Speed Tracking with Kernelized Correlation Filters
使用内核化相关滤波器进行高速跟踪 大多数现代跟踪器的核心组件是判别分类器其任务是区分目标和周围环境。为了应对自然图像变化此分类器通常使用平移和缩放的样本补丁进行训练。此类样本集充斥着冗余 - 任何重叠的像素都被限制为相同。基于这个简单的观察我们提出了一个包含数千个翻译补丁的数据集的分析模型。通过证明生成的数据矩阵是循环的我们可以用离散傅里叶变换对其进行对角化从而将存储和计算减少几个数量级。有趣的是对于线性回归我们的公式相当于一个相关滤波器被一些最快的竞争跟踪器使用。然而对于核回归我们推导了一个新的核化相关滤波器KCF与其他核算法不同它具有与其线性算法完全相同的复杂性。在此基础上我们还提出了线性相关滤波器的快速多通道扩展通过线性内核我们称之为双相关滤波器DCF。在 50 个视频基准测试中KCF 和 DCF 的表现都优于 Struck 或 TLD 等顶级跟踪器尽管它们以每秒数百帧的速度运行并且只需几行代码即可实现算法 1。为了鼓励进一步的发展我们的跟踪框架是开源的。 1 相关背景知识
一Hog特征梯度方向直方图Histogram of oriented gradient 1. 一文讲解方向梯度直方图hog - 知乎 2. HOG特征的提取及代码实现 - 知乎 3. 计算机视觉爱好者必看特征工程HOG特征描述子指南 - 知乎
二SVM向量机与核方法 Python · SVM三· 核方法 - 知乎
三 循环矩阵与傅里叶变换 张量t-product积基础 | 循环矩阵与向量乘积的离散傅立叶变换 · 循环矩阵的傅里叶对角化 - 知乎 循环移位可视化理解 - 知乎 通过上面一篇文章最终得出的结论会用于KCF即 四判别式跟踪算法 判别式跟踪方法将目标跟踪问题转化为寻求跟踪目标与背景间决策边界的二分类问题通过分类最大化地将目标区域与非目标区域分别开来。因此目标跟踪的准确性和稳定性很大程度上以来于在特征空间上目标与背景的可分性如何在线建立能够适应目标和背景外观变化的判别模型是判别式跟踪算法研究的关键。KCF就是判别式跟踪算法。
2 KCF 详解
一KCF基本原理 1. :目标跟踪系列--KCF算法 - 知乎 2. 目标跟踪KCF_kcf目标追踪是什么-CSDN博客 3. 相关滤波一KCF-CSDN博客 4. https://www.cnblogs.com/YiXiaoZhou/p/5925019.html 对于KCF的基本原理以及过程有大致的了解。明白KCF跟踪算法的整体流程。
二KCF算法流程概述 相关滤波一KCF-CSDN博客 KCF目标跟踪算法原理与入门详解_kcf跟踪算法原理_普通网友的博客-CSDN博客 第一步初始帧确定目标的表达形式确定目标区域的位置以及大小画出候选框可以理解为bounding box通常由目标检测算法实现也可以根据实际情况手动标注然后在初始帧进行目标特征提取先提取目标区域的hog特征在初始帧图像中通过循环移位采集大量样本是对整幅图像进行循环移位这一步在判别式跟踪算法中也称作“正负样本生成”有时也被称作“候选框生成”基于目标hog特征在正负样本中训练相关滤波模板w从而生成期望分布提高判别力。 第二步读取下一帧图像将整副图像图像作为搜索区域也是提取图像的hog特征通过余弦窗平滑计算得到待检测的样本a然后将待检测样本与相关滤波模板相乘得到当前图像的响应图将频域响应图f(z) 通过反傅里叶变换求得时域响应图 响应值最大的位置就是最佳预测位置目标的位置进行预测后根据此位置外观信息对目标的外观模型以及滤波器模板进行更新。 第三步模型更新完毕之后利用更新后的滤波分类器模板与后续帧图像搜索区域进行响应运算对后续帧目标位置进行预测。 第四步重复二、三步直到所有的视频序列检测完成。
3 KCF论文地址
https://ieeexplore.ieee.org/abstract/document/6870486
