Kena_M的博客

贝叶斯估计基础跟踪问题可以看作是贝叶斯估计问题，用下图模型表示。图中xix_i和yiy_i分别表示第ii时刻的目标状态\color{red}{状态}和观测\color{green}{观测}。 从贝叶斯估计的角度看，跟踪问题就是从所有历史观测数据y1:k={y1,⋯,yk}y_{1:k}=\{ y_1,\cdots,y_k \}中推导出kk时刻状态xkx_k的值，即估计后验概率p(xk|y1:k)p

相关滤波为本篇博文表述方便，特将前几篇中几个重要的公式在此一并贴出，不懂的可以去看前几篇博文。 w=(XTX+λI)−1XTy(1){\bf{w}} = {({{\bf{X}}^{\rm{T}}}{\bf{X}} + \lambda {\bf{I}})^{ - 1}}{{\bf{X}}^{\rm{T}}}{\bf{y}}\tag{1} w=(XHX+λI)−1XHy(2){\bf{w}} = {

循环矩阵充分利用循环矩阵及其特性的是核相关滤波跟踪算法的另一个重要特征，它不仅涉及到目标采样，而且巧妙的将目标特征的频域空间与岭回归相结合，实现了目标特征的快速学习与检测。首先考虑一维样本的情况，设x=[x0,x1,x2,⋯,xN−1]{\bf{x}} = [{x_0},{x_1},{x_2}, \cdots ,{x_{N - 1}}]表示一行图像像素样本，x{\bf{x}}的循环矩阵表示为： X

前言首先说声抱歉，之前的【目标跟踪: 相关滤波器 一】挖坑太深，从五月份发完小论文之后就开始搞DSP了，过完暑假又开始找工作，写毕业论文，在学院里兼职又搞的我很忙，一直没能静下心来写博客。直到现在，毕业论文已提交送审，导师又暂时没啥事找我，纯粹的自由时间，才有功夫把毕业论文中的内容摘出来，用markdown重写一遍，分享给大家。另外说一下，我不是计算机专业出身，没上过正规的机器学习课程，有关这部分的

前言从2015年12月份开始闭关修炼, 潜心研究目标跟踪领域的相关滤波器, 如今终于算是可以暂时告一段落. 现在的我相比去年的我而言, 自我感觉虽然算不上脱胎换骨, 但是的的确确学习了很多知识, 在机器视觉领域终于不再是一个青涩的还未过门的小鸟雏, 现在的这只小鸟, 已经可以跌跌撞撞的起飞.以这篇博文为分界线, 之前的博文在我现在看来真是图样图森破, 各位看官大可以忽略之前的博文.从今天起, 会尽量