目标跟踪之KCF详解

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