CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记

最新推荐文章于 2020-06-23 20:55:20 发布

原创最新推荐文章于 2020-06-23 20:55:20 发布 · 818 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#目标跟踪 #CVPR2010 #MOSSE #相关滤波 #CF

目标跟踪同时被 2 个专栏收录

43 篇文章

订阅专栏

4 篇文章

订阅专栏

本文介绍MOSSE算法，一种将相关滤波应用于视觉目标跟踪的经典方法。通过将互相关运算转换为频域的乘法操作来提高计算效率，并采用最小二乘法求解最优滤波模板。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

理解出错之处望不吝指正。

本文模型就是大名鼎鼎的MOSSE，是CF在tracking的开篇之作。

什么是CF？

本段部分摘自百度百科。

两个函数互相关的含义是：对两个函数分别作复数共轭和反向平移并使其相乘的无穷积分，或者说：第一个函数依次作复共轭和平移后与第二个函数相乘的无穷积分。可以证明，两个定义完全等价(可以互相导出)。从物理上看，互相关运算的结果反映了两个信号之间相似性的量度。特别是对于实函数f(x)和h(x)而言，其相关运算相当于求两函数的曲线相对平移1个参变量x后形成的重叠部分与横轴所围区域的面积。

互相关的定义为（上角标 $*$ 代表共轭）：

$f(x)\otimes h(x)= \int_{-\infty }^{\infty }f^{*}(x^{'}-x)h(x^{'})dx^{'}=\int_{-\infty }^{\infty }f^{*}(x^{'})h(x^{'}+x)dx^{'}$

由此可见，互相关可以转化为卷积操作：

$f(x)\otimes h(x)= \int_{-\infty }^{\infty }f^{*}(x^{'}-x)h(x^{'})dx^{'}=$

$\int_{-\infty }^{\infty }f^{*}([-(x-x^{'})])h(x^{'})dx^{'}=f^{*}(-x)*h(x)$

将CF应用到目标跟踪

对于目标跟踪任务来说，问题描述为要找到一个滤波模版h,与输入图像 f 求相关性,得到相关图g。

$g=f\otimes h$

如上图所示，相关图 g 描述目标响应，越接近目标时值越大。

根据卷积定理，函数互相关的傅里叶变换等于函数傅里叶变换的乘积，这样就可以把互相关操作转化为频域的相乘操作，加速了运算：

然后使用最小二乘法求解 $H^*$ ：

为了使算法更具有鲁棒性，作者对templet frame进行随机的仿射变换，得到8个训练样本，再使用最小化平方和误差，求偏导得0，,从而得到：

之后作者提出了模型的在线更新策略：

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。