星辰的博客

基于opencv3.1.0+vs2013 另外自己也是刚学习，如果有注释错误的地方，还请指出 utils.h #include using namespace std; using namespace cv; #pragma once void drawBox(cv::Mat& image, CvRect box, cv::Scalar color = cvScalarAll(255

KCF论文及源码下载:点击打开链接 首先有一些关于循环矩阵的性质和计算必须要理解： 循环矩阵的傅里叶对角化：点击打开链接 接下来是SVM中的岭回归和核函数的一些东西：点击打开链接 KCF高速跟踪详解：1：点击打开链接  2：点击打开链接 另外，还有一些基本的概念的东西，例如PCA降维，HOG特征，LAB颜色特征，这里简单记录一下我的对这几个概念的理解，毕竟面试可能会考 HOG（

文章把一个跟踪器分为几个模块，分别为motion model, feature extractor, observation model, model updater, and ensemble post-processor 例如将HOG作为特征，将SVM或者岭回归方法作为observation model，大多数论文关注的都是motion model，但是这个对最终的性能的影响不如特征的影响大

很多都是参考网上的大神分析 KCF代码具体分析 KCF知乎专栏 放几个KCF中主要的cpp和hpp文件，回去接着看代码 fhog.cpp #include "fhog.hpp" #ifdef HAVE_TBB #include #include "tbb/parallel_for.h" #include "tbb/blocked_range.h" #endif #

写下来，别忘了喽 首先，文章使用“岭回归”这个方法来做预测的，主要是利用了循环矩阵的各种性质，把在空间域很难算的东西转换到Fourier域中，变成了简单的点乘或者点除运算，所以大大节省了时间，首先是从线性的回归做起，后来推广到非线性回归，训练的时候呢，就是用第一帧的原始目标框，它的逼近的函数就是二维分布的高斯函数，认为目标中心处得分最高（即为高斯峰），在计算的时候，计算了每一个block的46（