本文深入探讨KCF跟踪算法的关键概念，包括循环矩阵逆的计算及其在目标跟踪中的应用。通过调整padding大小，改进了对快速移动目标的检测能力，但同时也指出了对于相似目标可能出现的漂移问题。此外，还介绍了与KCF相关的图像特征提取方法，如HOG、LBP及Haar-like特征。
开始hog之旅
KCF最重要的一点: 循环矩阵的逆，等价于将其特征值求逆。
X
−
1
=
F
⋅
d
i
a
g
(
x
^
)
−
1
F
H
=
C
(
F
−
1
(
d
i
a
g
(
x
^
)
−
1
)
)
X^{-1}=F\cdot diag(\hat{x})^{-1}F^H=C\left( \mathcal F^{-1}(diag(\hat{x})^{-1}) \right)
X−1=F⋅diag(x^)−1FH=C(F−1(diag(x^)−1))
加大了padding，移动快的目标容易检测出来啊，但是相似目标确实容易漂移，我试了blurbody和basketball。padding加大后，前者效果好了，后者效果查了
1.HOG特征
2.图像特征提取三大法宝：HOG特征、LBP特征、Haar-like特征
3.HOG ,SIFT 特征实现
4.FHOG
5.DPM（Deformable Part Model）原理详解
5.1DPM目标检测算法
6.三线性插值-hog
7.HOG特征中的三线插值法
8.行人检测之HOG——方向梯度直方图(Histogram of Oriented Gradient）
9.目标跟踪：KCF
10.【目标跟踪】KCF高速跟踪详解
11.边界效应与VOT2015
说明ECO_HC是手工特征，即经典的HOG CN GRAY等等
ECO_DEEP就是深度学习获得的特征
扫一扫
3910
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
