weixin_53306805的博客

DCF的标准公式使用循环相关，这允许通过快速傅立叶变换(FFT)有效地实现学习。然而，FFT要求滤波器和搜索区域大小相等，这限制了检测范围。由于循环移位特性，滤波器在包含不现实的、环绕循环移位的目标的许多模板山被训练。减少开窗问题的一种简单方法是从更大的区域学习滤波器。然而，由于该区域中的大面积背景，DCF的跟踪性能显著下降。...

许多基于相关滤波的跟踪算法通过融合多种类型的特征取得了令人印象深刻的性能，然而，它们中的大多数未能充分探索所采用的多种特征之间的上下文以及它们的之间的联系，所以本文提出了一种多线索联合策略，它是通过组合各种不同类型的特征，然后通过传统DCF的方式构造多expert，每个expert独立的跟踪目标，然后根据一种评价策略，选择出跟踪性能最优的expert。（我认为每个expert相当于一个滤波器）主要贡献如下：1，提出了一种保持多线索跟踪的算法。通过仔细检查多个专家的鲁棒性得分，在每一帧中选择可靠的专家

随着科学技术的不断发展，许多用于加快计算速度的算法应运而生，快速傅里叶变换就是其中之一，快速傅里叶变换是傅里叶变换的一种快速计算方式。傅里叶变换在科学研究中运用非常广泛，刚开始出现时，主要用于信号分析与处理，通过将信号从时域转换到频域，可以很好的表示复杂的信号。此外，它还可以用于图像处理中，将一张图片进行傅里叶变换后将表示这张图片各个像素的梯度大小。还可用于目标跟踪，快速傅里叶变换可以高效的进行卷积运算和相关操作，其中基于相关滤波的目标跟踪已经成为计算机视觉跟踪领域的一大模块，具有举足轻重的作用，本文将首先