如果背景是均匀的,并且对象不会移动太多,这些循环移位相当于图像中的实际转换,并且该框架运行良好。
CF跟踪器缺陷:
1> 边界效应
可以用cos_window消除(Ps:减小了搜索区域)
2> 此外,目标搜索区域只包含一个小的局部邻域,以限制漂移并保持计算成本低。
可以用粒子滤波器进行改善
CF公式
脊回归
A0是a0循环位移得来的,是循环矩阵,y是2D高斯标签(位移越大,系数越小,因为位移大,说明变形越大),lamda是正则项(就是为了防止分母等于零造成无解);
(Ps:w的解为什么和A0无关?因为在傅里叶变换中化简了,a0代表A0)
(Ps:w的本质就是所求特征的系数(自我感觉))
(Ps:链接:http://www.cnblogs.com/YiXiaoZhou/p/5925019.html ,讲的特别具体,大力推荐),为了省事,之后复制公式
想看核空间的朋友可以参考上面推荐的博客,我只是把我理解的部分写出来了,本质上就是一步步推算。
X就是上一帧patch循环位移得到的,α和ω本质上都是系数,只是α的维数更高(超平面)。Φ就是超平面的映射(可参考SVM支持向量机)。
(Ps:具体推导看上面链接)
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
CA + CF
Ai就是由 context patches 循环位移得来的。最后一项的最用是 context patches 的响应为零。
变换下形式:
,
,
(Ps:k个 context patches)
求ω的导数等于0,得
经傅里叶变换
与核空间类似
α的每一个元素分别求解
求响应