原文：http://blog.csdn.net/gxb0505/article/details/52601613?locationNum=8

簡介(Accurate Scale Estimation for Robust Visual Tracking)

       DSST(Discriminative Scale Space Tracking)在2014年VOT上奪得了第一名，演算法簡潔，效能優異，並且我上一篇所述的KCF奪得了第三名，兩者都是基於濾波器的演算法，這一年是CF義軍突起的一年，值得研究這些相近的優秀演算法。這篇演算法是基於MOSSE的改進，突出內容是加入了尺度變換，下面開始逐一講解演算法內容。

相關濾波器

　　首先講一下MOSSE提出的相關濾波器，從目標中提取一系列的影象patches,記為f1,f2,...ft作為訓練樣本，其對應的濾波器響應值為一個個高斯函式g1,g2,...gt,而目的就是找到滿足最小均方差(Minimum Output Sum of Squared Error)的最優濾波器： 

ε=∑j=1t||ht∗fj−gj||2=1MN||HtFj−Gj||2(1)
其中第二個等號根據Parseval定理匯出，等式左側是空域的方程式，右側是頻域的方程式，正正是這個等式，使得我們將問題求解變換到頻域裡求解，ε的最小值在頻域裡的解如下：
H

t=∑tj=1GjFj∑tj=1FjFj(2)
一般而言，gj可以是任意形狀的輸出，這裡的輸出gj是高斯型的函式，峰值位於中心處。這個方法的技巧或者目的在於：一是運算簡潔，基本都是矩陣運算；二是引入快速傅立葉(FFT)大大加快運算效率。這即是相關濾波器被應用在Tracking並獲得較好效果的原因，滿足了對速度的一大需求。
在得到上述相關濾波器後，對於新的一幀中的候選輸入樣本z,求相關得分y： 
y=−1(HtZ)(3)
y取最大響應值時對應的位置z為新的目標位置。

演算法思想

　　演算法設計了兩個一致的相關濾波器，分別實現目標的跟蹤和尺度變換，定義為位置濾波器(translation filter)和尺度濾波器(scale filter),前者進行當前幀目標的定位，後者進行當前幀目標尺度的估計。兩個濾波器是相對獨立的，從而可以選擇不同的特徵種類和特徵計算方式來訓練和

測試。文中指出該演算法亮點是尺度估計的方法可以移植到任意演算法中去。

演算法流程：如上圖所示，通過左側的影象patch目標提取的特徵F和右側的高斯型函式G，應用式(2)得到一個相關濾波器H。然後在下一幀將測試的影象patches提取特徵Z作為輸入，與相關濾波器H按照式(3)進行運算，得到響應值y最大的候選目標，所以演算法很簡潔。
該演算法將輸入訊號f(影象中的某一個patch)設計為d維特徵向量(可選gray,hog)，通過建立最小化代價函式構造最優相關濾波器h,如下：
ε=||∑l=1dhl∗fl−g||2+λ∑l=1d||hl||2(4)
其中，l表示特徵的某一維度，λ是正則項係數，作用是消除f頻譜中的零頻分量的影響，避免上式解的分子為零，如下：
Hl=G⎯⎯⎯Fl∑dk=1Fk⎯⎯⎯⎯Fk+λ=AltBt(5)
由於patch中的每個畫素點需要求解dxd維的線性方程，計算非常耗時，為了得到魯棒的近似結果，對上式中分子Alt和分母Bt分別進行更新:
Alt=(1−η)Alt−1+ηGt⎯⎯⎯⎯Flt
Bt=(1−η)Bt−1+η∑k=1dFkt⎯⎯⎯⎯F

相關推薦

目標跟蹤學習演算法DSST

原文：http://blog.csdn.net/gxb0505/article/details/52601613?locationNum=8 簡介(Accurate Scale Estimation for Robust Visual Tracking)

目標跟蹤學習演算法之二：DSST

簡介        DSST(Accurate Scale Estimation for Robust Visual Tracking)在2014年VOT上奪得了第一名，演算法簡潔，效能優異，並且我上一篇所述的KCF奪得了第三名，兩者都是基於濾波器的演算法

目標跟蹤經典演算法彙總(持續更新...)

    如題，雖然這個問題是經典目標跟蹤演算法，但事實上，可能我們並不需要那些曾經輝煌但已被拍在沙灘上的tracker(目標跟蹤演算法)，而是那些即將成為經典的，或者就目前來說最好用、速度和效能都看的過去tracker。我比較關注目標跟蹤中的相關濾波方向，接下來我介紹下我所認

目標跟蹤最前沿演算法資料收集

https://zhuanlan.zhihu.com/visual-tracking http://weibo.com/tv/v/F5NNAmvwS?fid=1034:981ed20739385b10e9a8bc7019d73b97 http://weibo.com/tv

【技術向】DSST目標跟蹤演算法Matlab程式碼執行指南

論文：Accurate Scale Estimation for Robust Visual Tracking(DSST)  1.執行環境 win8.1+matlabR2015a 2.準備工作 將code下載至電腦任意位置，檢視一下檔案，進入目錄D:\DSST_c

DSST目標跟蹤演算法

    DSST演算法也是基於KCF演算法改的較好的一種。DSST（Accurate Scale Estimation for RobustVisual Tracking）是2015年BMVC（InProceedings of the British Machine Visi

OpenCV學習筆記（二十六）——小試SVM演算法ml OpenCV學習筆記（二十七）——基於級聯分類器的目標檢測objdect OpenCV學習筆記（二十八）——光流法對運動目標跟蹤Video Ope

OpenCV學習筆記（二十六）——小試SVM演算法ml  總感覺自己停留在碼農的初級階段，要想更上一層，就得靜下心來，好好研究一下演算法的東西。OpenCV作為一個計算機視覺的開源庫，肯定不會只停留在數字影象處理的初級階段，我也得加油，深入研究它的演算法庫。就從ml入手

【技術向】目標跟蹤DSST改進版fDSST演算法程式碼分析

MD大神的fDSST是DSST的加速改進版，文章發表在TPAMI17上先給文章地址： http://www.cvl.isy.liu.se/en/research/objrec/visualtracking/scalvistrack/DSST_TPAMI.pdf f

TLD目標跟蹤演算法學習（二）

　　正如名字所示，TLD演算法主要由三個模組構成：追蹤器（tracker），檢測器（detector）和機器學習（learning）。 　　對於視訊追蹤來說，常用的方法有兩種，一是使用追蹤器根據物體在上一幀的位置預測它在下一幀的位置，但這樣會積累誤差，而且一旦物體在影象中

TLD目標跟蹤演算法學習（三）程式碼理解

（2）利用金字塔LK光流法跟蹤這些特徵點，並預測當前幀的特徵點（見下面的解釋）、計算FB error和匹配相似度sim，然後篩選出 FB_error[i] <= median(FB_error) 和 sim_error[i] > median(sim_error) 的特徵點（捨棄跟蹤結果不好的特徵

TLD目標跟蹤演算法詳解（二）學習器Learning （跟蹤器與檢測器的協調與更新）

       原文連結：http://blog.csdn.net/wood_water/article/details/9023151      在上一篇跟蹤器與檢測器（tracker and detector）中，我們已經詳細介紹了TLD中跟蹤器與檢測器的設計方案，而在具體

隨時更新———個人喜歡的關於模式識別、機器學習、推薦系統、圖像特征、深度學習、數值計算、目標跟蹤等方面個人主頁及博客

lam c++源代碼 for 閾值處理 mmc 閾值 align sources 回歸算法 目標檢測、識別、分類、特征點的提取David Lowe：Sift算法的發明者，天才。Rob Hess：sift的源代碼OpenSift的作者，個人主頁上有openSift的下載鏈接

OpenCV學習總結（4）- 目標跟蹤

opened 背景 key font sin mic 目標 mil cap 視覺算法原理：背景提取　　1. 打開視頻(文件或攝像頭)　　2. 從視頻中提取當前幀　　3. 計算背景：以前多幀求取平均　　4. 根據背景得到運動目標(當前幀 - 背景)　　5. 返回2，程序不斷循

機器學習之----目標檢測與目標跟蹤的區別

1.目標檢測就是檢測出一個圖片或者一個視訊中目標的位置（靜態或者動態）如yolo檢測目標 2.目標追蹤是給視訊中第一幀目標以及它的位置，然後跟蹤這個目標，以及預測它的軌跡，（如果出現一些遮擋，也可以根據軌跡來跟蹤這個目標，假如是yolo檢測出的目標，有時候還會出現丟幀的情況，如果用了跟蹤演算法，

目標識別、目標跟蹤演算法總結

想自學影象處理的相關知識，正好實驗室師兄做過兩個關於紅外目標跟蹤的專案，因此從mean-shift 、SR、RP、PF開始學習。但是查閱資料的時候，發現對各種演算法理解非常 利用影象處理演算法，實現的功能一般包括： 目標的檢測、識別、跟蹤。常見的問題包括：人臉

深度多目標跟蹤演算法綜述

導言 基於深度學習的演算法在影象和視訊識別任務中取得了廣泛的應用和突破性的進展。從影象分類問題到行人重識別問題，深度學習方法相比傳統方法表現出極大的優勢。與行人重識別問題緊密相關的是行人的多目標跟蹤問題。 在多目標跟蹤問題中，演算法需要根據每一幀影象中目標的檢測結果，匹配已有的目標軌跡；對於

深度學習之目標檢測常用演算法原理+實踐精講

第1章 課程介紹本章節主要介紹課程的主要內容、核心知識點、課程涉及到的應用案例、深度學習演算法設計通用流程、適應人群、學習本門課程的前置條件、學習後達到的效果等，幫助大家從整體上了解本門課程的整體脈絡。 第2章 目標檢測演算法基礎介紹本章節主要介紹目標檢測演算法的基本概念、傳統的目標檢測演算法、目前深度學習

目標跟蹤演算法

本文轉自：https://www.zhihu.com/question/26493945   第一部分：目標跟蹤速覽 先跟幾個SOTA的tracker混個臉熟，大概瞭解一下目標跟蹤這個方向都有些什麼。一切要從2013年的那個資料庫說起。。如果

目標檢測YOLO演算法-學習筆記

演算法發展及對比:  YOLO YOLO最大的優勢就是快 原論文中流程,可以檢測出20類物體. 紅色網格-張量,在這樣一個1×30的張量中儲存的資料 橫縱座標中心點縮放到0-1之間      每一個小網格矩形對應兩個不同尺寸比例的物體:豎

目標跟蹤之CCT演算法

一、摘要 論文提出了一種協同相關跟蹤器來解決相關濾波跟蹤器跟蹤時的尺度變換和模型漂移的問題，首先，論文在相關濾波器的核矩陣中嵌入尺度變換因子來適應尺度變換。然後使用隨機樣本訓練了一種有效的用來檢測的新型的長期CUR濾波器，這種濾波器通過在協同跟蹤器中有效地檢測候選目標來減少