原創文章,轉載註明哦~C-COT是繼KCF後相關濾波演算法的又一大突破,不得不說Martin的數學功底實在太強了!
C-COT相比於KCF演算法,使用了深度神經網路VGG-net提取特徵,通過三次樣條函數進行插值處理,將不同解析度的特徵圖通過插值操作擴展到了同一週期的連續空間域,再應用Hessian矩陣可以求得亞像素精度的目標位置。確定插值方程之後,還解決了在連續空間域進行訓練的問題。
個人思考:Martin大神的思路很清晰,針對跟蹤過程中對於目標表觀模型的建立,我們自然是希望模型越精確越好,富含目標的信息越豐富越好。可是最簡單的來說,HOG特徵是基於cell和block的直方圖特徵(描述輪廓信息),而HOG和顏色空間的直方圖明顯不是一個解析度的特徵,傳統的KCF或者DCF演算法無法將不同解析度的特徵通道進行融合。Martin大神巧妙的將不同解析度的特徵圖通過插值方法,拓展到了週期的連續空間域,使得他們擁有相同的計算週期,這樣我們就可以很容易的實現多解析度特徵的融合計算。而且這樣得到的置信響應圖也會是連續的,這也使得演算法可以實現亞像素精度的定位。
1、運算元
M在論文中首先定義了復值函數g對應的 空間,其中g是週期為T的函數, 是一個希爾伯特空間。定義了一下兩種運算元,第一個其實就是傅裏葉係數的求解公式,第二個就是週期卷積的公式。