以代码的脉络理解KCF论文思想

以代码的脉络理解KCF论文思想

1：void init(const cv::Rect &roi, cv::Mat image);
第一帧图像用来初始化。里面有两个重要步骤， cv::Mat getFeatures(const cv::Mat & image, bool inithann, float scale_adjust = 1.0f);和void train(cv::Mat x, float train_interp_factor);
getFeatures()函数用来提取特征。
步骤：
① 根据目标位置，在对应视频上截取适当大小ROI。这里有三个重要参数，padding，template_size和cell_size。将原来目标width,height各自扩大padding倍，选边长大的一边，使其等于template_size，计算出扩大的倍数，使另一边以同样的倍数扩大，最后各自加上cell_size * 2，得到新的_tmpl_sz长宽大小。
② 在视频帧中，在目标原位置，大概截取目标扩大padding倍之后大小的ROI，然后resize到_tmpl_sz大小，得到送入HOG中提取特征的最终图像patch.如下图中，

红色虚线为目标位置，其他实线框为patch循环位移产生的其他样本。
③ 对样本提取HOG特征，然后经PCA降维，得到31维特征。
④ 对样本提取Lab特征，得到15维特征（设置的）。
⑤ 两者特征融合，即直接将15维的Lab特征，拼接在31维的HOG特征后面，最终形成46维特征。
train()函数用来训练。 初始化时，通过高斯核运算，得到自相关矩阵，然后经过简单的线性运算，得到初始帧的特征矩阵及权重矩阵。
2，cv::Rect update(cv::Mat image);
后续帧用来更新。里面有两个重要的步骤， cv::Rect update(cv::Mat image);和void train(cv::Mat x, float train_interp_factor);
update() 更新目标位置。
步骤：
① 计算上一帧特征图与这帧特征图的互相关，返回互相关最大的响应值以及最大响应值位置。
② 分别计算三个不同尺寸的特征图与上一帧特征图计算互相关，返回最终最大的响应值以及响应值位置。作为目标更新的位置。
train() 函数用来训练。与初始化时的训练过程一样，区别在于更新时的训练，产生的当前帧特征图主要是历史特征，当前帧特征权重很小。