目标跟踪SAMF算法笔记

SAMF是在KCF的基础上改进的，采用多特征(灰度,Hog,CN)融合。Hog特征与CN特征能够实现互补(颜色与梯度))。并且采用多尺度搜索策略。

多特征融合

文章中的多特征融合就是简单的矢量叠加，公式如下：


x是传统KCF算法中提取的单独特征，而Xc中是三种特征的混合。算法相当于将三种特征进行简单的矢量叠加。

多尺度

它的思想很简单，就是在比较的阶段对候选区域的目标做七个尺度的计算，与上一帧目标进行比较，其响应值最大的作为当前帧中的目标。

样本的尺度为（即加入padding后的样本）。

定义一个尺度池为，里面包含尺度因子。源代码中选择了1.005间隔的7个尺度因子（DSST为33个）。

再利用双线性插值法使得各个尺度的样本变成与初始样本ST一致的大小。不同尺度因子的样本图如下所示：
然后分别送入KCF（结合了Fhog和CN特征），然后得到一个响应图，一共7层，比较找出响应的最大值，最大值属于哪个尺度就说明哪个尺度合适。如下图

可想而知这个速度是比较慢的，每一帧都要比KCF多花6倍的时间，再加上CN的更慢。SAMF的速度为7FPS。VOT2014中的KCF也采用这种尺度更新方法，步长1.05的3个尺度检测和更新，换算速度是66FPS，可见减少尺度增加步长速度会快很多。