目标跟踪：相关滤波算法MOSSE理解与python实现

论文地址：http://static.tongtianta.site/paper_pdf/5289ac92-dfd9-11e8-8368-00163e08bb86.pdf

在学习该算法的过程中我搜索了不少的资料，其中下面两位前辈的内容给了我很大的帮助：

博文：https://blog.csdn.net/Perfect_Accepted/article/details/84636319 （非常详细的讲解，把理解该算法所需的相关知识也囊括其中）

Matlab代码讲解：https://www.bilibili.com/video/BV1qE411t76u?from=search&seid=12629263508389420802 （up主的讲解形象生动，对我这种小白帮助很大）

本文代码是参考自fengyang95大神的：https://github.com/fengyang95/pyCFTrackers  

为了便于仅对Mosse算法的学习和测试，我在fengyang95代码的基础上做了一些删减和修改，并在代码中加入了详细的注释，但是基本上源于他的思路实现。

本文代码和数据：https://gitee.com/asddongmen/MyCFTrackers

效果展示如下：

mosse_cup_tracking

 

下面是我对该算法实现过程的一些总结：

首先说明，本文的记号方式与论文一致，使用小写来表示时域下的图片如fi，使用大写来表示经过傅里叶变换后频域下的图片如Fi。

1. 读取第一帧图片，若是RGB图像则转化成灰度图像，接着对图片矩阵进行归一化处理
2. 手工框出 / 用目标检测算法检测出 / 使用数据集中的ground truth来标定出视频第一帧图片中的需要跟踪的目标(x, y, w, h)
3. 根据第2步得到的框，截取出目标区域图片_fi
4. 生成一个（w*h）大小的高斯核，并对其进行傅里叶变换，得到_G
5. 初始化_Ai, _Bi, 大小都为 （w*h）
6. 对_fi进行随机重定位(rand_wrap)
7. 对_fi进行preprocessing(取对数，标准化，通过窗函数)
8. 对_fi进行傅里叶变换得到Fi,并根据Fi和_G计算出_Ai和_Bi，到此处第一帧处理结束。
9. 根据_Ai和_Bi计算出当前帧的Hi
10. 根据上一帧目标框，获取当前帧的fi，并对其进行预处理和fft，得到Fi
11. 根据Hi和Fi更新Gi，然后Gi进行逆傅里叶变换得到gi
12. gi中最大值位置即为第二帧图像目标所在位置，经过计算之后得到当前帧目标框的中心(x_c, y_c)
13. 根据(x_c, y_c)更新当前帧的fi，并对其进行预处理和fft，得到Fi
14. 根据论文中的公式，使用Fi，_G, 和_Ai, _Bi来更新 _Ai, _Bi
15. 回到第九步，直到计算结束。

注意：

1.在论文中每次更新Ai和Bi时用的都是Gi，但是实际上Gi就是初始的_G，_G是不用进行更新的 （根据我的理解，如果不对请指正，非常欢迎讨论！！）