图像识别算法c 代码 计算机视觉中，目前有哪些经典的目标跟踪算法？(13)

Danelljan M, Hager G, Shahbaz Khan F, et al. Learning spatially regularized correlation filters for visual tracking [C]// ICCV. 2015.

<img src="https://pic2.zhimg.com/50/v2-c5bb2010d16e93c6b3661dc54e06684b_hd.jpg" data-caption="" data-rawwidth="1321" data-rawheight="400" class="origin_image zh-lightbox-thumb" width="1321" data-original="https://pic2.zhimg.com/v2-c5bb2010d16e93c6b3661dc54e06684b_r.jpg">

SRDCF基于DCF，类SAMF多尺度，采用更大的检测区域(padding = 4)，同时加入空域正则化，惩罚边界区域的滤波器系数，由于没有闭合解，采用高斯-塞德尔方法迭代优化。检测区域扩大(1.5->4)，迭代优化(破坏了闭合解)导致SRDCF只有5FP，但效果非常好是2015年的baseline。

另一种方法是Hamed Kiani提出的MOSSE改进算法，基于灰度特征的CFLM Correlation Filters with Limited Boundaries 和基于HOG特征的BACF Learning Background-Aware Correlation Filters for Visual Tracking，主要思路是采用较大尺寸检测图像块和较小尺寸滤波器来提高真实样本的比例，或者说滤波器填充0以保持和检测图像一样大，同样没有闭合解，采用ADMM迭代优化：

Kiani Galoogahi H, Sim T, Lucey S. Correlation filters with limited boundaries[C]// CVPR, 2015.

Kiani Galoogahi H, Fagg A, Lucey S. Learning Background-Aware Correlation Filters for Visual Tracking[C]// ICCV, 2017.

<img src="https://pi.zhimg.com/50/v2-8b5a1516ecc6c2bf4782b99ab031373a_hd.jpg" data-caption="" data-rawwidth="1157" data-rawheight="505" class="origin_image zh-lightbox-thumb" width="1157" data-original="https://pi.zhimg.com/v2-8b5a1516ecc6c2bf4782b99ab031373a_r.jpg">

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-60218-13.html