KCF论文阅读笔记

 

论文：https://arxiv.org/pdf/1404.7584.pdf

 

注意该算法和一般的检测算法不同。

一般检测算法的思想是收集正负样本来训练分类器，然后在不同的滑窗位置判断是目标还是背景。

KCF的思想是计算训练样本和待测样本的相关性，通过核相关矩阵来计算目标的偏移，进而计算出目标的位置。

1-训练：

 

1. 提取目标区域及其附近图像。论文中是2.5倍长宽。训练仅使用该样本的循环移位（块）矩阵
2. 训练回归模型。理论上：y根据目标的偏移量来计算，x是原始图像（或其特征图如HoG）的循环移位样本。
3. 虽然利用了大量循环移位的样本，但算法利用循环移位的特性+Kernel Trick，使得运算量=O（n*lg(n)）

2-预测

1. 在待测图像中提取训练目标位置。
2. 计算核相关矩阵。核相关矩阵代表预测样本和训练样本在不同循环移位下的相关性。
3. 找到核相关矩阵的最大值及其位置。 最大值的位置 = 预测样本相对于训练样本的偏移。