輸入圖像序列 lists：

讀取第一幀圖像，灰化，并且框定ROI區域

以ROI中心(center)點為中心，計算第一幀圖像的高斯響應圖g（整幅圖計算，距離ROI中心越遠響應值越小）

將步驟2中計算得到的高斯響應圖對應于ROI區域的部分取出來，記為g1

取第一幀圖像中ROI區域，進行預處理（均值化為0，歸一化），記為f1

將g1，f1進行快速傅里葉變換，訓練，得到Ai ，Bi

如果是第一幀：
Ai Bi 乘學習率進行Ai,Bi更新，用pos存下跟蹤位置（x ，y的起始坐標和寬帶、高度），clip存下更詳細的跟蹤位置（上下左右四個坐標），即為第一幀的目標定位。

如果不是第一幀，記當前幀為f：
計算濾波器Hi =Ai/Bi，f進行灰化，取f對應clip的區域進行預處理（均質化為0，歸一化等），得到fi(fi是clip大小的區域，位置以pos為中心)
對fi進行FFT變換得到Fi，再求響應圖：
Gi = Hi * Fi
Gi進行反FFT變換，得到gi
在gi中找出響應值最大的點maxg，用maxg的位置更新pos和clip
再取當前幀目標位置（pos區域），更新Ai ,Bi ，
畫出跟蹤結果，之后進行下一幀跟蹤。

這里說一下我的疑惑：
代碼中，clip基本只用來檢測ROI是否超出圖像范圍。但是其實用pos也可以達到同樣的目的。不知道這個clip_pos的變量作用到底是什么。
還有一個問題，pre_training中，更新了num_pretrain次Ai，Bi ，我看不懂這是什么原理。用一幀圖像多次計算就可以提升性能？
希望懂的大佬不吝賜教。
附上MOSSE代碼，可直接運行：
https://download.csdn.net/download/qq_32048913/11644401

總結

以上是生活随笔為你收集整理的MOSSE目标跟踪算法步骤的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。