文章標題：《Visual Object Tracking using Adaptive Correlation Filters》
文章地址：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.294.4992&rep=rep1&type=pdf
文章代碼：（python）https://github.com/opencv/opencv/blob/master/samples/python/mosse.py
?????（C++）https://github.com/opencv/opencv_contrib/blob/master/modules/tracking/samples/tutorial_customizing_cn_tracker.cpp

2010年CVPR的一篇的文章

---

Abstract

相關濾波器（correlation filters）雖然用得不多，但是在物體被旋轉、遮擋或者有其它干擾的復雜情況下實施跟蹤，速度要比當前的先進技術快 $20$ 倍。最古老、最簡單的相關濾波器使用了簡單的模板，實際跟蹤時不太好用。ASEF 和 UMACE 等現代一點的方法性能好一點，但是它們的訓練需求不太適應用于跟蹤。視覺跟蹤任務要求從單幀圖像訓練出魯棒的濾波器，并且在跟蹤過程中，根據目標外觀的變化進行動態調整。

本文提出了一種新型相關濾波器：MOSSE（Minimum Output Sum of Squared Error），我們在初始化的時候，從一幀圖像中產生穩定的相關濾波器。基于MOSSE濾波器的跟蹤器以每秒 $669$ 幀的速度運行，對光照、比例、姿態和非剛性變形的變化具有魯棒性。跟蹤的時候根據峰值與旁瓣比（peak-to-sidelobe ratio，PSR）判斷是否發生遮擋，以此決定是否暫停跟蹤，等物體重新出現時恢復跟蹤。

具體做法

獲取選區：

首先把輸入圖像轉為灰度圖，選取跟蹤區域。修改選區框的尺寸，使得該尺寸是做離散傅里葉變換的最佳尺寸。
然后根據選區創建漢寧窗（HanningWindow），它用于突出圖像中心區域，減弱圖像邊緣區域。（這個后面用到）
把它裁剪出來，得到輸入數據 $f$：

預處理：

常規操作。把輸入圖像 $f$ 的數據取對數，使數據無偏，符合正態分布。對數效果示意圖：

然后減均值，除以方差，把數據標準化（Normaization）。

最后乘以漢寧窗。

建立求解目標：

設置我們對該選區的期望輸出響應 $g$。它是一個中間值很大，四周值很小的矩形圖片，尺寸和選區尺寸一樣大。
可視化如下：

(圖1)

（具體做法可以看代碼）

我們希望訓練得到一個相關過濾器 $h$，使 $f☆h=g$ ：

其中符號 $☆$ 表示做 “相關” 運算。

“相關” 運算和 “卷積” 運算很像，二維情況下，對卷積核關于 $2$ 個軸先后旋轉 $180^{°}$，再做卷積，就是 “相關”。
所以主要是 “核” 不同。 具體去網上查資料或者看岡薩雷斯的《數字圖像處理》(第四版) p101。

如果訓練良好，這個相關過濾器 $h$ 大概長這樣：

怎樣找到 $h$ 呢？

我們知道在傅里葉域做乘法相當于在空間域做卷積，于是先通過快速傅里葉變換 ($FFT$) 把數據從圖像空間域轉到傅里葉域，然后在傅里葉域進行操作，這樣可以減少計算量。我們用對應的大寫字母表示傅里葉域的數據：

?????輸入圖像： $F=\mathcal{F}(f)$ ， 相關過濾器：$H=\mathcal{F}(h)$ ，輸出響應：$G=\mathcal{F}(g)$。

于是相關運算在傅里葉域表示為： $$F\odot H^{?}=G\text{\hspace{1em}(1)}$$

其中符號 $\odot$ 表示逐個元素的相乘，符號 $?$ 表示復共軛，也就是虛部取相反的符號。

這個運算的速度主要取決于傅里葉變換和傅里葉逆變換，時間復雜度上限是 $O(PlogP)$，$P$ 是選區的像素數量。

求解：

在初始化的時候，我們有 $i$ 組數據，對于輸入圖像數據 $F_i$，我們期望輸出的響應為 $G_i$。
通過求解以下最小化問題，“訓練” 出我們期望的相關核 $H$：$$\underset{H^{?}}{\min }\sum _i|F_i\odot H^{?}?G_i{|}^2\text{\hspace{1em}(3)}$$

這叫做最小化平方誤差和（Sum of Squared Error，SSE），文章的標題和跟蹤器的名字由此而來。

作者在文章的附錄中給出了求解公式。作者表示這是一個凸的，使偏導為 $0$ 得到求解公式：$$H^{?}=\frac{{\sum }_i{G}_i\odot F_i^{?}}{{\sum }_i{F}_i\odot F_i^{?}}\text{\hspace{1em}(4)}$$

這 $i$ 組數據怎么來？ 代碼中 $i=128$，在初始化的時候，對輸入圖像 $f$ 做 $128$ 次隨機仿射變換（旋轉、拉伸等）得到一系列圖：

每張圖片輸出響應 $G_i$ 不變，依舊是用（圖1）那個 $g$ 的傅里葉逆變換 $G_i$。將 $F_i$ ，$G_i$ 代入式 (4) 求得 $H$。

不做仿射變換，只用一張原圖也可以，但是這樣得到的濾波器太精確，會過擬合這幅圖像，當應用到新圖像 (下一幀) 的時候容易跟蹤失敗。
這種對數據增強然后求平均的方法，可以產生一個更具泛化能力的濾波器。
（對弱分類器的輸出進行平均，從而產生一個強得多的分類器）。

另外，我們還對圖片加入了白噪聲 $?$ ，具有正則化的效果。可以得到具有更好的噪聲容忍能力的濾波器。
在兩個地方加，一個是圖片預處理的時候加，一個是在式 (4) 中加：$F_i\odot F_i^{?}+?$ 。

初始化完畢后，就得到了濾波器模板 $H$。

在線更新：（選區框）

在跟蹤問題中，目標不總是居中的。

例如當下一幀數據來到的時候，我們的選區（目標框）還處于原來的位置，但是里面的目標已經移動了。

在 $f$ 中峰值會隨著目標的移動而移動。用目前的濾波器 $H$ 做相關時，得到的響應也會發生變化：

通過計算響應峰值點的相對位移，來更新跟蹤框的坐標，使目標仍處于跟蹤框中心。

值得注意的是，目標框的大小沒有得到更新，這也是 MOSSE 算法的不足之一。

在線更新：（濾波器）

在跟蹤的過程中，目標通常會發生旋轉、縮放、姿態、光照的變化，甚至外觀發生非剛性形變，所以濾波器需要隨之適應和更新。

記 $H_1={\sum }_i{G}_i\odot F_i^{?}$ ， $H_2={\sum }_i{F}_i\odot F_i^{?}$
則式 (4) 簡寫為：$$H^{?}=\frac{H_1}{H_2}$$

下一幀數據 $F_n$ 來到的時候，通過以下式子更新 $H$：$$\begin{gathered} H_1^{new}=(1?\eta )H_1+\eta G\odot F_n^{?} \\ {H}_2^{new}=(1?\eta )H_2+\eta F_n\odot F_n^{?} \end{gathered}$$
即：
$$H^{?}=\frac{(1?\eta )H_1+\eta G\odot F_n^{?}}{(1?\eta )H_2+\eta F_n\odot F_n^{?}}$$

$\eta$ 稱為學習率，實際中取 $\eta =0.125$ 效果較好。

得到新的過濾器和新的選區，就可以進行下一幀的跟蹤了。不斷迭代這個過程。

失敗判定與PSR：

我們用 PSR（Peak to Sidelobe Ratio）度量響應尖峰的強度。
對于相關輸出 $g$，我們找出峰值點 $g_{\text{max}}$，以峰值點為中心建立 $11\times 11$ 的矩形框。
計算這個矩形區域的均值 ${\mu }_{\text{s1}}$ 和標準差 ${\sigma }_{\text{s1}}$，則 $$\text{PSR}=\frac{g_{\text{max}}?{\mu }_{\text{s1}}}{{\sigma }_{\text{s1}}}$$

實驗發現，對于正常跟蹤的情況下，PSR 值大致處于 $20.0$ 到 $60.0$ 之間。
當 PSR 降到大概 $7.0$ 左右時，表示目標被遮擋或者跟蹤失敗了。
在應用實現中，PSR 處于 $3.0$ 到 $10.0$ 時對于更新目標框是沒什么用的。

python代碼

鏈接：https://pan.baidu.com/s/1eAE9fJJBkh50oMaRfCI8AA
提取碼：1234

總結

以上是生活随笔為你收集整理的目标跟踪 MOSSE（Visual Object Tracking using Adaptive Correlation Filters）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。