單目標跟蹤MOSSE詳細算法步驟+理論推導

• 算法概述
• 詳細步驟
• • 候選框處理
  • 初始濾波器生成
  • 濾波器更新
• 理論說明
• • 對數變換(log函數)
  • 窗函數的理解

更新中
為了理解傅里葉變換，花了一周時間，可惜還是沒有搞很清楚原理，暫且將其看作是數學家從浩瀚的知識海洋里找到的具有優異效果的函數定義吧

算法概述

下圖轉自相關濾波跟蹤·MOSSE算法的梳理

詳細步驟

候選框處理

第一步：讀取原始圖像，并給出初始目標框
第二步：對候選框進行灰度轉換
第三步：對其進行對數變換，增強對比度
第四步：增加漢寧窗，降低邊緣效應
第五步：進行快速傅里葉變換，提高計算速度

初始濾波器生成

第一步：以初始目標框中心為原點，以每個像素的坐標為變量，計算高斯分布并進行歸一化
第二步：截取與目標框對應的區域作為理想相應圖$g_0$
第三步：對其進行FFT，按照濾波器更新步驟迭代XX次，以迭代結果作為初始濾波器$H_0$（為了直觀地用圖像描述濾波器，對其進行了iFFT）

濾波器更新

令$$H_i=\frac{A_i}{B_i}$$
有$$\begin{gathered} A_i=\eta G_i\odot \overline{F_i}+(1?\eta )A_{i?1} \\ {B}_i=\eta F_i\odot \overline{F_i}+(1?\eta )B_{i?1} \end{gathered}$$

理論說明

對數變換(log函數)

轉自圖像增強-對數Log變換
圖像的對數變換作用：
由于對數曲線在像素值較低的區域斜率大，在像素值較高的區域斜率較小，所以圖像經過對數變換后，較暗區域的對比度將有所提升，所以就可以增強圖像的暗部細節。

對數變換可以將圖像的低灰度值部分擴展，顯示出低灰度部分更多的細節，將其高灰度值部分壓縮，減少高灰度值部分的細節，從而達到強調圖像低灰度部分的目的。
對數變換對圖像低灰度部分細節增強的功能過可以從對數圖上直觀理解：

x軸的0.4大約對應了y軸的0.8，即原圖上0-0.4的低灰度部分經過對數運算后擴展到0-0.8的部分，而整個0.4-1的高灰度部分被投影到只有0.8-1的區間，這樣就達到了擴展和增強低灰度部分，壓縮高灰度部分的值的功能。從上圖還可以看到，對于不同的底數，底數越大，對低灰度部分的擴展就越強，對高灰度部分的壓縮也就越強。

窗函數的理解

什么是窗函數?
什么是泄漏？

總結

以上是生活随笔為你收集整理的单目标跟踪MOSSE详细算法步骤+理论说明的全部內容，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。