目标跟踪学习算法之二：DSST

最新推荐文章于 2021-11-04 16:36:37 发布

Roy-bin

最新推荐文章于 2021-11-04 16:36:37 发布

阅读量2.1w

点赞数 12

CC 4.0 BY-SA版权

分类专栏： Tracking 文章标签：算法

本文链接：https://blog.csdn.net/gxb0505/article/details/52601613

DSST是一种基于滤波器的目标跟踪算法，2014年VOT比赛中获得第一。它通过结合位置滤波器和尺度滤波器，实现了目标定位和尺度估计。算法亮点包括快速尺度空间跟踪，使用一维相关滤波器进行尺度搜索。尽管后续被深度学习算法超越，但DSST的思路在相关滤波器领域仍有价值。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

简介

DSST(Accurate Scale Estimation for Robust Visual Tracking)在2014年VOT上夺得了第一名，算法简洁，性能优异，并且我上一篇所述的KCF夺得了第三名，两者都是基于滤波器的算法，这一年是CF义军突起的一年，值得研究这些相近的优秀算法。这篇算法是基于MOSSE的改进，突出内容是加入了尺度变换，下面开始逐一讲解算法内容。

相关滤波器

　　首先讲一下MOSSE提出的相关滤波器，从目标中提取一系列的图像patches,记为 $f_1,f_2,...f_t$ 作为训练样本，其对应的滤波器响应值为一个个高斯函数 $g_1,g_2,...g_t$ ,而目的就是找到满足最小均方差(Minimum Output Sum of Squared Error)的最优滤波器：

ε = \sum j = 1 t | | h t * f j - g j | | 2 = 1 M N | | H t F j - G j | | 2 (1)

$\varepsilon=\sum_{j=1}^{t}||h_t\ast f_j-g_j||^2=\frac{1}{MN}||H_tF_j-G_j||^2\tag{1}$
其中第二个等号根据Parseval定理导出，等式左侧是空域的方程式，右侧是频域的方程式，正正是这个等式，使得我们将问题求解变换到频域里求解，

ε $\varepsilon$ 的最小值在频域里的解如下：

H t = \sum t j = 1 G j F j \sum t j = 1 F j F j (2)

$H_t=\frac{\sum_{j=1}^{t}G_jF_j}{\sum_{j=1}^{t}F_jF_j}\tag{2}$
一般而言，

gj $g_j$ 可以是任意形状的输出，这里的输出

gj $g_j$ 是高斯型的函数，峰值位于中心处。这个方法的技巧或者目的在于：一是运算简洁，基本都是矩阵运算；二是引入快速傅里叶(FFT)大大加快运算效率。这即是相关滤波器被应用在Tracking并获得较好效果的原因，满足了对速度的一大需求。
在得到上述相关滤波器后，对于新的一帧中的候选输入样本z,求相关得分y：

y = F - 1 (

最低0.47元/天解锁文章