KCF(核化相关滤波)跟踪公式推导笔记(1)——线性情况下滤波器的解
2016-12-23 09:38
477 查看
论文题目:High-Speed Tracking with Kernelized Correlation Filters
作者主页:http://www.robots.ox.ac.uk/~joao/circulant/
在线性条件下,利用循环矩阵,最终的解为
w^=x^∗⊙y^x^∗⊙x^+λ(1)
即为论文原文的(12)式,其中:
(1)x^即F(x),表示x的离散傅里叶变换
(2)字母右上角的星号表示共轭矩阵
下面是该公式的推导过程。
首先在傅里叶域,岭回归的解如下所示:
w=(XHX+λI)−1XHy(2)
由于我们已经限定了前提条件:X是循环矩阵,而循环矩阵又拥有如下特性:
X=Fdiag(x^)FH(3)
其中:
(1)F是离散傅里叶变换矩阵,它是一个常量;
(2)x是生成向量,它用于表示人们感兴趣的图像块
(3)X是根据上述x生成的循环矩阵
(4)XH表示X的共轭转置矩阵,即对XH先进行共轭再进行转置
(5)x^即F(x),表示x的离散傅里叶变换
由(3)式,我们有
XHX=[Fdiag(x^)FH]HFdiag(x^)FH=Fdiag(x^∗)FHFdiag(x^)FH=Fdiag(x^∗)diag(x^)FH(4)
又因为对对角矩阵的操作都是元素级别的,因此
XHX=Fdiag(x^∗⊙x^)FH(5)
其中,符号⊙表示矩阵元素级的乘法,即位置相同的各元素分别相乘
再利用傅里叶变换矩阵的幺正性(unitarity),即:FFH=I,因此上述(2)式可以改写为
w=[Fdiag(x^∗⊙x^)FH+λI]−1XHy=[Fdiag(x^∗⊙x^)FH+λFIFH]−1XHy=[Fdiag(x^∗⊙x^)FH+Fdiag(λ)FH]−1XHy=[Fdiag(x^∗⊙x^+λ)FH]−1XHy=[Fdiag(x^∗⊙x^+λ)−1FH]XHy=[Fdiag(1x^∗⊙x^+λ)FH]XHy(6)
将(3)式代入(6)式,得
w=[Fdiag(1x^∗⊙x^+λ)FH][Fdiag(x^)FH]Hy=[Fdiag(1x^∗⊙x^+λ)FH][Fdiag(x^∗)FH]y=[Fdiag(1⋅x^∗x^∗⊙x^+λ)FH]y=Fdiag(x^∗x^∗⊙x^+λ)FHy(7)
这里得到的(7)式即论文原文中的(56)式,现在继续推导。
根据(3)式所描述的循环矩阵特性,以及循环矩阵的构建法则,我们有
C(x)=Fdiag(x^)FH(8)
又因为x^表示x的离散傅里叶变换,它的另一种表达式是F(x),因此有x=F−1(x^),则
C(x)=C(F−1(x^))(9)
综合(8)式和(9)式的等式右半边部分,有
Fdiag(x^)FH=C(F−1(x^))(10)
观察(7)式最后一行,将小括号中的x^∗x^∗⊙x^+λ看作一个整体,再结合上述(10)式,可得
w=C[F−1(x^∗x^∗⊙x^+λ)]y(11)
现在利用循环矩阵卷积性质1
F(Xy)=F[C(x)y]=x^∗⊙y^=F∗(x)⊙F(y)(12)
现在观察(11)式,将F−1(x^∗x^∗⊙x^+λ)看作一个整体,有
Fw=F{C[F−1(x^∗x^∗⊙x^+λ)]y}=F∗[F−1(x^∗x^∗⊙x^+λ)]⊙F(y)=(x^∗x^∗⊙x^+λ)∗⊙F(y)=(x^∗x^∗⊙x^+λ)∗⊙y^(13)
观察(13)式,由于x^∗与x^是共轭关系,因此x^∗⊙x^中的每个元素都是实数,对这样的矩阵取共轭,元素值不发生任何改变,因此(12)式可以继续推导,有
Fw=(x^∗)∗⊙y^(x^∗⊙x^+λ)∗=x^⊙y^x^∗⊙x^+λ(14)
根据离散傅里叶变换的定义,Fw即w^,两者仅仅只是记法的不同,因此
w^=x^⊙y^x^∗⊙x^+λ(15)
注意:此处的(15)式对应论文原文中的(12)式,但分子的表达式稍有出入,此处目前存在争议,国内有研究人员认为当属于论文错误。2
本文的公式推导,离不开博主shenxiaolu1984、博主mhz9123、博主zwlq1314521等人的贡献,在此表示感谢!
下接推导笔记(2)——非线性滤波器、快速检测及快速核相关
循环矩阵卷积性质,参考:http://blog.csdn.net/shenxiaolu1984/article/details/50905283 ↩
关于论文原文公式推导存在错误的观点,参考:http://blog.csdn.net/mhz9123/article/details/51670802 ↩
作者主页:http://www.robots.ox.ac.uk/~joao/circulant/
在线性条件下,利用循环矩阵,最终的解为
w^=x^∗⊙y^x^∗⊙x^+λ(1)
即为论文原文的(12)式,其中:
(1)x^即F(x),表示x的离散傅里叶变换
(2)字母右上角的星号表示共轭矩阵
下面是该公式的推导过程。
首先在傅里叶域,岭回归的解如下所示:
w=(XHX+λI)−1XHy(2)
由于我们已经限定了前提条件:X是循环矩阵,而循环矩阵又拥有如下特性:
X=Fdiag(x^)FH(3)
其中:
(1)F是离散傅里叶变换矩阵,它是一个常量;
(2)x是生成向量,它用于表示人们感兴趣的图像块
(3)X是根据上述x生成的循环矩阵
(4)XH表示X的共轭转置矩阵,即对XH先进行共轭再进行转置
(5)x^即F(x),表示x的离散傅里叶变换
由(3)式,我们有
XHX=[Fdiag(x^)FH]HFdiag(x^)FH=Fdiag(x^∗)FHFdiag(x^)FH=Fdiag(x^∗)diag(x^)FH(4)
又因为对对角矩阵的操作都是元素级别的,因此
XHX=Fdiag(x^∗⊙x^)FH(5)
其中,符号⊙表示矩阵元素级的乘法,即位置相同的各元素分别相乘
再利用傅里叶变换矩阵的幺正性(unitarity),即:FFH=I,因此上述(2)式可以改写为
w=[Fdiag(x^∗⊙x^)FH+λI]−1XHy=[Fdiag(x^∗⊙x^)FH+λFIFH]−1XHy=[Fdiag(x^∗⊙x^)FH+Fdiag(λ)FH]−1XHy=[Fdiag(x^∗⊙x^+λ)FH]−1XHy=[Fdiag(x^∗⊙x^+λ)−1FH]XHy=[Fdiag(1x^∗⊙x^+λ)FH]XHy(6)
将(3)式代入(6)式,得
w=[Fdiag(1x^∗⊙x^+λ)FH][Fdiag(x^)FH]Hy=[Fdiag(1x^∗⊙x^+λ)FH][Fdiag(x^∗)FH]y=[Fdiag(1⋅x^∗x^∗⊙x^+λ)FH]y=Fdiag(x^∗x^∗⊙x^+λ)FHy(7)
这里得到的(7)式即论文原文中的(56)式,现在继续推导。
根据(3)式所描述的循环矩阵特性,以及循环矩阵的构建法则,我们有
C(x)=Fdiag(x^)FH(8)
又因为x^表示x的离散傅里叶变换,它的另一种表达式是F(x),因此有x=F−1(x^),则
C(x)=C(F−1(x^))(9)
综合(8)式和(9)式的等式右半边部分,有
Fdiag(x^)FH=C(F−1(x^))(10)
观察(7)式最后一行,将小括号中的x^∗x^∗⊙x^+λ看作一个整体,再结合上述(10)式,可得
w=C[F−1(x^∗x^∗⊙x^+λ)]y(11)
现在利用循环矩阵卷积性质1
F(Xy)=F[C(x)y]=x^∗⊙y^=F∗(x)⊙F(y)(12)
现在观察(11)式,将F−1(x^∗x^∗⊙x^+λ)看作一个整体,有
Fw=F{C[F−1(x^∗x^∗⊙x^+λ)]y}=F∗[F−1(x^∗x^∗⊙x^+λ)]⊙F(y)=(x^∗x^∗⊙x^+λ)∗⊙F(y)=(x^∗x^∗⊙x^+λ)∗⊙y^(13)
观察(13)式,由于x^∗与x^是共轭关系,因此x^∗⊙x^中的每个元素都是实数,对这样的矩阵取共轭,元素值不发生任何改变,因此(12)式可以继续推导,有
Fw=(x^∗)∗⊙y^(x^∗⊙x^+λ)∗=x^⊙y^x^∗⊙x^+λ(14)
根据离散傅里叶变换的定义,Fw即w^,两者仅仅只是记法的不同,因此
w^=x^⊙y^x^∗⊙x^+λ(15)
注意:此处的(15)式对应论文原文中的(12)式,但分子的表达式稍有出入,此处目前存在争议,国内有研究人员认为当属于论文错误。2
本文的公式推导,离不开博主shenxiaolu1984、博主mhz9123、博主zwlq1314521等人的贡献,在此表示感谢!
下接推导笔记(2)——非线性滤波器、快速检测及快速核相关
循环矩阵卷积性质,参考:http://blog.csdn.net/shenxiaolu1984/article/details/50905283 ↩
关于论文原文公式推导存在错误的观点,参考:http://blog.csdn.net/mhz9123/article/details/51670802 ↩
相关文章推荐
- <<High-Speed Tracking with Kernelized Correlation Filters>> KCF(核化相关滤波)跟踪算法学习笔记
- <<High-Speed Tracking with Kernelized Correlation Filters>> KCF(核化相关滤波)跟踪算法学习笔记
- 一 核相关滤波(KCF)公式推导
- 【目标跟踪: 相关滤波器 四】相关滤波
- 相关滤波目标跟踪学习笔记(二)——数据库简介
- 从MOSSE到KCF,核化相关滤波器的历程
- 相关滤波目标跟踪学习笔记(三)——KCF算法公式理解
- 基于核化相关滤波器的跟踪-效果直逼Struck和TLD跟踪器
- 用核化的相关滤波器来高速跟踪
- 核相关滤波-KCF-视频跟踪算法解析(1)
- 【笔记】线性滤波
- 相关滤波图像跟踪中的简单分析
- Stanford机器学习课程笔记——LR的公式推导和过拟合问题解决方案
- 线性滤波(相关算子、卷积算子、边缘效应)
- CNN卷积神经网络学习笔记3:权值更新公式推导
- 《算法导论》笔记 第9章 9.3最坏情况线性时间选择
- 2014新跟踪算法KCF笔记
- SVM 相关公式推导解释
- Linux netfilter 学习笔记 之七 ip层netfilter的连接跟踪模块的概念及相关的数据结构分析
- 相关滤波跟踪(MOSSE)