参考博客：

1. MOSSE算法的理解

2. MOSSE

3. MOSSE代码

0 基础知识：

        接上一篇 单目标跟踪综述，本文主要从MOSSE算法开始追溯相关滤波算法的起源（ps.这里让我想到了刺客信条里的起源）。

1. 先理解 相关操作和卷积操作，互为相关是用来度量两个信号在某个时刻的相似程度，对于机器视觉领域来说就是指两个图像patch的互相匹配的程度。

2. 相关操作

        图像的相关公式： g = f ○ h（相关） ，其中h称为相关核kernel具体到每个像素表示为：

3. 卷积操作

        图像卷积操作： g = f ＊ h，其中h称为卷积核kernel，具体到每个像素表示为：

*异同点：

        与相关最大的不同就是：将卷积核围绕中心旋转180°，再进行与相关滤波一样的操作。

        相关和卷积的差异：

        （1）卷积核需要旋转180°；

        （2）物理含义：相关性可以反映两个信号相似程度，卷积不可以；

        （3）卷积满足交换律：f ＊ h = h＊f ，相关不行；

        （4）卷积可以直接通过卷积定理：时域上的卷积等于频域上的乘积来加速运算，相关不可以。

1 相关滤波跟踪器的底层原理

        相关滤波跟踪器就是通过互相关来定位目标当前帧所在位置，响应图g最大值对应的位置即为当前时刻预测的目标位置。具体流程如下：

        Step1：将相关公式中的相关核旋转180°变成卷积运算；

        Step2：利用卷积定理转换到频域，时域上的卷积等于频域上的乘积；

        Step3: 将频域内算出的结果变换回时域，则得到响应图。

细节说明：

1. 输入的图像是指 目标检测区域，可能是像素值也可能是提取的特征（eg.Hog，CN，DeepFeatures等等）；

2. 滤波器的大小和检测区域的大小一样，因为大小一样的矩阵在频域上才可以进行点乘计算；

3. 当滤波器稍微偏移就会超出输入图像的范围，则需要填充数据（这就是卷积的边界效应）。一般有三种填充方法：补零、补边界像素、循环图像。

下一篇：MOSSE算法解析二