算法概述

下图转自相关滤波跟踪·MOSSE算法的梳理
在这里插入图片描述

详细步骤

候选框处理

第一步：读取原始图像，并给出初始目标框
第二步：对候选框进行灰度转换
第三步：对其进行对数变换，增强对比度
第四步：增加汉宁窗，降低边缘效应
第五步：进行快速傅里叶变换，提高计算速度
在这里插入图片描述

初始滤波器生成

第一步：以初始目标框中心为原点，以每个像素的坐标为变量，计算高斯分布并进行归一化
第二步：截取与目标框对应的区域作为理想相应图 $g_0$
第三步：对其进行FFT，按照滤波器更新步骤迭代XX次，以迭代结果作为初始滤波器 $H_0$ （为了直观地用图像描述滤波器，对其进行了iFFT）
在这里插入图片描述

滤波器更新

令 $H_{i}=\frac{A_i}{B_i}$
有 $A_i=\eta G_i \odot \bar{F_i}+(1-\eta)A_{i-1}\\ B_i=\eta F_i \odot \bar{F_i}+(1-\eta)B_{i-1}$

理论说明

对数变换(log函数)

转自图像增强-对数Log变换
图像的对数变换作用：
由于对数曲线在像素值较低的区域斜率大，在像素值较高的区域斜率较小，所以图像经过对数变换后，较暗区域的对比度将有所提升，所以就可以增强图像的暗部细节。

对数变换可以将图像的低灰度值部分扩展，显示出低灰度部分更多的细节，将其高灰度值部分压缩，减少高灰度值部分的细节，从而达到强调图像低灰度部分的目的。
对数变换对图像低灰度部分细节增强的功能过可以从对数图上直观理解：
在这里插入图片描述
x轴的0.4大约对应了y轴的0.8，即原图上0-0.4的低灰度部分经过对数运算后扩展到0-0.8的部分，而整个0.4-1的高灰度部分被投影到只有0.8-1的区间，这样就达到了扩展和增强低灰度部分，压缩高灰度部分的值的功能。从上图还可以看到，对于不同的底数，底数越大，对低灰度部分的扩展就越强，对高灰度部分的压缩也就越强。