时空上下文视觉跟踪（STC）算法的解读与代码复现

 

         另外，这个模型是通过在线学习得到的。随着跟踪的进行不断更新。

 

（2）Context Prior Model 上下文先验模型

         这是先验概率，建模为：

         其中I(z)是点z的灰度，描述的是这个上下文z的外观。w是一个加权函数，z离x越近，权值越大。定义如下：

 

         这个加权函数是由生物视觉系统的focus of attention 启发得到的，它表示人看东西的时候，会聚焦在一个确定的图像区域。通俗的来说，就是离我们的目标越近的点，会越受关注，越远就不好意思了，你的光芒会被无情的忽略掉。那多远的距离会被多大程度的忽略呢？这就得看参数sigma（相当于高斯权重函数的方差）了，这个值越大，越多的风景映入眼帘，祖国大好河山，尽收眼底。如果这个值越小，那就相当于坐井观天了。

 

（3）Confidence Map 置信图

         定义为：

 

         这个公式的参数β是很重要的，太大太小效果可能差之千里。具体分析见原论文。这个置信图是在给定目标的位置x*的基础上，我们通过这个公式来计算得到上下文区域任何一点x的似然得到的。

 

（4）时空模型的快速学习

         我们需要基于上下文先验模型和置信图来学习这个时空模型：

         里面的卷积可以通过FFT来加速（时域的卷积相当于频域的乘积），具体如下：

         这样，我们就可以通过两个FFT和一个IFFT来学习我们要的空间上下文模型了：

         然后我们用这个模型去更新时空上下文模型：

 

（4）最后的跟踪

         得到时空上下文模型后，我们就可以在新的一帧计算目标的置信图了：

 

         同样是通过FFT来加速。然后置信图中值最大的位置，就是我们的目标位置了。

 

（5）多尺度的实现

         多尺度可以通过调整方差sigma来实现。具体分析见原论文。（感觉这个是很remarkable的一点）。尺度和方差sigma的更新如下：