无人驾驶感知篇之目标跟踪（十二）

        终于把相关滤波的目标跟踪算法写完了，其实还有其他的相关滤波算法，暂时也不写了。从今天开始写写深度学习跟踪算法，其实不太想写深度学习跟踪算法，担心写不好，挺复杂的，写不好莫要见怪哈。这一篇主要写写深度学习跟踪算法中的C-COT的目标跟踪算法。

1.什么是C-COT目标跟踪算法

        C-COT目标跟踪算法，即连续域卷积操作跟踪算法，目前主流的相关滤波器跟踪方法之一，其特点在于，不需要重采样即可整合多分辨率 的特征，且预测分数是连续域函数。

2.C-COT目标跟踪算法的原理

C-COT目标跟踪算法比较复杂，主要步骤为：

（1）构造连续域插值函数；

（2）构造置信函数；

（3）期望泛函；

（4）训练连续分类器；

（5）正规方程的构造

构造连续域插值函数，这一步一般主要定义一个图像的训练样本，构造差值函数，可以用方程表示为：

式中，bd 是差值函数，ｔ是连续域变量，Ｔ是连续域支撑空间长度。

构造置信函数，这一步主要是定义卷积算子，可以表示为：

 期望泛函，这一步主要构造损失函数，可以表示为：

权重αj ≥０控制着每个训练样本的影响力，惩罚系数ω由特征点在整幅图像中的位置决定。

 训练连续分类器,这一步主要通过最小化损失函数进行分类器训练。其对应的算法方程可表示为：

 最后，进行正规方程的构造，可表示为：

 方程中ＡH ΓＡ+ＷＨＷ为对称正定方程，可以用共轭梯度迭代法求解。

3.C-COT目标跟踪算法的优缺点

    优点：可实现更精确的亚像素级别定位。

   缺点：如使用深度网络所提取的特征会导致算法跟踪速度很慢，以及采用网格搜索的方法使得跟踪结果容易陷入局部最优值。

好了，今天写到这，有点伤脑。