matlab的egde源代码具有通道和空间可靠性的判别相关滤波器 DCF-CSR跟踪器的Matlab实现来自在2017年计算机视觉和模式识别会议（CVPR）会议上发表的论文，以及后来在《国际计算机视觉杂志》（IJCV）上发表的论文。 刊物 期刊出版： 艾伦·卢克希奇（AlanLukežič），托马斯·伏伊（TomášVojíř），切卡文（LukaČehovin），马塔斯（JiříMatas）和克里斯蒂安（Matej Kristan）。 ``具有通道和空间可靠性的区分性相关滤波器跟踪器''，《国际计算机视觉杂志》（IJCV），2018年。 BibTex引文： @Article {Lukezic_IJCV2018， author = {Luke {\ v {z}} i {\ v {c}}，Alan和Voj {'i} {\ v {r}}，Tom {'a} {\ v {s}}和{\ v {C}} ehovin Zajc，Luka和Matas，Ji {\ v {r}} {'i}和Kristan，Matej}， title = {具有通道和空间可靠性的歧视性相关过滤器跟踪器}， journal\n=

基于相关滤波器的视觉跟踪方法中自适应尺度估计的比较研究

2048的matlab源代码RPCF 论文``用于视觉跟踪的ROI池相关滤波器''的代码（CVPR 2019） 论文链接 安装 克隆GIT存储库 按照caffe的安装说明，在./caffe目录和matlab界面中编译源代码。 从下载VGG_ILSVRC_16_layers.caffemodel（553.4 MB），并将caffemodel文件放在./model目录下。 从下载imagenet-vgg-m-2048（345 MB），并将文件放入./networks。 在./external_libs文件夹中编译matconvnet。 运行演示代码demo_RPCF.m来测试代码。 您可以按照以下示例自定义自己的测试序列。 将configSeq.m修改为OTB数据集路径，然后在所有100个数据集上运行run_RPCF.m。 结果 （提取代码：2cdc） 上面的链接包括OTB-100 ， VOT-2018数据集的结果。 引文 请引述您是否认为该论文对您的研究有所帮助:) @inproceedings{sun2019roi, title={ROI Pooled Correlation Filt

在目前的测试领域中，越来越广泛地利用相关检测的方法进行滤波。利用相关滤波可以方便地从复杂的待测信号(包括有用信号、直流偏置、随机噪声和谐波频率成分等)中分离出某一特定频率的信号。在数字技术迅速发展以后，相关滤波也经常利用A/D板对信号采样后，在计算机中实现，成为数字滤波的一种形式。本文设计了一种实现相关滤波的方法，这是相关分析在测试技术中的一个典型应用。图l所示为相关滤波器的典型框图。

基于核相关滤波器KCF的高速跟踪PPT介绍: Although the reasons for doing so are understandable, we argue that undersampling negatives is the main factor inhibiting performance in tracking. These analytical tools, namely circulant matrices, provide a useful bridge between popular learning algorithms and classical signal processing. The kernelized version of a linear correlation filter, which forms the basis for the fastest trackersavailable.

使用自适应相关滤波器的视觉目标跟踪

针对复杂背景下红外图像中低信噪比弱小目标实时检测问题，提出一种基于相关滤波器的红外弱小目标检测算法。该算法将红外目标检测转化为模式分类问题，在离线训练阶段，利用二维高斯模型构造红外小目标训练集，在此基础上训练得到对目标背景具有区分能力的相关滤波器，在线检测阶段，利用滤波器对图像分块进行滤波操作，目标和背景的滤波响应有着显著的差异，最后生成整幅图像的滤波响应置信图以此来判断图像中是否包含目标及其具体位置。在单帧单目标图像、序列图像多目标检测实验结果表明，与经典检测算法相比，所提方法不仅具有更高检测性能，有效降低了虚警概率，而且具有较好的实时性，适用于复杂背景条件下弱小目标的实时检测。

针对多目标跟踪算法中经常会面临的各种挑战, 如相机的突然运动、遮挡、误检和外观相似等情况, 提出一种基于核相关滤波(KCF)的分步关联框架。首先, 该算法采用基于卷积神经网络的目标检测器检测目标, 获得准确的检测结果。然后, 为了更好地预测目标的运动状态, 通过加权融合三种特征的跟踪结果, 为每个目标建立一个基于KCF算法的快速跟踪器。此外, 为了有效地降低碎片化轨迹的数量, 该算法通过跟踪片的置信度分步关联轨迹, 并在遮挡的情况下, 利用在线随机蕨重新检测目标。最后利用关联成功的检测信息自适应更新KCF算法中的尺度。实验结果表明, 与现有算法相比, 所提算法能够在各种复杂的条件下, 表现出强大和高效的跟踪性能。

大多数现代跟踪器的核心部件是识别分类器，其任务是区分目标和周围环境。为了应对自然图像的变化，这个分类器通常使用翻译和缩放的样本补丁进行训练。这样的样本集充满了冗余——任何重叠的像素都被限制为相同的。基于这个简单的观察，我们提出了一个分析模型的数据集的数千个翻译补丁。通过证明所得到的数据矩阵是循环的，我们可以用离散傅立叶变换对其进行对角化，从而将存储和计算都减少了几个数量级。有趣的是，对于线性回归，我们的公式相当于一些最快的竞争跟踪者使用的相关滤波器。然而，对于核回归，我们推导了一种新的核相关滤波器（KCF），它与其他核算法不同，具有与线性相关滤波器完全相同的复杂性。在此基础上，我们还提出了一种基于线性核的线性相关滤波器的快速多通道扩展，我们称之为双相关滤波器（DCF）。KCF和DCF在50个视频基准测试中都优于诸如strike或tld之类的顶级追踪器，尽管它们以每秒数百帧的速度运行，并且在几行代码中实现（算法1）。为了鼓励进一步的发展，我们的跟踪框架是开源的。

MOSSE原文翻译