kcf_code_content.md

程序主入口在runtracker.cpp ，kcftracker.cpp对KCFTracker类的一些函数进行了定义，是整个程序的核心算法主要集中在此处,fhog.cpp定义了一些提取HOG特征所需的一些函数。

下面按照程序执行的流程对相应的函数进行解读：

KCFTracker类构造函数：

函数原型KCFTracker::KCFTracker(bool hog, bool fixed_window, bool multiscale, bool lab)

这里主要根据输入的选项（hog； fixed_window； multiscale；lab）对类的一些参数进行初始化

• lambda=0.0001 、 padding=2.5 、output_sigma_factor=0.125
• 特征提取相关参数： interp_factor=0.012 、 sigma=0.6 、 cell_size=4 、 _hogfeature=true
• 多尺度参数：template_size=96 、 scale_step=1.05 、 scale_weight=0.95 、 fixed_window=true

初始化函数

void KCFTracker::init(const cv::Rect &roi, cv::Mat image)

1、根据所给定的模板box信息对 Rect _roi进行初始化

2、执行_tmpl = getFeatures(image, 1)

cv::Mat KCFTracker::getFeatures(const cv::Mat & image, bool inithann, float scale_adjust)

• 对原始 _roi按照padding系数进行区域扩展，扩大之后宽和高记作padding_w和padding_h
• 按照关系式：padding_w、h/_scale=template_size，其中template_size为我们所设定的模板大小，这样可以计算得到缩放系数_scale
• 在_templ_sz中存入由padding_w、h缩放到模板大小的宽和高（ _templ_sz在初始化之后就不会变，可以理解为保证跟踪区域模板长宽比不变情况下缩放到template_size的长宽大小 ）
• 因为需要在模板大小下进行特征特征提取，为了方便HOG特征提取，需要对输入尺寸_templ_sz进行调整，使其满足是cell_size的整数倍
• 由于模板的_templ_sz做了调整，因此padding_roi的大小也需要按照公式_templ_sz*_scale作相应调整，结果存在extracted_roi中
• 根据extracted_roi在图像中截取其相应区域，并缩放到模板大小_templ_sz，缩放后的区域记作z
• 对图片z进行HOG特征提取：
  • 将特征图的尺寸x、y、channel依次存入size_patch[3]中
  • 提取出的特征维度：channel*(x*y) （整个特征看成两个维度！！！）
• 调用createHaningMats()函数产生汉宁系数，维度与特征维度一致
• 将HOG特征与汉宁系数进行对应元素点乘后输出

3、调用_prob = createGaussianPeak(size_patch[0], size_patch[1])

产生一个中心二维高斯系数矩阵，将系数的fft后的结果返回。这个高斯矩阵可以看成是类标签，中心点对应跟踪的中心，响应最大，越靠近外围响应相应的衰弱

4、变量初始化_alphaf = cv::Mat(size_patch[0], size_patch[1], CV_32FC2, float(0))

5、执行train(_tmpl, 1.0)

根据当前的输入进行模型学习，得到参数 _alphaf 和 模板特征_tmpl，以便下一次的检测

• cv::Mat k = gaussianCorrelation(x, x)按照论文中的公式（31）实现对K的求取
• cv::Mat alphaf = complexDivision(_prob, (fftd(k) + lambda))根据论文中公式（17）计算得到alphaf
• 将**_alphaf** 和 模板特征_tmpl 进行更新，按照一定系数与上一次的值进行加权求和

更新函数

cv::Rect KCFTracker::update(cv::Mat image)

该函数主要完成对新输入帧的跟踪以及相应的模型更新

1、对当前帧进行检测cv::Point2f res = detect(_tmpl, getFeatures(image, 0, 1.0f), peak_value)

检测阶段利用上一帧已经学得的_alphaf 和模板特征_tmpl，对新输入帧（上一帧检测结果的中心点为基准，根据roi区域大小进行特征提取）利用公式（22）进行相应图求解

• cv::Mat k = gaussianCorrelation(x, z)论文公式（31）求互相关
• cv::Mat res = (real(fftd(complexMultiplication(_alphaf, fftd(k)), true)))得到检测响应图式（22）
• 将相应图的最大值位置返回

2、多尺度检测

在特征提取中extracted_roi.width = scale_adjust * _scale * _tmpl_sz.width，其中：_tmpl_sz在第一帧初始化之后就不变了，_scale沿用上一帧的比例关系，因此在检测过程中可以将特征提取中参数scale_adjust=1、1/scale_step、scale_step就可以得到三种不同尺度的roi区域（roi区域中心点还是上一帧检测结果的中心点）

• 当scale_adjust=1时，得到最大响应值记作peak_value
• 当scale_adjust=1/scale_step时，如果scale_wight*new_peak_value>peak_value，则对roi相关参数进行更新：_scale /= scale_step、_roi.width /= scale_step、_roi.height /= scale_step
• • 当scale_adjust=scale_step时，如果scale_wight*new_peak_value>peak_value，则对roi相关参数进行更新：_scale *= scale_step、_roi.width *= scale_step、_roi.height *= scale_step

3、根据原始roi图与特征相应位置的对应关系，更新本帧的跟踪中心点的新的位置

4、根据本帧的检测结果，执行train()，对_alphaf 和模板特征_tmpl等参数进行更新，方便下一帧图像的检测。