CVPR17，Martin Danelljan 的新作，如果你还记得SRDCF、SRDCFad、deepSRDCF的话，那么想必你是相当期待这篇Paper的，论文地址。之前SRDCF是解决边界效应问题，SRDCFad是解决样本污染问题，而这篇Paper（ECO）对DCF研究更加深入了，ECO主要是在解决模型过大的问题，通过减少DCF参数，简化训练集，减少模型更新频率来加快速度，对抗模型漂移，最终达到60fps的速度，结果也是非常优秀的。Baseline是C-COT算法。[mathjax]
动画制作：MATLAB制作gif，PhotoShop制作gif
gif动画易于制作，相对于视频更小，更易于传播。作为一个程序猿，在使用程序绘图过程中想生成gif动画，可以使用MATLAB生成。当然，MATLAB生成gif动画存在局限性，专业的PhotoShop可以满足你的需要，这篇博客将专门介绍gif动画的制作。
Object Visual Tracker Benchmark 使用教程
2013年Object Visual Tracker Benchmark的提出是视频图像跟踪另一的大事件，自此视频跟踪领域有了公认的Benchmark，跟踪方面的研究与以前已经完全不一样的。虽然下载源码，摸索之后都可以看懂，但是博主还是想系统的介绍其中的工具。官方的SDK可以极大的帮助我们评估算法，产生一些可以直接出现在Paper上的图表。
这篇博客主要介绍如何Visual Tracker Benchmark 中提供的Matlab代码，希望能有所帮助。Python的可以看那些开源的demo，差不多一样的思路。
图像跟踪（六）SRDCFdeno算法：样本净化
SRDCFdeno算法的论文中提出了一种净化样本的方法，虽然挂了SRDCF的名字，但是SRDCF只是BaseLine。这种样本净化的方法可推广性非常强，因为把样本权重融合进了Loss函数，直接在更新样本的时候更新其权重，相对于多专家系统的方法，我更推荐使用这种方法来净化样本。
图像跟踪中像素误差、重叠率、AUC的计算：Matlab实现
视频图像跟踪算法的评估常常需要计算重叠率（Overlap Rate）、像素误差（Pixel Error）还有AUC（Area Under Curve）。这些技术指标都比较好理解，如果不理解的话可以参见我之前的博客。这篇博客主要就是贴上Matlab的代码，使用Matlab计算这些参数，并绘制出曲线图。
如果你是想放在Paper中的话，可以下载Visual Track BenchMark中提供的代码，可以画出和Paper上一样的样式，这篇博客只是博主对单个视频自己写的小demo，便于自己分析实验的，如果要在Paper使用还需要做样式的修改。
Matlab使用interp2裁剪倾斜（旋转）矩形块
在图像处理中，我们常常需要裁剪出图像中的一个矩形块，matlab提供的imcrop函数可以裁剪出矩形块，但是如果我们想裁剪倾斜的矩形块，该函数将无能为力。于是博主贡献了自己的代码。
图像跟踪（五）SRDCF的数学推导
SRDCF是在DCF/KCF的基础上，对目标函数正则化项进行改进，使用空间正则化惩罚来改进效果。SRDCF的Paper上关于数学推导部分非常多，但是其中仍有许多细节影响我们阅读代码。本来自己做了一份ppt，但是Google了下，发现有作者本人presentation的ppt关于细节部分非常详尽，于是直接用作者的ppt了，下面开始学习吧。
傅里叶-梅林变换进行图像配准
图像配准方法主要分为三类：一种是灰度方法信息方法，另一种是基于特征的方法，可细分为特征点、直线段、边缘轮廓、特征结构以及矩不变统计特征等，还有一种就是基于变换域的方法，如相位相关、Walsh Transform等方法。傅里叶-梅林变换就是一种变换域的方法。
在图像配准过程中，常常需要处理平移、旋转、尺度变换、遮挡、形变等问题，使用傅里叶-梅林变换可以很好的应对平移、平面内旋转、缩放和遮挡，是一种鲁棒性较强的方法。这篇博客讲详细介绍傅里叶-梅林变换的性质，以及其在图像配准过程中的应用。
图像跟踪（四）KCF算法
KCF算法是目标跟踪领域最重要的算法（之一），为什么敢说最重要呢？KCF的特点：实现简洁、效果好、速度快。并且博主认为，KCF算法扣住了跟踪问题的一个难点，就是样本过少，通过循环矩阵位移产生大量样本来解决问题，并且通过离散傅里叶变换的推导，在频域计算速度极快。总之，KCF设计非常精妙，以至于现在许多跟踪算法都以KCF为基石来构建。
图像跟踪（三）MEEM算法
在长时间视频目标跟踪过程中，由于遮挡、形变、旋转等原因，常常发生样本被污染的情况，MEEM算法通过多专家模型来解决样本被污染的问题。MEEM算法的核心思想是，对当前帧应用多个检测器，根据多个预测值来判断可信，这多个检测器就是从过去储存的分类器中选取。是一种典型的多专家模型
应对样本污染，博主个人不是很推荐这种方法，毕竟解法偏暴力，个人比较推崇denoSRDCF中处理样本污染的方法，实际上效果也是更好的。不过该算法MEEM也是很经典的多专家模型，不妨学习一下。
图像跟踪（二）Struck算法
Struck算法提出于2011年，同样是一种track-by-detection的方法，与其它算法相比，它具有如下特点：使用的是Online-SVM，不直接给样本正负标签，文中称之为Structured Output Prediction。受益于SVM的拟合能力和速度，该算法是当时的state-of-the-art，并且效果和速度都优于其它算法。下面就来详细介绍。
图像跟踪（一）MIL多实例在线学习算法
最近看了一些图像跟踪的Paper，于是图像跟踪系列开更了。开篇介绍的是一种经典的图像跟踪算法MIL（多实例在线学习），提出于2009年，该算法将track-by-detection推向了新高潮。
2006年以来，使用目标检测的方法来处理图像跟踪问题取得了良好的效果，这种方法处理图像跟踪问题相对于处理目标检测问题是有所不同的，处理目标检测问题要求使用的样本量很少，并且实时性要求较高，也就是需要在线学习，快速检测。MIL算法就是在目标周围选取正负样本，通过一种多实例在线学习的方法，训练弱分类器，并且选择合适的特征进行组合，形成强分类器。由于MILBoost的特点，该算法速度较快，并具备抗遮挡能力。
视频图像跟踪算法综述
图像跟踪一直都是计算机视觉领域的难题，事先知道第一帧中的目标位置，然后需要在后续帧中找到目标。先验知识少，目标被遮挡、目标消失、运动模糊、目标和环境的剧烈变化、目标的高速运动、相机的抖动都会对目标跟踪造成影响，图像跟踪一直都是CV领域的难题。
深度学习用于图像跟踪有两大要解决的问题，一是图像跟踪一般使用在线学习，很难提供大量样本集，二是深度学习使用CNN时，由于卷积池化，最后一层的输出丢失了位置信息，而图像跟踪就是要输出目标的位置。
2013年以来，深度学习开始用于目标跟踪，并且为这些问题提供了一些解决思路。这篇博客首先阐述图像跟踪今年来的研究进展，然后再介绍深度学习用于图像跟踪近年来的研究，最后附上一些学习资料和相关网站。
MatConvNet深度学习框架简介及GPU使用注意事项
MatConvNet是一个基于Matlab的深度学习框架，在计算部分，最底层混编了C/C++或者CUDA C，这使得其速度并不是特别慢。就使用体验来说，MatConvNet是非常优秀的，借助于Matlab，定义网络，使用现有模型以及数据可视化都非常方便。
由于MatConvNet文档和Demo都比较完备，所以这篇博客主要介绍一些GPU的配置细节。
OpenCV实现Census变换
在立体视觉中，常常用到Census变换，Census变换是一种非参数局部变换，其将周围像素的强度映射到一个比特穿，从而捕获图像的结构。同时使用Census变换可以减少由相机增益和偏置引起变化的影响。在立体匹配过程中，将图像做Census变换后，计算像素点之间的明式距离进行匹配，可以得到较好的效果。
这篇博客主要介绍介绍实现Census变换，由于使用OpenCV的容器和接口，所以直接使用OpenCV调用比较方便。
Matlab使用vision.TextInserter在图像中嵌入字符
使用Matlab处理图像的时候，如果需要将文字或者图形嵌入图像中，就需要用到vision工具集了，如果嵌入的是文字，那么就要使用vision.TextInserter，这个在新版本的Matlab中提供了insertText函数，与其功能差不多，不过vision.TextInserter要强大一些，insertText可以修改文字背景色块但是不能修改字体。
目标跟踪的评价指标（OTB与VOT）
目标识别的评价指标主要有ROC曲线，missrate（MR，其实就是FALSE Positive）、FPPI、FPPW等。单图像跟踪的评价指标主要有两个，一个是pixel error，一般是算中心距离，另一个是overlap rate，区域重叠率，用重叠区域除以两个矩形所占的总面积Aoverlap /（A1+A2-Aoverlap），常常用pixel error绘制帧误差曲线，用重叠率绘制误差曲线。除此之外，还有针对多目标图像跟踪的评价指标。在VOT中，目标跟踪的评价指标又多了EOA和EOF图，这篇博客都会介绍。