知识卡片
响应峰就是目标位置
相关运算衡量两个信号的相似程度,跟踪把它当作定位手段:训练一个滤波器,使其与目标区域特征相关后在目标中心取最大值。训练写成最小二乘问题——在目标附近采 m 个样本,让滤波器响应逼近一个单峰高斯函数 g;检测时滤波器与候选区域在频域点乘,逆变换回时域得到响应图,峰值坐标就是目标中心。空间域卷积开销大,因此训练与检测全部搬到傅里叶域,用 FFT 把卷积换成逐元素相乘,这是相关滤波能实时运行的关键。需要注意,整条链路只回答“峰在哪”,并不判断“这个峰可不可信”,这个缺口正是后文 RAN 要补的位置。
结构图:
flowchart LR
A[输入图像与目标区域] --> B[提取特征图]
B --> C[FFT转到频域]
C --> D[与滤波器逐点相乘]
D --> E[逆变换得响应图]
E --> F[峰值坐标即目标中心]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第7章 基于卷积神经网络与人脑记忆模型的目标跟踪算法 · 查看原书依据
先训练出一个滤波器h,使它与特征图f作相关运算后,可产生与高斯函数g形状相似的响应图,并将响应图上峰值的坐标视为目标中心位置,从而实现目标定位。
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第7章 基于卷积神经网络与人脑记忆模型的目标跟踪算法(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt007.html)
- 结论依据:相关运算衡量两个信号的相似程度,跟踪把它当作定位手段:训练一个滤波器,使其与目标区域特征相关后在目标中心取最大值。
- 原始内容:先训练出一个滤波器h,使它与特征图f作相关运算后,可产生与高斯函数g形状相似的响应图,并将响应图上峰值的坐标视为目标中心位置,从而实现目标定位。