Почему ридж-регрессия ведет себя таким образом при визуальном отслеживании объекта? ⇐ Python

[Anonymous]

Я пытаюсь реализовать трекер KCF без эффекта границ, как здесь. Короче говоря, это корреляционный фильтр с ядром без какого-либо преобразования Фурье. Я вычисляю веса фильтра альфа следующим образом:

Код: Выделить всё

Idm = np.identity(Kxx.shape[1])
A = Kxx.T @ Kxx
B = Kxx.T @ y
alpha = np.linalg.solve(A + 2e-4*Idm, B)

Код: Выделить всё

Kxx

— это матрица автокорреляции обучающей области в текущем кадре, а y — это матрица гауссовских меток, которую я получаю

Код: Выделить всё

g1 = cv2.getGaussianKernel(Kxx.shape[0], 1.5)
g2 = cv2.getGaussianKernel(Kxx.shape[1], 1.5)
y = g1 @ g2.T

Я прогнозирую новое местоположение объекта в следующем кадре с помощью

Код: Выделить всё

response = Kxz@alpha

Где Kxz — матрица корреляции обучающей области и патча целевого объекта.
Вот как отображается карта ответа ведет себя, когда я перемещаю тренировочную область вертикально:
перемещение тренировочной области вертикально
Однако, когда я перемещаю тренировочную область горизонтально, это перемещение целевого объекта не является представлено на карте ответов:
перемещение региона обучения горизонтально
На самом деле я могу получить что-то вроде карты ответа, которая представляет только горизонтальное движение с ответом = альфа@Kxz.T. Но это не работает с упомянутым в этой статье корреляционным методом из-за разницы в форме матриц. Я думаю, что это не проблема вычисления корреляционных матриц, потому что я уже пробовал несколько методов корреляции, таких как cv2.filter2D и тот, который описан в статье.

Подробнее здесь: https://stackoverflow.com/questions/793 ... -an-object