关于ALSA算法代码的学习与修正

       文章读完开始读code，感谢大大们慷慨的开源~下载的初始版本跑下来，有很严重的漂移问题，所以研读代码的过程也兼并找错的任务，也算是深入学习了ALSA，开始喽。

2016/3/24更新：近来跑这个程序，有一个很奇怪的发现，前段时间我对这个code的修正似乎并没有起作用，因为初始版本里已经包含我增加的步骤，也就是说并没有问题……囧 为什么我会说存在漂移问题呢？是因为这个算法在不同时间去运行，结果都不一定一样？clear all似乎也没有用。。。救命，简直太费脑子了。

1. 初始化阶段

局部块的尺寸patch_size：16*16；步长：8；  模板尺寸pzise：32*32

1). setTrackParam.m

①. 对不同的序列设置相应的第一帧的ground_truth，即p：第一帧的bounding box的位置（中心点像素坐标、宽、长）、仿射参数affsig、粒子采样数等等；

注：我在测试自己的序列时，时间关系，没研究仿射参数，而是直接copy的已有的序列的affsig，比如测试行人，我copy的是woman_sequence的affsig，效果也很不错。

②. 对原始的参数向量p进行处理，得到几何意义上的参数param0。

affparam2mat/affparam2geom，参看函数的说明，具体的参数转换没有细看……

2). img2patch.m（对img进行结构化处理→局部patches）

输入为32*32，根据patch_size和step_size得到9个互有重叠的局部块（16*16）

patch_idx：存储的是像素标签，16x16x9维的列向量

patch_num：局部块的个数，9。

3). 通过前10帧的跟踪，生成最初的模板集合

>>调用  intial_tracking.m（for循环对前10帧进行简单的跟踪）

①. imread：若是RGB则转换成灰度图像；

②. sampling.m：根据初始的仿射参数affsig采样得到当前帧的600个粒子；

③. warpimg+reshape：对粒子进行常规处理→尺寸为32*32的候选，结果为candi_data（每个列向量是一个候选*600）；

④. KNN算法：调用vlfeat工具包实现K近邻算法，每次循环result得到一个模板（600→1），循环结束exemplars_stack共10个未归一化的模板32*32；

>> 返回initial tracking

归一化10个模板，结构化采样→10*9个大小为16*16的局部块，按列排列，归一化。即为字典D——patch_dict

4). 计算特征基向量，用于模板更新

调用sklm.m，增量SVD算法，求解加入新的观测之后的均值与特征值，用于后面的模板更新。#来自David Ross等人的IVT算法#

>>>>>>>>>>for循环对第11帧至最后一帧进行跟踪&模板更新&结果保存<<<<<<<<<<<<<<<

2. 正式跟踪

【原理】粒子滤波+稀疏表示

1). 粒子滤波部分：对新的一帧采样得到600个粒子，再进行预处理（重叠块采样）

①. imread：若是RGB则转换成灰度图像；

②. sampling.m：根据初始的仿射参数affsig采样得到当前帧的600个粒子；  ！！不更新仿射参数！！

③. warpimg+reshape：对粒子进行常规处理→尺寸为32*32的候选，结果为candidates（每个列向量是一个候选*600）；

④. cropping patches：把③得到的候选（600个），进行块采样，得到9*600个局部块（列），再归一化。

2). 稀疏编码部分：对每个块进行稀疏编码

借用文章中的图，第2)部分就是完成如下工作：

①. sparse coding. 调用了SPAMS工具包，求解如下稀疏问题，得到每个块的稀疏系数patch_coef（90*5400）：

②. Weight&Alignment-pooling.  原理：可靠候选的i_th局部块可以由10个模板对应的局部块稀疏表达，所以对应块的系数可以作为判别候选与目标相似性依据。

将候选的i_th个局部块对应的10个模板中的i_th局部块稀疏系数相加，并归一化，具体操作就是将90*5400的矩阵提取1~9/10~18/.../82~90行，叠加得到9*4500的矩阵；

reshape得到81*600的patch_longfeatures，每一列表示一个候选系数：

③. MAP inference：相似性度量找出最可靠的候选

这里的具体是将对齐池化后的系数平方了一下，再降序排列（为什么要平方处理还没有想明白……）。

对角（池化特征）的值越大，越可靠。

小结：对系数做如上处理可以保留局部块之间的空间结构信息；因为以块为单位了，所以当发生局部遮挡时，未被遮挡的可靠候选块仍然可以由对应模板候选块稀疏表示。

3. 模板更新

【原理】子空间学习+稀疏表示

①.子空间学习部分：参考文献[16][18]中，目标可以由PCA基向量和额外的trivial templates（琐碎模板）的线性组合表示。

上式，p是被跟踪的目标，即观测向量；U是基向量矩阵；q是系数；e是trivial templates，表示被遮挡或被腐蚀的像素。

②. 稀疏表示部分：由遮挡和噪声带来的误差是任意且稀疏的？（这里没明白……）

上式，H=[U I]，c=[q e]‘。

1). 计算加入了跟踪结果后的观测基向量

①. 每处理完一帧便将跟踪结果纳入观测集tmpl.warpimg中；

②. 只有当观测大于5个时，才计算基向量，即模板更新从第15帧以后开始：

      调用sklm函数，计算当前观测集的基向量、特征值U、均值等等；当计算得到的基向量大于10个，特征值和向量都只取前10个；

      清空观测集temp.warpimg；

③. 调用SPAMS工具包求解上述稀疏问题，得到稀疏系数c，recon_coef（这一步的数据处理：candidates(:,best_idx)-tmpl.mean 减去均值 不是很懂……）

④. 计算好新的模板，recon备用：

⑤. 找到要删除的旧模板并替换：

      产生累加概率序列，概率从小到大表示模板从旧到新。原理是：越旧的模板越可靠；

      产生随机数random_num，用于选择要被替换的模板；（居然随机替换……也是醉了(⊙﹏⊙)b）；

      根据该随机数定位到权值区间，该区间右边对应的模板则被删除，并将新模板recon放在最大概率的位置（即第10）；

⑥. 重新reshape整理模板字典，并归一化；

4. 结果保存

每处理一帧，保存一帧结果。这部分的几行code可以通用，就不细看了~