相关滤波目标跟踪算法研究

学校代码：10385分类号：
研究生学号：1400214007密级：
相关滤波目标跟踪算法研究
Research of Object Tracking Based on Correlation Filter
作者姓名：夏远祥
指导教师：谢维波教授
合作教师：
学科：控制科学与工程
研究方向：目标跟踪
所在学院：计算机科学与技术学院
论文提交日期：二零一七年五月十三日
摘要
摘要
目标跟踪是计算机视觉领域中最具挑战的工作之一。

近几十年来，研究者提出了多种优秀的目标跟踪算法，但实际环境中的目标跟踪仍然面临着一系列的挑战，跟踪过程中的目标外观变化，包括跟踪目标尺度变化、光照变化、旋转、部分或全部遮挡等问题，常常导致跟踪失败。

为了解决上述问题，本文针对基于相关滤波的目标跟踪算法进行了研究和探索，本文的主要工作如下：（1）提出了一种基于特征点匹配的尺度和旋转自适应跟踪算法。

针对视觉目标跟踪中跟踪目标的尺度变化、旋转等，首先利用分类器确定目标的中心位置，然后对特征点进行局部采样来估计目标的尺度变化和旋转角度。

在特征匹配过程中，使用前、后两次光流匹配消除不稳定特征点；计算特征点对的权重分布，从而估计出目标的最佳尺度和角度；判断当前目标是否受到遮挡，进而使用更合理的方式更新特征点集和目标模型，进一步提高了算法的鲁棒性；
（2）根据不同特征在各种干扰因素下，特征的不变-区分光谱不同，训练出的分类器的分类能力不同，提出了一种多特征融合的跟踪算法。

将多个特征核进行有效的组合，组合特征模型提高了算法的抗干扰能力；
（3）结合以上算法，形成本文最终的算法。

从标准视频序列中选取具有目标遮挡、尺度变化、旋转等不同干扰因素的视频序列对改进算法进行测试。

实验结果表明，该算法在复杂场景下能适应目标的外观变化，且完全满足实时场景的跟踪需求。

关键词：相关滤波自适应权重尺度计算遮挡检测
I
Abstract
Abstract
Object tracking is one of the most challenging problems in computer vision, researchers have proposed a variety of excellent object tracking algorithms in recent decades.However,it still face with a series of challenges in the real environment.The appearance of object changes,including scale changes,illumination,rotation, occlusion and so on,will lead to the object failed to track.In order to solve these problems,object tracking based on correlation filter has been researched and explored in this paper.The contributions of this paper are as follows:
First,a scale and rotation adaptive tracking method based on kernelized correlation filter is proposed.In order to solve the problem of scale changes and rotate during tracking,first,the algorithm determines the center position of the object via kernelized correlation filter.Then the algorithm estimates the scale changes and rotation angle of an object using keypoints matching.In the process of keypoints matching,the method eliminates unstable keypoints using forward and backward matching.The next,the algorithm estimates the ideal scale and angle by considering the weight of keypoints.At last,the method detects whether the target is occluded, and then update keypoints set and object model more reasonable,and hence improving the robustness of the algorithm.
Second,an adaptive weighted fusion method based on color names feature and HOG feature with multiple kernels and multiple channels based on correlation filter is proposed.The algorithm first train kernel ridge regression classifier using two kinds of features respectively,instead of only one feature in kernelized correlation filter. Then,according to the magnitude of the response values to determine the center position of the object,the weights of the complementary kernel features and updating model are adaptively assigned,improving the robustness of kernelized correlation filter.
Finally,the above algorithms together to form the final algorithm.In the experiment,the algorithm use ten standard videos sequences with different
II
华侨大学硕士学位论文
interference factors to test,including occlusion,scale changes,rotate.The results of experiments show that the proposed algorithm not only can adapt to changes in the target appearance under complex scenes,but also completely meet the tracking demand of real-time scenario.
Key words:correlation filter adaptive weights scale calculation occlusion detection
III
目录
目录
第1章绪论 (1)
1.1研究背景及意义 (1)
1.2国内外研究现状 (1)
1.3跟踪算法应对的挑战因素 (5)
1.4研究内容及章节安排 (5)
1.5章小节 (7)
第2章相关滤波目标跟踪算法基础 (8)
2.1引言 (8)
2.2相关滤波器 (8)
2.3相关滤波跟踪算法 (9)
2.3.1相关滤波跟踪算法流程 (10)
2.3.2线性相关滤波跟踪框架 (11)
2.3.3更新策略 (13)
2.4核相关滤波目标跟踪算法 (13)
2.4.1核岭回归 (13)
2.4.2构建训练样本 (15)
2.4.3目标检测 (16)
2.4.4更新分类器 (17)
2.5不同训练框架的对比 (18)
2.6改进方向 (18)
2.7本章小节 (19)
第3章目标尺度估计和旋转角度估计 (20)
3.1前-后向光流匹配 (20)
3.2遮挡检测 (21)
3.3特征点对的权重分布 (21)
3.4目标最佳尺度估计 (22)
3.5目标旋转角度估计 (22)
IV
华侨大学硕士学位论文
3.6算法的完整步骤 (23)
3.7算法1：尺度和旋转估计实验结果分析 (24)
3.7.1目标跟踪评估指标 (24)
3.7.2定性分析 (25)
3.7.3定量分析 (26)
3.8本章小节 (29)
第4章互补特征核相关滤波模型 (30)
4.1引言 (30)
4.2特征描述 (30)
4.2.1方向梯度直方图（HOG） (30)
4.2.2颜色特征 (31)
4.3多通道特征融合 (31)
4.3.1传统的特征融合方法 (31)
4.3.2决策层特征融合 (32)
4.4相似性权重 (32)
4.5鲁棒的核相关滤波模型 (33)
4.6算法的完整步骤 (33)
4.7实验一：KCF框架下的对比实验 (34)
4.7.1算法2：互补特征实验 (35)
4.7.2算法3：模型更新实验 (38)
4.8实验二：与其他跟踪算法的对比实验 (41)
4.8.1定性分析 (41)
4.8.2定量分析 (42)
4.9实验三：加入尺度估计的互补特征实验（算法4） (44)
4.9.1定性分析 (44)
4.9.2定量分析 (45)
4.10本章小节 (47)
第5章总结与展望 (49)
参考文献 (51)
致谢 (54)
V
目录
个人简历、在学期间发表的学术论文与研究成果 (55)
VI
绪论
第1章绪论
1.1研究背景及意义
计算机视觉是计算机领域中重要的组成部分[1]，而目标跟踪是计算机视觉领域的基本问题之一[2]，通过摄像设备录取视频，分析和理解视频信息，实现对特定目标的定位和跟踪的综合技术。

它的任务是根据视频中第一帧的运动目标信息，在之后的图像序列中始终定位该目标。

在这个过程中，需要实时对图像处理，提取目标外观特征，得到目标的坐标和大小等信息。

随着高性能计算机的普及以及日益增长的图像视频分析的需要，目标跟踪在各个领域都有着广泛的应用。

下面介绍一些典型的应用：
在军事领域[3]，对运动的战斗目标进行定位时，就需要实时跟踪算法。

将实时跟踪算法与雷达、传感器、摄像头等相结合，可以提高算法的精度，进而提高战斗的杀伤力。

在智能监控方面[4]，计算机视觉系统需要监视某个区域的运动状况，确认运动目标并报告相应的信息。

这就需要通过目标跟踪系统来检测所需定位的运动目标并跟踪该目标，比如在银行、机场和政府的重要机构和城市交通中，需要对人群进行监控。

在智能交通方面，随着交通拥堵的状况日益加剧，通过使用图像处理技术对监控视频序列进行实时处理和分析，包括车辆、人流量的监控、异常车辆的检测以及行人行为识别等，能极大提高交通管控的效率。

在视觉导航方面[5]，通过摄像设备获得图像信息，通过处理得到导航参数在无人机、无人驾驶等领域有着广泛的应用。

在视觉导航中，通过目标跟踪系统对目标进行检测、定位，以便于进行智能控制。

此外，视频目标跟踪在手势识别、移动视频会议中也有重要的应用[6]。

总之，目标跟踪算法被广泛应用在各个领域。

因此，研究目标跟踪算法既是理论研究的需要，同时也是实际生产、生活的需要。

1.2国内外研究现状
近年来跟踪算法领域取得了很大的进展，在算法速度及精度上都有了很大的提高。

当前主流的目标跟踪算法基本都是基于监督学习的。

在监督学习方法中，需要给出训练样本的标签，包括类别及特征，然后去学习目标的外观属性，在后续帧中，使用学习到的分类函数，对各个样本进行分类，正样本即认为是跟踪目标。

在这个过程中，目标外观是目标的重要特征，意味着训练样本的准确性，决
华侨大学硕士学位论文
定了分类器的好坏。

当前的跟踪算法依据目标的外观模型[7]可以分为生成式外观模型和判别式外观模型。

（1）生成式外观模型
生成式外观模型（Generative appearance models）的基本思想是：首先提取目标外观特征，然后以滑动窗口、随机撒放粒子等方式，在后续帧中匹配目标外观特征，根据相似度的高低来确认是否是目标。

由当前得到的跟踪目标外观特征，得到外观特征的具体表示，然后找到合适的、衡量特征差异的方式，通过使这种方式所衡量的结果最小来确定跟踪目标。

在生成式外观模型中，归一化交叉相关（Normalized Cross-Correlation，NCC）跟踪[8]是典型的通过直接匹配目标特征而得到的跟踪算法，在跟踪过程中，这使用的是灰度值作为初始特征。

在每一帧中，在上帧中给定的目标位置周围进行采样，将每个候选窗口的外观特征与目标模型进行归一化交叉相关匹配，候选框中得到分数最高的即被选为新的目标位置。

在NCC跟踪算法中，因为没有对目标的外观进行更新，因此很容易丢失目标。

KLT跟踪算法(Lucas-Kanade)通过在候选窗口与目标模板之间进行仿射变换(affine-transformed)进行匹配跟踪。

KLT将前一帧目标的位置通过仿射变换映射到当前帧，从而确定目标位置。

KAT跟踪算法(Kalman Appearance Tracker)可以处理遮挡下的目标跟踪。

它将目标区域分割成20*20的区域，对每个区域分别使用一个独立的卡尔曼滤波器，并加上一个自适应高斯噪声模型，滤波器可以预测每个目标的变化。

使用单一的尺度对目标运动进行一个2D变换，并在前一帧目标位置周围去搜寻目标。

在后续帧中，候选窗口被缩小为20*20的模板并与预测模板相比较，通过对差异性增加罚项来剔除边界外的候选目标，差异性最小的候选窗口即为目标。

在KAT中，目标模板需要时时更新，以提高算法的鲁棒性。

FRT跟踪算法(Fragments-based Robust Tracking)采用块对块的方式来处理部分遮挡及姿势变化。

在固定数组为10的块中，用2个连接块，即为碎片(fragments)，来跟踪目标的外观变化。

当新一帧到来时，在上一帧目标周围选择候选框，尺度变化包括扩大和缩小10%的目标大小。

将每个候选窗口分成20个块，每个块用直方图特征来表示并与目标块相比较。

为了提高算法的鲁棒性，选择差异值最小的前25%的目标块作为候选块。

在FRT 中，用最小值的候选框即为新的目标位置。

目标的外观模型在跟踪时不需要更新。

MST跟踪算法(Mean Shift Tracking)使用直方图而不使用任何的空间位置信息进行匹配，使得当目标外观变化时仍能满足稳定性。

它使用RGB颜色直方图来表观目标的外观特征，当新一帧到来时，它与目标模板中的颜色直方图进行比较。

MST使用第一帧的目标颜色直方图作为模板，在后续帧中不再更新。

LOT(Local Orderless Tracking)通过弹性匹配来更新目标外观。

给定目标初始框，使用超像素
绪论
对目标进行分割。

每个超像素表示目标的中心位置及其HSV值。

在上一帧目标位置周围，使用带有高斯权重的粒子滤波进行采样，得到目标状态。

每个粒子代表一个超像素候选窗口，新的目标状态需要计算所有的窗口的置信值。

随着研究的进行，生成模型跟踪算法中固有有的问题逐渐暴露：因为生成模型都是匹配式模型，在搜寻候选框及匹配目标模板时的计算量很大，跟踪效率较低；在进行特征匹配时，如何选择合适的特征、匹配合适的特征、计算特征的差异性，是个重要的问题；由于生成模型只考虑了目标模型本身而忽视了有助于辨别目标的周围背景信息，在处理复杂场景时效果并不理想。

（2）判别式跟踪算法
跟踪的另外一个视角是将其看作一个二元分类问题，建立模型区分目标前景与背景，其中前景图像为正样本，其他图像为负样本，将正负样本同时用来训练分类器，提高分类器的分类能力，同时当新样本到来时更新分类器。

基于判别式的跟踪算法是近年来跟踪算法的主流，因为它同时充分利用了目标与非目标的信息。

FBT跟踪算法(Foreground-Background Tracker)是增量判别分类跟踪算法，属于线性判别分类算法。

它在目标区域周围提取两种特征，一种是局部背景特征向量，另外一种是目标区域的Gabor文本特征，用这两种正负特征训练分类器。

同样地，在上一帧目标位置周围搜索候选窗口，分类器得分最高的位置即为目标新的位置。

同时，在训练中更新目标及背景中的新、旧点，以更新模型。

在FBT 中，使用SURF颜色特征取代灰度特征。

HBT跟踪算法(Hough-Based Tracking)旨在用判别分类器跟踪非刚性物体。

对于跟踪目标，尤其是非刚性目标时，矩形框将引入更多的误差。

因此，作者在霍夫森林中用反投影的方式来确定目标位置。

霍夫森林是随机森林的拓展。

为了丰富目标的外观模型，HBT使用Lab-color空间，x轴和y轴的二阶导以及梯度直方图特征。

霍夫森林提供了目标的概率置信图，有着最大分值的像素即被认为是目标的中心。

在确定目标位置时，使用迭代割图算法，使用稀疏像素投票决定，并在下一帧中得到正样本。

MIL跟踪算法[26]（Multiple Instance Learning）考虑到区分正负样本并不容易，因为有时某个候选框中只有部分跟踪目标，很难完全正确的确定其标签。

因此，它在训练分类器时，使用的是包(bags)样本。

在MIL分类器中，目标周围一系列的矩形框都被认为是包正样本，而包负样本则是距离更远的矩形框。

候选框的选择是在上一帧位置中的随机圆形区域，得分最高的确定MIT中目标的位置。

在分类器更新中，旧分类器的参数随着新样本的加入而更新。

该算法通过寻找使最优分类器响应最大的正样本作为目标，MIT考虑到将目标区域都作正样本、将背景当作负样本存在困难，因为目标框可能无法完全包括目标或者包含了背景区域。

在训练的过程中，
华侨大学硕士学位论文
样本不是其他跟踪算法中的图像块，而是将多个图像块组成一个样本集，将这个样本集赋予一个标签。

由这些小的样本集组成训练集，这样解决了样本标签的模糊性，提高了分类器的精度。

TLD[28]（Tracking-Learning-Detection）跟踪算法旨在用标注的和未标注的样本共同训练判别分类器。

它将检测结果与光流跟踪器相结合，在初始帧中给定目标框，检测器通过很多2位二进制模式学习目标的外观模型。

TLD同时使用随机蕨来学习检测器，当新一帧到来时，选择50个分数最高的作为候选框。

光流跟踪器在目标区域使用KLT，并在当前帧中提出目标框。

计算候选框的归一化交叉相关系数，然后系统在目标中选择相似度最高的作为新的目标。

一旦目标位置确定，则在目标框周围提取正样本，在更远的位置提取负样本，进而更新分类器模型。

如果两个跟踪器都没有输出跟踪框，则认为目标跟丢。

在这种方式下，TLD可有效处理短期跟踪。

Wu[2]通过大量实验对比生成模型与判别模型的跟踪算法，发现背景信息对有效的目标跟踪同样重要，因此判别模型要优于生成模型。

判别式跟踪模型同样存在一些缺点：首先是训练样本与跟踪效率的矛盾。

为了提高分类器的分类性能，需使用更多的样本，但样本的增加会影响跟踪的效率，可能无法实现实时跟踪。

其次，在目标运动过程中，目标外观可能发生变化，导致训练样本的正负特征也发生变化，如何区分正负样本就会变得困难。

最后，如何检测跟踪的效果好坏，如何对遮挡进行检测，并进而对目标模型进行自适应更新也是另外一个重要问题
相关滤波器的目标跟踪算法相对其他模型的跟踪算法，最大的优势就是其跟踪速度较快（相关滤波目标跟踪模型同样属于判别模型）。

Bolme等[31]首次将相关滤波与自适应目标跟踪相结合，提出MOSSE（Minimum Output Sum of Squared Error）跟踪算法。

该方法的最大优点是使用快速傅里叶变换来训练分类器、检测目标，在有些视频中，速度最高可以达到650fps。

该算法通过使用自适应的训练框架，只使用一帧初始图像就可以训练出稳定的相关滤波器并对目标进行跟踪。

凭借其较快的速度，相关滤波在跟踪领域逐渐得到应用。

在此研究的基础上，Henriques等[32]提出了基于核相关滤波的跟踪算法。

他使用一种稠密采样策略，获得大量的训练样本。

同时通过应用核技巧将低维空间特征映射到高维，结合岭回归与循环矩阵将相关滤波器核化，这样就可以在尽可能多地采集样本的同时，保证目标跟踪的速度，在视频序列上取得了较好的跟踪结果。

为了对算法进行特征提高，需要在CSK算法中使用更高级的特征。

为了进一步提高算法的鲁棒性，Henriques等[33]在CSK的基础上通过引入梯度方向直方图特征（HOG）来代替灰度特征，有效的提高了跟踪精度。

绪论
1.3跟踪算法应对的挑战因素
跟踪算法的难处在于，如何设计出鲁棒的算法，来应对跟踪过程中的各种干扰因素。

对跟踪影响较大的是跟踪过程中的遮挡、光照变化及尺度变化，如图1.1中的(c)、(d)、(f)所示。

在这些干扰因素中，训练样本中很容易掺入负样本，在训练时将其当作正样本进行训练，影响跟踪精度。

而当目标发生旋转时，如(b)所示，仅靠目标初始帧时的外观不足以真实的表示跟踪目标的外观，系统很容易将正样本误认作负样本，进而可以跟丢目标。

当目标上下剧烈运动时，也是容易跟踪失败的原因之一。

如何处理这些干扰因素，是提高跟踪算法的鲁棒性的关键因素。

（a)目标上下运动（b)目标旋转
（c）目标尺度变化（d)目标遮挡
（e)背景干扰（f)光照变化
图1.1目标跟踪过程中的挑战因素
1.4研究内容及章节安排
（1）本文的主要研究内容
本文首先研究相关滤波目标跟踪算法，分析对比线性及核相关滤波算法的优缺点。

重点研究核相关滤波跟踪算法的原理，并在此基础上，重点围绕以下几个方面展开研究，主要研究内容如下：
1）针对核相关滤波跟踪算法跟踪目标尺度固定问题，提出了一种尺度估计
华侨大学硕士学位论文
和旋转角度估计的方法。

该算法首先通过核相关滤波器检测到目标位置，然后对特征点进行局部采样来估计目标的相对大小变化和旋转角度变化，根据跟踪目标的大小和角度，自动改变跟踪窗口的大小和旋转角度，使得后续提取的样本更加准确。

2）根据不同特征在各种干扰因素下，特征的不变-区分光谱不同，训练出的分类器的分类能力不同，提出了一种多特征融合的跟踪算法。

改进算法分别采集目标外观的HOG和颜色特征对目标外观进行描述，在两种目标外观特征上分别训练两个互补的特征核，并对两个特征核进行组合。

根据每个分类器置信矩阵的大小，自动为互补特征核空间分配权重、更新模型，实现目标的稳定跟踪。

在此基础上，加入尺度估计的方法，继续提高跟踪算法的鲁棒性。

（2）本文的章节安排
本论文共包括5章，其中第1章为论文的绪论部分，第2章介绍相关滤波器的目标跟踪算法，第3-4章围绕目标跟踪中的主要问题进行研究并提出相应的解决方案，第5章对论文中的各个对比实验算法进行总结，并对以后的改进算法的研究方向进行展望。

根据以上研究内容，下面给出论文章节内容的具体安排：第1章是绪论。

首先介绍目标跟踪算法的应用场景及理论研究意义，介绍了当前主流的跟踪算法，主要论述了基于表观模型的跟踪算法研究，包括生成式表观模型和判别式表观模型，最后介绍了本文对相关滤波算法的研究方式。

第2章论述了相关滤波器的一些知识，包括相关滤波的定义、物理意义等；详细介绍了相关滤波器跟踪算法原理，并在此基础了给出了相关滤波跟踪算法的基础流程图；对比了不同框架的相关滤波跟踪算法；详细介绍了基于核相关滤波跟踪算法的相关原理和公式推导。

第3章在核相关滤波跟踪算法的基础上，通过特征点匹配，根据特征点的相对距离和相对角度变化来估计来实现目标的尺度和旋转角度自适应变化。

由于在目标跟踪过程中能够自适应地估计到目标的相对大小和旋转角度变化，因此可以更准确的提取目标表观特征，提高算法在目标外观发生变化时的鲁棒性。

最后通对实验，将改进算法与多种跟踪算法进行多组实验对比，验证了改进策略的有效性。

第4章论述了如何解决原核相关滤波跟踪算法中，目标特征描述单一的问题。

在目标遇到光照变化、部分或全部遮挡等问题时，单一的特征描述鲁棒性不够，跟踪算法很容易跟丢目标。

针对HOG特征和颜色特征在面对干扰时的稳定性不同，本章主要论述了如何将两种特征进行自适应加权融合，达到互补的效果；根据不同特征下，其对应的分类器跟踪结果的准确性，自动为不同特征分类器赋予合适的权重，并根据当前学习模型的好坏，在更新目标外观模型及分类器模型
绪论
时，自适应分配权重，提高算法在复杂场景下的准确性。

通过多个实验对比分析核相关滤波算法在不同特征、不同的模型更新方式下的性能，验证了互补特征及自适应更新模型的有效性。

第5章就是对本文工作的总结，根据本文的对比实验，分析如何选择跟踪模型以及改进跟踪算法的基本思路；同时结合本文研究不够充分的地方，讨论未来的研究改进方向。

论文的整体组织结构见图1.2。

图1.2论文的组织结构图
1.5本章小节
本章分析了目标跟踪算法研究的理论意义及现实意义，简单总结了当前主流的目标跟踪算法的分类，并分别分析了生成模型的跟踪算法和判别模型的跟踪算法的不足之处，针对跟踪算法所面临的各种干扰条件，提出了改进的方向，并在最后给出了本文的研究内容及相应内容的章节安排。

华侨大学硕士学位论文
第2章
相关滤波目标跟踪算法基础
2.1引言相关滤波算法在目标跟踪领域取得了重要的进展，吸引了很多研究者的注意。

Bolme 等通过使用自适应的训练框架，提出了一种基于最小输出平方误差和（MOSSE ）的跟踪方法，实现了相关滤波跟踪算法的在线跟踪；Zhang 等结合MOSSE ，考虑跟踪目标周围区域的时空上下文信息，结合贝叶斯方法，从统计的角度提出了STC （Spatio-Temporal Context Learning ）跟踪算法[34]；针对线性相关滤滤器（MOSSE 、STC ）在解决非线性分类问题上的不足，Henriques 等提出了核相关滤波跟踪算法，首先使用核技巧将输入特征映射到高维，使用循环矩阵进行稠密采样，结合岭回归模型，提高算法的非线性分类能力。

同时利用循环矩阵的性质，降低算法复杂度。

本章首先介绍相关滤波的定义、原理和物理含义，以及将相关滤波用于目标跟踪的主要流程。

2.2节主要介绍了相关滤波器的一些知识，包括定义、原理及物理意义；2.3介绍了相关滤波跟踪算法的主要流程、线性相关滤波框架及其更新策略；2.4节主要介绍了核相关滤波目标跟踪算法的主要原理，包括核岭回归
和循环矩阵；2.5节将线性相关滤波器和核（非线性）相关滤波器在跟踪性能（包
括速度和精度）上进行对比；2.6节根据原核相关滤波跟踪算法的不足之处，提出相应的改进内容；2.7节对本章内容进行小节。

2.2相关滤波器
相关滤波（correlation filter ）源于信号处理领域
[35]，假设有f 和g 两个函数（信号），其中相关定义为
(f g)()f (t)g(t )dt ττ+∞
-∞=+⎰ (2-1)
相关的物理意义，就是计算两个函数在某个时刻τ的相似程度。

两个信号的相似程度可以用计算得到的置信值来表示，并与其置信值成正比。

将相关的概念转化到频域上面来计算，则上式可以转化为
1(f g)()F (F(t)G(t ))ττ-=⊗+ (2-2)
其中)(t F 和)(τ+t G 分别表示)(t f 和)(τ+t g 的傅里叶变换，
1-F 表示相应函数的。