KCF算法在車輛目標(biāo)跟蹤上的參數(shù)配置研究

黃楠 路鋒 王欽釗

摘 ?要：對(duì)地面車輛目標(biāo)的視覺跟蹤任務(wù)首要是滿足實(shí)時(shí)性，其次是在復(fù)雜背景下對(duì)目標(biāo)跟蹤的魯棒性。KCF算法作為經(jīng)典的判別式跟蹤算法，憑借其高效的跟蹤器學(xué)習(xí)效率，一直作為主流的實(shí)時(shí)跟蹤算法之一。其中，搜索區(qū)域的大小選取在很大程度上決定了能否生成穩(wěn)定的跟蹤器，然而對(duì)于不同尺寸的車輛目標(biāo)，其最優(yōu)的搜索區(qū)域大小通常是不同的。為此，本文以標(biāo)準(zhǔn)數(shù)據(jù)集OTB2015作為車輛目標(biāo)視頻源，通過分辨率降采樣來模擬多組不同尺寸的目標(biāo)運(yùn)動(dòng)場(chǎng)景，論證在不同距離下實(shí)現(xiàn)最優(yōu)車輛跟蹤的KCF算法參數(shù)配置，為長(zhǎng)距離的車輛跟蹤任務(wù)提供了參數(shù)依據(jù)。

關(guān)鍵詞：KCF算法;目標(biāo)跟蹤;地面目標(biāo)

中圖分類號(hào)：TP391 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract：The first requirement of vehicle target tracking is real-time，and the robustness of the tracker in complex environment is then followed.As a typical discriminative tracker，KCF has been brought into focus for its high computational speed，and the robustness of which is depended on the size of searching area to a great extent.However，the optimal sizes of searching area are usually different for vehicle targets，because the sizes of target vary greatly.Therefore，the paper uses benchmark OTB2015 as the video source，simulating multiple groups of moving target scenes of different sizes by reducing resolution of the videos.Experiment analysis is carried out on KCF tracker，which aims to demonstrate the optimal parameter configuration of KCF for vehicle tracking at different distances.

Keywords：KCF algorithm;target tracking;vehicle

1 ? 引言（Introduction）

目標(biāo)跟蹤主要應(yīng)用于智能交通、路況監(jiān)控、精確制導(dǎo)、機(jī)器人等領(lǐng)域[1]，其任務(wù)是根據(jù)給定的初始目標(biāo)位置，在接下來的視頻幀中，標(biāo)定出目標(biāo)的位置。目標(biāo)跟蹤尤其是地面目標(biāo)，通常處于復(fù)雜的背景環(huán)境，如光強(qiáng)變化、目標(biāo)旋轉(zhuǎn)、背景雜波、背景遮擋等，這些都給目標(biāo)跟蹤任務(wù)帶來巨大的挑戰(zhàn)性。對(duì)于地面車輛目標(biāo)而言，考慮到目標(biāo)通常處于快速運(yùn)動(dòng)的狀態(tài)，算法的實(shí)時(shí)性更是選擇跟蹤算法的重要依據(jù)。

跟蹤算法大致上分為生成式和判別式兩類，其中生成式算法的主要思想是對(duì)目標(biāo)進(jìn)行建模，利用模型與下一幀的圖像的搜索區(qū)域進(jìn)行配準(zhǔn)，配準(zhǔn)度最高的即為目標(biāo)區(qū)域。常用的模型有馬爾可夫模型（MRF）和混合高斯模型（GMM）。不過單純的模型構(gòu)建思想并沒有對(duì)目標(biāo)與背景信息加以區(qū)分，所以模型精確度很受背景雜波的影響，并且算法的速度普遍沒有判別式算法塊。判別式算法的主要思想是將目標(biāo)跟蹤問題當(dāng)成分類問題加以解決[2]，通過構(gòu)建仿射變換、循環(huán)位移、窗口平移等[3-7]方法來構(gòu)建目標(biāo)負(fù)樣本，進(jìn)而通過對(duì)正負(fù)樣本的學(xué)習(xí)得到分類器（跟蹤器）。分類器的學(xué)習(xí)策略決定了跟蹤器的穩(wěn)定與否，由于分類問題可以利用機(jī)器學(xué)習(xí)加以解決，所以基于判別式方法的跟蹤算法普遍比生成式方法更加精確。

經(jīng)典判別式方法MOSSE由Bolme等人[3]提出，由于利用相關(guān)運(yùn)算的思想，使得分類器的學(xué)習(xí)過程可以在傅立葉域上快速地實(shí)現(xiàn)，從而實(shí)現(xiàn)300幀以上的運(yùn)算速度。后續(xù)Henriques等人[5]在MOSSE的基礎(chǔ)上提出KCF，用循環(huán)矩陣代替MOSSE的放射變換來實(shí)現(xiàn)訓(xùn)練樣本的密集采樣，其示意圖如圖1所示。目標(biāo)特征也從單通道灰度特征轉(zhuǎn)變?yōu)槎嗤ǖ赖腍OG特征，使得跟蹤器在維持100幀以上的計(jì)算速度的同時(shí)，具有在復(fù)雜環(huán)境下更為穩(wěn)定的跟蹤性能。

搜索區(qū)域相對(duì)于目標(biāo)尺寸的大小比例（padding），在很大程度上決定了所采取的樣本的合理性。復(fù)雜環(huán)境下行駛的車輛目標(biāo)通常具有大范圍的尺度變換，如何對(duì)不同尺寸的車輛目標(biāo)選取不同的搜索區(qū)域以獲得性能優(yōu)異的跟蹤器，對(duì)于復(fù)雜環(huán)境下的地面車輛跟蹤任務(wù)而言是很重要的。為此，本文以不同距離下的車輛作為目標(biāo)，進(jìn)行了KCF算法最優(yōu)padding配置的實(shí)驗(yàn)驗(yàn)證。

2 ? KCF算法（KCF algorithm）

KCF算法是一種基于核相關(guān)濾波器的目標(biāo)跟蹤算法，通過對(duì)采集圖像塊構(gòu)建循環(huán)矩陣來表征對(duì)目標(biāo)及其背景進(jìn)行密集采樣的樣本，以此構(gòu)造大量訓(xùn)練集。KCF算法使用基于嶺回歸的非線性預(yù)測(cè)進(jìn)行訓(xùn)練學(xué)習(xí)得到濾波器（分類器），利用核函數(shù)計(jì)算候選區(qū)域與目標(biāo)的近似程度，選取相似度最大的區(qū)域?yàn)樾碌母櫮繕?biāo)，并進(jìn)行下一幀的檢測(cè)。嶺回歸具有封閉解，并且KCF算法利用循環(huán)矩陣的性質(zhì)通過快速傅立葉變換提高了運(yùn)算速度[5]。

3 ? 實(shí)驗(yàn)驗(yàn)證（Experimental verification）

本實(shí)驗(yàn)中，KCF算法使用的HOG特征包含16個(gè)bin，大小為3×3。模型學(xué)習(xí)率為0.02，正則化參數(shù)為，高斯核函數(shù)的設(shè)為0.5。針對(duì)不同距離下的目標(biāo)，實(shí)驗(yàn)選取了不同的搜索窗口與目標(biāo)尺寸的邊長(zhǎng)比值padding進(jìn)行跟蹤實(shí)驗(yàn)，以確定能穩(wěn)定跟蹤不同尺寸的最優(yōu)padding值。實(shí)驗(yàn)平臺(tái)為Matlab2016a，實(shí)驗(yàn)設(shè)備的性能參數(shù)：Intel I5 2.60GHz的CPU和8GB的RAM。

本次實(shí)驗(yàn)共四組，分別對(duì)應(yīng)平均尺寸為100×58、80×46、53×31、40×23的目標(biāo)的運(yùn)動(dòng)場(chǎng)景，每組有10個(gè)不同地面車輛的行駛視頻。為確定針對(duì)不同尺寸目標(biāo)的最優(yōu)算法參數(shù)padding，即搜索區(qū)域與目標(biāo)區(qū)域的邊長(zhǎng)比值，每組實(shí)驗(yàn)設(shè)定了五種padding值：1.75、2.05、2.5、3.25、4，分別對(duì)應(yīng)跟蹤算法KCF_1、KCF_2、KCF_3、KCF_4、KCF_5。四組實(shí)驗(yàn)結(jié)果分別由如圖2至圖5所示。

實(shí)驗(yàn)評(píng)價(jià)指標(biāo)使用的是OTB2015[8]的標(biāo)準(zhǔn)數(shù)據(jù)集測(cè)評(píng)指標(biāo)，包含精確度分?jǐn)?shù)（PR）和穩(wěn)定性分?jǐn)?shù)（AUC），其評(píng)估原理如下：

算法測(cè)量出的目標(biāo)中心與人工標(biāo)定的目標(biāo)中心的距離越小則算法的跟蹤精度越好，而對(duì)不同視頻幀測(cè)量出的中心距離通常是不同的。中心距離小于給定閾值的視頻幀數(shù)占總視頻幀數(shù)的比值可以作為精確度指標(biāo)，當(dāng)閾值范圍從0變化到50可以得到精確度曲線（Precision Plot）。通常以20個(gè)像素作為閾值，獲得精確度分?jǐn)?shù)。由于四組目標(biāo)的尺寸比分別為8：10：15：20，精度評(píng)估對(duì)應(yīng)的閾值也相應(yīng)設(shè)為20、17、11、9。

同理，算法測(cè)量出的目標(biāo)區(qū)域與人工標(biāo)定的目標(biāo)區(qū)域重疊率越高，則代表算法越穩(wěn)定。其中重疊率定義為：，a、b分別代表測(cè)量出的目標(biāo)區(qū)域像素與人工標(biāo)定的目標(biāo)區(qū)域像素，、分別代表區(qū)域像素的交集和并集。對(duì)于不同視頻幀，重疊率通常也是不一樣的。重疊率小于特定閾值的視頻數(shù)占總視頻數(shù)的比值可用作穩(wěn)定性指標(biāo)，當(dāng)閾值范圍從0變化到1可以得到穩(wěn)定性曲線（Success Plot）。為了避免單一閾值帶來的片面性影響，我們使用穩(wěn)定性曲線的面積（AUC）作為穩(wěn)定性分?jǐn)?shù)。

為了對(duì)不同目標(biāo)尺寸下的KCF算法的穩(wěn)定性和精確度進(jìn)行定性分析，五種跟蹤器在四組實(shí)驗(yàn)內(nèi)的精確度分?jǐn)?shù)和穩(wěn)定性分?jǐn)?shù)分別由表1和表2所示，括號(hào)內(nèi)表示算法的實(shí)時(shí)性，即每秒處理的幀數(shù)。

4 ? 結(jié)果分析（Results analysis）

由上表可知，對(duì)于尺寸為100×58到80×46的目標(biāo)，padding值取1.75可以使KCF算法獲得最優(yōu)的精確度和穩(wěn)定性;對(duì)于尺寸為53×31到40×23米的目標(biāo)，padding值取2.05可以使KCF算法的精確度和穩(wěn)定性雙優(yōu)。在實(shí)際場(chǎng)景中，對(duì)于尺寸大小為40×23到100×58的目標(biāo)，可以根據(jù)具體目標(biāo)尺寸，將padding值做更細(xì)化的調(diào)整;同理，對(duì)于尺寸為大于100×58內(nèi)或小于40×23的目標(biāo)，也應(yīng)該相應(yīng)選擇小于1.75或大于2.05的padding值以獲取可能的最優(yōu)跟蹤效果。

根據(jù)上表同樣可得能滿足最小跟蹤精度要求的目標(biāo)尺寸大小。由表1和表2可得，對(duì)于固定的padding值，當(dāng)目標(biāo)尺寸由大到小，對(duì)應(yīng)的跟蹤效果基本上滿足由優(yōu)到劣的變化趨勢(shì)，這是因?yàn)槟繕?biāo)尺寸越大，訓(xùn)練樣本所包含的目標(biāo)特征信息越豐富，故而訓(xùn)練出的跟蹤器更貼合實(shí)際場(chǎng)景。通常情況下，精度值（PR）不小于0.85是跟蹤器的最小精度要求，由表1可知，當(dāng)padding選1.75時(shí)，目標(biāo)尺寸不小于80×46，是滿足穩(wěn)定跟蹤的最低要求（精確度不小于0.85）。而對(duì)于尺寸小于80×46大于40×23的目標(biāo)而言，跟蹤性能已經(jīng)無法滿足不低于0.85的要求了，所以此時(shí)我們可以降低最小精度要求至0.75?？v觀五組不同padding值跟蹤效果，可以看出當(dāng)padding選2.05時(shí)，尺寸范圍為80×46到40×23的目標(biāo)跟蹤性能可以達(dá)到最優(yōu)，對(duì)于小于或大于2.05的padding值，無論是精確度還是穩(wěn)定性都有變差的趨勢(shì)。所以對(duì)于尺寸為40×23到80×46的目標(biāo)，需要選取padding值為2.05以獲得最優(yōu)跟蹤效果，如果降低跟蹤精度性能的要求至0.75的話，可以選擇小于53×31大于40×23的目標(biāo)尺寸作為最低尺寸要求。

5 ? 結(jié)論（Conclusion）

本文驗(yàn)證了，對(duì)于不同距離下不同尺寸的車輛目標(biāo)，KCF算法能實(shí)現(xiàn)穩(wěn)定的實(shí)時(shí)性跟蹤任務(wù)，且不同的搜索區(qū)域與目標(biāo)大小的邊長(zhǎng)比值參數(shù)padding，對(duì)于跟蹤性能的影響很大。實(shí)驗(yàn)結(jié)果驗(yàn)證了，對(duì)于平均尺寸范圍為40×23到100×58的車輛目標(biāo)，如何在五組padding值中選取合適的參數(shù)以獲得最優(yōu)跟蹤性能。且基于上述實(shí)驗(yàn)結(jié)果，可以合理推測(cè)對(duì)于尺寸小于40×23或大于100×58的車輛目標(biāo)，為獲得最優(yōu)性能的KCF跟蹤器，需要將padding值相應(yīng)選取為大于4或小于1.75的值。另外，為了得到更為精確的實(shí)驗(yàn)參數(shù)，有興趣的研究者們可以將本次實(shí)驗(yàn)的目標(biāo)尺寸以及padding值進(jìn)行更為細(xì)化的劃分。

參考文獻(xiàn)（References）

[1] YILMAZ A，JAVED O，SHAH M.Object tracking：A survey[J].ACM Comput Surv，2006，38（4）：45.

[2] COLLINS R T，LIU Y，LEORDEANU M.Online Selection of Discriminative Tracking Features[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，? ? ?2005，27（10）：1631-1643.

[3] BOLME D S，BEVERIDGE J R，DRAPER B A，et al.Visual object tracking using adaptive correlation filters[C].proceedings of the Computer Vision & Pattern Recognition，F(xiàn)，2010.

[4] HENRIQUES J F，RUI C，MARTINS P，et al.Exploiting the Circulant Structure of Tracking-by-Detection with Kernels[M].Proceedings of the European Conference on Computer Vision，2012.

[5] HENRIQUES J F，CASEIRO R，MARTINS P，et al.High-Speed Tracking with Kernelized Correlation Filters[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，? ? ? 2015，37（3）：583-596.

[6] GALOOGAHI H K，F(xiàn)AGG A，LUCEY S，et al.Learning Background-Aware Correlation Filters for Visual Tracking[M].2017 Ieee International Conference on Computer Vision，2017：1144-1152.

[7] DANELLJAN M，HAGER G，KHAN F S，et al.Learning Spatially Regularized Correlation Filters for Visual Tracking[M].2015 Ieee International Conference on Computer Vision，2015：4310-4318.

[8] WU Y，LIM J，YANG M-H.Object Tracking Benchmark[J].Ieee Transactions on Pattern Analysis and Machine Intelligence，? ? ? 2015，37（9）：1834-1848.

作者簡(jiǎn)介：

黃 ?楠（1991-），女，碩士生，工程師.研究領(lǐng)域：火控系統(tǒng).

路 ?鋒（1970-），男，博士，高級(jí)工程師.研究領(lǐng)域：武器裝備論證.

王欽釗（1973-），男，博士，教授.研究領(lǐng)域：火控系統(tǒng).