KCF算法在車輛目標(biāo)跟蹤上的參數(shù)配置研究

　　摘 要：對地面車輛目標(biāo)的視覺跟蹤任務(wù)首要是滿足實時性，其次是在復(fù)雜背景下對目標(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，一直作為主流的實時跟蹤算法之一。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)運動場景，論證在不同距離下實現(xiàn)最優(yōu)車輛跟蹤的KCF算法參數(shù)配置，為長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)

　　《電子技術(shù)與軟件工程》(半月刊)創(chuàng)刊于2012年，由中國電子學(xué)會主辦。旨在全方位推廣信息時代下電氣、電力、電工科學(xué)意識;關(guān)注電子各專業(yè)技術(shù)以及最新科研成果和進展;介紹軟件工程、科技、信息技術(shù)在社會各領(lǐng)域的應(yīng)用，關(guān)注科技傳播與公民科學(xué)文化素質(zhì)的提升。

　　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。對于地面車輛目標(biāo)而言，考慮到目標(biāo)通常處于快速運動的狀態(tài)，算法的實時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目標(biāo)進行建模，利用模型與下一幀的圖像的搜索區(qū)域進行配準(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)負樣本，進而通過對正負樣本的學(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現(xiàn)，從而實現(xiàn)300幀以上的運算速度。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幀以上的計算速度的同時，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)，進行了KCF算法最優(yōu)padding配置的實驗驗證。

　　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，通過對采集圖像塊構(gòu)建循環(huán)矩陣來表征對目標(biāo)及其背景進行密集采樣的樣本，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)測進行訓(xùn)練學(xué)習(xí)得到濾波器(分類器)，利用核函數(shù)計算候選區(qū)域與目標(biāo)的近似程度，選取相似度最大的區(qū)域為新的跟蹤目標(biāo)，并進行下一幀的檢測。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算速度[5]。

　　3 實驗驗證(Experimental verification)

　　本實驗中，KCF算法使用的HOG特征包含16個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。針對不同距離下的目標(biāo)，實驗選取了不同的搜索窗口與目標(biāo)尺寸的邊長比值padding進行跟蹤實驗，以確定能穩(wěn)定跟蹤不同尺寸的最優(yōu)padding值。實驗平臺為Matlab2016a，實驗設(shè)備的性能參數(shù)：Intel I5 2.60GHz的CPU和8GB的RAM。