KCF算法在車輛目標跟蹤上的參數配置研究

　　摘 要：對地面車輛目標的視覺跟蹤任務首要是滿足實時性，其次是在復雜背景下對目標跟蹤的魯棒性。KCF算法作為經典的判別式跟蹤算法，憑借其高效的跟蹤器學習效率，一直作為主流的實時跟蹤算法之一。其中，搜索區域的大小選取在很大程度上決定了能否生成穩定的跟蹤器，然而對于不同尺寸的車輛目標，其最優的搜索區域大小通常是不同的。為此，本文以標準數據集OTB2015作為車輛目標視頻源，通過分辨率降采樣來模擬多組不同尺寸的目標運動場景，論證在不同距離下實現最優車輛跟蹤的KCF算法參數配置，為長距離的車輛跟蹤任務提供了參數依據。

　　關鍵詞：KCF算法;目標跟蹤;地面目標

　　《電子技術與軟件工程》(半月刊)創刊于2012年，由中國電子學會主辦。旨在全方位推廣信息時代下電氣、電力、電工科學意識;關注電子各專業技術以及最新科研成果和進展;介紹軟件工程、科技、信息技術在社會各領域的應用，關注科技傳播與公民科學文化素質的提升。

　　1 引言(Introduction)

　　目標跟蹤主要應用于智能交通、路況監控、精確制導、機器人等領域[1]，其任務是根據給定的初始目標位置，在接下來的視頻幀中，標定出目標的位置。目標跟蹤尤其是地面目標，通常處于復雜的背景環境，如光強變化、目標旋轉、背景雜波、背景遮擋等，這些都給目標跟蹤任務帶來巨大的挑戰性。對于地面車輛目標而言，考慮到目標通常處于快速運動的狀態，算法的實時性更是選擇跟蹤算法的重要依據。

　　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進行建模，利用模型與下一幀的圖像的搜索區域進行配準，配準度最高的即為目標區域。常用的模型有馬爾可夫模型(MRF)和混合高斯模型(GMM)。不過單純的模型構建思想并沒有對目標與背景信息加以區分，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跟蹤問題當成分類問題加以解決[2]，通過構建仿射變換、循環位移、窗口平移等[3-7]方法來構建目標負樣本，進而通過對正負樣本的學習得到分類器(跟蹤器)。分類器的學習策略決定了跟蹤器的穩定與否，由于分類問題可以利用機器學習加以解決，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。

　　經典判別式方法MOSSE由Bolme等人[3]提出，由于利用相關運算的思想，使得分類器的學習過程可以在傅立葉域上快速地實現，從而實現300幀以上的運算速度。后續Henriques等人[5]在MOSSE的基礎上提出KCF，用循環矩陣代替MOSSE的放射變換來實現訓練樣本的密集采樣，其示意圖如圖1所示。目標特征也從單通道灰度特征轉變為多通道的HOG特征，使得跟蹤器在維持100幀以上的計算速度的同時，具有在復雜環境下更為穩定的跟蹤性能。

　　搜索區域相對于目標尺寸的大小比例(padding)，在很大程度上決定了所采取的樣本的合理性。復雜環境下行駛的車輛目標通常具有大范圍的尺度變換，如何對不同尺寸的車輛目標選取不同的搜索區域以獲得性能優異的跟蹤器，對于復雜環境下的地面車輛跟蹤任務而言是很重要的。為此，本文以不同距離下的車輛作為目標，進行了KCF算法最優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濾波器的目標跟蹤算法，通過對采集圖像塊構建循環矩陣來表征對目標及其背景進行密集采樣的樣本，以此構造大量訓練集。KCF算法使用基于嶺回歸的非線性預測進行訓練學習得到濾波器(分類器)，利用核函數計算候選區域與目標的近似程度，選取相似度最大的區域為新的跟蹤目標，并進行下一幀的檢測。嶺回歸具有封閉解，并且KCF算法利用循環矩陣的性質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。模型學習率為0.02，正則化參數為，高斯核函數的設為0.5。針對不同距離下的目標，實驗選取了不同的搜索窗口與目標尺寸的邊長比值padding進行跟蹤實驗，以確定能穩定跟蹤不同尺寸的最優padding值。實驗平臺為Matlab2016a，實驗設備的性能參數：Intel I5 2.60GHz的CPU和8GB的RAM。