0 引言

    目標(biāo)跟蹤是計算機視覺領(lǐng)域中一個重要分支，被廣泛應(yīng)用于智能監(jiān)控、人機交互、機器人等領(lǐng)域。近年來，目標(biāo)跟蹤算法的研究得到了很大發(fā)展。其中以相關(guān)濾波器在目標(biāo)跟蹤上的研究成為了典型。BOLME D S^[1]等提出了通過訓(xùn)練單幀圖像得到最小輸出方差和濾波器(Minimum Output Sum of Squared Error，MOSSE)來對目標(biāo)進行跟蹤，提升了以往跟蹤算法的速度。HENRIQUES J F^[2]等提出了基于循環(huán)結(jié)構(gòu)的檢測跟蹤算法(the Circulant Structure of tracking by detection with Kernels，CSK)，該算法對候選圖像塊進行循環(huán)移位，得到大量的樣本進行訓(xùn)練分類器。分類器的訓(xùn)練和檢測都是基于頻率域點積操作，極大地提升了跟蹤速度。后來HENRIQUES J F^[3]等對CSK算法進行了改進，通過提取圖像的HOG特征，進行多維特征跟蹤，并提出了核相關(guān)濾波器(KCF)以及雙核相關(guān)濾波器(DCF)跟蹤算法,進一步提高了跟蹤性能。由于KCF算法具有對光照變化魯棒性高、跟蹤速度快的特點，更適合在嵌入式系統(tǒng)上應(yīng)用。

    然而原始的KCF算法不能適應(yīng)目標(biāo)尺寸的變化以及當(dāng)目標(biāo)受到嚴(yán)重遮擋時不能準(zhǔn)確跟蹤。文獻[4]～[6]針對KCF算法進行了改進，根據(jù)在先前幀成功跟蹤的位置處提取大量的正負(fù)樣本圖片在線訓(xùn)練SVM分類器，當(dāng)目標(biāo)丟失后使用SVM分類器進行重定位。但是這些文章都忽略了當(dāng)前幀的信息，并且提取大量的正負(fù)樣本訓(xùn)練分類器降低了跟蹤速度。

    為了增強KCF算法的跟蹤性能，本文在原始KCF算法基礎(chǔ)上改進了具有目標(biāo)尺度更新的算法，并結(jié)合峰值旁瓣比(Peak to Sidelobe Ratio，PSR)^[2]和MOSSE濾波器提出了一種在時域進行由粗到精的目標(biāo)重定位算法。本文改進型的KCF算法在DSP TMS320C6678處理器上成功實現(xiàn)了移植及優(yōu)化，實驗表明對于OTB^[7]大多數(shù)視頻能達到30幀/s以上的穩(wěn)定跟蹤。

1 KCF跟蹤算法^[3]

    基于核函數(shù)的相關(guān)濾波器的跟蹤算法總體思想是使用循環(huán)樣本x_m，n通過式(1)找到最優(yōu)的濾波器w，其中循環(huán)樣本x_m，n是由M×N的圖像塊x循環(huán)移位獲得的，其中(m，n)∈{0，1，…，M-1；0，1，…，N-1}，y(m，n)是相應(yīng)循環(huán)移位樣本對應(yīng)的高斯回歸目標(biāo)。 

    通過式(3)可以看出，原始KCF算法以固定的尺寸提取圖像塊z，并且無論跟蹤是否失敗，都在上一幀相關(guān)值最大的位置處以固定的尺寸提取圖像塊，這樣導(dǎo)致不能適應(yīng)目標(biāo)尺度的變化以及跟蹤失敗后將永久性失敗。

2 改進型的KCF跟蹤算法

    針對原始KCF算法不能適應(yīng)目標(biāo)尺寸變換以及目標(biāo)受到嚴(yán)重遮擋時不能準(zhǔn)確跟蹤，本文提出了改進型的KCF跟蹤算法。

2.1 目標(biāo)尺度更新算法

    如圖1所示，左圖為先前幀跟蹤結(jié)果，目標(biāo)尺寸大小為P×Q，中心位置為c₁。定義S為尺度數(shù)量，以aⁿP×aⁿQ的大小在c₁為中心點處提取下一幀圖像得到候選樣本集J，即圖1中右圖畫框的圖像塊，其中n∈{-，…，}，a定義為初始值大于1的尺度因子。將候選樣本集J的所有樣本尺寸縮放到P×Q大小的圖像塊，對所有的候選樣本通過式(3)分別計算出對應(yīng)的響應(yīng)值，響應(yīng)值最大的尺寸即為當(dāng)前目標(biāo)的尺寸，記為P′×Q′，更新目標(biāo)尺寸為P′×Q′。 

2.2 目標(biāo)跟蹤失敗后重定位算法

    本文通過PSR值評估目標(biāo)跟蹤狀態(tài)，當(dāng)目標(biāo)丟失后，調(diào)用目標(biāo)重定位算法確定目標(biāo)位置，以便能繼續(xù)準(zhǔn)確跟蹤。

2.2.1 PSR定義

    定義PSR值τ=(g_max-μ_s1)/σ_s1，其中g(shù)_max是相關(guān)輸出的最大值，μ_s1和σ_s1分別表示除去以相關(guān)輸出最大值為中心的11×11的區(qū)域后剩余區(qū)域的均值和標(biāo)準(zhǔn)差。在本文中定義了兩個門限τ_a和τ_b分別表示目標(biāo)的跟蹤狀態(tài)為失敗和成功。當(dāng)τ≤τ_a時表示目標(biāo)丟失，需要進行重定位目標(biāo)；當(dāng)τ≥τ_b時表示目標(biāo)正確跟蹤，繼續(xù)跟蹤下一幀圖像。

2.2.2 時域由粗到精的目標(biāo)重定位算法

    根據(jù)PSR τ判斷目標(biāo)丟失后，本文提出了一種使用時域模型γ_prev和MOSSE濾波器H進行由粗到精的快速重定位算法。這里的γ_prev是先前幀根據(jù)跟蹤結(jié)果PSR滿足τ≥τ_b時提取的時域模型。算法步驟為：首先使用方差濾波器粗檢，濾除大部分目標(biāo)不存在的區(qū)域；然后使用直方圖相交法進一步對剩余的區(qū)域進行篩選；最后使用MOSSE濾波器對篩選出來的區(qū)域進行精檢?？傮w流程如圖2所示。

    (1)方差濾波器粗檢，根據(jù)γ_prev求取標(biāo)準(zhǔn)差，提取出標(biāo)準(zhǔn)差滿足|σ-σ₀|≤σ_min的候選框，并結(jié)合了NMS(非極大值抑制算法)處理得到候選集C₁。其中σ滓和σ₀分別表示當(dāng)前候選框和γ_prev的標(biāo)準(zhǔn)差，σ_min是標(biāo)準(zhǔn)差門限值。標(biāo)準(zhǔn)差計算公式如下：

其中N表示像素點的個數(shù)，x表示像素的灰度值，m是圖像的均值。對于計算標(biāo)準(zhǔn)差σ可以利用積分圖求解，加快粗檢操作。

    (2)采用直方圖相交對候選框集C₁進一步篩選出目標(biāo)存在可能性大的候選框，得到候選框集C₂，直方圖相交公式如下：

    如果d≥d₀則保留候選框，否則丟棄當(dāng)前的候選框。其中d₀是直方圖相交門限值，d是直方圖歸一化后的相交值。

    (3)使用MOSSE濾波器H進行精檢，由文獻[1]可知MOSSE濾波器定義及相關(guān)輸出如下： 

3 基于TMS320C6678算法實現(xiàn)與測試

    TMS320C6678是TI推出的8核浮點DSP，每個核工作頻率在1.25 GHz時運算能力能達到40 GMAC定點運算或者20 GMAC浮點運算。本文采用8個核對算法并行處理，加速跟蹤。

3.1 多核并行設(shè)計實現(xiàn)

    core0建立TCP服務(wù)器與計算機通信，core1作為主協(xié)調(diào)器協(xié)調(diào)core2和core3分別計算尺度大的區(qū)域和尺度小的區(qū)域圖像塊的響應(yīng)，core4計算當(dāng)前尺寸的圖像塊的響應(yīng)，core5負(fù)責(zé)更新參數(shù)α(m，n)以及濾波器H，core6和core7用于目標(biāo)丟失后重定位。整個多核設(shè)計如圖3所示。

3.2 算法在TMS320C6678上測試效果

    本文選取了OTB測試視頻集中具有明顯尺寸變化以及目標(biāo)受到嚴(yán)重遮擋的幾個視頻測試，效果如圖4和圖5所示。

    圖4和圖5中黑色框為原始KCF算法的跟蹤效果，白色框為本文對KCF算法改進后的跟蹤結(jié)果。

    本文對改進型的KCF算法在DSP處理器TMS320C6678上使用了多核并行處理。表1列舉了OTB視頻集中的幾個視頻跟蹤的幀率。從表中可以看出跟蹤幀率能達到30幀/s。

4 結(jié)論

    本文介紹了KCF跟蹤算法原理，在原始KCF算法基礎(chǔ)上改進了尺度更新和由粗到精的目標(biāo)重定位功能，并在DSP處理器TMS320C6678上成功實現(xiàn)多核并行處理，達到30幀/s的實時跟蹤。

參考文獻

[1] BOLME D S，BEVERIDGE J R，DRAPER B A，et al.Visual object tracking using adaptive correlation filters[C].2010 IEEE Conference on Computer Vision and Pattern Recognition(CVPR)，IEEE，2010：2544-2550.

[2] HENRIQUES J F，CASEIRO R，MARTINS P，et al.Exploiting the circulant structure of tracking-by-detection with kernels[C].European Conference on Computer Vision.Springer Berlin Heidelberg，2012：702-715.

[3] HENRIQUES J F，CASEIRO R，MARTINS P，et al.High-speed tracking with kernelized correlation filters[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37(3)：583-596.

[4] Ma Chao，Yang Xiaokang，Zhang Chongyang，et al.Longterm correlation tracking[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015：5388-5396.

[5] HAAG K，DOTENCO S，GALLWITZ F.Correlation filter based visual trackers for person pursuit using a low-cost quadrotor[C].2015 15th International Conference on Innovations for Community Services(I4CS)，IEEE，2015：1-8.

[6] 楊德東，蔡玉柱，毛寧，等.采用核相關(guān)濾波器的長期目標(biāo)跟蹤[J].光學(xué)精密工程，2016，24(8)：2037-2049.

[7] Wu Yi，LIM J，YANG M H.Online object tracking：A benchmark[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2013：2411-2418.