0 引言

目标跟踪是计算机视觉领域中一个重要分支，被广泛应用于智能监控、人机交互、机器人等领域。近年来，目标跟踪算法的研究得到了很大发展。其中以相关滤波器在目标跟踪上的研究成为了典型。BOLME D S^[1]等提出了通过训练单帧图像得到最小输出方差和滤波器(Minimum Output Sum of Squared Error，MOSSE)来对目标进行跟踪，提升了以往跟踪算法的速度。HENRIQUES J F^[2]等提出了基于循环结构的检测跟踪算法(the Circulant Structure of tracking by detection with Kernels，CSK)，该算法对候选图像块进行循环移位，得到大量的样本进行训练分类器。分类器的训练和检测都是基于频率域点积操作，极大地提升了跟踪速度。后来HENRIQUES J F^[3]等对CSK算法进行了改进，通过提取图像的HOG特征，进行多维特征跟踪，并提出了核相关滤波器(KCF)以及双核相关滤波器(DCF)跟踪算法,进一步提高了跟踪性能。由于KCF算法具有对光照变化鲁棒性高、跟踪速度快的特点，更适合在嵌入式系统上应用。

然而原始的KCF算法不能适应目标尺寸的变化以及当目标受到严重遮挡时不能准确跟踪。文献[4]～[6]针对KCF算法进行了改进，根据在先前帧成功跟踪的位置处提取大量的正负样本图片在线训练SVM分类器，当目标丢失后使用SVM分类器进行重定位。但是这些文章都忽略了当前帧的信息，并且提取大量的正负样本训练分类器降低了跟踪速度。

为了增强KCF算法的跟踪性能，本文在原始KCF算法基础上改进了具有目标尺度更新的算法，并结合峰值旁瓣比(Peak to Sidelobe Ratio，PSR)^[2]和MOSSE滤波器提出了一种在时域进行由粗到精的目标重定位算法。本文改进型的KCF算法在DSPTMS320C6678处理器上成功实现了移植及优化，实验表明对于OTB^[7]大多数视频能达到30帧/s以上的稳定跟踪。

1 KCF跟踪算法^[3]

基于核函数的相关滤波器的跟踪算法总体思想是使用循环样本x_m，n通过式(1)找到最优的滤波器w，其中循环样本x_m，n是由M×N的图像块x循环移位获得的，其中(m，n)∈{0，1，…，M-1；0，1，…，N-1}，y(m，n)是相应循环移位样本对应的高斯回归目标。

通过式(3)可以看出，原始KCF算法以固定的尺寸提取图像块z，并且无论跟踪是否失败，都在上一帧相关值最大的位置处以固定的尺寸提取图像块，这样导致不能适应目标尺度的变化以及跟踪失败后将永久性失败。

2 改进型的KCF跟踪算法

针对原始KCF算法不能适应目标尺寸变换以及目标受到严重遮挡时不能准确跟踪，本文提出了改进型的KCF跟踪算法。

2.1 目标尺度更新算法

如图1所示，左图为先前帧跟踪结果，目标尺寸大小为P×Q，中心位置为c₁。定义S为尺度数量，以aⁿP×aⁿQ的大小在c₁为中心点处提取下一帧图像得到候选样本集J，即图1中右图画框的图像块，其中n∈{-，…，}，a定义为初始值大于1的尺度因子。将候选样本集J的所有样本尺寸缩放到P×Q大小的图像块，对所有的候选样本通过式(3)分别计算出对应的响应值，响应值最大的尺寸即为当前目标的尺寸，记为P′×Q′，更新目标尺寸为P′×Q′。

2.2 目标跟踪失败后重定位算法

本文通过PSR值评估目标跟踪状态，当目标丢失后，调用目标重定位算法确定目标位置，以便能继续准确跟踪。

2.2.1 PSR定义

定义PSR值τ=(g_max-μ_s1)/σ_s1，其中g_max是相关输出的最大值，μ_s1和σ_s1分别表示除去以相关输出最大值为中心的11×11的区域后剩余区域的均值和标准差。在本文中定义了两个门限τ_a和τ_b分别表示目标的跟踪状态为失败和成功。当τ≤τ_a时表示目标丢失，需要进行重定位目标；当τ≥τ_b时表示目标正确跟踪，继续跟踪下一帧图像。

2.2.2 时域由粗到精的目标重定位算法

根据PSR τ判断目标丢失后，本文提出了一种使用时域模型γ_prev和MOSSE滤波器H进行由粗到精的快速重定位算法。这里的γ_prev是先前帧根据跟踪结果PSR满足τ≥τ_b时提取的时域模型。算法步骤为：首先使用方差滤波器粗检，滤除大部分目标不存在的区域；然后使用直方图相交法进一步对剩余的区域进行筛选；最后使用MOSSE滤波器对筛选出来的区域进行精检。总体流程如图2所示。

(1)方差滤波器粗检，根据γ_prev求取标准差，提取出标准差满足|σ-σ₀|≤σ_min的候选框，并结合了NMS(非极大值抑制算法)处理得到候选集C₁。其中σ滓和σ₀分别表示当前候选框和γ_prev的标准差，σ_min是标准差门限值。标准差计算公式如下：

其中N表示像素点的个数，x表示像素的灰度值，m是图像的均值。对于计算标准差σ可以利用积分图求解，加快粗检操作。

(2)采用直方图相交对候选框集C₁进一步筛选出目标存在可能性大的候选框，得到候选框集C₂，直方图相交公式如下：

如果d≥d₀则保留候选框，否则丢弃当前的候选框。其中d₀是直方图相交门限值，d是直方图归一化后的相交值。

(3)使用MOSSE滤波器H进行精检，由文献[1]可知MOSSE滤波器定义及相关输出如下：

3 基于TMS320C6678算法实现与测试

TMS320C6678是TI推出的8核浮点DSP，每个核工作频率在1.25 GHz时运算能力能达到40 GMAC定点运算或者20 GMAC浮点运算。本文采用8个核对算法并行处理，加速跟踪。

3.1 多核并行设计实现

core0建立TCP服务器与计算机通信，core1作为主协调器协调core2和core3分别计算尺度大的区域和尺度小的区域图像块的响应，core4计算当前尺寸的图像块的响应，core5负责更新参数α(m，n)以及滤波器H，core6和core7用于目标丢失后重定位。整个多核设计如图3所示。

3.2 算法在TMS320C6678上测试效果

本文选取了OTB测试视频集中具有明显尺寸变化以及目标受到严重遮挡的几个视频测试，效果如图4和图5所示。

图4和图5中黑色框为原始KCF算法的跟踪效果，白色框为本文对KCF算法改进后的跟踪结果。

本文对改进型的KCF算法在DSP处理器TMS320C6678上使用了多核并行处理。表1列举了OTB视频集中的几个视频跟踪的帧率。从表中可以看出跟踪帧率能达到30帧/s。

4 结论

本文介绍了KCF跟踪算法原理，在原始KCF算法基础上改进了尺度更新和由粗到精的目标重定位功能，并在DSP处理器TMS320C6678上成功实现多核并行处理，达到30帧/s的实时跟踪。

参考文献

[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] 杨德东，蔡玉柱，毛宁，等.采用核相关滤波器的长期目标跟踪[J].光学精密工程，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.