KCF跟踪算法代码整理

KCF： Kernelized correlation filter

KCF是一种鉴别式追踪方法，这类方法一般都是在追踪过程中训练一个目标检测器，使用目标检测器去检测下一帧预测位置是否是目标，然后再使用新检测结果去更新训练集进而更新目标检测器。而在训练目标检测器时一般选取目标区域为正样本，目标的周围区域为负样本，当然越靠近目标的区域为正样本的可能性越大。

论文：High-Speed Tracking with Kernelized Correlation Filters

算法源码：opencv_contribe/modules//tracking/tackerkcf.cpp

调用：参考../opencv_contrib/modules/tracking/samples/kcf.cpp

备注： opencv3.1.0与opencv_contrib配置参考http://blog.csdn.net/jay463261929/article/details/53197228；

        我原本也打算写一篇关于KCF算法原理的认知的，最后还是打算放弃，因为我学习参考的博主都写的很不错，所以还是打算把代码贴出。。。。

算法调用

      调用很简单就2个函数，但是在调用之前你需要将opencv3.1.0与opencv_contrib配置好。第一个函数初始化：init(Mat frame, Rect2d roi),  //frame 为输入的彩色图，roi是要跟踪的目标区域，大小为刚好将目标框住就OK， Rect2就是Rect(x,y,w,h);

       第二个函数的目的是训练检测，因为该算法的原因就是先训练再检测，再训练再检测，这样不断循环：update(Mat frame, Rect2d result); //frame 为输入的彩色图, result是跟踪到目标的区域，大小跟初始化时roi的大小相等。 

    主要的头文件：

     #include  
     #include

     例子：

    // 创建一个跟踪对象
    Ptr tracker = Tracker::create( "KCF" );

    // 设置输入的视频
     VideoCapture cap(“ETH-Linthescher.mp4”);

     Mat frame;
     cap >> frame;
 
     //quit if ROI was not selected
     if(roi.width==0 || roi.height==0)
         return 0;

      // 初始化
      tracker->init(frame,roi);

       //开始跟踪
       printf("Start the tracking process, press ESC to quit.\n");
      for ( ;; )

     {
         // get frame from the video
         cap >> frame;

         // stop the program if no more images
         if(frame.rows==0 || frame.cols==0)
          break;

         // 更新跟踪结果
          tracker->update(frame,roi);

          // draw the tracked object
          rectangle( frame, roi, Scalar( 255, 0, 0 ), 2, 1 );

         // show image with the tracked object
         imshow("tracker",frame);

         //quit on ESC button
         if(waitKey(1)==27)break;
  }

    学习完KCF算法的调用，是不是感觉该算法其实很简单，就2个函数而已，那你就错了，那是因为主角还没登场。。。大家以热烈的掌声有请我们的主角闪亮登场吧！

      初始化：

       这是算法中初始化函数的定义：bool TrackerKCFImpl::initImpl(const Mat& /*image*/, const Rect2d& boundingBox )，细心的朋友会发现其实初始化跟输入的图像没关系。

      初始化完成了4个任务：

      1）目标区域填充；

      2）创建汉宁窗；

      3）生成一个高斯响应；

      4）对高斯响应求傅里叶变换。

      1）目标区域填充

       目的是将输入的目标区域扩大2倍，因为后面的所有工作就是在扩大后的区域内进行的。

       //params.resize = true （true表示图像可以缩放）,  max_patch_size=80*80; 

      if(params.resize && roi.width*roi.height>params.max_patch_size)
      {
           resizeImage=true; // 如果为true，表示后面都是缩小一倍的图像进行处理，所有的框也跟着缩小一倍         

           roi.x/=2.0;
           roi.y/=2.0;
           roi.width/=2.0;
           roi.height/=2.0;
     }

    roi.x-=roi.width/2;
    roi.y-=roi.height/2;
    roi.width*=2;
    roi.height*=2;    

     由于跟踪的区域是固定的，所有摄像机要与目标保持固定的距离。

      2)）创建汉宁窗

         目的是采样时为不同的样本分配不同的权重，kcf算法实际是采样了一个样本作为base样本，别的样本都是通过对base样本的平移得到，虚拟出来的样本。一般对样本都采用非正即负的方法来标记训练样本，即正样本标签为1，负样本为0。这样标记样本的方法不能很好的反应每个负样本的权重，即对离中心目标远的样本和离中心目标近的样本等同看待。但是在实际中我们需要对不同的负样本不同的看待，就有了根据样本中心离目标的远近分别赋值 [0,1]范数的数。离目标越近，值越趋向于1，离目标越远，值越趋向于0. kcf就是根据汉宁窗来对不同样本分配不同的权重。

  

       hann(i,j) = 0.25 * [1 - cos( (2*pi*i) / (w-1))] * [1 - cos( (2*pi*j) / (h-1))]; 

       //(i,j) 是位置，(w,h)是创建汉宁窗的大小，0.25是为了归一化到[0,1],  hann(i,j) 的值就是每样样本的权重。

      函数是： createHanningWindow(hann, roi.size(), CV_64F);

      

       3）生成一个高斯响应

       //计算高斯函数的均方差
       output_sigma=sqrt(roi.width*roi.height)*params.output_sigma_factor;  //params.output_sigma_factor=1.0/16.0
       output_sigma=-0.5/(output_sigma*output_sigma);   //a=-1/(2*a^2)

       y(i,j) = exp（output_sigma × [ (i-w/2+1)^2 + (j-h/2+1)^2]）

       //(i,j) 是位置，(w,h)是窗口大小，y(i,j) 的值就是每个样本的实际响应值。

      4）高斯响应的傅里叶变换

        fft2(y,yf);  //yf 是高斯响应的傅里叶变换

      训练：

     1）特征提取：在这个函数getSubWindow（）完成，提取特征为彩色+灰度；彩色特征存放在这features_npca，灰度特征存放在features_pca。

     提取灰度特征：

       Mat  feat = frame(roi); //w*h*1

       feat=feat/255.0-0.5; // normalize to range -0.5 .. 0.5
       feat=feat.mul(hann); // hann window filter

      X[1] = feat; //w*h*1

     提取彩色特征：

     Mat patch= frame(roi); //w*h*3 

        extractCN(patch, feat); // feat  w*h*10, 该算法是将颜色划分的更细，内容在featureColorName.cpp
      feat=feat.mul(hann_cn); // hann window filter

     X[0] = feat; //w*h*10

     2）  将彩色特征feat（w*h*10）进行pca主成分分析，其实就是压缩，默认的参数设置压缩大小compress_size=2，压缩后彩色特征X[0]就变成w*h*2

   　检测：

　　1. 先提取特征；

　　２.  // extract the maximum response
      minMaxLoc( response, &minVal, &maxVal, &minLoc, &maxLoc ); //maxLoc的位置代表跟踪到目标的中心点
      roi.x+=(maxLoc.x-roi.width/2+1);
      roi.y+=(maxLoc.y-roi.height/2+1); //跟踪结果，目标大小是固定的　

　　　

备注：

1. KCF跟踪算法是不带识别的，也不需要特定哪一类物体；

２.测试opencv_contrib带的KCF跟踪算法（灰色＋彩色特征）与github中作者给出的hog特征，前者效果比较好，但是论文中给出后者效果好。

参考：

http://www.cnblogs.com/YiXiaoZhou/p/5925019.html

http://blog.csdn.net/shenxiaolu1984/article/details/50905283

http://www.jianshu.com/p/9aacd075a689

http://www.360doc.com/content/16/0302/13/25664332_538789414.shtml

http://blog.csdn.net/daunxx/article/details/51578787?locationNum=11