Multiple Kernelized Correlation Filters (MKCF) for Extended Object Tracking Using X-band Marine Radar Data （基于多个核相关滤波的扩展目标跟踪在X波段海事雷达数据中的应用）

这篇博文介绍一篇最近在IEEE Transaction on Signal Processing上发表的雷达目标跟踪的文章[Zhou et al 2019][1]。论文提出在船用X波段雷达中利用多个核相关滤波器（Multiple Kernelized Correlation Filters, MKCF）来跟踪目标。

背景介绍

船用雷达的跟踪算法多半基于简单的卡尔曼滤波算法（Kalman filter）[Zhang 1990][2] 来做目标的跟踪。跟踪的时候将扩展目标归集为一个点目标，假设目标位置和速度的状态量和观测量在随机过程中满足高斯分布，则目标的状态是可以根据上一次的结果递推的。因此这种基于Kalman滤波的跟踪方式，需要满足三个条件：
1）跟踪目标为凸多边形，归集一点不失代表性。
2）位置和速度的状态变化是线性的。
3）噪声是高斯的。
这样的条件在雷达的工作环境下并不是都能满足的，因此在船用雷达上跟丢目标是常见的事，常常需要雷达观测人员手动的跟踪新的目标。我国海事局的VTS站点也常用加大了功率和天线的船用雷达来监视辖区水域的船舶动态，对船舶跟踪的精度要求更高。通常配备了24小时的值班人员监视雷达视频图像，如若杂波干扰大，船舶密集，跟踪不准确，工作人员要花相当多的精力来纠正雷达自动跟踪算法的错误。

在计算机视觉领域常用的核相关滤波来自[Henriques 2012][3]的一篇文章，KCF以其简单、快捷、准确的特性在视觉跟踪中广受好评。但其特征更新的方式和分类器在干扰环境下在线学习的弱点，限制了其在长时间跟踪中的性能。

MKCF的文章，尝试从雷达目标回波的图像信息入手，建立跟踪目标的空间回波特征，通过相关滤波的方法来匹配跟踪目标。这种方法充分利用了目标回波的所有信息（是一个目标区域的回波特征而不是单个中心点的位置信息），不做状态变化和噪声模型的限制；对单个目标在不同时间点上融合多个相关滤波器，克服了单个KCF跟踪长时不稳，尺度欠变的弱点，能够在复杂的电磁环境下完成船舶跟踪的任务。在一个实测的雷达数据集中， MKCF的跟踪结果要胜于传统的雷达目标跟踪的算法。

算法思路

（参考论文的Algorithm1和Algorithm2）：

1）在首帧录取目标，初始化一个KCF跟踪器。单个KCF提取目标区域的图像特征（由回波强度值组成的长方形矩阵）作为参考模型。循环移动目标区域构建样本，同时设定以矩形中心为重，向四围衰减的高斯标签。借用机器学习的方法，用样本和标签训练一个分类器。

3）在后续帧中，KCF跟踪器用自己的分类器在目标上一次位置附近做分类计算，得分高的位置视为目标在当前帧的估计位置。同时记录跟踪器的状态PSR（Peak to Sidelobe Ratio 峰原比， [峰值减去平原区域的均值]/[平原区域标准差]）。

4）在目标上次位置附近分割图像，得到块状的多边形链表。用较高PSR值的跟踪器来投票选出IOU（Intersection Over Union）重叠率最好的分割块状，用于初始化新的KCF跟踪器。

5）这样随着时间的增长会有多个KCF被用于跟踪同一个目标。这时联合他们投票得到的目标分割区域将会更加的准确。同时根据每个KCF跟踪器的PSR的变化，可以优胜略汰一些较差的KCF跟踪器（变差的原因，在于目标的参考模型随着时间的变化而发生了改变，不能再用于匹配滤波）。同时，论文也用数学推导证明了在较高PSR值的前提下，多个KCF的位置估计等于其各自KCF估计位置的加权和，权重与其分类器得到的峰值相关（参考论文的公式（35））。

实验数据

实验所用的数据是在宜昌海事局一处长江VTS船舶交管站点测量的X波段的船用雷达数据。观测的范围为7.5km，距离的精度在3.75m左右。（雷达参数可以参考论文表II）

海事雷达数据可以在百度网盘下载, 提取码为（yu67）

https://pan.baidu.com/s/1GJ6JR9jfYVLR7OfRLtkQlg

数据格式和算法的源代码可以参考Github的项目网站：

https://github.com/joeyee/MKCF

参考文献

[1]: Y. Zhou et al., “Multiple Kernelized Correlation Filters (MKCF) for Extended Object Tracking Using X-band Marine Radar Data”, in IEEE Transactions on Signal Processing， 2019.
[2]: 张瑞泽，船用导航雷达，中国交通出版社， 1987.
[3]: J. Henriques, R. Caseiro, P. Martins, and J. Batista, “Exploiting the circulant structure of
tracking-by-detection with kernels,” in Proceedings of the European Conference on Computer Vision, 2012.

转载自科学网
http://blog.sciencenet.cn/blog-3415589-1184521.html

基于多个核相关滤波Multiple Kernelized Correlation Filters (MKCF) 的海事雷达目标跟踪算法相关推荐

【KCF算法解析】High-Speed Tracking with Kernelized Correlation Filters笔记
前段时间研究了一下KCF算法,单单看论文有很多看不懂的地方.查阅参考了,很多博客和其他材料才算了解了文章的大题思路,现将个人的理解在此记录,作为笔记. 主要内容 0.1 目标跟踪的背景介绍 0.2 学 ...
人脸跟踪：KCF核相关滤波算法
一直以来没有很想写这个,以为这个东西比较简单,还算是比较容易理解的一个算法,但是在知乎上回答过一个问题之后就有朋友私信我一些关于细节的东西,我一直以为关于细节的东西大家可以自己去理解,大家都是想快速了 ...
目标跟踪 KCF（High-Speed Tracking with Kernelized Correlation Filters）
文章标题:<High-Speed Tracking with Kernelized Correlation Filters> 文章地址:https://ieeexplore.ieee.or ...
基于元学习的红外弱小点状目标跟踪算法
基于元学习的红外弱小点状目标跟踪算法人工智能技术与咨询昨天本文来自<激光技术>,作者热孜亚·艾沙等引言红外点状目标的跟踪是红外搜索和跟踪(infrared search and ...
基于MeanShift的目标跟踪算法及实现
from: http://blog.csdn.net/jinshengtao/article/details/30258833 一.简介首先扯扯无参密度估计理论,无参密度估计也叫做非参数估计,属于数 ...
Kernelized Correlation Filters (KCF) Tracking算法
本文转发自:https://blog.csdn.net/wanghanthu/article/details/53375393 感谢WanghanThu的贡献和分享精神. 1. Correlation ...
基于MeanShift的目标跟踪算法及实现（转载）
版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/jinshengtao/article/details/30258833 这次将介绍基于MeanShi ...
基于嵌入式设备的单目标跟踪算法
基于嵌入式设备的单目标跟踪实现最近基于嵌入式设备(Khadas Vim3)做了一套单目标跟踪算法,跟踪效率可以做到每秒25帧左右. 算法运行耗时记录 time is:37.6241 ms time ...
kcf 跟随_基于YOLO和KCF的目标跟踪算法研究
1. 引言随着AI技术的不断发展,其子领域计算机视觉技术也获得了突飞猛进的进步,计算机视觉即通过机器实现"人眼"对事物的测量和判别能力.目前,计算机视觉技术主要应用于智能视频监控 ...

基于多个核相关滤波Multiple Kernelized Correlation Filters (MKCF) 的海事雷达目标跟踪算法