飞桨Tracking目标跟踪库开源！涵盖业界主流的VOT算法，精准检测动态目标轨迹

如何精准理解运动目标的行为呢？一起看看下面的视频，感受VOT技术的神奇吧！

从短视频中可以发现，视频中的目标是运动的，且不断变化。对于物体遮挡、形变、背景杂斑、尺度变换、快速运动等场景，如何又快又准确的预测结果？

实验论证，通过VOT（Visual Object Tracking, VOT）技术可以精准实现对视频中绿框标示的物体的运动轨迹跟踪。VOT通过跟踪图像序列中的特定运动目标，获得目标的运动参数，如：位置、速度、加速度和运动轨迹等，并进行后续处理与分析，实现对运动目标的行为理解。作为计算机视觉的重要分支之一，VOT技术在视频监控、互动娱乐、机器人视觉导航和医疗诊断等领域发挥着重要的作用，并具有广泛的发展前景。

飞桨PaddleCV新增“Tracking视频单目标跟踪模型库”，基于飞桨核心框架开发，涵盖四个业界领先的VOT算法：SiamFC、SiamRPN、SiamMask和ATOM。基于Tracking视频单目标跟踪模型库，开发者只需修改相关参数，便可以便捷、高效地在工业实践中应用VOT技术。

Tracking模型库路径：

https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/tracking

VOT相关算法通常分为生成式（generative model）和判别式（discriminative model）。

生成式：采用特征模型描述目标的外观特征，再最小化跟踪目标与候选目标之间的重构误差来确认目标。此方法着重于目标本身的特征提取，忽略目标的背景信息，因而在目标外观发生剧烈变化或者遮挡时，容易出现目标漂移或目标丢失。

判别式：将目标跟踪看做一个二元分类问题，通过训练关于目标和背景的分类器来从候选场景中确定目标，可以显著区分背景和目标，性能鲁棒，渐渐成为目标跟踪领域主流方法，目前大多数基于深度学习的目标跟踪算法都属于判别式方法。飞桨Tracking中的模型应用的都是此方法。

算法介绍

下面，我们一同解读一下Tracking模型库中四个模型（SiamFC、SiamRPN、SiamMask和ATOM）的实现原理。

1. SiamFC

SiamFC论文地址：

https://arxiv.org/pdf/1811.07628.pdf

图 SiamFC网络结构

SiamFC网络主体基于AlexNet，分为上、下两个权重共享的子网络，输入分别为模板图像（跟踪目标）和检测图像（搜索范围）。

• 模板图像：指目标区域的扩展纹理，通过padding补充模板周围背景的上下文信息。模板图像首先被resize到127×127×3，之后通过上分支子网络得到6×6×128的feature map。
• 检测图像：指模板图像4倍大小的检测区域。检测图像首先被resize到255×255×3，之后通过下分支子网络得到22×22×128的feature map。

使用交叉相关（cross-correlation）作为相似度的度量，计算两个feature map各个位置（区域）上的相似度，得到一个17×17×1的score map。该score map计算方式类似卷积，即：

• 将模板图像feature map作为卷积核，在检测图像feature map上进行滑窗，得到score map；
• 然后采用双线性插值对score map进行上采样得到分辨率放大16倍的score map，以获得更好的定位精度；
• 根据上采样后的score map，即可定位到跟踪目标在新一帧（检测图像）中的位置。

SiamFC预测时，不在线更新模板图像。这使得其计算速度很快，但同时也要求SiamFC中使用的特征具有足够鲁棒性，以便在后续帧中能够应对各种变化。另一方面，不在线更新模板图像的策略，可以确保跟踪漂移，在long-term跟踪算法上具有天然的优势。

基于Tracking复现的SiamFC模型精度：

使用VOT2018数据集，SiamFC指标与paper公开指标对比如下：

2. SiamRPN

SiamRPN论文地址：

http://openaccess.thecvf.com/content_cvpr_2018/papers/Li_High_Performance_Visual_CVPR_2018_paper.pdf

图 SiamRPN网络结构

SiamFC利用图像金字塔得到不同尺度的模板图像进行多尺度测试，从而得到跟踪目标的位置和尺度，但无法获得目标的长宽比，使得跟踪框无法紧密的贴合目标。相比SiamFC，SiamRPN在网络结构中引入Region Proposal Network（RPN）。将模板图像和检测图像的feature map复制双份，一份送入RPN的分类分支，另一份送入RPN的回归分支。通过RPN 中的anchor机制覆盖各种尺寸，使得Siamese网络拥有了多尺度检测的能力，并且可以更准确地回归出目标的位置、大小以及长宽比。

• 在RPN分类分支中，模板图像和检测图像的feature map都先经过一个卷积层，该卷积层主要对模板图像的feature map进行channel升维，使其变为检测图像feature map通道数的2k倍（k为RPN中设定的anchor数）。此后，将模板图像的feature map在channel上按序等分为2k份，作为2k个卷积核，在检测图像的feature map完成卷积操作，得到一个维度为2k的score map。该score map同样在channel上按序等分为k份，得到对应k个anchor的k个维度为2的score map，2个维度分别对应anchor中前景（目标）和后景（背景）的分类分数。
• 在RPN回归分支中，模板图像和检测图像的feature map，都先经过一个卷积层，该卷积层主要对模板图像的feature map进行channel升维，令其维度变为检测图像的feature map通道数的4k倍（k为RPN中设定的anchor数）。此后，将模板图像的feature map在channel上按序等分为4k份，作为4k个卷积核，在检测图像的feature map完成卷积操作，得到一个维度为4k的score map。该score map同样在channel上按序等分为k份，得到对应k个anchor的k个维度为4的score map，4个维度分别对应anchor左上角的横纵坐标值，以及长宽（x,y,w,h）。

基于Tracking复现的SiamRPN模型精度

使用OTB100数据集，SiamRPN指标与paper公开指标对比如下：

3. SiamMask

SiamMask论文地址：

https://arxiv.org/pdf/1812.05050.pdf

图 SiamMask网络结构

SiamRPN预测出的包围框结果更加精确，主要体现在包围框的尺寸和长宽比上，但是这些包围框都是轴对齐的包围框，不能很好地适应目标的旋转和变化。SiamMask基于SiamRPN，在score分支和bbox分支基础上增加了mask分支，同时对目标进行位置、大小和分割的预测，利用图像分割获得mask，得到带有方向的包围框，能更好地贴合目标的旋转和变化，以达到更高的IoU。SiamMask还应用了Depthwise Cross-correlation的方式，解决SiamRPN非对称的问题，并使用ResNet作为网络主体加深网络深度，以获得更多层次的特征。

除此之外，为了提高模型输出的mask的分辨率，SiamMask还应用了如下图所示的Refine模块，通过级联Refine的形式逐级将低语义信息高分辨率的feature map和上采样后的mask进行融合，最终得到同时拥有高语义信息和高分辨率的mask。

图 SiamMask Refine模块网络结构

基于Tracking复现的SiamMask模型精度

使用VOT208数据集，SiamMask指标与paper公开指标对比如下：

4. ATOM（Accurate Tracking by Overlap Maximization）

受2018年ECCV的IoUNet 启发，提出一种IoU最大化的训练思路。

图 ATOM网络结构

ATOM论文地址：

https://arxiv.org/pdf/1811.07628.pdf

ATOM网络结构主要包含两个模块：目标估计模块（蓝色区域）和目标分类模块（绿色区域）。

• 目标估计模块：用于计算测试图片和参考图片的物体IoU，论文对该模块进行离线训练；
• 目标分类模块：仅由两层卷基层构成，回归出测试图片中各个位置出现目标物体的概率。

实际测试过程中，首先将上一帧物体坐标和尺寸作为Reference，利用目标分类模块计算当前帧的confidence map，将最高得分的位置作为目标在当前帧中的位置。这个坐标位置和前一帧中计算的目标size一起，就构成了初始的目标框。接下来基于该目标框，论文生成10个推荐区域，并利用目标估计模块计算它们与Reference的IoU数值，取前三个最大值对应的目标框，然后将它们的平均值作为最终的目标框，实现物体的在线跟踪。

基于Tracking复现的ATOM模型精度

使用VOT208数据集，ATOM指标与paper公开指标对比如下：

实验证明，使用飞桨Tracking复现的SiamFC、SiamRPN、SiamMask和ATOM模型精度均与原论文持平。更重要的是，Tracking开源了四种模型的网络结构源代码，开发者只需要在此基础上进行参数调整，就可以快速实现VOT技术。

手把手实践

1. 环境准备

工作环境为Linux，python3以及飞桨1.8.0及以上版本。

2. 数据集下载

目标跟踪的训练集和测试集是不同的，模型训练时往往使用多个训练集。目前主流的训练数据集有：VID、DET、COCO、Youtube-VOS、LaSOT、GOT-10K；主流的测试数据集有：OTB、VOT。

3. 下载目标跟踪库

git clone https://github.com/PaddlePaddle/models.git
git checkout develop
cd models/PaddleCV/tracking/

4. 安装第三方库，推荐使用Anaconda。

pip install -r requirements.txt

（可选）如下两个插件可提升文件读取效率，建议开发者安装。

# (可选) 1. 推荐安装：快速读取 jpeg 文件
apt-get install libturbojpeg
# (可选) 2. 推荐安装：进程控制
apt-get install build-essential libcap-dev
pip install python-prctl

5. 下载Backbone预训练模型。

准备SiamFC 、SiamRPN、SiamMask、ATOM模型的Backbone预训练模型。飞桨提供 ATOM ResNet18 和 ResNet50 的 backbone模型。单击如下链接可以下载所有预训练模型的压缩包，压缩包解压后的文件夹为 pretrained_models。

预训练模型下载链接：

https://paddlemodels.bj.bcebos.com/paddle_track/vot/pretrained_models.tar

6. 设置训练参数

所有训练工作都将利用ltr代码完成，需要进入models/PaddleCV/tracking/ltr路径。

在启动训练前，需要设置使用的数据集路径，以及训练模型保存的路径，这些参数在

ltr/admin/local.py中设置。

# 使用编辑器编辑文件 ltr/admin/local.py
#       workspace_dir = './checkpoints' # 要保存训练模型的位置
#       backbone_dir = Your BACKBONE_PATH # 训练SiamFC时不需要设置
#       并依次设定需要使用的训练数据集如 VID, LaSOT, COCO 等，比如：
#       imagenet_dir = '/Datasets/ILSVRC2015/'  # 设置训练集VID的路径
# 如果 ltr/admin/local.py 不存在，请使用代码生成
python -c "from ltr.admin.environment import create_default_local_file; create_default_local_file()"

7. 启动训练

通过组合不同的数据处理模块、样本采样模块、模型结构、目标函数以及训练设定，可以轻松实现各种VOT算法。

以ATOM为例，在“

ltr/train_settings/bbreg/atom_res50_vid_lasot_coco.py”文件中定义训练集为ImagenetVID、LaSOT和MSCOCOSeq，验证集为Got10K。采用ATOMProcessing数据处理器对样本进行处理，ATOMSampler采样器对训练样本进行采样，并通过AtomActor执行器对模型和目标函数进行封装。通过如下命令启动训练。

# 训练 ATOM ResNet50
python run_training.py bbreg atom_res50_vid_lasot_coco

飞桨还提供了其他模型的训练配置文件，可以按照如下方式启动训练。

# 训练 ATOM ResNet18
python run_training.py bbreg atom_res18_vid_lasot_coco
# 训练 SiamFC
python run_training.py siamfc siamfc_alexnet_vid
# 训练 SiamRPN AlexNet
python run_training.py siamrpn siamrpn_alexnet
# 训练 SiamMask-Base ResNet50
python run_training.py siammask siammask_res50_base
# 训练 SiamMask-Refine ResNet50，需要配置settings.base_model为最优的SiamMask-Base模型
python run_training.py siammask siammask_res50_sharp

8. 模型评估

模型训练完成后，进入pytracking路径，并在“pytracking/admin/local.py”文件中设置模型评估环境、测试数据和模型。

# 在VOT2018上评测ATOM模型
# -d VOT2018  表示使用VOT2018数据集进行评测
# -tr bbreg.atom_res18_vid_lasot_coco 表示要评测的模型，和训练保持一致
# -te atom.default_vot 表示加载定义超参数的文件pytracking/parameter/atom/default_vot.py
# -e 40 表示使用第40个epoch的模型进行评测，也可以设置为'range(1, 50, 1)' 表示测试从第1个epoch到第50个epoch模型
# -n 15 表示测试15次取平均结果，默认值是1
python eval_benchmark.py -d VOT2018 -tr bbreg.atom_res18_vid_lasot_coco -te atom.default_vot -e 40 -n 15

9. 结果可视化

数据集上评测完后，可以通过可视化跟踪器的结果定位问题，飞桨提供下面的方法来可视化跟踪结果。

# 开启 jupyter notebook，请留意终端是否输出 token
jupyter notebook --ip 0.0.0.0 --port 8888

在浏览器中输入“服务器IP地址+端口号”，在“

visualize_results_on_benchmark.ipynb” 文件查看可视化结果。

本文介绍了VOT几种主流算法的原理，以及应用Tracking视频单目标跟踪模型库进行VOT实践的操作方法，欢迎开发者们使用，并贡献您的奇思妙想。

如果您觉得效果还不错，欢迎“Star”；如果您有意见需要交流，欢迎“Issue”，Tracking视频单目标跟踪模型库开源代码和参考文档Github地址：

https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/tracking