企业官网建设流程全解析

简介：KCF（核化相关滤波）算法是一种高效的相关滤波目标跟踪方法，广泛用于计算机视觉中的实时目标检测与跟踪。这份 Python 复现包面向目标跟踪初学者和算法开发者，提供结构清晰、可直接阅读运行的轻量工程。压缩包共13个文件，大小约20KB，以源码和编译缓存为主，另有工程配置、说明文档和许可证文件；源码覆盖 HOG 特征提取、核心跟踪器与运行入口，便于对照理解高斯核、循环卷积、FFT 加速等关键实现。目前已有593人学习下载。学习时可沿着目标初始化、特征提取、响应图计算到位置更新的主线，理清相关滤波跟踪流程；还可替换特征或调整核参数，拓展理解相关滤波算法族。对于希望从理论走向动手复现的读者，是轻量、无冗余依赖的参考实现。

1. 这个包是什么：用Python复现KCF核相关滤波跟踪器

一辆车穿过树荫，被树干挡住两三帧再露出来，传统模板匹配早就跟丢了，而用这份代码复现出来的KCF程序还能稳稳咬住车尾。KCF（核相关滤波）是目标跟踪里性价比最高的经典算法之一，核心是用循环移位替代滑窗采样、用岭回归在傅里叶域求解滤波器，CPU上单帧运行速度能到几百帧每秒。这份资源把KCF从特征到跟踪的完整流程用Python重写，不依赖MATLAB环境，HOG特征提取、高斯核相关、频域训练与检测、模型更新全部是可读可跑的代码。适合做目标跟踪实验、毕业设计和算法预研的人，也适合想快速给项目塞一个轻量视觉跟踪模块的工程人员。

2. 原理与特征提取：循环移位、HOG特征与高斯标签

KCF的巧妙之处不在于模型有多深，而在于“把线性代数里的巧合用到了极致”：它先假设目标patch的所有循环移位都是训练样本，这一假设让样本矩阵变成循环矩阵，而循环矩阵在傅里叶域可以被对角化，于是最耗时的矩阵求逆退化成逐点除法。理解这三件事——循环移位、特征、标签——后面读代码就顺了。

2.1 循环移位：循环矩阵让求解从求逆变成逐点除法

跟踪里的训练样本一般怎么来？老办法是在目标附近滑窗采样，窗口多了就慢，窗口少了就欠拟合。KCF换了个思路：把目标patch循环平移一圈，每平移一次就是一个样本。虽然这些样本之间高度冗余，但它们恰好组成一个循环矩阵，在傅里叶域是“对角”的，这就在数学上把矩阵求逆变成了频域除法。

import numpy as np def cycle_shift(x, dx, dy): """ 对二维特征图做循环移位，模拟一个训练样本。 x: 形状为 (H, W, C) 的特征图 dx, dy: 横向、纵向平移量 """ return np.roll(np.roll(x, dx, axis=1), dy, axis=0)

这里np.roll负责“循环”两个字：移出去的像素从另一边绕回来，而不是丢弃。工程代码里不会真的去循环生成这么多样本，而是直接构造一个中心高、四周低的高斯标签，让所有循环移位“共享”同一个滤波器，求解时一次性完成。dx和dy的取值范围由padding决定，KCF里padding常见取2.5，这意味着搜索区域是目标框的2.5倍，能学习的位移范围也随之扩大。

循环矩阵对角化带来的收益是复杂度级别的变化。对一张96x96的特征图，直接对样本矩阵求逆是O(n^3)量级，而改成FFT后是O(n log n)，两者差距在实时视频场景里是“能跑”和“跑不动”的区别。这也是KCF能在普通笔记本CPU上跑实时跟踪的根本原因，后面代码里所有“在频域做除法”的操作都源于这一节。

2.2 31维fhog特征：KCF的特征输入长什么样

跟踪器拿到的不是原始像素，而是梯度直方图特征。KCF常用的特征叫fhog，是方向梯度直方图的一种变体，维度固定在31维：18维对方向敏感的梯度直方图、9维对方向不敏感的梯度直方图，外加4个梯度能量特征。31维的好处是对光照和颜色变化不敏感，计算量又比深度学习特征小得多，跟循环矩阵的频域加速正好搭配。

下面是教学版的核心实现，完整的31维版会在每个cell上做插值和block归一化，代码更长，但核心就是两件事：量化梯度方向、累加幅值。

import cv2 import numpy as np def hog_like_features(gray, cell_size=4): gx = cv2.Sobel(gray, cv2.CV_32F, 1, 0, ksize=1) gy = cv2.Sobel(gray, cv2.CV_32F, 0, 1, ksize=1) mag, ang = cv2.cartToPolar(gx, gy, angleInDegrees=True) num_bins = 18 bin_idx = (ang * num_bins / 360.0).astype(np.int32) % num_bins h, w = gray.shape h_cells, w_cells = h // cell_size, w // cell_size feat = np.zeros((h_cells, w_cells, num_bins), dtype=np.float32) for r in range(h_cells): for c in range(w_cells): patch_mag = mag[r * cell_size:(r + 1) * cell_size, c * cell_size:(c + 1) * cell_size] patch_bin = bin_idx[r * cell_size:(r + 1) * cell_size, c * cell_size:(c + 1) * cell_size] for b in range(num_bins): feat[r, c, b] = patch_mag[patch_bin == b].sum() return feat

说几个容易被忽略的细节。cell_size决定特征图的空间分辨率，KCF里常见取4，太小特征维数大、频域计算变慢，太大空间细节丢失、跟踪精度下降。num_bins取18是fhog的规范，工程上不要为了省计算改成9。完整版还会对每2x2的cell block做L2归一化来抵抗对比度变化，教学版没写，读者在源码的features.py里能看到对应实现。

2.3 余弦窗与高斯标签：两个一眼看不懂、动了就翻车的细节

新接触KCF代码的人最容易删掉两行：特征乘余弦窗、标签用高斯形状。这两行看着不起眼，删掉之后跟踪器十有八九在前几十帧就丢目标。先说余弦窗。循环移位隐含了一个反直觉假设：图片是首尾相接的圆周面。目标移出边界又从另一边冒出来，这种不连续会让滤波器学到很多“穿越”的伪样本。乘一个从中心向四周衰减的余弦窗，能大幅抑制边界突变，代价是目标边缘信息被削弱，但整体收益远大于损失。

def cosine_window(h, w): """ 生成 (h, w) 的二维余弦窗，值域 [0, 1]，中心为1。 """ hann_y = np.hanning(h) hann_x = np.hanning(w) return np.outer(hann_y, hann_x).astype(np.float32) def gaussian_label(h, w, sigma): yy, xx = np.meshgrid(np.arange(h), np.arange(w), indexing="ij") cy, cx = h // 2, w // 2 dist2 = (yy - cy) ** 2 + (xx - cx) ** 2 return np.exp(-0.5 * dist2 / (sigma * sigma))

标签为什么用高斯而不是0/1二值？因为跟踪的目标是“预测中心偏移量”而不是做严格分类。高斯软标签让靠近中心的样本有更高的响应，远离中心的样本逐渐衰减，峰值定位会更平滑。sigma的常见取法是按搜索窗口缩放：sigma = sqrt(h * w) * label_sigma_factor，label_sigma_factor取0.1左右。窗口是96x96时sigma约9.6，高斯峰大约覆盖中心三分之一区域。

初始化时还有一个容易犯的错：余弦窗乘在特征提取之后、训练和检测之前，而标签是独立于特征生成的，两者坐标系要一致。如果搜索区域被resize过，标签必须用resize后的尺寸生成，否则训练函数会直接报广播错误。这类问题我在第5章的排查清单里专门列了一条。

3. 核心模块拆解：训练、检测与模型更新的完整链路

这一章把跟踪器最核心的三个模块拆开看：核相关计算、岭回归求解、检测与更新。这三段代码几乎就是KCF的全部内容，加起来不到一百行。理解它们之后，你再去看任何一版KCF源码，都能在三分钟内定位到对应位置。

3.1 高斯核相关：频域里算“相似度地图”

核相关滤波器不再直接对像素学权重，而是把样本映射到高维空间后，只关心样本间的相似度，这个相似度用核函数计算。KCF默认用高斯核。两个特征图之间的高斯核相关，等价于把两张图在所有循环位移位置上求一次带核的相似度，结果是一张和特征图同尺寸的相似度响应图，峰值位置就是最像的位置。

from numpy.fft import fft2, ifft2 def gaussian_kernel(x1, x2, sigma=0.5): """ 高斯核相关计算。 x1, x2: 形状 (H, W, C) 的特征图 返回: 形状 (H, W) 的高斯核相关图 """ c = ifft2( fft2(x1, axes=(0, 1)) * np.conj(fft2(x2, axes=(0, 1))), axes=(0, 1) ) c = np.real(np.sum(c, axis=2)) # 按通道求和 sq1 = np.sum(x1 ** 2, axis=2) sq2 = np.sum(x2 ** 2, axis=2) dist = np.maximum(sq1 + sq2 - 2 * c, 0) # 循环位移下的欧氏距离 return np.exp(-dist / (sigma ** 2))

逻辑说明：先对每张特征图做二维FFT，逐通道相乘得到频域互相关，再逆变换回空间域，得到循环互相关c；最后用恒等式把互相关转成欧氏距离，套高斯核。axes=(0, 1)很关键，它指定只在空间维度做FFT，通道维度保持不变。如果漏掉axes，numpy的fft2会把最后两维当作空间维，而特征图的最后两维是宽度和通道，结果完全错位，第一帧响应图就会是一团乱码。

参数说明：sigma是高斯核带宽。HOG特征下0.5是多数实现的默认值。sigma太小时整个核都趋近0，训练出的alpha没有判别力，表现是第一帧响应图就全是噪声；sigma太大时核趋近常数，目标位置信息被抹平，表现是跟踪框粘在原地不动。这两个“表现”我在第5章还会提到。

3.2 岭回归求解：一行除法得到对偶系数alpha

KCF训练的不是权重w，而是对偶系数α。推导过程在原版论文里占了半页纸，落到代码里其实就是除法：

def train_filter(x, label, sigma=0.5, lambdar=1e-4): """ 岭回归求解，返回频域对偶系数 alpha。 x: 当前帧目标区域的特征图, (H, W, C) label: 高斯标签, (H, W) """ k = gaussian_kernel(x, x, sigma) kf = fft2(k, axes=(0, 1)) alf = fft2(label, axes=(0, 1)) / (kf + lambdar) return alf

为什么能直接除？因为k是循环矩阵的生成元，循环矩阵在傅里叶域对角化，原本的矩阵求逆变成逐元素倒数。lambdar是岭回归的正则系数，默认1e-4，它防止kf中出现接近0的值导致除法结果发散，同时给解加一个“别太自信”的惩罚。要是把lambdar调到1e-6，训练会更快但可能数值爆炸；调到0.1，滤波器变钝，跟踪精度明显下降。

训练只发生在两处：第一帧初始化，以及后续每一帧检测完成之后的模型更新。检测用的是上次训练出的alpha，当前帧的新alpha要等检测完成才替换进去，这个顺序不能颠倒。如果先更新再用新模型检测，跟踪器会在自己刚学到的特征上做匹配，相当于考试先看答案，帧间位移一大就崩。

3.3 检测与峰值定位：响应图上的坐标换算

新一帧来时，先把上一帧目标位置的扩大区域裁剪出来，提特征、加余弦窗，得到候选特征z，再算z和当前模型x的高斯核相关，乘alpha、逆FFT，得到响应图。响应图上每个点代表“目标循环平移到这个位置时的响应强度”，所以找最大值就能定位新目标。

def detect_target(z, model_x, alpha, sigma=0.5): kz = gaussian_kernel(z, model_x, sigma) resp = np.real(ifft2(fft2(kz, axes=(0, 1)) * alpha, axes=(0, 1))) return resp # 跟踪循环里的一段 min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(resp) dy = max_loc[1] - resp.shape[0] // 2 # row 方向 dx = max_loc[0] - resp.shape[1] // 2 # col 方向 dx = dx / scale_x dy = dy / scale_y pos_new = (pos[0] + dy, pos[1] + dx)

代码里最容易写反的就是max_loc的下标。cv2的minMaxLoc返回坐标是(x, y)顺序，也就是(col, row)；而numpy数组下标是[row, col]顺序。我第一次写的时候直接把max_loc当成数组下标用，结果目标往上移一帧就飘没影了。规规矩矩写成max_loc[1]给dy、max_loc[0]给dx才稳。这一行错了，后面所有排查都白费。

坐标换算还有一层：搜索区域在进FFT前被resize到统一尺寸，比如96x96，响应图上的位移单位是“模板像素”，要除以缩放比例scale_x、scale_y才能还原成原图像素。统一尺寸的好处是不同视频帧的模板大小恒定，FFT不需要反复重分配内存，坏处是尺度变化会直接影响跟踪精度，这一点在第6章展开。

3.4 模型更新：插值系数决定“记忆长度”

检测完成之后，用当前帧目标位置重新提取一次特征，再训练一个alpha，然后线性插值把新旧模型混合。插值系数在KCF里叫interp_factor，常见取值0.075，意味着每帧只吸收7.5%的新信息，相当于一个指数滑动平均，让模型记住目标最近十几帧的长相。

def update_model(old_alpha, old_x, new_x, label, sigma, interp_factor=0.075): k = gaussian_kernel(new_x, new_x, sigma) alf = fft2(label, axes=(0, 1)) / (fft2(k, axes=(0, 1)) + lambdar) new_alpha = (1 - interp_factor) * old_alpha + interp_factor * alf new_model = (1 - interp_factor) * old_x + interp_factor * new_x return new_alpha, new_model

插值系数是跟踪器里“记性”的旋钮。调成0.02，模型更新很慢，目标快速转向时容易掉；调成0.5，目标一旦被树枝、手、行人遮挡两三帧，模型立刻被污染，之后对目标本来的模样失去记忆，这是KCF在遮挡场景下最常见的失败方式。遮挡时的正确做法是暂停更新，而不是调小系数，具体策略在第6章的PSR部分给出。

4. 工程结构与完整流程：从视频帧到跟踪结果

看完核心算法，再看工程结构。这份资源的代码组织得比较常规，入口在main.py，算法主体在tracker.py，特征与核函数单独拆到两个文件里，参数集中在config.py。按这个结构，二次开发时不需要全局搜索参数，也不会在main.py里翻到一堆算法细节。

4.1 目录结构：从入口开始读代码

kcf_python/ ├── main.py # 入口：读视频、初始化、逐帧调用tracker ├── tracker.py # KCFTracker类：初始化、检测、更新 ├── features.py # fhog特征提取与余弦窗 ├── kernels.py # 高斯核相关、岭回归求解 ├── config.py # 所有超参数集中管理 ├── utils.py # 视频读取、结果保存、FPS统计 ├── data/ │ ├── demo.mp4 # 测试视频 └── output/ └── result.avi # 输出可视化视频

我建议的阅读顺序是：先看config.py了解有哪些旋钮，再看tracker.py里的init和update两个方法，最后回到kernels.py对照第3章的公式。features.py里的31维fhog实现是全文最长的文件，可以放到最后啃。

4.2 主循环main.py：逐行拆解一帧的完整生命周期

main.py做的事情很直接：打开视频，读第一帧，让用户框选目标，然后进入循环。每一帧里调用tracker.update拿到新框，画上去，写进输出视频。

import cv2 from tracker import KCFTracker from config import cfg def main(): cap = cv2.VideoCapture(cfg.video_path) ret, frame = cap.read() if not ret: return # 第一帧：鼠标框选目标，返回 (x, y, w, h) bbox = cv2.selectROI("init", frame, showCrosshair=True) tracker = KCFTracker(cfg) tracker.init(frame, bbox) out = cv2.VideoWriter( cfg.save_path, cv2.VideoWriter_fourcc(*"XVID"), int(cap.get(cv2.CAP_PROP_FPS)), (frame.shape[1], frame.shape[0]) ) while True: ret, frame = cap.read() if not ret: break bbox = tracker.update(frame) x, y, w, h = [int(v) for v in bbox] cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2) out.write(frame) cv2.imshow("KCF tracking", frame) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() out.release() cv2.destroyAllWindows() if __name__ == "__main__": main()

代码本身不复杂，重点在tracker.init和tracker.update两个调用。init负责把第一帧的目标框转成浮点中心坐标、扩大搜索区域、提取特征、生成标签、完成第一次训练；update负责裁剪候选区域、提特征、检测、更新模型，最后返回新框。这里的返回的bbox是(x, y, w, h)格式，画框前要转成整数，OpenCV的rectangle不接受浮点坐标。

4.3 运行方式：固定坐标初始化与鼠标框选

有的人不习惯每次用鼠标框选，命令行直接给初始坐标会更方便，也方便做批量测试：

# 鼠标框选模式 python main.py --video data/demo.mp4 --roi # 指定初始框模式: x y w h python main.py --video data/demo.mp4 --init 120 80 80 160

--init的四个数字顺序是x、y、w、h，注意不是x1、y1、x2、y2。x和y是目标框左上角坐标，w和h是宽高。写错顺序最直观的现象是初始框选到了目标旁边的背景上，跟踪器一启动就在追空气。--roi模式内部就是调用cv2.selectROI，对用户更友好，但没法脚本化复现实验结果，所以做参数实验时建议用--init。

输出方面，程序会在终端打印每一帧的目标位置与耗时，同时在output目录下写出带跟踪框的avi文件。FPS统计放在utils.py里，计算方式是累计帧数除以累计时间，而不是单帧倒数的平均值，这样不会因为前几帧的冷启动产生抖动。

4.4 参数配置表：哪些旋钮一动结果就变

config.py里集中了全部超参数，我整理成一张表，列出的默认值是这个项目代码里直接可用的，改动之前先想清楚它影响哪一环。

这七个参数里，padding、interp_factor、label_sigma_factor对结果的影响最直接。padding太小会跟踪飞，因为目标位移超出搜索区域；interp_factor太大会学进遮挡噪声；label_sigma_factor太大会让高斯标签过于平缓，峰值定位不锐利。改参数时一次只动一个，记录结果再改下一个，否则出了问题根本不知道是哪个旋钮造成的。

5. 避坑与排查：KCF复现中5个容易翻车的地方

如果你跑这份代码发现跟踪效果不对，先别急着怀疑算法实现，前几个典型问题占了实际复现失败里的大头。这一章每条都按“现象、原因、解决”来写，基本覆盖了我自己移植KCF时踩过的坑。

5.1 现象：第一帧正常，第二帧响应图就全糊，峰值位置是乱的

原因：特征没有乘余弦窗，或者搜索区域尺寸没有统一。循环移位假设图片首尾相接，原始图像直接用会让边界突变成为强特征，滤波器学到的响应图在边界处出现伪峰。另一个常见原因是每帧裁剪区域尺寸不一致，导致FFT尺寸跳变，模板和标签对不上。

解决：按照2.3节的cosine_window，对特征图每个通道乘窗再进训练和检测。同时把搜索区域统一resize到template_size，比如96x96，确保每帧的FFT尺寸恒定。检查顺序是：先在代码里打印resp.shape，确认它是96x96而不是其他尺寸；再打印特征峰的数值，确认不是NaN或全0。

5.2 现象：目标往左跑，跟踪框却往右追，方向完全相反

原因：循环移位的方向与原版实现不一致，或者坐标换算时把dx和dy弄反了。numpy的np.roll和某些实现里的循环移位方向相反，反映到频域就是共轭符号差异；更常见的是3.3节说的cv2.minMaxLoc返回的(x, y)和数组(row, col)混用。

解决：先做一次自检。用一段水平平移合成视频，目标每帧往右移动10像素，把跟踪循环里的dx打印出来，如果dx是负数就说明方向反了。方向反了优先检查fft2(kz) * alpha这一步有没有漏掉np.conj，或者坐标换算时dy和dx是否对调。这种问题靠肉眼看视频很难定位，打日志是最快的路径。

5.3 现象：前几十帧都正常，跑着跑着就开始掉目标，重开后又正常

原因：模型更新系数interp_factor偏大，或者目标在某个时刻被短暂遮挡、形变，模型被污染。KCF的更新是每帧都做，只要有一帧响应图的峰值位置偏了，插值就会把错误信息掺进模型，之后错误逐渐累积。

解决：先把interp_factor降到0.02到0.03，看是否缓解。如果是为了抗遮挡，应该加PSR判断，在响应质量差时暂停更新，这个在第6章有具体代码。另一个容易被忽略的点是目标初始框没包全目标，一半在背景上，模型从一开始就学了个不完整的目标，后期自然会漂，检查初始框是不是严格贴合目标边界。

5.4 现象：第一帧峰值就不在响应图中心，初始框一启动就是偏的

原因：高斯标签的中心和裁剪区域中心没对齐。如果selectROI返回的w或h是奇数，中心坐标取整会差半个像素；或者裁剪区域时用(pos - size/2)计算左上角，而size是奇偶混合的，导致实际裁剪区域中心与标签中心不一致。

解决：在初始化阶段把目标宽高取偶，比如w、h各自int(round(...)) & ~1，保证中心是整数像素。同时在代码里断言label.shape == feature.shape，并打印标签峰值坐标和响应图峰值坐标，第一帧两者应该都在(h//2, w//2)附近。偏差超过1像素就检查坐标换算，不要等跟踪中期才排查。

5.5 现象：换成自己的测试视频后精度骤降，帧率也不理想

原因：目标尺寸太小或太大、分辨率变化剧烈、目标本身尺度在放大或缩小。KCF本质是模板匹配，搜索区域基于初始目标框固定下来，如果目标在第一帧只有20像素宽，padding后也才50像素，HOG的cell_size一压缩就没剩几个有效格子，特征表达能力不够。

解决：先看初始框大小，小于30像素的目标建议先用检测器放大初始化，或者调小cell_size到2。再看目标是否在持续缩放，如果是，需要加第6章的尺度池。帧率不理想优先检查是否每帧都在重新计算余弦窗、标签这些常量，这些只算一次就行，别放在update里反复生成，把初始化计算移到init方法里能省掉大量重复开销。

6. 二次开发：把复现代码改造成能落地使用的跟踪器

跑通之后，下一步就是改造成自己的模块。KCF的主要短板有三个：固定尺度、无遮挡判断、初始化依赖手工框。这一章分别给出最小改造方案。

6.1 尺度估计：别让跟踪框永远定死在初始化大小

最简单的尺度自适应是尺度池搜索：对候选区域按一组缩放系数重采样，分别做检测，选响应最大的那个尺度作为当前帧的目标尺度。

scale_step = 1.03 scales = [scale_step ** i for i in range(-5, 6)] best_scale, best_score = 1.0, -1.0 for s in scales: resized = cv2.resize(region, None, fx=1.0 / s, fy=1.0 / s) resp = detect_target(extract_fhog(resized), model_x, alpha) score = float(np.max(resp)) if score > best_score: best_score, best_scale = score, s

这段代码的代价是检测次数从1次变成11次，帧率会明显下降，所以很多工程实现会隔几帧才做一次尺度搜索，之间用线性插值过渡尺度。选完尺度后，目标框宽高乘上best_scale，下一帧的裁剪区域也跟着变化。

6.2 PSR遮挡检测：给模型更新加“刹车”

模型更新最怕遮挡，一个天然的想法是：响应图峰值很“尖锐”时才更新，峰值很“平”时说明当前帧可信度低，冻结模型。这个尖锐程度用PSR来衡量：

mean_val = np.mean(resp) std_val = np.std(resp) psr = (max_val - mean_val) / (std_val + 1e-6) if psr < 8.0: return bbox # 信任度不足，保持上一帧模型不更新

PSR低于8时通常对应目标被遮挡、快速形变或完全跑出视野。冻结更新KCF很快会丢目标，不会立刻把模型学坏，至少比“学了一帧遮挡信息之后彻底崩溃”要好。阈值按场景调，一般8到15之间；阈值设太高会频繁冻结模型，设太低等于没加刹车。

6.3 改造跟踪器接口：从demo到可集成的模块

如果想把KCF接进检测器、ROS节点或后端服务，建议把tracker.py的接口收敛成两个方法：init(frame, bbox)和update(frame)，内部不依赖config.py里的全局变量。参数改成构造时传入，这样同一个进程可以同时跑多个不同参数的跟踪器实例，做对比实验也方便。我之前做参数扫描时就是改了一版这样接口，才避免了每次实验都要改全局配置再重启进程的繁琐操作。

从那以后我每次移植跟踪类算法，都强制先过一遍自检：第一帧响应图峰值必须落在中心；合成平移视频上位移方向和数值必须正确；遮挡帧响应图PSR必须明显下降。这三项过了，再谈调精度。希望这套检查习惯能帮到你。

本文还有配套的精品资源，点击获取