结合运动矢量的分权快速压缩跟踪算法

第４８卷第２期　２０１７年２月　中南大学学报（自然科学版）　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｅｎｔｒａｌ　Ｓｏｕｔｈ　Ｕｎｉｖｅｒｓｉｔｙ（Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ）　、，０１．４８　ＮＯ．２　Ｆｅｂ．２０１７　ＤＯＩ：１０．Ｉ１８１７￣．ｉｓｓｎ．１６７２—７２０７．２０１７．０２．０１８　结合运动矢量的分权快速压缩跟踪算法　罗会兰　，张文赛　，钟睿　，孑Ｌ繁胜　（１．江西理工大学信息工程学院，江西赣州，３４１０００；　２．浙江大学计算机科学技术学院，浙江杭州，３１００２７）　摘要：针对跟踪过程中目标移动过快产生跟踪漂移问题，提出一种结合超像素运动矢量的候选目标位置搜寻策略；　在跟踪框架内分块提取特征并根据区域分配置信权值，弱化跟踪框架内边缘背景对分类结果的干扰，提高分类器　分类鲁棒性；针对当目标出现严重遮挡时，分类器仍对正负样本特征进行学习而导致的学习不准确问题，提出增　加目标遮挡检测机制，避免错误分类，有效解决目标遮挡问题。实验结果表明：提出的算法与当前先进目标跟踪　算法相比，效果较好，克服目标快速移动、目标形变、复杂背景干扰、目标遮挡、光线变化等一系列挑战性的跟　踪难点，实现目标长时间有效跟踪的同时，跟踪效率满足实时性的要求。　关键词：目标跟踪；运动矢量：置信值；遮挡检测　中图分类号：ＴＰ３９１．４　文献标志码：Ａ　文章编号：１６７２—７２０７（２０１７）０２—０３９５—０９　１广１　ａｓｔ　ｃｏｍＰｒｅｓｓｌｖｅ　ｔｒａｃ￣ａｎｇ　ａｌｇｏｒｉｔｈｍ　Ｄａｓｅｄ　０ｎ　●　・　ｌ　■　ｌ　●－＿　’　●　。ｍｏｔｌｏｎ　・‘　ｖｅｃｔｏｒ　ａｎｃＩ１　ａｓｓｉ　●　ｇｎｉ●　ｎｇ　ｗｅｉｇｈｔ　‘　’　ｖａｌ’　ｕｅ　ＬＵＯ　Ｈｕｉｌａｎ　，ＺＨＡＮＧ　Ｗｅｎｓａｉ　，ＺＨＯＮＧ　Ｒｕｉ　，ＫＯＮＧ　Ｆａｎｓｈｅｎｇ　（１．Ｓｃｈｏｏｌ　ｏｆＩｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｊｉａｎｇｘｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆＳｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ　３４１０００，Ｃｈｉｎａ；　２．Ｃｏｌｌｅｇｅ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｚｈ￣ｉａｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ　３　１　００２７，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｏ　ｒｅｄｕｃｅ　ｔｈｅ　ｄｒｉｔｆ　ｐｈｅｎｏｍｅｎｏｎ　ｉｎ　ｏｂｊｅｃｔ　ｔｒａｃｋｉｎｇ，ａ　ｃａｎｄｉｄａｔｅ　ｏｂｊｅｃｔ　ｌｏｃａｔｉｏｎ　ｓｅａｒｃｈ　ｍｅｔｈｏｄ　ｗａｓ　ｐｒｏｐｏｓｅｄ　ｃｏｍｂｉｎｉｎｇ　ｍｏｔｉｏｎ　ｖｅｃｔｏｒ　ｗｉｔｈ　ｓｕｐｅｒ　ｐｉｘｅ１．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｗｅａｋｅｎ　ｔｈｅ　ｉｎｆｌｕｅｎｃｅ　ｏｆ　ｃｏｍｐｌｅｘ　ｂａｃｋｇｒｏｕｎｄ　ａｎｄ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｔｒａｃｋｉｎｇ　ｒｏｂｕｓｔｎｅｓｓ，ｔｈｅ　ｆｅａｔｕｒｅｓ　ｆｒｏｍ　ｔｈｅ　ｂｌｏｃｋｓ　ｉｎ　ｔｈｅ　ｔｒａｃｋｉｎｇ　ｂｏｘ　ｗｅｒｅ　ａｓｓｉｇｎｅｄ　ｄｉｆｅｒｅｎｔ　ｗｅｉｇｈｔｓ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅｉｒ　ｌｏｃａｔｉｏｎｓ．Ｔｈｅ　ｃｌａｓｓｉｉｆｅｒ　ｍａｙ　ｇｅｔ　ｗｒｏｎｇ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｆ　ｉｔ　ｃｏｎｔｉｎｕｅｓ　ｌｅａｒｎｉｎｇ　ｗｈｅｎ　ｔｈｅ　ｔｒａｃｋｉｎｇ　ｏｂｊｅｃｔ　ｉｓ　ｌａｒｇｅｌｙ　ｏｃｃｌｕｄｅｄ．　Ａ　ｏｂｊｅｃｔ　ｄｅｔｅｃｔｉｏｎ　ａｐｐｒｏａｃｈ　ｗａｓ　ｐｒｏｐｏｓｅｄ　ｔｏ　ａｖｏｉｄ　ｔｈｅ　ｆａｌｓｅ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｉｎ　ｔｈｅ　ｓｉｔｕａｔｉｏｎＳ　ｏｆ　ｏｂｊｅｃｔ　ｏｃｃｌｕｓｉｏｎ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ａｌｇｏｒｉｔｈｍ　ｈａｓ　ｂｅｔｔｅｒ　ｐｅｒｆｏｒｍａｎｃｅ　ａｎｄ　ｃａｎ　ｔｒａｃｋ　ｓｕｃｃｅｓｓｆｕｌｌｙ　ａｎｄ　ｅｆｉｃｉｅｎｔｌｆｙ　ｆｏｒ　ａ　ｌｏｎｇ　ｔｉｍｅ，ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｓｏｍｅ　ｓｔａｔｅ－ｏｆ－ｔｈｅ－ａｒｔ　ｗｏｒｋｓ　ｉｎ　ｍａｎｙ　ｃｏｍｐｌｉｃａｔｅｄ　ｓｉｔｕａｔｉｏｎｓ，ｅ．ｇ．ｓｗｉｔｆ　ｍｏｖｅｍｅｎｔ，ｏｂｊｅｃｔ　ｄｅｆｏｒｍａｔｉｏｎ，ｃｏｍｐｌｅｘ　ｂａｃｋｇｒｏｕｎｄ，ｏｃｃｌｕｓｉｏｎ　ａｎｄ　ｉｌｌｕｍｉｎａｔｉｏｎ　ｖａｒｉａｔｉｏｎ．　Ｋｅｙ　ｗｏｒｄｓ：ｏｂｊｅｃｔ　ｔｒａｃｋｉｎｇ；ｍｏｔｉｏｎ　ｖｅｃｔｏｒ；ｃｏｎｆｉｄｅｎｃｅ　ｖａｌｕｅ；ｏｃｃｌｕｓｉｏｎ　ｄｅｔｅｃｔｉｏｎ　目标跟踪一直是机器视觉领域一个十分活跃的研　感知（简称ＣＳ）理论［３－４］表明：高维空间特征向量可以　通过１个随机矩阵投射到低维空间，并保留原始图像　究方向，在人机交互，视频监控，车辆行人跟踪等领　域有着广泛的应用　】。近年来，基于稀疏矩阵的压缩　收稿日期：２０１６—０３—０５：修回日期：２０１６—０６—２７　特征空间的信息。ＺＨＡＮＧ等　提出的为压缩跟踪算法　基金项￣（Ｆｏｕｎｄａｆｉｏｎｉｔｅｍ）：国家自然科学基金资助项目（６１４６２０３５）：江西省青年科学家培养项目（２０１５３ＢＣＢ２３Ｏ１Ｏ）（Ｐｒ０ｊｅｃｔ（６１４６２０３５）ｓｕｐｐｏｓｅｄ　ｂｙ　ｔｈｅ　Ｎａｔｉｏｎａｌ　Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｆｏｕｎｄａｔｉｏｎ　ｏｆ　Ｃｈｉｎａ；Ｐｒ０ｊｅｃｔ（２０１５３ＢｃＢ２３０１０）ｓｕｐｐｏｓｅｄ　ｂｙ　Ｙｏｕｎｇ　Ｓｃｉｅｎｔｉｓｔ　Ｔｒａｉｎｉｎｇ　Ｐｒｏｊｅｃｔ　ｏｆ　Ｊｉａｎｇｘｉ　Ｐｒｏｖｉｎｃｅ）　通信作者：罗会兰，博士，教授，从事机器学习、模式识别研究；Ｅ－ｍａｉｌ：ｌｕｏｈｕｉｌａｎ＠ｓｉｎａ．ｔｏｍ　３９６　中南大学学报（自然科学版）　第４８卷　（简称ＣＴ）采用满足有限等距（简称ＲＩＰ）性质［６】的随机　感知矩阵对多尺度图像特征进行降维，利用１个非常　稀疏的矩阵，将采集到的目标和背景样本特征输入朴　素贝叶斯分类器进行分类，输出分类分值最大的　目标　位置即为目标当前位置，并在线对采集到的疋负样本　进行分类进而更新分类器。该算法以其跟踪鲁棒性较　高、运算速度快、能满足实际应用的特点广受关注。　采用压缩感知理论思想实现目标跟踪的算法中，普遍　存在跟踪漂移和对背景干扰敏感的问题。该类算法由　于始终在前一帧目标位置的基础上开始搜索，当目标　剧烈运动时，在跟踪过程中就会很容易出现跟踪漂移。　Ｍｅａｎ　ｓｈｉｆｔ算法是一种通过不断迭代接近目标准确位　置的算法，通过合理的目标预测，可以大大降低迭代　次数，减少搜索过程中的计算量。王鲁平等【　１７Ｊ提出一　种基于距离加权平均绝对差的模板漂移抑制算法，来　抑制跟踪过程中的漂移现象，但在复杂环境下效果不　稳定。田纲等【８］提出一种基于运动矢量分析模型的　Ｍｅａｎ　Ｓｈｉｆｔ算法，针对跟踪框架内像素点的运动矢量　进行概率统计分析，得到目标移动方向和移动速度的　估值，在目标快速移动的过程中跟踪效果更加鲁棒，　但像素点统计运算量较大。目标跟踪算法的分类器设　计关系到目标与背景分开的最优边界，是跟踪算法是　否能在跟踪过程中长时有效的关键。目前先进的跟踪　算法中，分类器的设计也不尽相同。压缩跟踪（ＣＴ）　算法中，利用朴素贝叶斯分类器对候选目标区域采集　到的特征压缩后的正负样本进行分类，但对于边缘相　似度高的背景干扰容易出现错误分类。ＺＨＡＮＧ等Ｌ９ｊ　提出的加权多实例学习（简称ＷＭＩＬ）算法中，根据提　出的正负包概念，依据正包中正示例的重要程度分配　权，在一定程度上提高了分类器的鲁棒性。ＺＨＡＮＧ　等［１　０］提出的实时在线特征选择（简称ＯＤＦＳ）实现自动　选择区分度较高的特征，得到较为鲁棒的分类器。　ＺＨＡＮＧ等【】Ｉｊ提出的动态特征选择（简称ＡＦＳ）动态选　择分类能力较强的特征，可以实现在复杂背景下对目　标和背景的区分。本文作者提出一种结合运动矢量判　断目标位置的模型，针对跟踪过程中可能出现的跟踪　漂移问题，对跟踪框架内图像进行超像素分割，对跟　踪目标区域的超像素进行运动矢量编码统计分析，得　到目标运动速度和方向的估值，修正候选目标的搜索　位置，有效降低因跟踪目标移动剧烈或速度过快而导　致的跟踪漂移问题。利用生物视觉系统的ｆｏｃｕｓ　ｏｎ　ａｔｔｅｎｔｉｏｎ理论对跟踪框架内分块提取特征并分配置信　权值，可改善朴素贝叶斯分类器在复杂背景下的分类　鲁棒性，降低跟踪框架内因相似背景的干扰而导致分　类器错误分类的情况。增加目标检测机制，当目标存　在严重遮挡时，停止学习正负样本，避免目标重新回　到画面后跟踪丢失的问题。　１　结合运动矢量的分权快速压缩跟　踪算法　本文提出一种结合运动矢量的分权快速压缩跟踪　算法。在基于压缩感知理论的目标跟踪算法中，通过　引入目标运动矢量模型，修正算法搜索中心，防止目　标移动过快产生跟踪漂移；改进搜索策略；对跟踪框　不同位置块的特征分配置信值，弱化背景干扰，改善　朴素贝叶斯分类器分类的鲁棒性；提出一种新的正负　样本更新机制，有效防止目标遮挡后的跟踪丢失问题。　为方便描述，将本文提出的结合运动矢量的分权快速　压缩跟踪算法命名为ＦＣＴＭＡ。　１．１结合运动矢量的快速搜索　ＺＨＡＮＧ等【　］将压缩感知理论应用到目标跟踪中，　提出一种基于压缩感知理论的压缩跟踪算法（ＣＴ）。该　算法主要利用了１个ｎ×ｍ的随机矩阵　提取多尺度　目标　的特征向量，其公式为　Ｆ＝ＲＸ　（１）　随机矩阵　的／，／远远小于ｍ，满足有限等距ＲＩＰ　性质。如果　是可压缩的ｆ或者说是稀疏的），利用该　性质可以通过最小化误差从，中恢复　，压缩程度取　决于随机矩阵Ｒ的稀疏程度。为降低目标特征计算复　杂度，采用了１个非常稀疏的随机测量矩阵，定义　如下：　　ｌ１（概率为１／２ｓ时）　ｒｉｆ＝４ｓ×｛０（概率为１—１／ｓ时）　（２）　１—１（概率为１／２ｓ时）　式中：ｓ＝ｎ／４，矩阵　的每一行只需要计算Ｃ（小于４）　个元素的值，计算复杂度Ｏ（ｃｎ１。利用该随机测量稀　疏矩阵可以将１个高维图像空间Ｘ（ｍ维）变换到１个低　维空间Ｆ（ｎ维１。　当采用该稀疏矩阵提取下一帧目标样本时，在当　前帧目标位置，设置搜索半径，一，对搜索半径　范围内　所有像素点产生的跟踪矩形框逐个进行特征提取，并　输入分类器进行分析比较。这一搜索策略使得算法在　总的特征提取和计算时问上开销较大，不利于目标的　实时跟踪。ＺＨＡＮＧ等［　】针对提取样本特征的搜索策　略进行改进，当什１帧图像到来时，根据第ｒ帧目标　所在位置，对周围半径　范围内，间距步长　。的像素　点产生的矩形框进行样本特征提取并计算得到分数最　大的点，大致确定目标位置ｆｌ　。然后在ｆｔ饲围设置更　第２期　罗会兰，等：结合运动矢量的分权快速压缩跟踪算法　３９７　小搜索半径ｙｐ通过以更小间距　像素点产生的矩形　跟踪框，进行样本特征提取并输入分类器，得分最大　素的运动矢量的方向编码为　者即为目标的准确位置。本文也采用这种由粗到精的　搜索策略，但这一改进的搜索策略虽然降低了搜索目　＝　ＶｙｍＯｔｉｏｎ　斗　ｃ　㈣　标过程中的时间开销，提高了目标跟踪的实时性，但　不能解决跟踪过程中的漂移问题。　跟踪过程中的漂移问题主要源于目标移动过快，　而搜索目标范围仍然停留在上一帧图像中目标位置周　围。要保证实时跟踪，搜索半径不宜过大，若增大搜　索半径，一方面会增加算法复杂度，另一方面引入更　多的冗余候选目标位置，增加背景干扰以及一些奇点，　将对分类器的正确分类产生干扰。当目标真实位置不　在搜索半径内时将导致跟踪漂移，严重的将导致跟踪　失败。ＡＣＨＡＮＴＡ等【１　３Ｊ提出一种基于简单线性迭代聚　类ｆ简称ＳＬＩＣ）的超像素图像分割算法，利用ＬＡＢ颜　色空间和目标区域纹理特征对框定范围内的像素进行　聚类，生成固定数量且具有适应边界、贴合性和紧凑　性较好、大小一致且形状均匀的超像素。由于ＳＬＩＣ　分割图像的方法，只需给定分割超像素的数，运行快　速，只需要线性的存储空间和运行时间即可，因此，　广泛应用于图像处理中代替像素点的运算。本文作者　提出基于超像素的运动矢量来预测目标位置，修正跟　踪目标候选区域，使得搜索初始位置更接近目标真实　位置。首先，人为设定分割后超像素的个数Ⅳ，对跟　踪框架内图像进行超像素分割，按照从左到右从上到　下的顺序对超像素进行编号。然后建立超像素运动矢　量模型并对其进行编码，如图１所示，运动矢量方向　角范围为０－２ｎ，划分为８个区间，其量化系数为Ｉｔ／４。　运动矢量的垂直分量　ｍ　“与水平分量　ｏｎ　夹角为运动矢量方向角０，根据运动矢量方向角０确　定其编码区间。图像跟踪框架内第ｉ行、第，列超像　７７ｃ　８　９ｒ［　８　图１运动矢量方向编码示意图　Ｆｉｇ．１　Ｄｉｒｅｃｔｏｒ　ｃｏｄｉｎｇ　ｄｉａｇｒａｍ　ｏｆ　ｍｏｔｉｏｎ　ｖｅｃｔｏｒ　０（其他）　其中：Ｃｕ∈｛０，１，２，３，４，５，６，７｝，为量化系数；　Ａ０＝７ｔ／４。求得运动目标区域所有超像素运动矢量方　向编码，得到目标区域运动矢量方向编码直方图。在　得到目标区域运动矢量方向编码直方图，即运动方向　统计信息的基础上，求得具有最大分布的方向编码区　间，计算出具有最大分布的方向编码区间内所有超像　素的平均运动矢量　“　，其在　轴和Ｙ轴方向上的　１　Ⅳ　分量分别表示为　ｉ。“＝　１　－　ｆｍ　ｏ廿　，　ｆ＿１　１　Ⅳ　毗　。“＝寺∑　ｍ１　ｏＩ　。目标运动速度和方向的估计　值为　矿＝　ｔａｎｃ　根据上一帧目标位置　和平均运动矢量　“　，　修正当前候选区域中心位置为　ｔｐ　。＝，ｕｔ＋（１一　）　ｍ　“　（５）　其中：　（０≤　≤ｌ１为中心点修正因子，表示中心点　与运动速度的相关性，运动速度越快，则平均运动矢　量对中心点的修正作用越明显；反之，若运动速度较　慢，则平均运动矢量对搜索中心点的修正作用越小；　若运动速度为零，则不需要修正，可直接采用上一帧　目标位置『ｔ作为搜索中心点。　１．２置信值分权　在提取样本压缩特征后，将其输入到朴素贝叶斯　分类器，进行背景与目标的分类，得分最高的即为新　一帧中目标位置。假设低维特征空间中各个元素是独　立分布的，则朴素贝叶斯分类器模型为　＂　ＨＰ（ｆＩＹ＝１）ｐ（ｙ＝１）　Ｇ（／）＝ｌｇｌ　＝　兀Ｐ（ｆｉＩＹ＝Ｏ）ｐ（ｙ＝０）　］　ｉ＝１　（６）　其中：　为每一个样本的第ｉ个低维空间特征；　Ｙ∈｛０，１），为二元变量，其值分别代表正、负样本标　签。ＤＩＡＣＯＮＩＳ　Ｈ　中证明高维随机向量的空间随机　投影几乎都符合高斯分布，并且可用４个参数进行描　述，如下式所示：　Ｐ（ｆ，ＩＹ＝１）～Ⅳ（　，　）Ｐ（ｆｉｌＹ＝０）～Ⅳ（　，　）（７）　３９８　南人学学报（Ｉ　Ｊ然利学版）　第４８卷　其中：　准差；　标准差。　口　分别为正样本的第ｉ个特征的均值和标　和　分别为负样本的第ｉ个特征的均值和　兀　（．　一１）ｐ（ｙ＝１）　Ｈ（＿厂）＝∑　×ｌｇ　兀ｐ（Ｚｋ　ＩＹ＝Ｏ）ｐ（ｙ＝０）　！．！：　：　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．一　ｋ＝１　由Ｊ　跟踪口标的形状通常足不规则的，跟踪窗Ｌｌ　边缘处往往会夹杂人量背景，这时分类器对采集到的　正负样本分类将产生干扰，影响到分类器的鲁棒性，　若住错误的分类基础上对分类器进行更新，则必将影　善∑七＝ｌ　×　　Ｉｉ＝”１（１ｇ　　ｋｉ　　ｌ一Ｖ，／］ｆ　（９）　式中：　，为跟踪框第ｋ块的第ｉ个低维空间特征，共　有　个特征。对跟踪框架内所有Ｗ块的分类得分乘以　各自对应的权值加权求和。得分最大的跟踪框即为目　标位胃。埘式（９１中４个参数进行增量更新，以适应目　标和背景的更新，更新公式为　＋（１一　）　响跟踪过程的准确性。ＴＯＲＲＡＬＢＡ【　１５Ｊ将生物视觉　ｆｏｃｕｓ　ｏｆ　ａｔｔｅｎｔｉｏｎ理论引入到日标检测中并取得了很　好的效果。图２所示为生物视觉系统ｆｏｃｕｓ　ｏｆａｔｔｅｎｔｉｏｎ。　该理论表明高级动物的视觉系统会聚焦于一个确定的　图像区域，离该　域越近的点，受到的关注度较高；　反之，离聚焦区域越远的点，受到的关ｉ丰度较低。受　此启发，考虑到跟踪框架中心位置通常背景信息较少，　置信度较高，相反边缘处含有相对较多的背景信息，　置信度较低，本文在提取目标低维特征时，将跟踪　按照［］上而下从左到右均分为～×Ｎ共１４，块。然后将　每一小块的７火度特征输入式（１），求得每小块的压缩特　征，再输入到式（６）巾的朴素贝叶斯分类器分类并计算　ｃ『２，　√　（Ｄｌ　＋（１—２）（ｏ－ｋ　）　＋　（１一　）（　，一　）　（９）　式中：学习因子０＜　＜１，其火小表示参数更新速度　的快慢：　和　的定义分别为　－＿．１　，？　得分，埘跟踪框内靠近中心处块的特征得分赋予较人　的置信权值，对跟踪框边缘块的特征得分赋予较小的　置信权值，以弱化边缘复杂背景对分类器的ｆ扰，其　中第ｋ块的置信权值函数定义如下：　／ｌ　ｒ——————　————————　、　莹　＝压　为正样本的个数，　块的第ｉ个特征向最的均值和标准差。　ｌ。３　目标遮挡检测机制　…　和　分别为本帧正样本第ｋ　Ｃｋ＝ｅｘｐＩ一寺　√（’　　一／ｘ）　＋（ｋ．．一ｌｖ）　Ｉ／　（ｋ－＝ｌ，…，Ⅵ，）　（８）　由于缺少目标检测机制，在跟踪过程中日标出现　严重遮挡时，如果仍然利用此时得到的正负样本进行　分类器模型参数的实时更新，势必将错误的正负样本　信息带到Ｆ一帧，极有可能导致目标跟踪失败。石武　式中：（，　，，、．）为分割生成Ｗ块的中心块位置坐标，　（ｋｘ，ｋｖ）为第ｋ块的二维中心坐标。根据式（８），跟踪框　架内中心何　峨予较火权值，表明其对特征提取得分　的　信度较高，反之，边缘位置赋予较小的权值，表　明其对特征提取的得分置信度较低。本文提出的置信　值分权朴素贝叶斯分类器如下：　桢等【】６］认为通过ＣＴ算法中朴素贝叶斯分类器Ｇ（，）是　否小于零判断跟踪日标是否出现严重遮挡。而　背景　与目标相似度较高时极容易出现错误的判断，进而导　致错误的正负样本学习和分类。鉴ｒ此，本文提出一　种新的口标检测机制，并将该机制看做一个二元分类　问题，结合置信值分配权值以弱化背景＝Ｆ扰，当跟踪　框架周围出现与跟踪｜ｌ标高度相似的背景时，能将背　景下扰降低到最小。利用改进后的分类响　函数ｍｏ　检测口标足甭存在严重遮挡，、　发生严重遮挡时停止　疆　■　样本模板更新。在此基础上结合运动矢量模型，在口　标被遮挡的情况下，根据口标先前的运动矢量，预测　目标的运动轨迹，住口标重新出现时，重新捕捉到目　标，可以有效解决［天１目标遮挡而导致目标跟踪丢失的　问题。　由于本文提出的分类器弱化背景干扰并不能完全　第２期　罗会兰，等：结合运动矢量的分权快速压缩跟踪算法　３９９　消除背景干扰，所以，不能简单地认为分类器计分小　于零即为目标出现严重遮挡。因此，本文通过大量实　验对修正后的分类器ＨＱ）设置合适阈值，当检测的所　ｍｉｎ／ｎ。ｇ－ｍａｘｌｎ。ｇ，上一帧目标位置　１。　１）采用运动矢量模型，修正当前目标候选的位　置，以修正后的候选位置ｆＤｒｅ为搜索中心点。　２）以搜索中　ｔｌ，点ｆＤｒ。为中心，在半径ｒ范围内，　进行步长　。的搜索并生成跟踪框，采用式（２）中的稀疏　有样本得分均低于　，）设定阈值时，即认定跟踪目标　发生严重遮挡，此时不更新样本模板。假设所有待检　测样本的分类器得分的最大值为　日一＝ｍａｘ（Ｈ（ｆ））　当　小于设定阈值时，停止样本更新。　１．４　ＦＣＴＭＡ算法流程　本文提出的结合目标运动矢量的分权压缩跟踪算　法流程图如图３所示。根据目标运动矢量，调整目标　搜索位置，有效防止跟踪过程中跟踪漂移问题；提出　一矩阵提取每个小块的低维特征向量，输入分类器　，）　（１ｏ）　计算正负样本分类得分，通过分类器最大响应值粗略　定位目标位置ｆ，，。　３）　在粗跟踪定位的位置　周围　ＤＸｉ＝｛Ｚ…，（ｚ）一，　ｌｊ＜　，｝范围内，间隔步长ｘｓ￣成矩　形框，进行精确搜索，将每个跟踪框内的小块提取低　维压缩特征输入分类器　，），根据得分最大准确定位　目标位置ｆｆ。　４）判断检测目标是否被遮挡。若存在遮挡，则停　止正负样本更新；否则进行样本更新。在靠近当前帧　目标位置ｆｌ周围Ｄｐ。　＝｛ｚ…，（ｚ）一，　ｌｌ＜ｌｐ。　）采集正样　本，远离目标位置周围Ｄｎ。ｇ＝｛ｚ　ｌ　ｍｉｎｉ　。ｇ＜ｌ　ｌｌ（ｚ）一Ｉｔ　ｌｌ＜　种置信值分权模型，根据特征在跟踪框架内的位置　分配置信权值，减少因边缘背景的引入而导致错误分　类的模型；改变目标样本更新机制，实现当目标被遮　挡重新出现在画面中时快速重新定位目标位置，增强　算法的鲁棒性。本文提出的ＦＣＴＭＡ跟踪算法的具体　步骤如下。　ｍａｘｌｎ。　）采集负样本，并通过稀疏矩阵降维，分别计　算正负样本压缩特征ｆ（Ｄｐ。　）和ｆ（Ｄ　。　）。　输出：本帧目标位置，｜。　负样本位置半径范围　输入：当前第ｔ帧图像，目标候选区域０～，，正样　本目标位置范围０～ｆＤ　图３　ＦＣＴＭＡ算法流程图　Ｆｉｇ．３　Ｆｌｏｗ　ｃｈａｒｔ　ｏｆ　ａｌｇｏｒｉｔｈｍ　ＦＣＴＭＡ　中南大学学报（自然科学版）　第４８卷　２实验结果与分析　２．１实验环境　（英特尔）Ｐｅｎｔｉｕｍ（Ｒ）Ｄｕａｌ－Ｃｏｒｅ　ＣＰＵ　Ｅ６５００＠　２．９３　ＧＨｚ，内存４Ｇ，显卡ＡＴＩ　Ｒａｄｅｏｎ　ＨＤ　４３５０　（５１２ＭＢ）。操作系统为６４位ＷＩＮＤＯＷＳ　７，仿真软件　为ＭＡＴＬＡＢ　２０１４ａ。选取７个视频数据进行测试ｆ视频　数据来自ｈｔｔｐ：／／ｃｍｐ．ｆｅｌｋ．ｃｖｕｔ．ｃｚ／－ｖｏｊｉｒｔｏｍ／ｄａｔａｓｅｔ／　ｉｎｄｅｘ．ｈｔｍ１），采用具有挑战性的７组图片序列，并对　它们进行长时间跟踪，实验中使用的图像序列信息如　表１所示。　表１测试视频序列信息　Ｔａｂｌｅ　１　Ｉｎｆｏｒｍａｔｉｏｎ　ｏｆ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｖｉｄｅｏ　ｓｅｑｕｅｎｃｅｓ　２．２参数设置　实验中，正样本范围　。。＝４表示在修正的候选目　标周围４个像素范围内选取正样本，生成４５个正样本；　负样本范围ｍｉｎ＆。　＝８和ｍａｘ＆。　＝３０，随机生成５０个　负样本。中心点修正因子２＝０．５，在粗跟踪中搜索目标　范围ｙｃ＝２５，搜索步长　。＝４；精确跟踪中搜索目标范　围ｙ，＝１０，搜索步长　尸１。Ｎ的取值越大，跟踪框架内　背景的干扰越小，但是会大幅增加算法运算时间开销，　因此，Ⅳ不能取值过大，本文取Ｎ＝５，即跟踪框架内　分成２５个小块。由于不能完全克服跟踪框架内的相似　度较高的背景干扰，若将　阈值设置为零，则在背　景与目标相似度较大时分类器会出现误判断Ｈ　，通　过实验设置阈值设定为一１０。参与对比的算法代码均　来自于相应作者个人网站，相应算法参数也均采用作　者代码中设置的参数值。　２．３效果对比　将本文提出的结合运动矢量的分权快速压缩跟踪　算法ＦＣＴＭＡ分别与当下３种主流目标跟踪算法：快　速压缩跟踪（ＦｃＴ）【　、分权多示例学习（ＷＭＩＬ）［　、实　时在线特征选择（ＯＤＦＳ）［　。　和动态特征选择（ＡＦＳ）　的　跟踪结果绘制于每组序列图片的同一帧中，在ａｎｉｍａｌ，　ｓｋａｔｉｎｇ　ｌ，ｓｋａｔｉｎｇ２，ｐｅｄｅｓＵｉａｎ３，ｇｉｒｌ　ｍｏｖ，ｂｉｒｄ２和ｄａｖｉｄ　序列集上的部分跟踪效果对比如图４所示。　图４（ａ）ａｎｉｍａｌ序列中，跟踪难点主要在于目标快　速移动，ＦＣＴ算法在第６，７和８共３帧出现跟踪漂　移，未能很好地定位跟踪目标，ＷＭＩＬ和ＯＤＦＳ在跟　踪过程中也多次出现跟踪漂移的现象，ＡＦＳ则未能实　现目标跟踪，本文提出的ＦＣＴＭＡ算法全程均未出现　跟踪漂移现象，这表明本文提出的结合运动矢量模型　对预测快速移动的目标运动轨迹具有良好的预判性，　可以有效地解决因目标移动过快而产生的跟踪漂移现　象。图４ｆｂ）所示的ｓｋａｔｉｎｇｌ序列中，跟踪难点主要在　于目标自身形变和复杂的背景灯光变换，ＡＦＳ，ＯＤＦＳ　和ＷＭＩＬ共３种算法相继在第６，４８和８０帧出现目　标跟踪丢失，ＦＣＴ也在第３０９帧出现跟踪失败，本文　提出的ＦＣＴＭＡ算法实现全程无漂移目标跟踪，这说　明本文提出的算法对因跟踪目标自身形变和背景复　杂、灯源干扰具有良好的鲁棒性；图４（ｃ）所示的　ｓｋａｔｉｎｇ２序列中，跟踪难点主要包括目标快速旋转和　形变以及背景干扰和遮挡等，第８２帧中，目标自身形　变并有大量背景干扰，本文提出的ＦＣＴＭＡ对跟踪目　标的跟踪效果最佳，说明本文提出的置信值分权分类　器对跟踪框架内的背景有良好的抗干扰性。第１１９帧　中，目标被完全遮挡，只有ＦＣＴＭＡ算法仍然能够很　好的定位到目标位置实现跟踪，说明本文提出的当目　标被遮挡时停止正负样本更新机制对跟踪过程中出现　的目标遮挡情况具有很好的鲁棒性。第２１２帧中，目　标快速旋转，ＦＣＴＭＡ算法仍然能准确地跟踪到目标，　５８６帧中，目标快速移动，只有本文算法ＦＣＴＭＡ未　出现跟踪漂移的现象，再次证明了本文提出的运动矢　量模型对快速移动目标的跟踪漂移现象具有良好的修　复作用。图４（ｄ）所示的ｐｅｄｅｓ￣ｉａｎ３序列是一组接近日　常生活的目标跟踪序列，主要跟踪困难在于背景中有　与跟踪目标颜色相近的物体干扰。前期跟踪过程中，　本文提出的ＦＣＴＭＡ算法和其他４种算法效果接近，　１０５帧过后，只有本文算法ＦＣＴＭＡ没有受到背景的　干扰，实现全程准确跟踪，其他４种算法均被背景干　扰而导致跟踪失败，说明本文提出的对跟踪框架内的　置信值分权对因背景过于相似而导致的跟踪丢失问题　具有良好的鲁棒性。图４（ｅ１所示的ｇｉｒｌ　ｍｏｖ序列中，　跟踪难点是目标遮挡问题，由于本文加入了目标检测　机制，在１２０帧和３９５帧目标被遮挡，此时没有正样　本，本文提出的算法ＦＣＴＭＡ停止正负样本的学习，　２　（ａ）　（ｂ）　一ＦＣＴＭＡ　一　一一一ＦＣＴ　＿一一・一ＷＭＩＬ　ＯＤＦＳ　ＡＦＳ　图４　５种算法在７个序列集上的部分跟踪效果对比　避免分类器错　的分类，从　目标遮挡后再次出现　漂移和三火目标的情　，本文提　的ＦＣＴＭＡ和其他　３种算法跟踪准确。图４（ｇ）所示的ｄａｖｉｄ序列ｒ｝Ｊ，跟踪　人脸的过秤中，仔在的挑战仃背景光线的变化和跟踪　框架的边缘背景Ｉ　扰。ＯＤＦＳ算法跟踪失败，其余４　种算法中，本文提出的ＦＣＴＭＡ算法跟踪效果最　想，　如图４（ｇ）中ｄａｖｉｄ序列第３９１，４３ｌ和４４９帧所示。　２．４跟踪准确率比较　为衡量算法的跟踪准确性，借鉴文献［１７］中做法，　采取跟踪成功率Ｏ这一评价指标来衡量跟踪的准确　Ｈ，２ｆｉ＇￣重新找到跟踪臼标。其他４种算法均未能找　跟　踪目标，导致后续跟踪过程漂移和跟踪失败，再次证　明本文提出的埘日标出现遮挡后停ＩＥ正负样本的学习　机制埘跟踪过　中日标出现严重的遮挡有着良好的适　应性。图４（ｆ）ｆ）ｉｒ示的ｂｉｒｄ２序列中，跟踪目标形状不规　则，跟踪窗『Ｊ内包含大量背景，由丁本文算法ＦＣＴＭＡ　埘跟踪框架范　内目标进行锭信值分权，从而避免跟　踪框架内周闻人量背景干扰，而ＦＣＴ算法则出现严再　４０２　中南大学学报（自然科学版）　第４８卷　率。首先，计算每一帧跟踪目标位置与真实目标位置　的重合率　：　／７。Ｑ（＝．＝———　●●—＝一　　　Ｕ　）　Ｉ（１２）　、　ｌＺｌ　式中：　为目标跟踪算法求得的目标位置的矩形跟踪　框；　Ｇ为真实的目标所在位置的矩形跟踪框；Ｑ为面　积运算。重合率珂的大小表明跟踪目标的准确度高低。　若重合率卵小于９％则认为该帧跟踪失败，否则认为　算法跟踪成功。最后将算法跟踪成功的帧数除以相应　序列集总的帧数得出各算法的跟踪成功率。将本文提　出的ＦＣＴＭＡ算法与４种主流跟踪先进算法在７个挑　战性视频序列上的跟踪成功率进行统计，结果如表２　所示。　表２跟踪成功率（取整）比较　Ｔａｂｌｅ　２　Ｃｏｍｐａｒｉｓｏｎ　ｏｆｔｒａｃｋｉｎｇ　ｓｕｃｃｅｓｓ　ｒａｔｅ　ｃｏｍｐａｒｉｓｏｎ％　注：黑体代表该组序列集上的最大值；下划线代表该组序列　集上的次大值。下同。　表２所示的实验结果中，本文提出的ＦＣＴＭＡ算　法在其中６个序列集上的跟踪效果最佳，且在全部７　个序列集上的平均跟踪成功率比次好的跟踪算法　ＷＭＩＬ高近２２％。特别在跟踪难度较大的ｓｋａｔｉｎｇｌ，　ｓｋａｔｉｎｇ２和ｇｉｒｌ　ｍｏｖ　３个序列集上都获得了最大成功　率，且比次好的跟踪算法成功率分别高２３％，２２％和　１７％。在相对简单的跟踪序列集ｂｉｒｄ２和ｄａｖｉｄ上的跟　踪准确率达到９９％和１００％。　２．５跟踪时间效率　为了验证本文提出的ＦＣＴＭＡ算法是否满足跟踪　实时性要求，将本文ＦＣＴＭＡ算法与主流跟踪算法进　行跟踪效率比较。本文提出的结合运动矢量的分权快　速压缩跟踪算法ＦＣＴＭＡ与快速压缩跟踪（ＦＣＴ）¨　、分　权多示例学￣（ＷＭＩＬ）ｔ　、实时在线特征选择（ＯＤＦＳ）Ｅ加】　和动态特征选择（ＡＦＳ）¨　，在ａｎｉｍａｌ，ｓｋａｔｉｎｇ１，　ｓｋａｔｉｎｇ２，ｐｅｄｅｓｔｒｉａｎ３，ｇｉｒ１　ｍｏｖ，ｂｉｒｄ２和ｄａｖｉｄ序列集　上的平均每帧跟踪时间对比如表３所示。实验结果表　明：本文提出的ＦＣＴＭＡ算法在全部７个序列集中的　４个序列上效率排在第２，但仍可以达到跟踪实时性的　要求。　表３各算法运行时间表　Ｔａｂｌｅ　３　Ｔｒａｃｋｉｎｇ　ｓｐｅｅｄ　ｃｏｍｐａｒｉｓｏｎ　ｌｆｓ　２．６实验分析　从上面实验对比结果分析中，不难看出本文提出　的ＦＣＴＭＡ算法在面对跟踪过程的各种挑战中，与当　前先进的跟踪算法相比，效果较好，准确率较高。在　ａｎｉｍａｌ和ｓｋａｔｉｎｇ２　２组序列中，目标快速剧烈移动，　由于本文算法ＦＣＴＭＡ加入运动矢量修正搜索位置，　跟踪全程抑制跟踪漂移效果最佳。ｓｋａｔｉｎｇｌ，ｓｋａｔｉｎｇ２　和ｐｅｄｅｓｔｒｉａｎ３　３组序列集中，跟踪过程伴随各种背景　干扰，本文提出的ＦＣＴＭＡ算法，由于对分类器进行　置信值分权，弱化跟踪过程中的背景干扰，大大提升　了跟踪的效果和准确性。在ｓｋａｔｉｎｇ１，ｓｋａｔｉｎｇ２和　ｇｉｒｌ　ｍｏｖ　３　组序列集中，跟踪目标出现严重遮挡，由．于本文加入目标遮挡检测，在检测到遮挡后停止分类　器继续学习，当目标遮挡后重新出现时均能成功重新　找回跟踪目标，并在跟踪难度较大的ｓｋａｔｉｎｇ１中实现　跟踪成功率１００％，在ｇｉｒｌ　ｍｏｖ　序列集上目标遮挡过后的第１２０帧，只有本文算法重新找回跟踪目标。　３结论　１１提出的ＦＣＴＭＡ算法基于ＣＴ跟踪算法框架，　通过加入目标运动矢量模型，修正目标候选区域位置，　有效抑制了跟踪漂移问题；通过对跟踪框架分配置信　值，对跟踪框架内中心处分配较大置信值，周围分配　较小置信值，弱化边缘复杂背景的干扰并降低计算时　间复杂度；修改正负样本更新机制，通过引入目标检　测机制，提高算法对于出现目标遮挡时的跟踪鲁棒性，　在目标出现遮挡时，防止分类器错误分类。　第２期　罗会兰，等：结合运动矢量的分权快速压缩跟踪算法４０３　２）通过实验对比，在目标快速剧烈移动，目标快　速旋转，复杂背景光照变换、相似背景物干扰，目标　遮挡等一系列目标跟踪挑战中，表现出较好的跟踪效　果，具有较高的鲁棒性和稳定性。　参考文献：　ＪＡＬＡＬ　Ａ　Ｓ．ＳＩＮＧＨ　Ｖ．Ｔｈｅ　Ｓｔａｔｅ—ｏｆ－ｔｈｅ—ａｒｔ　ｉｎ　Ｖｉｓｕａｌ　Ｏｂｊｅｃｔ　Ｔｒａｃｋｉｎｇ［Ｊ］．Ｉｎｆｏｒｍａｔｉｃａ（ｓｌｏｖｅｎｉａ），２０１２，３６（３）：２２７—２４８．　【２】　黄诚，刘华平，左小五，等．基于Ｋｉｎｅｃｔ的人机协作［Ｊ］．中南　大学学报（自然科学版），２０１３，４４（Ｓ１）：３８６－３９３．　ＨＵＡＮＧ　Ｃｈｅｎｇ，ＬＩＵ　Ｈｕａｐｉｎｇ，ＺＵＯ　Ｘｉａｏｗｕ，ｅｔ　ａ１．　Ｈｕｍａｎ—ｒｏｂｏｔ　ｃｏｏｐｅｒａｔｉｏｎ　ｕｓｉｎｇ　Ｋｉｎｅｃｔ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｅｎｔｒａｌ　Ｓｏｕｔｈ　Ｕｎｉｖｅｒｓｉｔｙ（Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ），２０１　３，４４（ｓ　１）：　３８６－３９３．　［３］　ＣＡＮＤＥＳ　Ｅ　Ｊ．ＴＡＯ　Ｄｅｃｏｄｉｎｇ　ｂｙ　ｌｉｎｅａｒ　ｐｒｏｇｒａｍｍｉ…　ｎｇ［Ｊ］．　ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｈｅｏｒｙ，２００５，５１（１２）：　４２０３－４２１５．　［４】　ＣＡＮＤＥＳ　Ｅ　Ｊ．ＴＡＯ　Ｎｅａｒ－ｏｐｔｉｍａｌ　ｓｉｇｎａｌ　ｒｅｃｏｖｅｒｙ　ｆｒｏｍ　ｒａｎｄｏｍ　ｐｒｏｊｅｃｔｉｏｎｓ：ｕｎｉｖｅｒｓａｌ　ｅｎｃｏｄｉｎｇ　ｓｔｒａｔｅｇｉｅｓ［Ｊ］．ＩＥＥＥ　Ｔｒｎａｓａｃｔｉｏｎｓ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　ｈＴｅｏｒｙ，２００６，５２（１２）：５４０６—５４２５．　［５］　ＺＨＡＮＧ　Ｋ，ＺＨＡＮＧ　Ｌ，ＹＡＮＧ　Ｍ　Ｈ．Ｒｅａｌ－ｔｉｍｅ　ｃｏｍｐｒｅｓｓｉｖｅ　ｔｒａｃｋｉｎｇ［Ｍ］／／Ｂｅｒｌｉｎ　Ｈｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ，２０１２：８６４—８７７．　［６］　Ｅｍｍａｎｕｅｌ　Ｊ　Ｃａｎｄｅｓ．Ｔｈｅ　ｒｅｓｔｒｉｃｔｅｄ　ｉｓｏｍｅｔｒｙ　ｐｒｏｐｅｒｔｙ　ａｎｄ　ｉｔｓ　ｉｍｐｌｉｃａｔｉｏｎｓ　ｆｏｒ　ｃｏｍｐｒｅｓｓｅｄ　ｓｅｎｓｉｎｇ［Ｊ］．Ｃｏｍｐｔｅｓ　Ｒｅｎｄｕｓ　Ｍａｔｈｅｍａｔｉｑｕｅ，２００８，３４６（９）：５８９—５９２．　［７】　王鲁平，马峰，韩建涛．基于距离加权平均绝对差的模板漂　移抑制算法［Ｊ］．中南大学学报（自然科学版），２０１２，４３（１０）：　３８９４－３８９９．　ＷＡＮＧ　Ｌｕｐｉｎｇ，ＭＡ　Ｆｅｎｇ，ＨＡＮ　Ｊｉａｎｔａｏ．Ａ　ｍｅａｎ　ｓｈｉｔｆ　ｏｂｊｅｃｔ　ｔｒａｃｋｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｃｏｖａｒｉａｎｃｅ　ｅｓｔｉｍａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｅｎｔｒａｌ　Ｓｏｕｔｈ　Ｕｎｉｖｅｒｓｉｙｔ（Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ），２０１２，　４３（１Ｏ１：３８９４—３８９９．　［８］　田纲，胡瑞敏，王中元．一种基于运动矢量分析的Ｍｅａｎ　ｓｈｉｆｔ　目标跟踪算法［Ｊ］．中国图象图形学报，２０１０，１５（１）：８５—９０．　ＴＩＡＮ　Ｇａｎｇ，ＨＵ　Ｒｕｉｍｉｎ，ＷＡＮＧ　Ｚｈｏｎｇｙｕａｎ．Ａ　ｍｅａｎ　ｓｈｉｔｆ　ｔｒａｇｅｔ　ｔｒａｃｋｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｍｏｔｉｏｎ　ｖｅｃｔｏｒ　ａｎａｌｙｓｉｓ［Ｊ］．　Ｊｏｕｒｎａｌ　ｏｆＩｍａｇｅ　ｎａｄ　Ｇｒａｐｈｉｃｓ，２０１０，１５（１）：８５—９０．　ＺＨＡＮＧ　Ｋａｉｈｕａ，ＳＯＮＧ　Ｈｕｉｈｕｉ．Ｒｅａｌ—ｔｉｍｅ　ｖｉｓｕａｌ　ｔｒａｃｋｉｎｇ　ｖｉａ　ｏｎｌｉｎｅ　ｗｅｉｇｈｔｅｄ　ｍｕｌｔｉｐｌｅ　ｉｎｓｔａｎｃｅ　ｌｅａｒｎｉｎｇ［Ｊ］．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，２０１３，４６（１）：３９７—４１１．　ＺＨＡＮＧ　Ｋａｉｈｕａ，ＺＨＡＮＧ　Ｌｅｉ，ＹＡＮＧ　Ｍ．Ｒｅａｌ—ｔｉｍｅ　ｏｂｊｅｃｔ　ｔｒａｃｋｉｎｇ　ｖｉａ　ｏｎｌｉｎｅ　ｄｉｓｃｒｉｍｉｎａｔｉｖｅ　ｆｅａｔｕｒｅ　ｓｅｌｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒｎａｓａｃｔｉｏｎｓ　ｏｎ　Ｉｍａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ，２０１３，２２（１２）：４６６４－４６７７．　ＺＨＡＮＧ　Ｌ，ＺＨＡＮＧ　Ｋ，ＹＡＮＧ　Ｍ，ｅｔ　ａ１．Ｒｏｂｕｓｔ　ｏｂｊｅｃｔ　ｔｒａｃｋｉｎｇ　ｖｉａ　ａｃｔｉｖｅ　ｆｅａｔｕｒｅ　ｓｅｌｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｃｉｒｃｕｉｔｓ　ａｎｄ　ＳｙｓｔｅｍｓｆｏｒＶｉｄｅｏＴｅｃｈｎｏｌｏｇｙ，２０１３．２３（１１）：１９５７—１９６７．　ＺＨＡＮＧ　Ｋａｉｈｕａ，ＺＨＡＮＧ　Ｌｅｉ，ＹＡＮＧ　Ｍ．Ｆａｓｔ　ｃｏｍｐｒｅｓｓｉｖｅ　ｔｒａｃｋｉｎｇ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ｎａｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１３，３６（１Ｏ）：２００２—２０１５．　ＡＣＨＡＮＴＡ　Ｒ，　ＳＨＡＪＩ　Ａ，　ＳＭＩＴＨ　Ｋ，　ｅｔ　ａ１．　ＳＬＩＣ　Ｓｕｐｅｒｐｉｘｅｌｓ［ＥＢ／ＯＬ］－【２０１０—０６］．ｈｔｔｐ：／／ｉｖｒｌｗｗｗ．ｅｐｆ１．ｃｈ／ｓｕｐｐｌｅ－　ｍｅｎｔａｒｙｍａｔｅｒｉａｌ／ＲＫ＿ＳＬＩＣＳｕｐｅｒｐｉｘｅｌｓ／ｉｎｄｅｘ．ｈｔｍｌ　ＤＩＡＣＯＮＩＳ　ＦＲＥＥＤＭＡＮ　Ｄ．Ａｓｙｍｐｔｏｔｉｃｓ　ｏｆ　ｇｒａｐｈｉｃａｌ　ｐｒｏｊｅｃｔｉｏｎ　ｐｕｒｓｕｉｔ［Ｊ］．Ｔｈｅ　Ａｎｎａｌｓ　ｏｆ　Ｓｔａｔｉｓｔｉｃｓ，１９８４，１２（３）：　７９３－８ｌ５．　ＴＯＲＲＡＬＢＡ　Ａ．Ｃｏｎｔｅｘｔｕａｌ　ｐｒｉｍｉｎｇ　ｆｏｒ　ｏｂｊｅｃｔ　ｄｅｔｅｃｔｉｏｎ［Ｊ］．　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２００３，５３（２）：１６９—１９１．　石武祯，宁纪锋，颜永丰．压缩感知跟踪中的特征选择与目　标模型更新［Ｊ］＿中国图象图形学报，２０１４，ｌ９（６）：９３２—９３９．　ＳＨＩ　Ｗｕｚｈｅｎ，Ｎ１ＮＧ　Ｊｉｆｅｎｇ，ＹＡＮ　Ｙｏｎｇｆｅｎｇ．Ｆｅａｔｕｒｅ　ｓｅｌｅｃｔｉｏｎ　ｎａｄ　ｔａｒｇｅｔ　ｍｏｄｅｌ　ｕｐｄａｔｉｎｇ　ｉｎ　ｃｏｍｐｒｅｓｓｉｖｅ　ｒｔａｃｋｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｉｍａｇｅ　ａｎｄ　Ｇｒａｐｈｉｃｓ，２０１４，１９（６）：９３２—９３９．　ＣＥＨＯＶＩＮ　Ｌ，ＫＲＩＳＴＡＮ　Ｍ，ＬＥＯＮＡＲＤＩＳ　Ａ．Ａｎ　ａｄａｐｔｉｖｅ　ｃｏｕｐｌｅｄ—ｌａｙｅｒ　ｖｉｓｕａｌ　ｍｏｄｅｌ　ｆｏｒ　ｒｏｂｕｓｔ　ｖｉｓｕａｌ　ｔｒａｃｋｉｎｇ［Ｃ］／／２０１　１　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　Ｏｃｃｖ）．　Ｂａｒｃｅｌｏｎａ：ＩＥＥＥ，２０１　１：１３６３—１３７０．　（编辑陈爱华）