基于相关滤波器的长时视觉目标跟踪方法

Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　ＩＳＳＮ　１ｏ０１．９０８１　２０１７—０５—１Ｏ　计算机应用，２０１７，３７（５）：１４６６—１４７０　文章编号：１００１．９０８１（２０１７）０５—１４６６．０５　ＣＯＤＥＮ　ＪＹＩＩＤＵ　ｈｔｔｐ：／／ｗｗｗ．ｊｏｃａ．ａｎ　ＤＯＩ：１０．１　１７７２／ｊ．ｉｓｓｎ．１００１—９０８１．２０１７．０５．１４６６　基于相关滤波器的长时视觉目标跟踪方法　朱明敏，胡茂海。　（南京理工大学电子工程与光电技术学院，南京２１００９４）　（　通信作者电子邮箱ｈ　ｍｈａｉ＠１６３．ｃｏｒｎ）　摘要：为解决相关滤波器（ＣＦ）在跟踪快速运动目标时存在跟踪失败的问题，提出一种结合了核相关滤波　（ＫＣＦ）跟踪器和基于光流法的检测器的长时核相关滤波（ＬＫＣＦ）跟踪算法。首先，使用跟踪器跟踪目标，并计算所得　跟踪目标的峰值响应强度（ＰＳＲ）；然后，通过比较峰值响应强度（ＰＳＲ）与经验阈值大小判断目标是否跟踪丢失．当目　标跟踪丢失时，在上一帧所得目标附近运用光流法检测运动目标，得到目标在当前帧中的粗略位置；最后。在此粗略　位置处再次运用跟踪器得到精确位置。与核相关滤波（ＫＣＦ）、跟踪．学习　检测（ＴＬＤ）、压缩跟踪（ｃＴ）、时空上下文　（ＳＴＣ）等４种跟踪算法进行对比实验，实验结果表明，所提算法在距离精确度和成功率上都表现最优，且分别比核相　关滤波（ＫＣＦ）跟踪算法高６．２个百分点和５．１个百分点，表明所提算法对跟踪快速运动目标有很强的适应能力。　关键词：相关滤波；光流法；长时目标跟踪；快速运动；目标再检测　中图分类号：ＴＰ３９１．４　文献标志码：Ａ　Ｌｏｎｇ－ｔｅｒｍ　ｖｉｓｕａｌ　ｏｂｊｅｃｔ　ｔｒａｃｋｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｃｏｒｒｅｌａｔｉｏｎ　ｉｆｌｔｅｒ　ＺＨＵ　Ｍｉｎｇｍｉｎ．ＨＵ　Ｍａｏｈａｉ　（Ｓｃｈｏｏｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃ　ａｎｄ　Ｏｐｔｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｎａ　ｎｇ　Ｊｉａｎｇｓｕ　２１００９４，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｆｏｃｕｓｉｎｇ　ｏｎ　ｔｈｅ　ｉｓｓｕｅ　ｔｈａｔ　ｔｈｅ　Ｃｏｒｒｅｌａｔｉｏｎ　Ｆｉｌｔｅｒ（ＣＦ）ｈａｓ　ｐｏｏｒ　ｐｅｒｆｏｒｍａｎｃｅ　ｉｎ　ｔｒａｃｋｉｎｇ　ｆａｓｔ　ｍｏｔｉｏｎ　ｏｂｊｅｃｔ，ａ　Ｌｏｎｇ—ｔｅｍ　Ｋｅｒｒｎｅｌｉｚｅｄ　Ｃｏｒｒｅｌａｔｉｏｎ　Ｆｉｌｔｅｒ（ＬＫＣＦ）ｔｒａｃｋｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｏｐｔｉｃａｌ　ｆｌｏｗ　ｃｏｍｂｉｎｉｎｇ　ｗｉｔｈ　Ｋｅｒｎｅｌ　Ｃｏｒｒｅｌａｔｉｏｎ　Ｆｉｌｔｅｒ（ＫＣＦ）ＷａＳ　ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｌｔｙ，ｗｈｉｌｅ　ｔｒａｃｋｉｎｇ　ｗｉｔｈ　ｔｈｅ　ｔｒａｃｋｅｒ，ａ　ｖａｌｕｅ　ｏｆ　Ｐｅａｋ—ｔｏ—Ｓｉｄｅｌｏｂｅ　Ｒａｔｉｏ（ＰＳＲ）ｗａｓ　ｃａｌｃｕｌａｔｅｄ．　Ｓｅｃｏｎｄｌｙ，ｔｈｅ　ｐｏｓｉｔｉｏｎ　ｗａｓ　ａｃｈｉｅｖｅｄ　ｉｎ　ｔｈｅ　ｌａｓｔ　ｆｒａｍｅ，ｏｐｔｉｃａｌ　ｆｌｏｗ　ｗａｓ　ｕｓｅｄ　ｔｏ　ｃａｌｃｕｌａｔｅ　ｃｏａｒｓｅ　ｐｏｓｉｔｉｏｎ　ｗｈｅｎ　ｔｈｅ　ｖａｌｕｅ　ｏｆ　ＰＳＲ　ｌｅｓｓ　ｔｈａｎ　ａ　ｔｈｒｅｓｈｏｌｄ　ｉｎ　ｔｈｅ　ｃｕｒｒｅｎｔ　ｆｒａｍｅ，ｗｈｉｃｈ　ｍｅａｎｓ　ｔｒａｃｋｉｎｇ　ｆａｉｌｕｒｅ．Ｆｉｎａｌｌｙ，ａｃｃｕｒａｔｅ　ｐｏｓｉｔｉｏｎ　ｗａｓ　ｃａｌｃｕｌａｔｅｄ　ｕｓｉｎｇ　ｔｈｅ　ｔｒａｃｋｅｒ　ａｇａｉｎ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｃｏａｒｓｅ　ｐｏｓｉｔｉｏｎ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｏｆ　ｅｘｐｅｒｉｍｅｎｔ　ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｆｏｕｒ　ｋｉｎｄｓ　ｏｆ　ｔｒａｃｋｉｎｇ　ａｌｇｏｒｉｔｈｍｓ　ｓｕｃｈ　ａｓ　Ｃｏｍｐｒｅｓｓｉｖｅ　Ｔｒａｃｋｉｎｇ（ＣＴ），Ｔｒａｃｋｉｎｇ—Ｌｅａｒｎｉｎｇ・Ｄｅｔｅｃｔｉｏｎ（ＴＬＤ），ＫＣＦ　ａｎｄ　Ｓｐａｔｉｏ—Ｔｅｍｐｏｒａｌ　Ｃｏｎｔｅｘｔ（ＳＴＣ）ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｏｐｔｉｍａｌ　ｉｎ　ｄｉｓｔａｎｃｅ　ａｃｃｕｒａｃｙ　ａｎｄ　ｓｕｃｃｅｓｓ　ｒａｔｅ　ｗｈｉｃｈ　ａｒｅ　６．２　ｐｅｒｃｅｎｔａｇｅ　ｐｏｉｎｔｓ　ａｎｄ　５．１　ｐｅｒｃｅｎｔａｇｅ　ｐｏｉｎｔｓ　ｈｉｇｈｅｒ　ｔｈａｎ　ｔｈｏｓｅ　ｏｆ　ＫＣＦ．Ｉｎ　ｏｔｈｅｒ　ｗｏｒｄｓ，ｔｈｅ　ｐｒｏｐｏｓｅｄ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｒｏｂｕｓｔ　ｔｏ　ｔｈｅ　ｔｒａｃｋｉｎｇ　ｏｆ　ｆａｓｔ　ｍｏｔｉｏｎ　ｏｂｊｅｃｔ．　Ｋｅｙ　ｗｏｒｄｓ：ｃｏｒｒｅｌａｔｉｏｎ　ｆｉｌｔｅｒ；ｏｐｔｉｃａｌ　ｌｆｏｗ；ｌｏｎｇ・ｔｅｒｍ　ｏｂｊｅｃｔ　ｔｒａｃｋｉｎｇ；ｆａｓｔ　ｍｏｔｉｏｎ；ｏｂｊｅｃｔ　ｒｅｄｅｔｅｃｔｉｏｎ　０　引言　视觉目标跟踪是指对视频序列中的运动目标进行检测与　跟踪，是当今计算机视觉最活跃、最具挑战性的研究领域之　一把相关滤波首次引入跟踪。借助于快速离散傅里叶变换，相　关滤波是把时域上的卷积转换为频域上的点积，极大减少了　计算开销，显著提高了目标跟踪速度，达到了惊人的６６９帧每　秒，完全满足实时性要求。由于该算法在实时目标跟踪上的　，并在人机交互、安防监控、增强现实等方面发挥着重要作　优秀表现，此后基于此算法框架的改进算法被相继提出，其中　最有影响力的为Ｈｅｎｒｉｑｕｅｓ等　提出的循环结构跟踪算法　（Ｃｉｒｃｕｌａｎｔ　Ｓｔｒｕｃｔｕｒｅ　ｏｆ　ｔｒａｃｋｉｎｇ－ｂｙ－ｄｅｔｅｃｔｉｏｎ　ｗｉｔｈ　Ｋｅｒｎｅｌｓ，　用。由于实际场景复杂多变，视频中目标的形变、旋转、快速　移动、运动模糊及光照变化等因素都会影响跟踪的准确性，设　计一个快速、鲁棒的跟踪算法仍然非常困难，为解决这些问　题，各种跟踪方法被相继提出”　目标跟踪算法通常分为两　类：判别式（ｄｉｓｃｉｒｍｉｎａｔｉｖｅ　ｍｏｄｅｌｓ）和生成式（ｇｅｎｅｒａｔｉｖｅ　ｍｏｄｅｌｓ）。判别式跟踪是通过学习一个分类器来区分目标和　背景，而生成式跟踪是在视频帧中寻找与目标最相似的窗口。　近年来，判别式跟踪方法中基于相关滤波理论的跟踪方　法发展迅速，由于它的高速和高效，得到了广泛的关注和应　用。相关滤波理论在信号处理领域中用来比较两个信号的相　ＣＳＫ），它通过对单幅图像的密集采样得到具有周期性循环结　构的样本，利用循环矩阵在傅氏变换中的特殊性质实现高效　采样训练，最终实现快速跟踪，然后用方向梯度直方图　（Ｈｉｓｔｏｇｒａｍ　ｏｆ　Ｏｒｉｅｎｔｅｄ　Ｇｒａｄｉｅｎｔ，ＨＯＧ）　特征代替原算法中　像素灰度值特征，提出了核相关滤波跟踪算法（Ｋｅｒｎｅｌｉｚｅｄ　Ｃｏｒｒｅｌａｔｉｏｎ　Ｆｉｌｔｅｒ，ＫＣＦ），极大提高了跟踪准确性。除ＨＯＧ特　征，ＣＮ（Ｃｏｌｏｒ　Ｎａｍｉｎｇ）颜色特征。。　也加入到基于相关滤波器　的跟踪算法中，并取得了不错的效果　。文献［８—９］在相关　滤波器中引入尺度金字塔，很好地解决了跟踪过程中目标的　尺度变化问题，但依旧无法在跟踪失败时恢复跟踪。由于相　似性，Ｂｏｌｍｅ等　基于此理论提出了最小误差输出平方和　（Ｍｉｎｉｍｕｍ　Ｏｕｔｐｕｔ　Ｓｕｍ　ｏｆ　Ｓｑｕａｒｅｄ　Ｅｒｒｏｒ，ＭＯＳＳＥ）的跟踪算法，　收稿日期：２０１６—１０－１７；修回日期：２０１６—１２－２１。　作者简介：朱明敏（１９９０一），男，江苏句容人，硕士研究生，主要研究方向：手势识别、目标检测、目标跟踪；胡茂海（１９６７一），男，安徽马鞍　山人，副教授，博士，主要研究方向：图像处理、光学模式识别、生物显微成像。　第５期　朱明敏等：基于相关滤波器的长时视觉目标跟踪方法　１４６７　关滤波跟踪器没有再检测机制，当目标被遮挡或消失时跟踪　器会失效，因此，为实现目标跟踪丢失后再次获得目标，Ｍａ　其中０表示对应元素点乘。　１．２特征选择　等“　训练了一个随机蕨分类器的，当相关滤波器跟踪失败　后，该分类器以滑动窗口的形式在视频帧上重新获得目标，以　实现长时目标跟踪。基于相关滤波理论的跟踪算法还有文献　ＫＣＦ使用的是大小为Ｍ×Ｎ×３１方向梯度直方图　（ＨＯＧ）特征值，本文所提跟踪器在其基础上引入１１通道的　ＣＮ颜色特征，该特征比ＲＧＢ灰度特征有更好的表现能力，它　根据语言学把颜色分为１１种，和人眼感知到的颜色非常相　似，已广泛应用于目标检测、识别及行为识别　－２３］，因此，本　［１１—１６］，文献［１７］对主流相关滤波跟踪算法进行了比较和　总结。　针对基于相关滤波理论的跟踪算法在跟踪快速运动目标　文把ＲＧＢ空间三通道特征转化为１１通道的ＣＮ颜色特征使　时目标丢失问题，本文在核相关滤波算法（ＫＣＦ）　的基础上　引入基于光流法的目标再检测机制，提出了长时核相关滤波　器（Ｌｏｎｇ—ｔｅｒｍ　Ｋｅｍｅｌｉｚｅｄ　Ｃｏｒｒｅｌａｔｉｏｎ　Ｆｉｌｔｅｒ，ＬＫＣＦ）ｏ跟踪模块　使用ＨＯＧ和ｃＮ颜色特征，目标再检测模块基于光流法”　，　并加入高斯分布权值，整个算法采用新的在线更新策略，所提　算法能在目标跟踪丢失后再次恢复跟踪。　ｌ　跟踪器　本文所提跟踪器由跟踪模块和目标再检测模块组成，其　中跟踪模块使用引入ＣＮ颜色特征的核相关滤波器（ＫＣＦ），　检测模块使用光流法实现运动目标检测及位置预测。　１．１核相关滤波器　ＫＣＦ的原始模型是线性回归，即，（ｔ）：Ｗ　ｆ，参数Ｗ需要　通过训练得到，ｔ为样本的特征向量。令ｉ为样本序号，Ｙ　为ｔ　对　应的目标回归值，训练的目的是求最小化平方误差下的’．，，即：　Ｗ＝ａｒｇ　ｍｉｎ∑（，（　）一，，　）　＋Ａ　Ｉ　ｌ（１）　其中：Ａ为正则化参数。　现实中很多问题的解都是非线性的，非线性问题往往不　好求解，所以希望能用解线性分类的方法求解，所采用的方法　是进行非线性变换，将非线性问题变换为线性问题，通过解变　换后的线性问题的方法求解原来的非线性问题　，这种方法　称为核方法，核相关滤波器（ＫＣＦ）就是通过它求解滤波器参　数’Ｉ，。　为获得ＫＣＦ的滤波器参数’ｌ，，首先需要对目标进行采样　训练，传统的采样方法是在目标周围选取若干图像块，而ＫＣＦ　只需采集一幅图片　∈Ｍ×Ｎ，并将　分别以ｍ、ｎ个像素为单　位进行水平和垂直方向循环偏移，从而得到不同样本　…，其　中ｍ∈｛０，１，…，Ｍ一１｝，ｎ∈｛０，１，…，Ｎ一１｝，每个样本对应　的回归值Ｙ…服从二维高斯分布。训练的目的是找到最优化　权值的参数’‘，，即：　Ｗ＝ａｒｇｍｉｎ　Ｉ　６（ｘ　）・’．，一Ｙ　２＋Ａ　Ｉ’．，２　（２）　其中：１Ｖ，＝∑　（／＇ｎ，ｎ）‘　（　）；　表示把特征向量映射到　核空间的函数。　根据快速傅里叶变换和岭回归法　］，解式（２）得：　口＝Ｆ　（雨商　）　（３）　其中：Ｆ、Ｆ　分别为傅里叶变换及其逆变换；Ｙ为Ｍ×Ｎ的矩　阵，相应元素是Ｙ…。　训练上一帧目标图像块　得到参数　，再在当前帧中，于　前一帧目标位置处采集相同尺寸的图像块ｚ，根据式（３）一式　（４）获得目标在当前帧中的位置，即，（ｚ）最大元素所在位置。　ｚ）＝Ｆ　（Ｆ（口）０，（咖（　）・　（ｚ）））　（４）　用。本文跟踪器所用的两种特征，ＨＯＧ能更好地表现目标的　空间梯度信息，ＣＮ颜色特征能更好地表现颜色信息，两者级　联在一起共４２个通道。　１．３目标再检测　相关滤波器跟踪目标的原理是把当前帧中与滤波模板作　用后响应最大的地方作为目标位置，而每次进行滤波的位置　是上一帧目标所在位置，当目标快速运动时，目标在当前帧中　实际位置超出滤波模板滤波范围，这就造成跟踪失败。除此　之外，当目标遇到遮挡、形变等情况也会造成跟踪失败，为了　能重新找到目标以持续跟踪，引入目标再检测机制非常必要。　不同于文献［２４］在每一帧中都重新检测，本文所提再检测机　制只有当目标的峰值响应强度（Ｐｅａｋ—ｔｏ　Ｓｉｄｅｌｏｂｅ　Ｒａｔｉｏ，　ＰＳＲ）　小于阈值　时才开始作用。ＰＳＲ的定义为式（５）：　ＰＳＲ＝（ｇ　一　）／ｏｒ　（５）　其中：ｇ…为滤响应峰值，　为响应平均值，　为响应值标准　差，滤波响应值即为式中的厂（ｚ）所得矩阵元素值。　本文再检测机制使用ＬＫ（Ｌｕｃａｓ．Ｋａｎａｄｅ）¨　光流法检测　运动目标，因为视频目标和背景会有相对运动，通过检测相对　运动就可以重新检测到目标，以下将简要介绍光流法。　假设相邻两帧目标对应位置像素点亮度不变，即：　，（　，Ｙ，ｔ）＝　（　＋ｄｘ，Ｙ＋　，，，ｔ＋　）　（６）　其中：　，Ｙ为横纵坐标；Ｊ（　，Ｙ，ｔ）为前一帧某一位置像素点亮　度；Ｊ（　＋ｄｘ，Ｙ＋ｄｙ，ｔ＋ａｔ）为当前帧对应位置处像素点亮度。　对式（６）右边进行泰勒展开，得式（７）：　，（　＋ｄｘ，Ｙ＋ｄｙ．ｔ＋ｄｆ）＝　，（　，Ｙ’ｆ）＋　＋　＋詈　＋。（　（７）　由式（６）一（７）得式（８）～（９）：　ｄ　＋　ｄＯ１ｄ．￡：０　（８）　，，。　ｄ　Ｉｘｕ＋Ｉ　＝一Ｉｔ　（９　其中：‘：　Ｏｌ，‘：　，　：　分别表示亮度在　，ｙ　７ｙ６３ｋ＿　的梯度及相邻帧像素值变化率；　＝．譬，　＝ｄｙ　．分别表示像素　点横纵方向的光流，也就是待求量。　式（９）可表示为矩阵相乘，如式（１０）：　［Ｌ‘】ＩＬ　　Ｊ　Ｉ＝一　（１０）　一个方程求两个未知数显然不可解，假设目标局部区域　具有运动一致性，即可联立方程式（１１）：　Ａｄ＝　（１１）　由最小二乘法得式（１２）：　ｄ＝（ＡＴＡ）　Ａ　ｂ　（１２）　计算机应用　第３７卷　其中：Ａ：　Ｌ，．１　ｚ…　ｎ　ｄ，，２　…　，　Ｊ　：　；６Ｌ”Ｊ　：　颜色特征的算法记为ｃＫＣＦ，只引入再检测机制的算法记为　ｒＫＣＦ，两者都弓ｌ入则为本文长时核相关滤波器（ＬＫＣＦ）。　实验使用ＯＴＢ一５０数据集”中的Ｄｅｅｒ视频比较ＫＣＦ、　ｃＫＣＦ、ｒＫＣＦ及ＬＫＣＦ性能差异。首先绘制精确度图，如图１　所示。并使用２０个像素点时的精确度作为评价标准。其次，　为直观地呈现个算法的差异，还绘制了中心距离误差图，如图　２所示　１．１Ｊ　ｌＪ．９　ｌ】８　［，Ｉ．　，　…　，　］　。　在实际计算中．角点可以得到相对稳定的光流　，所以　本文使用角点作为特征点计算光流，找出上一帧目标上的角　点，假设共ｋ个角点，记为（　ｌ，Ｙ。），（　２，Ｙ２），…，（　，Ｙ　）。由　于光流法是基于相邻帧物体微小运动的，当物体运动较大时，　传统光流法效果并不好，为此本文使用金字塔光流法　计算　角点的光流，记为（“ｌ，”Ｉ），（“２，　２），…，（／２＾，　）。　１．４跟踪流程　０．７　本文算法是在ＫＣＦ的基础上引入再检测机制来实现长时　目标跟踪的，因此跟踪时首先利用ＫＣＦ跟踪目标，计算跟踪每　一器Ｉ）．６　婆Ｏ．５　递Ｏ　４　ｆ）．３　（）．２　帧目标的ＰＳＲ，当值小于经验阈值７１时，再检测机制生效。　Ｉ）１　（１－ｆ１　再检测机制的作用是通过计算前一帧目标区域的光流　场，预测出目标在当前帧中的位置，由于视频中非目标物也会　运动产生光流，给判断目标位置带来干扰，为减轻干扰，将特　征点的光流乘以一个权值，距离上一帧目标中心越近的特征　点光流越重要，其权值越大。本文使用高斯分布表示权重　ｃＥＪ　则第ｋ个角点的权值为式（１３）：　中心距离偏差，像素　罔１　中心距离精确度　Ｆｉｇ．１　Ｃｅｎｔｅｒ　ｄｉｓｔａｎｃｅ　ｐｒｅｃｉｓｉｏｎ　＿粕ｌ｝　嬖　ｇＯ（　）　ｅｘｐ　（一ｌ一—————■　———一　）Ｊ　ｋ　：二ｏｒ　（１Ｌ　３），ｖ，肘、Ⅳ为　继　键　其中：‰，　为上一帧目标中心横纵坐标；　＝　目标所占像素行列数。　＂２－　将１．３节中所有角点的光流加权平均即得目标光流：　＝税频帧　∑　，ｕ。／∑ｃｃ，ｉ　＾　罔２中心距离误差　Ｆｉｇ．２　Ｃｅｎｔｅｒ　ｄｉｓｔａｎｃｅ　ｅｌ＇ＦＯｒ　Ｖ＝∑叫　／∑　ｉ　利用光流法，通过以上计算预测目标在当前帧中的位置为　（　，Ｙ），其中　＝　。＋Ｕ，Ｙ＝３＂ｏ＋Ｖ，此位置为目标的粗略位置，　从图１可以看出ｒＫＣＦ和ＬＫＣＦ的精度达到了１００％，即　在所有帧中，跟踪目标的中心坐标与真实标定值之间的欧氏　距离都小于２０个像素值。ＫＣＦ的距离精度达到了８７％，　ｃＫＣＦ为９０％，只比ＫＣＦ多３个百分点，相比而言，在ＫＣＦ基　础上引入再检测机制的ｒＫＣＦ则增加了ｌ３个百分点，可看出　为获得更精确位置需在（　，Ｙ）处再次运用核相关滤波器。　２　实验结果分析　为了评估本文所提算法在跟踪快速运动目标时的性能，　冉检测机制可以显著提高跟踪效果。　从图２可以观察到，ＫＣＦ和ｃＫＣＦ在２５帧附近中心距离　产生了巨大偏差，而ｒＫＣＦ和ＬＫＣＦ此时表现出色，具体从图３　实验使用文献［２７］中标记为快速运动的视频作为视频测试，　并使用距离精确度（Ｄｉｓｔａｎｃｅ　Ｐｒｅｃｉｓｉｏｎ，ＤＰ）和成功率（Ｓｕｃｃｅｓｓ　Ｒａｔｅ，ＳＲ）作为评估标准。精确度是指跟踪目标的中心坐标与　人工标定的准确值间的欧氏距离小于某个阈值的帧数占全部　视频帧数的百分比，阈值越低时精确度越高，跟踪效果越好。　可看出在２４帧所有跟踪器都能较准确跟踪，在２５帧ＫＣＦ和　ｃＫＣＦ跟踪失败，引入再检测机制的ｒＫＣＦ和ＬＫＣＦ此时却跟　踪成功，证明再检测机制对提高跟踪鲁棒性的作用（注：图３　中目标框线型对应图１中各跟踪器线型．图３（ａ）中４个跟踪　成功率是指包围跟踪目标的边框区域与人］＝标定的准确值间　的重叠率大于某个阈值的帧数占全部视频帧数的百分比，阈　框重合）。在图２中５５帧附近ＫＣＦ产生较大偏差，而ｃＫＣＦ　此刻却没有产生较大偏差，说明ＣＮ颜色特征也可以提高跟　踪的鲁棒性。　值越高时成功率越高，跟踪效果越好。　实验除了验证所提算法再检测模块的有效性，还与当前　主流跟踪算法比较，以此证明它的整体优越性。　实验平台　Ｍａｔｌａｂ　２０１５ｂ，ｉｎｔｅｌ—Ｉ７—６７ｏ０，３．４　ＧＨｚ，８　ＧＢ内　存。　（ａ）第２４帧的跟踪位置　（ｂ）第２５帧的跟踪位置　实验参数＝再检测模块中，经验阈值７＇为６，高斯分布　图３　４个跟踪器在第２４、２５帧的跟踪位鼍　Ｆｉｇ．３　Ｔｒａｃｋｉｎｇ　ｐｏｓｉｔｉｏｎ　ｏｆ　４　ｔｒａｅｋｅｒｓ　ｉｎ　ｔｈｅ　２４ｔｈ一２５　ｔｈ　ｆｒａｍｅｓ　ｖ／　／￣ｒ，　、／、，分别为目标图像块的行、列像素数量。　为说明ＣＮ颜色特征和再检测机制对提高ＫＣＦ跟踪效果　２．１　ＬＫＣＦ与ＫＣＦ对比实验　２．２多跟踪器对比　实验选取ＯＴＢ－５０数据集　中标记为快速运动的ｌ５组　的作用．本文进行了对比实验。现定义在ＫＣＦ上只引入ＣＮ　视频序列作为测试视频，将本文所提长时核相关滤波跟踪算　第５期　朱明敏等：基于相关滤波器的长时视觉目标跟踪方法　０　Ｏ　０　０　Ｏ　Ｏ　Ｏ　０　ＳＴＣ）　进行对比实验。实验选用阈值为２０个像素点时的距　法（ＬＫＣＦ）与核相关滤波跟踪算法（ＫＣＦ）　、跟踪．学习．检测　（Ｔｅａｃｈ．Ｌｅａｒｎ．Ｄｅｔｅｃｔｉｏｎ，ＴＬＤ）　Ｍ。、压缩跟踪（Ｃｏｍｐｒｅｓｓｉｖｅ　Ｔｒａｃｋｉｎｇ，ＣＴ）　、时空上下文（Ｓｐａｔｉｏ—Ｔｅｍｐｏｒａｌ　Ｃｏｎｔｅｘｔ，　越器靶髓　Ｏ　离精确度（ＤＰ）和阈值为０．５的成功率（ｓＲ）作为评测标准，　结果如表ｌ所示。　表１　５种跟踪算法在视频序列上的性能比较　Ｔａｂ．１　Ｐｅｒｆｏｒｍａｎｃｅ　ｃｏｍｐａｒｉｓｏｎ　ｏｆ　５　ｔｒａｃｋｉｎｇ　ａｌｇｏｒｉｔｈｍｓ　ｏｖｅｒ　ｔｈｅ　ｖｉｄｅｏ　ｓｅｑｕｅｎｃｅｓ　从表１中可看出，本文算法的距离精确度均值为０．６５１，　成功率均值为０．５６９，是５种跟踪算法中综合表现最好的，且　分别比ＫＣＦ高６．２个百分点和５．１个百分点。为更形象地　表现测试结果，图４、图５分别给出了５种跟踪算法在１５组测　４，与最快的７８９．５帧每秒尚有差距，但仍能满足实时跟踪要　求。　表２　５种跟踪算法运行速度对比　Ｔａｂ．２　Ｒｕｎｎｉｎｇ　ｓｐｅｅｄ　ｃｏｍｐａｒｉｓｏｎ　ｏｆ　５　ｔｒａｃｋｉｎｇ　ａｌｇｏｒｉｔｈｍｓ　试视频中，在不同阈值下的距离精确度和成功率。　算法　平均每秒处理帧数　ＬＫＣＦ　ＫＣＦ　ＴＬＤ　４９．３　２７０．１　３８．８　算法　平均每秒处理帧数　ＣＴ　ＳＴＣ　ｌｏ６．７　７９８．５　３　结语　为解决基于相关滤波理论的跟踪器在跟踪快速运动目标　时目标丢失问题，本文在核相关滤波（ＫＣＦ）跟踪算法的基础　上引入ＣＮ颜色特征及基于光流法的再检测机制，提出了一　中心距离偏差艨素　图４　５种跟踪算法在不同阈值下的距离精度　Ｆｉｇ．４　ＤＰ　ｏｆ　５　ｔｒａｃｋｉｎｇ　ａｌｇｏｒｉｔｈｍｓ　ａｔ　ｄｉｆｅｒｅｎｔ　ｔｈｒｅｓｈｏｌｄｓ　０・８　０・７　０．６　种长时核相关滤波（ＬＫＣＦ）跟踪算法，该算法可在目标跟踪丢　失时重新获得目标并继续跟踪。实验表明，本文算法在距离　精确度均值和准确度均值分别比ＫＣＦ跟踪算法高６．２、５．７　个百分点，与近年来４个优秀算法比较，在跟踪快速运动目标　时鲁棒性最好，能满足实时跟踪要求，有实际应用价值。不足　碍Ｏ・５　０．４　的是本文算法运行速度较慢，造成速度慢的原因是基于光流　法的运动物体检测算法计算复杂度较高，因此，后续将对优化　再检测机制作进一步研究。　参考文献（Ｒｅｆｅｒｅｎｃｅｓ）　【１】ＳＭＥＵＬＤＥＲＳ　Ａ　Ｗ　Ｍ，ＣＨＵ　Ｄ　Ｍ，ＣＵＣＣＨＩＡＲＡ　Ｒ，ｅｔ　ａ１．Ｖｉｓｕａｌ　ｔｒａｃｋｉｎｇ：ａｎ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｓｕｒｖｅｙ［Ｊ】．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ＆Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１４，３６（７）：１４４２—１４６８．　锓Ｏ．３　０・２　０・ｌ　Ｏ．０　重叠率　图５　５种跟踪算法在不同阈值下的成功率　Ｆｉｇ．５　ＳＲ　ｏｆ　５　ｔｒａｃｋｉｎｇ　ａｌｇｏｒｉｔｈｍｓ　ａｔ　ｄｉｆｅｒｅｎｔ　ｔｈｒｅｓｈｏｌｄｓ　【２】　ＢＯＬＭＥ　Ｄ　Ｓ，ＢＥＶＥＲＩＤＧＥ　Ｊ　Ｒ，ＤＲＡＰＥＲ　Ｂ　Ａ，ｅｔ　ａ１．Ｖｉｓｕａｌ　ｏｂｊｅｃｔ　ｔｒａｃｋｉｎｇ　ｕｓｉｎｇ　ａｄａｐｔｉｖｅ　ｃｏｒｒｅｌａｔｉｏｎ　ｆｉｌｔｅｒｓ［Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｆ　ｏｔｈｅ　２０１０　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃ－　ｏｇｎｉｔｉｏｎ．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２０１０：２５４４　表２为５种跟踪算法在测试视频序列上的运行速度对比　结果，从结果可看出，本文提出的ＬＫＣＦ算法运行速度排名第　１４７０　一计算机应用　第３７卷　ｆｅａｔｕｒｅ　ｉｎｔｅｇｒａｔｉｏｎ【Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１５　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎ・　ｌ　Ｃｏｎｆａｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　Ｗｏｒｋｓｈｏｐ．Ｐｉｓｃａｔａｗａｙ，ＮＪ：　ＩＥＥＥ，２０１５：５８７—５９４．　２５５０．　【３】　ＨＥＮＲＩＱＵＥＳ　Ｊ　Ｆ，ＣＡＳＥＩＲＯ　Ｒ，ＭＡＲＴＩＮＳ　Ｐ，ｅｔ　ａ１．Ｅｘｐｌｏｉｔｉｎｇ　ｔｈｅ　ｅｉｒｃｕｌａｎｔ　ｓｔｒｕｃｔｕｒｅ　ｏｆ　ｔｒａｃｋｉｎｇ—ｂｙ—ｄｅｔｅｃｔｉｏｎ　ｗｉｔｈ　ｋｅｒｎｅｌｓ［Ｃ】／／Ｐｒｏ—　ｅｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１２　Ｅｕｒｏｐｅａｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ．　Ｂｅｄｉｍ　Ｓｐｒｉｎｇｅｒ，２０１２：７０２—７１５．　ｉｍｅｎｔａｌ　ｓｕｒｖｅｙ　ｏｎ　ｃｏｒｒｅｌａ－　［１７】　ＣＨＥＮ　Ｚ，ＨＯＮＧ　Ｚ，ＴＡＯ　Ｄ．Ａｎ　ｅｘｐｅｒｔｉｏｎ　ｆｉｌｔｅｒ—ｂａｓｅｄ　ｔｒａｃｋｉｎｇ【Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，２０１５，５３　（６０２５）：６８—８３．　ｔｅｒａｔｉｖｅ　ｉｍａｇｅ　ｒｅｇｉｓｔｒａｔｉｏｎ　ｔｅｃｈ－　【ｌ８］　ＬＵＣＡＳ　Ｂ　Ｄ，ＫＡＮＡＤＥ　Ｔ．Ａｎ　ｉ【４】　ＨＥＮＲＩＱＵＥＳ　Ｊ　Ｆ，ＲＵＩ　Ｃ，ＭＡＲＴＩＮＳ　Ｐ，ｅｔ　ａ１．Ｈｉｇｈ－ｓｐｅｅｄ　ｔｒａｃｋｉｎｇ　ｗｉｔｈ　ｋｅｒｎｅｌｉｚｅｄ　ｃｏｒｒｅｌａｔｉｏｎ　ｆｉｌｔｅｒｓ［Ｊ】．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ＆Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１５，３７（３）：５８３—５９６．　　ａ１．　【５］　ＦＥＬＺＥＮＳＺＷＡＬＢ　Ｐ　Ｆ，ＧＩＲＳＨＩＣＫ　Ｒ　Ｂ，ＭＣＡＬＬＥＳＴＥＲ　Ｄ，ｅｔｎｉｑｕｅ　ｗｉｔｈ　ａｎ　ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　ｓｔｅｒｅｏ　ｖｉｓｉｏｎ【Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　７ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｉｎｔ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｒｔｉｉｃｉａｆｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ．Ｓａｎ　Ｆｒａｎｃｉｓｃｏ，ＣＡ：Ｍｏｒａｎ　Ｋａｎｆｍａｎｎ，１９８１：２８５—２８９．　Ｏｂｊｅｃｔ　ｄｅｔｅｃｔｉｏｎ　ｗｉｔｈ　ｄｉｓｃｒｉｍｉｎａｔｉｖｅｌｙ　ｔｒａｉｎｅｄ　ｐａｒｔ—ｂａｓｅｄ　ｍｏｄｅｌｓ【Ｊ】．　ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　ＡｎＭｙｓｉｓ＆Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ．　［１９】　李航．统计学习方法［Ｍ】．北京：清华大学出版社，２０１２：１１６．　２０１０，３２（９）：１６２７—１６４５．　Ｊ，ＳＣＨＭＩＤ　Ｃ，ＶＥＲＢＥＥＫ　Ｊ，ｅｔａ１．Ｌｅａｒｎｉｎｇ　ｃｏｌ—　［６１　Ｖａｎ　Ｄｅ　ＷＥＵＥＲ　（ＬＩ　Ｈ．Ｓｔａｔｉｓｔｉｃａｌ　Ｌｅａｒｎｉｎｇ　Ｍｅｔｈｏｄ【Ｍ】．Ｂｅｉｊｉｎｇ：Ｔｓｉｎｇｈｕａ　Ｕｕｉ・　ｖｅｒｓｉｔｙ　Ｐｒｅｓｓ，２０１２：１１６．）　ＦＫＩＮ　Ｒ，ＹＥＯ　Ｇ，ＰＯＧＧＩＯ　Ｔ．Ｒｅｇｕｌａｒｉｚｅｄ　ｌｅａｓｔ—ｓｑｕａｒｅｓ　ｅｌｓｓｉａ—　【２０】　ＲＩｏｒ　ｎａｍｅｓ　ｆｏｒ　ｒｅａｌ－ｗｏｒｌｄ　ａｐｐｌｉｃａｔｉｏｎｓ【Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｉｍ—　ａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ，２００９，１８（７）：１５１２—１５２３．　　ａ１．Ａｄａｐｔｉｖｅ　ｃｏｌｏｒ　［７】　ＤＡＮＥＬ￣ＡＮ　Ｍ，ＫＨＡＮ　Ｆ　Ｓ，ＦＥＬＳＢＥＲＧ　Ｍ，ｅｔｉｆｃａｔｉｏｎ【Ｊ】．Ａｃｔａ　Ｅｌｅｅｔｒｏｎｉｅａ　Ｓｉｎｉｃａ，２００３，１９０（１）：１３１—１５４．　ａｔｉｎｇ　【２１】　ＫＨＡＮ　Ｆ　Ｓ，ＶＡＮ　ＤＥ　ＷＥＨＥＲ　Ｊ，ＶＡＮＲＥＬＬ　Ｍ．Ｍｏｄｕｌａｔｔｒｉｂｕｔｅｓ　ｆｏｒ　ｒｅａｌ—ｔｉｍｅ　ｖｉｓｕａｌ　ｔｒａｃｋｉｎｇ【Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１４　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ．　Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２０１４：１０９０—１０９７．　ｓｈａｐｅ　ｆｅａｔｕｒｅｓ　ｂｙ　ｃｏｌｏｒ　ａｔｔｅｎｔｉｏｎ　ｏｒｆ　ｏｂｊｅｃｔ　ｒｅｃｏｇｎｉｔｉｏｎ【Ｊ］．Ｉｎｔｅｒｎａ－　ｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ，２０１２，９８（１）：４９—６４．　　ａ１．Ｃｏｌｏｒ　ａｔ－　［２２】　ＫＨＡＮ　Ｆ　Ｓ，ＡＮＷＥＲ　Ｒ　Ｍ，ＶＡＮ　ＤＥ　ＷＥＨＥＲ　Ｊ，ｅｔ　ａ１．Ａｃｃｕｒａｔｅ　ｓｃａｌｅ　ｅｓｔｉ．　［８】　ＤＡＮＥＬ【ＪＡＮ　Ｍ，ＨＡＧＥＲ　Ｇ，ＫＨＡＮ　Ｆ，ｅｔｔｉｒｂｕｔｅｓ　ｆｏｒ　ｏｂｊｅｃｔ　ｄｅｔｅｃｔｉｏｎ［Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１２　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ．Ｗａｓｈｉｎｇ—　ｔｏｎ，ＤＣ：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２０１２：３３０６—３３１３．　ｍａｒｉｏｎ　ｆｏｒ　ｒｏｂｕｓｔ　ｖｉｓｕａｌ　ｔｒａｃｋｉｎｇ【ＥＢ／ＯＬ］．【２０１６－０５—２０】．ｈｔｔｐ：／／　ｗｗｗ．ｂｍｖａ．ｏｒｇ／ｂｍｖｃ／２０１４／ｆｉｌｅｓ／ａｂｓｔｒａｃｔ０３８．ｐｄｆ．　　Ｙ．ＺＨＵ　Ｊ．Ａ　ｓｃａｌｅ　ａｄａｐｔｉｖｅ　ｋｅｒｎｅｌ　ｃｏｒｒｅｌａｔｉｏｎ　ｉｌｆｔｅｒ　ｔｒａｃｋｅｒ　ｗｉｔｈ　【９］　ＬＩ　ａ１．Ｃｏｌｏｒｉｎｇ　［２３】　ＫＨＡＮ　Ｆ　Ｓ，ＡＮＷＥＲ　Ｒ　Ｍ，ＶＡＮ　ＤＥ　ＷＥＨＥＲ　Ｊ，ｅｔｆｅａｔｕｒｅ　ｉｎｔｅｇｒａｔｉｏｎ【Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１４　Ｅｕｒｏｐｅａｎ　Ｃｏｎｆｅｒ－　ｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ．Ｂｅｄｉｍ　Ｓｐｒｉｎｇｅｒ，２０１４：２５４—２６５．　ａｃｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｉｎ　ｓｔｉｌｌ　ｉｍａｇｅｓ【Ｊ】．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍ—　ｐｕｒｅｒ　Ｖｉｓｉｏｎ，２０１３，１０５（３）：２０５—２２１．　ＫＯＬ　ＣＺＹＫ　Ｋ，ＭＡＴＡＳ　Ｊ．Ｔｒａｃｋｉｎｇ—ｌｅａｒｎｉｎｇ—ｄｅ－　［２４】　ＫＡＬＡＬ　Ｚ，ＭＩＸ，ＺＨＡＮＧ　Ｃ，ｅｔ　ａ１．Ｌｏｎｇ—ｔｅｒｍ　ｃｏｒｒｅｌａｔｉｏｎ　ｒａｃｋｉｔｎｇ　【１０】　ＭＡ　Ｃ，ＹＡＮＧ　【Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１５　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉ—　ｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２０１５：５３８８—５３９６．　ｔｅｃｔｉｏｎ【Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ＆Ｍａｃｈｉｎｅ　Ｉｎ・　ｔｅｌｌｉｇｅｎｃｅ，２０１２，３４（７）：１４０９—１４２２．　　Ｌ　ＴＯＭＡＳＩ　Ｃ．Ｇｏｏｄ　ｆｅａｔｕｒｅｓ　ｔｏ　ｔｒａｃｋ【Ｃ】／／Ｐｒｃｅｅｄｉｏｎｇｓ　ｏｆ　ｔｈｅ　【２５】　ＳＨＩ１９９４　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｅｏｇｎｉ—　ＨＯＮＧ　Ｚ，ＣＨＥＮ　Ｚ，ＷＡＮＧ　Ｃ，ｅｔ　ａ１．Ｍｕｌｔｉ・Ｓｔｏｒｅ　Ｔｒａｃｋｅｒ（ＭＵＳ－　Ｔｅｒ）：ａ　ｃｏｇｎｉｔｉｖｅ　ｐｓｙｃｈｏｌｏｇｙ　ｉｎｓｐｉｒｅｄ　ａｐｐｒｏａｃｈ　ｔｏ　ｏｂｊｅｃｔ　ｔｒａｃｋｉｎｇ　【Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１５　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉ－　ｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２０１５：７４９—７５８．　ｔｉｏｎ．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，１９９４：５９３—　６ｏ０．　ｄａｌ　Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ｏｆ　ｔｈｅ　Ｌｕｃａｓ　Ｋａｎａｄｅ　【２６】　ＢＯＵＧＵＥＴ　Ｊ　Ｙ．Ｐｙｒａｍｉｆｅａｔｕｒｅ　ｔｒａｃｋｅｒ　ｄｅｓｃｒｉｐｔｉｏｎ　ｏｆ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ［Ｊ】．ＯｐｅｎＣＶ　Ｄｏｃｕ—　ｍｅｎｔｓ，２０００，２２（２）：３６３—３８１．　【２７】　ＷＵ　Ｙ，ＬＩＭ　Ｊ，ＹＡＮＧ　Ｍ　Ｈ．Ｏｎｌｉｎｅ　ｏｂｊｅｃｔ　ｔｒａｃｋｉｎｇ：ａ　ｂｅｎｃｈｍａｒｋ　【ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１３　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉ—　ｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２０１３：２４１　１—２４１８．　【ｌ２】　ＬＩＵ　Ｔ，ＷＡＮＧ　Ｇ，ＹＡＮＧ　Ｑ．Ｒｅａｌ—ｔｉｍｅ　ｐａｒｔ—ｂａｓｅｄ　ｖｉｓｕａｌ　ｔｒａｃｋｉｎｇ　ｖｉａ　ａｄａｐｔｉｖｅ　ｃｏｒｒｅｌａｔｉｏｎ　ｆｉｈｅｒｓ【Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１５　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，Ｗａｓｈｉｎｇ－　ｔｏｎ，ＤＣ：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２０１５：４９０２—４９１２．　　Ｓ　Ｃ　Ｈ．Ｒｅｌｉａｂｌｅ　ｐａｔｃｈ　ｔｒａｃｋｅｒｓ：ｒｏｂｕｓｔ　ｖｉｓｕａｌ　［１３】　Ｕ　Ｙ，ＺＨＵ　Ｊ．ＨＯＩｔｒａｃｋｉｎｇ　ｂｙ　ｅｘｐｌｏｉｔｉｎｇ　ｒｅｌｉｂｌａｅ　ｐａｔｃｈｅｓ［Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１５　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉ—　ｌ・ｔｉｍｅ　ｃｏｍｐｒｅｓｓｉｖｅ　ｔｒａｃｋ—　【２８】　ＺＨＡＮＧ　Ｋ，ＺＨＡＮＧ　Ｌ，ＹＡＮＧ　Ｍ　Ｈ．Ｒｅａｉｎｇ【Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１２　Ｅｕｒｏｐｅａｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍ　ｐｕｔｅｒ　Ｖｉｓｉｏｎ．Ｂｅｄｉｍ　Ｓｐｒｉｎｇｅｒ，２０１２：８６４—８７７．　ｔｉｏｎ．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２０１５：３５３—　３６１．　Ｕ　Ｑ，ｅｔ　ａ１．Ｆａｓｔ　ｖｉｓｕａｌ　ｔｒａｃｋｉｎｇ　ｖｉａ　【２９】　ＺＨＡＮＧ　Ｋ，ＺＨＡＮＧ　Ｌ，ＬＩｄｅｎｓｅ　ｓｐａｔｉｏ—ｔｅｍｐｏｒａｌ　ｃｏｎｔｅｘｔ　ｌｅａｒｎｉｎｇ［Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１４　Ｅｕｒｏｐｅａｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ，　２Ｏ１４：】２７～】４】．　　Ｈ　Ｋ，ＳＩＭ　Ｔ，ＬＵＣＥＹ　Ｓ．Ｃｏｒｒｅｌａｔｉｏｎ　ｆｉｌｔｅｒｓ　ｗｉｔｈ　ｌｉｍ．　［１４】　ＧＡＬＯＯＧＡＨＩｉｔｅｄ　ｂｏｕｎｄａｒｉｅｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１４　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，２０１４：４６３０—４６３８．　Ｆ　Ｓ，ｅｔａ１．Ｌｅａｒｎｉｎｇ　ｓｐａｔｉｌｌａｙ　［１５】　ＤＡＮＥＬ￣ＡＮＭ，ＨＡＧＥＲＧ，ＫＨＡＮ　ＺＨＵ　Ｍｉｎｇｍｉｎ，ｂｏｒｎ　ｉｎ　１９９０，Ｍ．Ｓ．ｃａｎｄｉｄａｔｅ．Ｈｉｓ　ｒｅｓｅａｒｃｈ　ｉｎｔｅｒ－　ｒｅｇｕｌａｒｉｚｅｄ　ｃｏｒｒｅｌａｔｉｏｎ　ｆｉｌｔｅｒｓ　ｆｏｒ　ｖｉｓｕａｌ　ｔｒａｃｋｉｎｇ【Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１５　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ．　ｅｓｔｓ　ｉｎｃｌｕｄｅ　ｇｅｓｔｕｒｅ　ｒｅｃｏｇｎｉｔｉｏｎ，ｏｂｊｅｃｔ　ｄｅｔｅｃｔｉｏｎ，ｏｂｊｅｃｔ　ｔｒａｃｋｉｎｇ．　ＨＵ　Ｍａｏｈａｉ，ｂｏｒｎ　ｉｎ　１９６７，Ｐｈ．Ｄ．，ａｓｓｏｃｉａｔｅ　ｐｒｏｆｅｓｓｏｒ．Ｈｉｓ　ｒｅ－　ｓｅａｒｃｈ　ｉｎｔｅｒｅｓｔｓ　ｉｎｃｌｕｄｅ　ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ，ｏｐｔｉｃａｌ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ，　ｂｉｏｍｉｃｒｏｓｅｏｐｉｅ　ｉｍａｇｉｎｇ．　Ｐｉｓｃａｔａｗａｙ．ＮＪ：ＩＥＥＥ．２０１５：４３１０—４３１８．　　Ｒ．Ｓｃａｌａｂｌｅ　ｋｅｒｎｅｌ　ｃｏｒｒｅｌａｔｉｏｎ　ｆｉｌｔｅｒ　ｗｉｔｈ　ｓｐａｒｓｅ　［１６】　ＬＡＮＧ　Ｊ，ＬＡＧＡＮＩ