陳東岳，陳宗文，桑永嘉

(東北大學信息科學與工程學院，110136沈陽)

目標跟蹤是計算機視覺領域的核心研究課題之一，在視頻監(jiān)控、智能機器人、導彈制導、汽車輔助駕駛系統(tǒng)、體感控制等諸多領域有著廣泛的應用.

基于單攝像機的目標跟蹤算法根據(jù)算法思想的不同可以分為三大類.第一類是基于在線學習的跟蹤算法，這類算法可以通過學習建立并更新目標的表觀模型，也可以通過學習訓練分類器，實現(xiàn)目標與背景的區(qū)分.代表性工作包括在線Adaboost算法(簡稱 OAB)［1-2］、多實例學習算法(簡稱MIL)［3］.這類算法的本質是通過單幀目標檢測與識別實現(xiàn)跟蹤，因此又稱為“先檢測后跟蹤”.此類方法的特點是魯棒性強，缺點是訓練耗時，跟蹤速度較慢.

第二類是蒙特卡羅跟蹤算法，這類算法將跟蹤問題轉化為非線性非高斯的貝葉斯濾波問題，通過求解濾波問題實現(xiàn)目標的狀態(tài)估計.比較典型的算法包括粒子濾波跟蹤［4-5］與馬爾可夫鏈蒙特卡羅方法［6］.由于實際跟蹤問題都是非線性非高斯的，其貝葉斯準則下的后驗概率計算是一個積分運算.考慮到退化問題，大多數(shù)粒子濾波算法采用候選樣本狀態(tài)的加權均值進行目標狀態(tài)估計［7］.馬爾可夫鏈蒙特卡羅方法則從眾多候選框中選取后驗概率最大的樣本，通常還會與擴展卡爾曼濾波方法相結合進行運動估計［8］.此類方法在理論上比較完善，但現(xiàn)實中的跟蹤問題通常難以滿足貝葉斯估計的要求，因此在實際應用中效果并不理想.

第三類算法是以均值漂移(Mean-shift)和活動輪廓模型為代表的基于特征概率密度梯度的迭代跟蹤算法.Mean-shift算法使用色彩作為基本特征［9-11］，而活動輪廓模型通常使用梯度作為基本特征［12-13］.這兩種方法的本質都是有約束的梯度搜索，相比之下Mean-shift算法更加簡單快速，魯棒性更好;但在跟蹤精度上略遜于活動輪廓模型.而活動輪廓模型則對背景和目標本身的紋理復雜度和輪廓清晰程度比較敏感.

通過對上述算法的分析，各類算法各有利弊.目前目標跟蹤領域研究的主流思想是通過多種方法的融合解決實際跟蹤過程中出現(xiàn)的目標突變、光照變化、遮擋、目標消失以及復雜動態(tài)環(huán)境等問題.本文正是基于上述思想，在Mean-shift算法框架下提出了一種基于多特征融合與模板在線更新策略的魯棒跟蹤算法.

1 算法概述

1.1 Mean-shift跟蹤算法分析

Mean-shift算法最早是由 Comaniciu 等［9］于2000年首次將其應用于目標跟蹤問題，取得了較好效果.經典的Mean-shift跟蹤算法的核心思想可以用式(1)來描述:

式中:x為跟蹤框的中心位置坐標，xi，i=1，2，…，n為跟蹤框覆蓋的全部n個像素點的坐標，G為核函數(shù)，用于調節(jié)跟蹤框內不同位置的像素在概率密度估計中的作用;函數(shù)w(xi)用于度量像素xi從屬于待跟蹤目標的程度或可能性，盡管在不同的算法中函數(shù)w(xi)的數(shù)學形式略有區(qū)別，但總體上可以定性地理解為:像素xi對應的特征在跟蹤模板中出現(xiàn)的可能性越大則w(xi)越大．因此，Mean-shift算法的核心思想就是尋找到一個跟蹤框使其加權中心與幾何中心重合．而這個尋找過程是通過一種迭代逼近的方式完成的．目前，關于Mean-shift算法中的核函數(shù)選擇的研究已經比較成熟．因此Mean-shift算法的改進主要集中在如何計算函數(shù)w(xi)，如何優(yōu)化搜索方式以及模板更新策略等問題上．

分析后，發(fā)現(xiàn)函數(shù)w(xi)主要與兩個因素有關:一是用什么特征來描述像素xi，二是如何定義待跟蹤目標的模板．而實際上經典Mean-shift算法的大部分缺陷也體現(xiàn)在這兩個因素上.經典Mean-shift算法使用色彩作為基本特征，并利用色彩直方圖描述跟蹤模板，且其跟蹤模板通常僅取決于第一幀初始跟蹤框內的圖像塊，在跟蹤過程中不進行更新.然而，在實際應用中，可能出現(xiàn)遮擋、目標形變以及目標與背景的色彩過于相似等問題.當目標與背景的色彩相似時，色彩直方圖無法有效區(qū)分目標與背景，會造成跟蹤漂移甚至跟蹤失敗.遮擋與目標形變則使得目標表觀特征與跟蹤模板的相似度下降，當兩者差異累積到一定程度時，原有模板已經無法有效描述當前目標，從而導致跟蹤失敗.本文試圖通過引入多特征融合與模板更新機制解決由色彩相似或模板偏差造成的跟蹤漂移和跟蹤失敗問題.

1.2 算法流程

在經典的Mean-shift跟蹤算法框架下，提出了色彩與紋理特征的融合機制以及能夠區(qū)分目標漸變與目標遮擋的在線模板更新算法.與傳統(tǒng)Mean-shift算法相比，本文在算法流程中添加了特征融合與模板更新兩個環(huán)節(jié).在特征融合部分，將光照不變性色彩特征與旋轉不變性紋理特征通過BWH算法進行加權融合以獲取跟蹤目標位置的估計值;在模板更新環(huán)節(jié)，建立遮擋檢測算法判別遮擋現(xiàn)象與自身形變，從而為決定是否進行模板更新.具體的算法流程如圖1所示.

圖1 算法流程圖

2 色彩與紋理特征的提取與融合

在特征的選擇上，為了解決目標與背景的某種特征過于相似的問題，應選取具有互補性的局部特征.因此本文提出了基于色彩特征與紋理特征相融合的像素權值估計方法.

2.1 照度不變性色彩特征提取

在跟蹤過程中，隨著光照條件的變化，目標色彩與亮度會發(fā)生變化，目標當前色彩直方圖與模板的色彩直方圖的相似度降低，從而導致跟蹤失敗.因此，目標的色彩特征應具有較強的光照不變性.在比較了不同的色彩空間的特性后，本文選用了HSV色彩空間，去除亮度分量V，保留色調分量H和飽和度分量S，用于建立二維色彩直方圖.一般將每個分量的數(shù)值范圍線性劃分為16個級別，構建一個16×16的直方圖矩陣.圖2給出了兩幅內容相同，照度不同的圖像.兩幅圖像在HSV空間的直方圖相似度較高，能夠滿足算法的要求.

圖2 不同光照條件下的色彩直方圖對比

2.2 基于LBP的紋理特征提取

紋理是反映目標表面色度和亮度變化模式的視覺特征.考慮到本文所需的紋理特征必須是與像素一一對應的局部特征，因此沒有選擇熵、高階矩以及頻率能量等統(tǒng)計性特征，而是提出了一種具有旋轉不變性的LBP(local binary pattern)特征的提取算法.LBP特征最早由Ojala等［14］于1994年提出，是一種高效的局部紋理特征提取算法.按照傳統(tǒng)的LBP算法，首先以當前像素點gc為中心(gc為該點的亮度值)，r為半徑，建立圓形，并在圓周上順指針取點gi，i=1，2，…，N建立鄰域點集．圖3給出了3種不同半徑下的鄰域點集分布模式(改自文獻［14］)．

圖3 3種不同的LBP鄰域點分布

本文使用半徑為r=1，鄰域點個數(shù)為N=8的情況．逐個將鄰域點gi與中心點gc進行比較，如gi的亮度高于gc，記為1;否則記為0．則圓周上的8個像素將對應于一個八位二進制數(shù)．將該二進制數(shù)轉化為十進制數(shù)，即為當前像素gc對應的LBP特征，其值域范圍為［0，255］．

LBP特征能夠較好的反映像素點局部鄰域的空間分布模式，能夠為邊緣、角點等特征點提供可分性較強的數(shù)學描述.然而，傳統(tǒng)的LBP算法并不具有旋轉不變性.Salberg等［15］提出了一些具有旋轉不變性的改進型LBP算法.但考慮到計算的復雜度以及可區(qū)分度方面的要求，對于實時目標跟蹤問題而言效果并不理想.針對上述問題，將形狀數(shù)的概念引入到LBP特征描述方法中，提出了一種新的具有旋轉不變性的魯棒LBP特征提取算法(RRLBP，rotation-invariant robust LBP).

首先，為克服局部噪聲對LBP特征的影響，定義RRLBP二進制序列計算函數(shù)如式(2)所示.其中Bi(gc)表示像素gc對應的LBP二進制數(shù)中的第i位.

對生成的二進制數(shù)B進行循環(huán)移位操作．設循環(huán)左移 p位后得到的二進制數(shù)記為 Bp，p=1，2，…，m．在循環(huán)左移產生的全部m個新的二進制數(shù)中，找到數(shù)值最小的一個，將其轉為十進制數(shù)作為LBP特征輸出．例如，gc對應的原二進制數(shù)為00110001，則其對應的最小二進制數(shù)為循環(huán)左移5位得到的00010011，對應的RRLBP特征為19.從算法中不難看出，目標或目標局部的RRLBP特征具有較好的旋轉不變性.基于上述算法，以本文提出的RRLBP為局部像素基本特征，參照標準Meanshift算法對跟蹤框內的圖像塊進行核化RRLBP直方圖估計(為去除平坦區(qū)域對Mean-shift算法的影響，RRLBP特征為0的點不參與直方圖的統(tǒng)計).圖4(a)、(b)給出了具有旋轉變化和光照變化的2張手部圖像以及相應的RRLBP特征圖.圖4(c)、(d)為相應的RRLBP核化直方圖.從圖中可以看出，兩幅圖像的直方圖幾乎沒有變化，相關系數(shù)達到0.987 8.這說明本文提出的RRLBP特征具有較強的旋轉不變性和對光照條件變化的魯棒性.

圖4 RRLBP特征提取結果

2.3 基于BWH的自適應特征融合

利用照度不變性色彩特征提取及LBP的紋理特征提取的方法可以實現(xiàn)目標色彩特征與紋理特征的提取.然而在Mean-shift算法框架下每個像素只能被賦予一個權值w(xi)．因此需要對特征進行融合.本文算法提取的色彩特征和紋理特征具有較強的互補性，其目的在于增強算法對不同目標和背景的適應性.例如當目標色彩與背景色彩有明顯區(qū)別時，應以色彩特征為主進行跟蹤;而在二者的紋理特征區(qū)別比較明顯時，則對紋理特征賦予更大權重.基于上述考慮，本文提出了一種基于BWH(background-weighted histogram)算法的自適應特征融合方法.

BWH最早用于去除由于目標初始化不準確造成的背景像素對目標模板直方圖的影響［16］.本文則利用BWH算法對不同特征進行權值調整.設目標模板直方圖為 {qu}u=1，2，…，m，當前幀目標候選區(qū)域直方圖{pu}u=1，2，…，m，背景模板直方圖為{ou}u=1，2，…，m，則修正后的目標模板直方圖{u}u=1，…，m可由式(3)得到

其中

式中:o*為背景模板直方圖{ou}u=1，2，…，m的非零最小值，經過上述修正，目標模板直方圖中與背景模板直方圖相似的特征成分將會被抑制．分別對色彩特征直方圖和紋理特征直方圖進行上述操作，修正后的兩種特征的目標模板直方圖分別記為．對于某個給定的像素xi，若其色彩特征值為u*，紋理特征值為v*．則其權值w(xi)為

其中

在實際操作中，背景模板直方圖通過統(tǒng)計圖5中的大框與小框之間的回字形區(qū)域得到．圖5中的第二行給出了特征融合前后的像素權值空間分布圖．其中圖5(a)、(c)為直方圖修正前基于色彩特征和紋理特征的像素權值分布圖圖5(b)、(d)為直方圖修正后的兩種特征對應的像素權值分布(x);圖5(e)為特征融合后最終得到的w(x)的分布．從圖5(a)可以看出，在直方圖修正前，背景的綠色區(qū)域的像素權值很大;圖5(c)中基于LBP特征的目標與背景邊界區(qū)域的像素權值也較高;經過修正后，基于色彩特征的像素權值分布主要集中在目標身上的方框區(qū)域(區(qū)別于草地的淺綠色)，而基于LBP特征的高權值像素則主要集中在目標球衣上的數(shù)字區(qū)域．從圖5(e)給出的融合結果可以看出，兩種特征的數(shù)值大小比例比較合理，球員背后的數(shù)字區(qū)域權值較高，從而避免了球衣和草地顏色相近造成的混淆．這說明本文提出的基于BWH的特征融合方法具有較強的自適應調節(jié)能力，能夠自動選擇合理的加權比例以實現(xiàn)目標與背景的區(qū)分．

圖5 特征融合結果

3 迭代搜索與在線模板更新

Mean-shift算法在每一幀的跟蹤過程中，使用迭代更新像素加權中心的方式實現(xiàn)目標搜索.然而當目標或背景特征分布比較復雜，或目標自身發(fā)生形變以及遮擋現(xiàn)象時，傳統(tǒng)的Mean-shift算法難以保證算法的魯棒性，容易發(fā)生基于累積誤差的漂移現(xiàn)象.為了解決上述問題，本文在傳統(tǒng)的Mean-shift算法框架下加入了基于直方圖相似度校驗的迭代搜索策略以及基于直方圖差異空間分布圖的模板更新策略.

3.1 目標搜索策略

傳統(tǒng)Mean-shift算法的搜索步驟是計算當前跟蹤框內像素的核化加權中心xc，將跟蹤框的幾何中心x0移動加權中心xc，重復上述過程直至xc=x0．然而在實際過操作過程中，經常會出現(xiàn)迭代難以收斂和跟蹤框漂移現(xiàn)象．為此，本文提出了基于直方圖相似度校驗的迭代搜索策略，具體算法步驟如下:

1)根據(jù)式(6)計算當前跟蹤框內圖像的修正色彩直方圖

3)按照傳統(tǒng)Mean-shift算法將跟蹤框中心移動至當前框內像素加權中心，重復步驟1和2.若重復過程中得到的直方圖總相似度S從第i次搜索開始連續(xù)3次呈現(xiàn)下降趨勢，則將跟蹤框移動至第i次的中心位置xi與第i-1次的中心位置xi-1連線的中點，并隨機加上1～2個像素的擾動．

4)重復上述步驟，直到跟蹤框位置收斂或達到最大迭代次數(shù)則停止搜索.

3.2 遮擋檢測

在模板更新策略的設計方面，需要考慮兩個基本問題，即“何時需要更新模板”以及“如何更新模板”.一般來講，當目標的表觀特征發(fā)生變化時需要更新模板，然而在實際問題中，目標表觀特征的變化既可能是目標自身的變化、光照條件變化或攝像機視角變化引起的，也可能是由遮擋現(xiàn)象引起的.因此如何區(qū)分二者成為跟蹤問題中的一個難題.

式(7)的本質是尋找面積比例增加最快的某種色彩．顯然新加入的遮擋物會產生較大的θu．然而單純依靠式(7)仍然不能完善的解決遮擋現(xiàn)象與自身形變的區(qū)分．以人員跟蹤為例，目標在行走過程中可能突然轉身，由于其衣服的色彩前后不同造成某種全新的色彩在跟蹤框中所占比例突然增大，又或者是彩色光照條件的變化引發(fā)目標表觀特征中的色彩分量的比例發(fā)生變化．為解決上述問題，定義直方圖差異空間分布圖φ(x)．設點x的色彩特征為Ⅰ(x)，Ⅰ(x)的取值為1，2，…，m．令

顯然新加入的色彩將會在空間分布圖φ(x)具有較高的灰度．圖6給出了遮擋現(xiàn)象發(fā)生時的檢測結果．圖6(a)為視頻中發(fā)生遮擋現(xiàn)象的一幀圖像，方框區(qū)域為跟蹤結果．圖6(b)為直方圖差異空間分布圖φ(x)．從中可以看出遮擋物(書籍)區(qū)域的直方圖差異明顯高于目標及其他背景區(qū)域．圖6(c)為直方圖差異θu．從中可以看出對應于遮擋物的藍色分量數(shù)值遠高于其他分量．基于上述結果，本文綜合直方圖總相似度S、直方圖差異θu以及直方圖差異空間分布圖φ(x)3個指標對遮擋現(xiàn)象與自身變化進行區(qū)分．將φ(x)的灰度加權中心與幾何中心的距離記為d．則以下3個條件同時滿足時，判為遮擋現(xiàn)象．

條件1S＜TS，TS為相似度閾值，一般取0.6～0.7．

條件2 max(θu)＞Tθ，Tθ為直方圖差異閾值，一般為跟蹤框像素個數(shù)的1/50～1/25．

條件3d＞Td，Td為距離閾值，一般取值為跟蹤框對角線長度的0.1～0.5倍．

根據(jù)圖1的算法流程，首先判斷是否發(fā)生遮擋.如發(fā)生遮擋則不更新模板，否則對模板進行更新.需要注意的是本文算法共有4個模板，分別為:目標色彩直方圖模板，目標紋理直方圖模板，背景色彩直方圖模板，背景紋理直方圖模板.4個模板的更新算法均相同，設t時刻的待更新模板為H(t)，當前跟蹤結果對應的模板為L(t)，則更新公式為

式中:一般ρ取2，以使新進入的模板具有更大的權重，從而提高算法對目標形變的跟蹤能力.將本文提出的特征提取與融合算法以及迭代搜索算法帶入傳統(tǒng)Mean-shift跟蹤算法框架，并添加遮擋判斷與模板更新環(huán)節(jié).實現(xiàn)對具有自身形變的目標的魯棒跟蹤.

圖6 遮擋現(xiàn)象檢測結果

4 實驗與分析

為測試本文方法的跟蹤性能，作者從多篇相關文獻和互聯(lián)網上搜集了8段比較有代表性的視頻(Animal、 Basketball、 Soccer、 Singer、 Skating1、Skating2［16］，F(xiàn)ootbal［17］，Tabletennisl(CIPR SIF Sequence數(shù)據(jù)庫［18］)).時長從3 ～795 s不等;幀率從23～29 fps不等;單幀分辨率從352×240～1280×720不等.并選取了加入BWH機制的Mean-shift算法(簡稱 BWH+MS)［19］、OAB 算法［1］、MIL 算法［3］3種性能較好的跟蹤算法進行比較.所有算法均在Window7，64位操作系統(tǒng)下運行，電腦配置為內存 4 G，Intel Corel，i7-2720QM CPU 2.20G.其中本文方法和BWH+MS的方法在Matlab 2012a平臺運行;OAB和MIL算法則使用作者提供的源代碼在VC2005平臺運行.

圖7給出了4種算法對“Basketball”視頻中部分關鍵幀的跟蹤結果.可以看出:OAB算法在42幀開始已經出現(xiàn)了明顯的跟蹤漂移現(xiàn)象;MIL算法約在451幀左右出現(xiàn)漂移，并迅速轉移至另一名球員身上，這是算法對于同色遮擋現(xiàn)象的處理能力不足導致的;在第1 036幀，由于閃光燈作用，單幀圖像照度突然變化，恰在此時待跟蹤目標與另一名同色球衣的球員相鄰，因此BWH+MS算法的跟蹤框轉移到了另一名球員身上;在4種算法中只有本文算法能夠完整地跟蹤到目標，直到視頻結束.這說明本文算法對于遮擋，同色干擾以及照度突變等現(xiàn)象有較強的抵抗能力.

圖7 Basketball視頻跟蹤結果對比

圖8給出的“Skating1”視頻是目標跟蹤領域經典難題之一.主要難點在于目標運動速度不穩(wěn)定，背景復雜、光照條件變化快速且劇烈，尤其是視頻的后半段目標幾乎完全進入陰影區(qū)域，對于算法魯棒性的要求非常高.從圖8給出的實驗結果看，MIL算法和OAB算法在舞臺燈光的干擾下，先后在第250幀和第435幀丟失了目標.從第435～890幀，OAB算法始終將地燈錯認為目標，直到真正的目標偶然經過該區(qū)域對地燈造成了遮擋，才使得跟蹤框重新回到目標身上，之后約在1 470幀左右由于背景照度劇烈下降導致目標丟失，直到視頻結束.BWH+MS算法在第1 069幀第一次丟失目標，主要原因是由于滑冰者右腳白色冰鞋揚起造成跟蹤框漂移，之后搜索陷入局部最小，導致跟蹤失敗.本文方法則始終保持良好的跟蹤效果，直至視頻結束.這一結果在現(xiàn)有的跟蹤算法中極為少見，說明本文算法對于上述復雜背景條件和各類干擾的處理能力較強.

圖8 Skating1視頻跟蹤結果對比

由于本文算法中在初始化和算法執(zhí)行過程中(模板更新策略)存在一定的隨機性，為了得到具有統(tǒng)計意義的實驗數(shù)據(jù)，采用4種算法對每段視頻重復10次跟蹤過程，每次的初始跟蹤框的位置和大小均進行隨機小幅度調整.表1給出了10次平均成功跟蹤幀數(shù)以及10次中成功完成跟蹤直至視頻結束的次數(shù).從結果中可以看出本文方法對于8段中6段視頻都能較好完成跟蹤，對于比較困難的“Skating1”和“Skating2”兩段視頻的跟蹤成功率也在50%以上.而BWH+MS、OAB以及MIL對于8段視頻中的4～5段幾乎都無法完成跟蹤，對于比較困難的 Skating1、Skating2和Singer則在10次測試中從未成功完成過跟蹤任務.通過比較可以看出，本文算法具有較強的魯棒性和較高的準確性.

表1 跟蹤結果數(shù)據(jù)統(tǒng)計 幀/次數(shù)

5 結語

視頻目標跟蹤是計算機視覺領域的經典問題之一，之所以歷經數(shù)十年始終保持研究熱度是由于視頻跟蹤問題本身的復雜性.與傳統(tǒng)的目標檢測和識別問題不同，在實際應用中待跟蹤目標和背景的表觀特征經常會發(fā)生快速且劇烈的變化.這些現(xiàn)象對跟蹤算法的魯棒性和快速適應能力提出了極高的要求.本文方法充分考慮到這些困難，將Mean-shift算法、多特征融合、魯棒搜索以及模板更新等多種算法策略結合在一起，取得了比較好的跟蹤效果.

然而本文仍存在一些問題有待改進，首先是算法的參數(shù)較多，不易調節(jié)和操作;其次是算法沒能實現(xiàn)跟蹤框大小的自動調節(jié)，對于由完全遮擋造成的目標消失現(xiàn)象也未給出全面的解決方案.未來的工作將圍繞上述問題展開，并將跟蹤算法應用于某一特定任務，取得應用成果.

［1］GRABNER H，BISCHOF H.Online boosting and vision［C］//Computer Society Conference on Computer Vision and Pattern Recognition.New York:IEEE，2006:260-267.

［2］GRABNER H，GRABNER M，BISCHOF H.Real-time tracking via on-line boosting［C］//British Machine Vision.Edinburgh:Springer，2006:47-56.

［3］BABENKO B，YANG Ming-Hsuan，BELONGIE S.Robust object tracking with online multiple instance learning［J］. IEEE Transactionson Pattern Analysisand Machine Intelligence，2011，33(8):1619-1632.

［4］YONG Rui， CHENG Yunqiang. Betterproposal distributions:object tracking using unscented particle filter［C］//IEEE ComputerSocietyConferenceon Computer Vision and Pattern Recognition.Redmond:IEEE，2001:786-793.

［5］TEHRANI N H，TAKEUCHI A，MITA S，et al.On-road multivehicle tracking using deformable object model and particle filter with improved likelihood estimation［J］.Intelligent Transportation Systems，IEEE Transactions on，2012，13(2):748-758.

［6］SANTHOSHKUMAR S，KARTHIKEYAN S，MANJUNATH B S.Robust multiple object tracking by detection with interacting markov chain monte carlo［C］//IEEE International Conference on Image Processing.Melbourne:IEEE，2013:2953-2957.

［7］TIAN Jun，QIAN Jiansheng，LI Shiyin，et al.Visual tracking with adaptive multi-cue fusion particle filter［J］.Optics and Precision Engineering，2010，18(10):2254-2261.

［8］DORE A，SOTO M，REGAZZONI C S.Bayesian tracking for video analytics［J］.Signal Processing Magazine，2010，27(5):46-55.

［9］COMANICIU D，RAMESH V，MEER P.Real-time tracking of non-rigid object susingmean shift［C］//IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Hilton:IEEE，2000:142-149.

［10］DU Kai，JU Yongfeng，JIN Yinli，et al.MeanShift tracking algorithm with adaptive block color histogram［C］//ConsumerElectronics， Communications and Networks (CECNet)，2012 2nd International Conference on.Yichang:IEEE，2012:2692-2695.

［11］WANG Daihou，WANG Changhong，QU Zhenshen.Adaptive model mean shift tracking［C］//Fifth International Conference on Machine Vision(ICMV 12).International Society for Optics and Photonics.Wuhan:SPIE，2013:878403-878405.

［12］YILMAZ A，LI X，SHAH M.Contour-based object tracking with occlusion handling in video acquired using mobile cameras［J］.Pattern Analysis and Machine Intelligence，IEEE Transactions on，2004，26(11):1531-1536.

［13］JEAN J H，LIAN F L.Robust visual servo control of a mobile robot for object tracking using shape parameters［J］.Control Systems Technology，IEEE Transactions on，2012，20(6):1461-1472.

［14］OJALA T，PIETIK?INEN，HARWOOD D.Performance evaluation of texture measures with classification based on Kull back discrimination of distributions［C］//Proceedings of the 12th IAPR International Conference on Pattern Recognition.Israel:IEEE，1994:582-585.

［15］SALBERG A B，HARDEBERG J Y，JENSSEN R.Rotation invariant image description with local binary pattern histogram fourier features［C］//ISCIA 2009 Proceedings.Heidelberg:Springer，2009:61-70.

［16］KWON J，LEE K.Visual tracking decomposition［C］//IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Francisco:IEEE，2010:1269-1276.

［17］COMANICIU D，MEMBER V，MEER P.Kernel-based object tracking［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25(5):564-575.

［18］HOSSEINI M S，PLATANIOTIS K S.Temporal derivatives in compressed video sensing［C］//MMSP 2012 IEEE 14th International Workshop on.Banff，AB:IEEE，2012:31-36.

［19］JEYAKAR J，BABU R V，RAMAKRISHNAN K R.Robust object tracking with background-weighted local kernels［J］.Computer Vision and Image Understanding，2008，112(1):296-309.