張 晶，王 旭,范洪博

(昆明理工大學(xué)信息工程與自動化學(xué)院，云南 昆明 650500)

1 引言

目標(biāo)跟蹤在計算機(jī)視覺領(lǐng)域是一個熱門話題，通過信息融合技術(shù)將不同種傳感器獲取的目標(biāo)特征信息進(jìn)行融合來實現(xiàn)場景中的目標(biāo)跟蹤將越來越引起人們關(guān)注。目標(biāo)跟蹤過程會受多種因素干擾，其中包括遮擋、環(huán)境光照變化、目標(biāo)連續(xù)變化而導(dǎo)致的顏色、邊緣的相應(yīng)變化。這些常見問題是目標(biāo)跟蹤亟需解決的。近年來研究者針對這些問題提出了很多優(yōu)秀的跟蹤算法，比如：多示例學(xué)習(xí)MIL(Multiple Instance Learning)算法[1]對當(dāng)前跟蹤結(jié)果小鄰域采樣構(gòu)成正包，在其大鄰域圓環(huán)內(nèi)采樣構(gòu)成負(fù)包進(jìn)行多示例學(xué)習(xí)，從而獲得分類器進(jìn)行目標(biāo)判斷；改進(jìn)的多示例學(xué)習(xí)IMIL(Improved Multiple Instance Learning)算法[2]根據(jù)壓縮感知理論設(shè)計隨機(jī)測量矩陣，然后利用多示例學(xué)習(xí)，后面的處理與MIL算法一致；快速壓縮跟蹤FCT(Fast Compressive Tracking)算法[3]是一種基于數(shù)據(jù)獨(dú)立的多尺度圖像特征空間的特征模型，稀疏的測量矩陣壓縮了前景目標(biāo)和背景圖像，并不斷更新，最后通過貝葉斯分類器進(jìn)行目標(biāo)判斷；增量視覺跟蹤器IVT(Incremental learning for robust Visual Tracking)[4]在獲得當(dāng)前幀之前若干幀跟蹤結(jié)果所構(gòu)成的圖像空間條件下，對所得圖像空間進(jìn)行主成分分析PCA(Principal Component Analysis)處理，獲得歷史跟蹤結(jié)果的均值和特征向量，構(gòu)成特征子空間，每5幀更新一次，并將粒子濾波確定的候選模型送入特征空間，計算其與特征子空間中心的距離，輸出距離最優(yōu)者；視覺跟蹤分解VTD(Visual Tracking Decomposition)算法[5]將基本的觀測模型和基本的運(yùn)動模型聯(lián)系起來，設(shè)計多個基本跟蹤器，然后將所有的基本追蹤器都集成到一個復(fù)合跟蹤器中，在這個框架中，基本跟蹤器在并行運(yùn)行的同時進(jìn)行交互。通過與其它跟蹤器交換信息，每一個跟蹤器進(jìn)一步提高性能，從而提高了跟蹤的整體性能；基于盒粒子濾波的群目標(biāo)跟蹤Box-PF(group targets tracking algorithm based on Box Particle Filter)算法[6]是一種基于廣義似然加權(quán)方法改進(jìn)的粒子濾波算法，利用廣義似然函數(shù)的定積分來計算區(qū)間測量中粒子的權(quán)重，提出了一種基于方框粒子濾波的群跟蹤算法；TLD(Tracking-Learning-Detection)[7]將傳統(tǒng)跟蹤算法和傳統(tǒng)檢測算法相結(jié)合，同時，通過一種改進(jìn)的在線學(xué)習(xí)機(jī)制不斷更新跟蹤模塊的“顯著特征點(diǎn)”和檢測模塊的目標(biāo)模型及相關(guān)參數(shù)，從而使得跟蹤效果更加穩(wěn)定、魯棒、可靠。但是，為了達(dá)到跟蹤的魯棒性，近年來研究者引入了時空上下文的思想，將時間上下文環(huán)境與空間上下文信息結(jié)合進(jìn)行跟蹤，提出了時空上下文STC(Spatio-Temporal Context)算法[8]。

許多學(xué)者對時空上下文算法進(jìn)行了研究并提出了很多改進(jìn)，文獻(xiàn)[9]提出了干擾項和有貢獻(xiàn)區(qū)域的定義，在此基礎(chǔ)上進(jìn)一步細(xì)化上下文結(jié)構(gòu)。文獻(xiàn)[10]根據(jù)上下文不同區(qū)域與目標(biāo)區(qū)域運(yùn)動的相似性，對目標(biāo)周圍的灰度信息賦予不同的權(quán)值，增加算法的抗干擾能力。文獻(xiàn)[11]利用在線結(jié)構(gòu)化支持向量機(jī)建立物體間的空間約束信息模型來提高跟蹤的準(zhǔn)確性。文獻(xiàn)[12]提出了抗遮擋機(jī)制，將上下文區(qū)域分塊并基于顏色的相似度來判定目標(biāo)是否被遮擋，遮擋后采取分塊匹配來定位目標(biāo)的位置。文獻(xiàn)[13,14]提出將核粒子濾波KCF(Kernerlized Correlation Filters)算法輸出框進(jìn)行保守相似度計算，對相似度低的輸出框進(jìn)行檢測器檢測，檢測到單一聚類框再輸出。

文獻(xiàn)[9，10]提出的算法不具有抗遮擋機(jī)制，而文獻(xiàn)[12]提出的算法采取了顏色直方圖相似度進(jìn)行遮擋判斷，準(zhǔn)確率不高，文獻(xiàn)[13,14]在一些復(fù)雜情景中，對于檢測器檢測到的多個候選目標(biāo)，卻不做輸出，降低了算法的跟蹤成功率。以上算法都存在目標(biāo)跟蹤過程中輸出窗口長期不變的問題，因此為了適應(yīng)目標(biāo)大小變化，解決STC算法跟蹤失敗問題，本文結(jié)合TLD框架思想提出一種自適應(yīng)目標(biāo)變化的時空上下文抗遮擋跟蹤算法STC-ALD(Anti-occlusion and adaptive target change visual tracking algorithm based on Spatio-Temporal Context)。初始化跟蹤點(diǎn)并進(jìn)行中值流跟蹤算法，預(yù)測下一幀跟蹤點(diǎn)位置，同時計算STC算法得到的目標(biāo)框的保守相似度，超過設(shè)定閾值即認(rèn)為跟蹤有效，然后將跟蹤點(diǎn)與STC前后輸出框的中心像素進(jìn)行運(yùn)動相似度計算[10]，對運(yùn)動相似度高的跟蹤點(diǎn)進(jìn)行窗口調(diào)整后輸出。相反地，跟蹤判定為無效就利用檢測器進(jìn)行檢測，對檢測到的單一聚類框直接輸出結(jié)果，直接輸出，而對多個聚類結(jié)果，目標(biāo)很有可能是其中的一個，本文算法將逐個計算其時空上下文模型并利用當(dāng)前空間模型計算置信度，最終將置信值最大的聚類框作為目標(biāo)輸出。

2 時空上下文視覺跟蹤

STC算法基于貝葉斯框架，在當(dāng)前幀確定上下文集合：Xc={c(z)=(I(z),z)|z∈Ωc(x*)}，其中x*是目標(biāo)區(qū)域中心，I(z)是目標(biāo)區(qū)域像素z的灰度值，Ωc(x*)是由目標(biāo)矩形確定的局部上下文區(qū)域的圖像灰度與位置的統(tǒng)計建模。通過一些基本的概率公式，計算置信度找到似然概率最大的位置，即為跟蹤結(jié)果。

置信度公式為：

(1)

其中,x和z表示像素坐標(biāo)，P(x|c(z),o)是目標(biāo)o與局部上下文區(qū)域空間關(guān)系的條件概率，P(c(z)|o)是局部上下文各個點(diǎn)x的上下文先驗概率。

P(c(z)|o)上下文先驗?zāi)Ｐ驮赟TC算法進(jìn)行以下計算：

P(c(z)|o)=I(z)ωσ(z-x*)

(2)

(3)

其中，ω′是歸一化參數(shù)，取值為[0，1]，σ是一個尺度參數(shù)，σ2是高斯函數(shù)方差，ωσ(z-x*)是區(qū)域中心加權(quán)的高斯函數(shù)，區(qū)域中心像素貢獻(xiàn)大，區(qū)域邊緣像素貢獻(xiàn)小。

在STC算法中將P(x|c(z),o)稱為空間上下文模型，定義為：

P(x|c(z),o)=hsc(x-z)

(4)

公式(1)中置信函數(shù)c(x)在STC算法中計算如下：

(5)

其中，b是歸一化參數(shù)，a是尺度參數(shù)，β是目標(biāo)形狀參數(shù)。將公式(2)和公式(5)代入公式(1)得：

(6)

而為了加快STC算法的運(yùn)行速度，將公式(6)兩邊進(jìn)行快速傅里葉變換，得空間上下文模型為：

(7)

空間上下文模型更新成時空上下文模型為：

(8)

其中，ρ為模型更新的學(xué)習(xí)率。

公式(1)～公式(7)均來自文獻(xiàn)[8]。

具體STC算法跟蹤過程概括如下：

(1)在t幀，將選定的目標(biāo)計算其置信度，以及計算得到上下文先驗?zāi)Ｐ汀?/p>

(2)計算當(dāng)前幀空間上下文模型。

(4)利用t幀的Ωc(x*)區(qū)域在t+1幀計算上下文先驗?zāi)Ｐ汀?/p>

(5)根據(jù)公式(1)、公式(6)，已知t+1幀的上下文先驗?zāi)Ｐ鸵约翱臻g上下文模型，利用公式(6)計算其置信度。

(6)將t+1幀得到的置信度最大點(diǎn)，做為目標(biāo)在t+1幀的位置，隨后返回第一步繼續(xù)計算下一幀。將每一幀的置信度的極值點(diǎn)作為目標(biāo)位置輸出。

3 自適應(yīng)目標(biāo)變化的時空上下文抗遮擋跟蹤算法

3.1 跟蹤點(diǎn)與STC前后輸出框運(yùn)動相似度計算

傳統(tǒng)的TLD算法采取中值流跟蹤算法，對跟蹤點(diǎn)進(jìn)行F-B(Forward-Backward)誤差消除，此算法在文獻(xiàn)[15]已經(jīng)詳細(xì)介紹，本文就不再闡述。但是，實驗發(fā)現(xiàn)直接利用F-B誤差消除錯誤跟蹤點(diǎn)，利用剩下的跟蹤點(diǎn)集進(jìn)行目標(biāo)尺度變化分析是不準(zhǔn)確的。如圖1所示，左側(cè)白色點(diǎn)表示經(jīng)過F-B誤差消除后的剩余跟蹤點(diǎn)，黑色線條表示跟蹤點(diǎn)位移向量。從圖中可以觀察到，在目標(biāo)框中的跟蹤點(diǎn)有些處于遮擋物上，利用這些跟蹤點(diǎn)對目標(biāo)尺度變化分析將帶來誤差。于是本文引入了跟蹤點(diǎn)與STC前后輸出框的中心像素運(yùn)動相似度計算方法，一旦相似度值大于閾值，即為可靠跟蹤點(diǎn)，利用這些跟蹤點(diǎn)進(jìn)行目標(biāo)尺度分析具有很高的準(zhǔn)確性。

Figure 1 Tracking point once removed and that compared to the two erasure圖1 跟蹤點(diǎn)一次消除與兩次消除的效果對比圖

(9)

(10)

最后，將每個跟蹤點(diǎn)與目標(biāo)中心像素的距離轉(zhuǎn)換成一種權(quán)值，即相似度，公式如下[10]:

(11)

3.2 目標(biāo)尺度變化的窗口調(diào)整

(12)

s1=λ*(MS-μ)*wt-1,

s2=λ*(MS-μ)*ht-1,

wt=wt-1*MS,

ht=ht-1*MS,

xt=xt-1+MDx-s1,

yt=yt-1+MDy-s2

(13)

其中,λ,μ為尺度參數(shù)，wt-1,wt,ht-1,ht為第t-1、第t幀目標(biāo)的矩形框的長、寬，(xt-1,yt-1),(xt,yt)為第t-1、第t幀的目標(biāo)矩形左上角坐標(biāo)。

即經(jīng)過兩次消除錯誤跟蹤點(diǎn)后，利用可靠跟蹤點(diǎn)分析目標(biāo)尺度變化，并輸出具體目標(biāo)矩形{(xt,yt),wt,ht}。

3.3 STC-ALD算法的時空模型更新

(14)

Figure 2 STC-ALD algorithm learning process of the spatial context model for target scale expansion圖2 STC-ALD算法對目標(biāo)尺度擴(kuò)展的空間模型學(xué)習(xí)圖

3.4 算法流程

綜上所述，自適應(yīng)目標(biāo)變化的時空上下文抗遮擋跟蹤算法具體流程如下：

(1)初始化跟蹤框。

(2)檢測器的學(xué)習(xí)。

(3)采取TLD中值流算法初始化跟蹤點(diǎn)以及利用目標(biāo)與局部區(qū)域的時空關(guān)系學(xué)習(xí)時空上下文模型，與上下文先驗?zāi)Ｐ陀嬎阒眯哦?，得到STC算法在下一幀的目標(biāo)框，同時對初始跟蹤點(diǎn)采取金字塔光流法來預(yù)測下一幀的跟蹤點(diǎn)位置。并采取3.1節(jié)的方法進(jìn)行相似度計算，同時計算STC的目標(biāo)框的保守相似度。

(4)若步驟(3)的保守相似度值大于0.5，則將跟蹤點(diǎn)進(jìn)行窗口調(diào)整并輸出。小于0.5就根據(jù)檢測器的檢測結(jié)果，對檢測到的單一聚類框直接輸出。而對多個聚類結(jié)果，目標(biāo)很有可能是其中的一個，利用當(dāng)前空間模型逐個計算其置信度，將置信度值最大的聚類框作為目標(biāo)輸出。

(5)學(xué)習(xí)與更新：本文算法對檢測器參數(shù)在線學(xué)習(xí)和更新與TLD算法一致，而對于STC算法的時空模型更新采取的是3.3節(jié)的方法。

(6)跟蹤下一幀，返回步驟(3)。

算法框圖如圖3所示。

Figure 3 Tracking flow chart of the STC-ALD algorithm 圖3 STC-ALD算法跟蹤流程圖

4 實驗結(jié)果

為驗證STC-ALD算法的魯棒性，本文對STC、STC-ALD進(jìn)行實驗對比驗證，除了原始的STC算法外，還挑選了上文提到的TLD算法，這些算法均有公開的C++代碼。而實驗的視頻資源來自吳毅老師發(fā)表的目標(biāo)跟蹤評測文獻(xiàn)[16]提到的評測視頻庫，保證了實驗的可信度。

本文算法是在STC公開的多尺度C++代碼上改寫的，主要增加了目標(biāo)尺度變化分析以及目標(biāo)檢測過程。因STC算法計算速度快，而本文在此基礎(chǔ)上增加了基于金字塔稀疏光流算法以及位移向量相似度判斷，以及跟蹤判定失效利用檢測器檢測，對多個聚類框進(jìn)行逐個置信度計算，故STC-ALD算法的實時性不會很低，具體算法運(yùn)行速度將在4.2節(jié)給出。本文的實驗環(huán)境為：Intel(R) i5-4590 3.30 GHz處理器、8 GB內(nèi)存，軟件環(huán)境為：Windows 7+VS2013+OpenCV。本文實驗對CarScale,David,Boy,FaceOcc2,Sylvester視頻序列直接采用評測文獻(xiàn)[16]中提供的 Ground truth 以及初始框的位置與大小，實驗序列包括目標(biāo)旋轉(zhuǎn)、遮擋、形變，快速運(yùn)動等挑戰(zhàn)條件來驗證本文算法的魯棒性，實驗視頻序列描述如表1所示。

Table 1 Video sequence description of the experiment表1 實驗視頻序列描述

4.1 實驗參數(shù)

在實驗過程中，STC-ALD算法提到的參數(shù)設(shè)置如下：公式(5)參數(shù)α=2.25,β=1，公式(8)參數(shù)ρ=0.075,與原STC算法是一致的，而本文提出的公式，如公式(11)的參數(shù)γ=4,與文獻(xiàn)[10]中的一致，公式(13)的參數(shù)λ=0.5，μ=1，與TLD算法公開源碼中的參數(shù)一致。

4.2 實驗結(jié)果

本文采取了跟蹤重疊率這一評判標(biāo)準(zhǔn)進(jìn)行評測，跟蹤重疊率定義為R=Area(Os∩Og)/Area(Os∪Og),其中Os是跟蹤器輸出的目標(biāo)框，Og是目標(biāo)真實大小框。∩、∪表示兩種框之間的交集與并集，Area(·)表示面積大小。5個測試視頻序列的跟蹤重疊率如圖4所示。圖5～圖8給出了具有代表性的跟蹤結(jié)果截圖。本文也給出了平均跟蹤精度，即平均中心位置誤差CLE(Center Location Error)以及跟蹤成功率，跟蹤重疊閾值取0.5。

Figure 4 Overlapping rate of the video sequence to be tested圖4 測試視頻序列的跟蹤重疊度圖

Figure 5 Tracking of scale changes圖5 尺度變化的跟蹤情景

Figure 6 Occlution圖6 遮擋情景

Figure 7 Scale variation 圖7 旋轉(zhuǎn)情景

Figure 8 Fast-moving (Test sequence of Boy)圖8 快速移動(測試序列Boy)

具體結(jié)果如表2和表3所示。而表4給出了在5個測試視頻中的平均幀率。

Table 2 Average center location error表2 平均中心位置誤差 像素

Table 3 Success rate of tracking表3 跟蹤成功率 %

Table 4 Average frame rate表4 算法平均幀率 (f/s)

4.2.1 目標(biāo)尺度變化

從圖4的David視頻跟蹤重疊率結(jié)果圖可以看出，初始階段本文算法與TLD算法出入不大，因目標(biāo)尺度變化不明顯，顯著跟蹤點(diǎn)兩次消除與TLD算法的一次消除后的跟蹤點(diǎn)基本一致。但是，在中期階段，即視頻序列#201～#488的時間段，目標(biāo)發(fā)生靠近鏡頭、自身轉(zhuǎn)動等尺度變化，很明顯傳統(tǒng)STC窗口不變的結(jié)果不是最優(yōu)的。同時，因為TLD算法將目標(biāo)框內(nèi)背景上的跟蹤點(diǎn)也進(jìn)行尺度變化計算，就導(dǎo)致了窗口調(diào)整過度。如圖5的David測試序列#454，明顯看出白色虛線窗口縮小過度了，而采取本文的兩次消除方法，只對運(yùn)動相似度高的跟蹤點(diǎn)進(jìn)行尺度變化，計算準(zhǔn)確很多，如淺黑色框所示。而從表2也可看出，本文算法較STC算法的平均中心位置誤差有所提高，與TLD算法差距也不大。從表3中可看出，本文算法的跟蹤成功率總體優(yōu)于STC算法，與TLD算法差距不大。當(dāng)目標(biāo)發(fā)生尺度變化時窗口不自適應(yīng)調(diào)整，不對具體目標(biāo)上下文區(qū)域進(jìn)行空間模型的學(xué)習(xí)將導(dǎo)致模型的學(xué)習(xí)不準(zhǔn)確，比如目標(biāo)縮小時，仍然一如既往采取同樣的上下文區(qū)域進(jìn)行學(xué)習(xí)，這將導(dǎo)致學(xué)習(xí)了過多的非目標(biāo)的灰度信息，從而導(dǎo)致追蹤失敗，如圖5的Sylvester測試視頻的#604。而從表2也可看出，Sylvester測試視頻中STC-ALD算法的平均中心位置誤差比STC算法的降低了接近70個像素，表示跟蹤準(zhǔn)確性得到很大提高。同樣從表3也可看出，本文算法的成功率也有所提高。

4.2.2 目標(biāo)遮擋

圖6的CarScale、FaceOcc2視頻序列出現(xiàn)了傳統(tǒng)STC算法發(fā)生跟蹤漂移現(xiàn)象，加入本文算法后的改進(jìn)，在CarScale視頻序列，因目標(biāo)一直處于靠近鏡頭的尺寸變化，而傳統(tǒng)STC算法跟蹤窗口不隨著目標(biāo)變大而進(jìn)行擴(kuò)大化的調(diào)整，那么在空間模型學(xué)習(xí)過程中，就降低了超出上下文區(qū)域的目標(biāo)灰度信息學(xué)習(xí)率，那么在這個變大的過程中，目標(biāo)一旦受到遮擋干擾就很容易發(fā)生跟蹤漂移甚至跟蹤失敗現(xiàn)象，如圖6的CarScale視頻序列#168，而本文算法就能很好地解決這樣的問題，如圖6的CarScale視頻序列#191。再結(jié)合表2和表3中CarScale序列的結(jié)果，本文算法因抗遮擋成功，跟蹤的中心位置誤差優(yōu)于STC算法，降低了接近80個像素，比TLD算法降低了接近90個像素，其成功率也是最優(yōu)的；而在FaceOcc2視頻序列中，目標(biāo)并未發(fā)生靠近或者遠(yuǎn)離鏡頭的尺度變化，那么傳統(tǒng)STC跟蹤算法在目標(biāo)未完全遮擋期間段，跟蹤效果很好，而本文算法是采取兩次消除錯誤跟蹤點(diǎn)，跟蹤效果與傳統(tǒng)STC算法出入不大，故中心位置誤差以及跟蹤成功率差距不大；而只采取一次消除錯誤跟蹤點(diǎn)的TLD算法，就存在目標(biāo)遮擋時的錯誤調(diào)整，即受到遮擋物上跟蹤點(diǎn)的影響，錯誤地進(jìn)行目標(biāo)窗口調(diào)整，如圖6的視頻#141，#255，#493。在最終的遮擋過度情景，STC算法就發(fā)生了跟蹤漂移現(xiàn)象，但是，本文采取TLD檢測機(jī)制，在遮擋物與在線目標(biāo)模型的保守相似度小于0.5后，利用上下文時空模型對檢測到的多個目標(biāo)計算其置信度，輸出最大值，所以具有跟蹤恢復(fù)機(jī)制，如圖7第2行的視頻#812。

4.2.3 目標(biāo)旋轉(zhuǎn)以及快速移動

Sylvester以及FaceOcc2視頻序列存在目標(biāo)旋轉(zhuǎn)情況，而從圖7中Sylvester視頻序列的部分實驗截圖可以看出，STC-ALD算法在目標(biāo)旋轉(zhuǎn)時仍然可以準(zhǔn)確跟蹤，最終在視頻結(jié)束時的跟蹤情況也是最優(yōu)的，如圖7第1行的視頻#1344。從表3可看出，其中心位置誤差比TLD算法還降低了幾個像素，即目標(biāo)旋轉(zhuǎn)對本文算法影響不大。而對于快速移動的目標(biāo)，如圖8中Boy測試視頻部分截圖，在視頻#510之后，STC跟蹤發(fā)生漂移現(xiàn)象，而本文算法具有跟蹤恢復(fù)機(jī)制，故可以持續(xù)跟蹤。從圖4的視頻序列跟蹤重疊率來看，本文算法也是最優(yōu)的，同時結(jié)合表2的中心位置誤差來看，本文算法的成功率也較STC算法有所提高。

5 結(jié)束語

傳統(tǒng)時空上下文目標(biāo)跟蹤算法存在兩個主要不足點(diǎn)：(1)目標(biāo)發(fā)生尺度變化時跟蹤窗口長期固定；(2)目標(biāo)丟失缺少跟蹤恢復(fù)機(jī)制。故本文提出一種自適應(yīng)目標(biāo)變化的時空上下文抗遮擋跟蹤算法(STC-ALD)，該算法采取TLD算法框架思想，利用中值流算法初始化跟蹤點(diǎn)，其次預(yù)測下一幀跟蹤點(diǎn)位置并利用F-B誤差算法消除錯誤跟蹤點(diǎn)，并采取STC算法確定輸出框，計算其保守相似度，當(dāng)保守相似度超過設(shè)定閾值即表示跟蹤有效，將跟蹤點(diǎn)與STC前后輸出框的中心像素進(jìn)行運(yùn)動相似度計算；然后利用運(yùn)動相似度高的跟蹤點(diǎn)進(jìn)行窗口調(diào)整并輸出，從而提高跟蹤的準(zhǔn)確性。同時，當(dāng)STC算法跟蹤失效時，就利用TLD檢測器進(jìn)行檢測，對單一聚類框直接輸出，而對多個檢測聚類框逐個計算其置信度，輸出置信度值最大的聚類框。這樣的跟蹤恢復(fù)機(jī)制大大提高了跟蹤的持續(xù)性。最后，進(jìn)行在線學(xué)習(xí)更新分類器的相關(guān)參數(shù)，提高檢測精度。大量實驗結(jié)果表明，本文的STC-ALD算法性能超過了STC和TLD算法，大大提高了跟蹤成功率和魯棒性。然而，本文算法只提取目標(biāo)簡單的灰度信息進(jìn)行學(xué)習(xí)和跟蹤，忽略了目標(biāo)具有的顏色特征以及形狀特征，為了提高跟蹤的準(zhǔn)確性，故接下來的研究重點(diǎn)是如何融合目標(biāo)多種信息進(jìn)行學(xué)習(xí)和跟蹤。