胡秀華 王長元 肖鋒 王亞文

摘 要：為解決在典型相關濾波框架模型中樣本信息判別性低引起的跟蹤漂移問題，提出一種利用空間結構信息的相關濾波目標跟蹤算法。首先，引入空間上下文結構約束進行模型構建的優(yōu)化，同時利用正則化最小二乘與矩陣分解思想實現(xiàn)閉式求解;然后，采用互補特征用于目標表觀描述，并利用尺度因子池處理目標尺度變化情況;最后，借助目標運動連續(xù)性進行目標受遮擋影響情況的判定，設計相應的模型更新策略。實驗結果表明，在多種典型測試場景中所提算法的準確率較傳統(tǒng)算法提高了17.63%，成功率提高了24.93%，可以取得較為魯棒的跟蹤效果。

關鍵詞：目標跟蹤;相關濾波;空間結構信息;模型優(yōu)化;更新策略

中圖分類號：TP391.4

文獻標志碼：A

文章編號：1001-9081（2019）04-1150-07

Abstract： To solve the tracking drift problem caused by the low discriminability of sample information in typical correlation filtering framework， a correlation filter based object tracking algorithm with spatial structure information was proposed. Firstly， the spatial context structure constraint was introduced to optimize the model construction， meanwhile， the regularized least square and matrix decomposition idea were exploited to achieve the closed solution. Then， the complementary features were used for the target apparent description， and the scale factor pool was utilized to deal with target scale changing. Finally， according to the occlusion influence of target judged by motion continuity， the corresponding model updating strategy was designed. Experimental results demonstrate that compared with the traditional algorithm， the precision of the proposed algorithm is increased by 17.63%， and the success rate is improved by 24.93% in various typical test scenarios， achieving more robust tracking effect.

Key words： object tracking; correlation filter; spatial structure information; model optimization; updating strategy

0?引言

作為計算機視覺領域的重要研究方向，目標跟蹤技術得到了越來越多的關注，并廣泛應用在視頻監(jiān)控、智能導航、遠程醫(yī)療等諸多方面。盡管目前已取得多類別框架的研究成果，但由于受到自身形變及運動變化、外界光照及相似物體干擾等復雜因素影響，目標的表觀模型持續(xù)發(fā)生變化，研究能夠有效自適應多種復雜條件的目標跟蹤算法仍然是一項棘手且重要的任務[1-3]。

相關濾波理論將輸入特征回歸為目標高斯分布來訓練濾波器，并通過分類器置信圖響應值進行目標位置估計，由于采用密集采樣并將空域中的卷積操作變換為了頻域中元素的點乘運算，使得其在跟蹤性能及計算效率方面具有諸多優(yōu)勢，得到了研究學者越來越多的重視[4]。Henriques等[5]指出通過循環(huán)位移操作可以近似得到樣本采樣窗口位移，并利用二維分塊循環(huán)矩陣表示樣本目標周圍的循環(huán)位移采樣，進而借助傅里葉變換實現(xiàn)高效學習與檢測。在此基礎上，Henriques等[6]又分析了模型數(shù)據(jù)與核矩陣的循環(huán)特性，指出循環(huán)矩陣的對角化可以借助離散傅里葉變換進行高時效的處理，并基于線性回歸與核脊回歸模型分別給出了線性相關與對偶相關的濾波器。Zhang等[7]基于貝葉斯框架建立了目標與其周圍區(qū)域的時空上下文關系，將目標跟蹤問題轉化為了分類器置信圖的求解，通過最大化目標位置似然函數(shù)求得最佳目標狀態(tài)估計，采用的傅里葉變換方法保證了算法的計算實時性?；谙嚓P濾波框架，Li等[8]給出了一種尺度自適應跟蹤策略，利用尺度池的思想解決了典型核相關濾波跟蹤算法中目標圖像塊搜索窗尺寸固定的問題，同時，采用的特征融合方法進一步增強了算法性能。通過學習狀態(tài)轉移和尺度估計兩個相對獨立的濾波器，Danelljan等[9]給出了尺度空間特征金字塔描述學習的判別式相關濾波模型，能夠有效用于尺度變化問題。錢堂慧等[10]通過采集多尺度圖像訓練得到多尺度分類器，實現(xiàn)了目標最佳尺度檢測，一定程度上解決了基于檢測的核相關濾波跟蹤算法不能有效處理目標尺度變化的問題。胡秀華等[11]利用物體建議邊界框檢測原理對核相關濾波器求得的目標初步預測狀態(tài)進行精處理，同時設計了遮擋情況判定準則，能夠有效用于目標表觀信息判別性低的場景，為后續(xù)研究提供了有益思路。

但是值得注意的是，典型的相關濾波跟蹤算法假設目標所處環(huán)境背景單一或均勻變化且運動狀態(tài)變化緩慢，當實際應用中視頻序列受多種復雜因素干擾影響且目標快速運動或嚴重形變時，這種假設往往不再成立，典型相關濾波算法的跟蹤效果也受到了一定程度的影響。針對相關濾波模型存在的典型邊界受限問題，Danelljan等[12]通過引入空間正則化項對相關濾波器系數(shù)空間進行位置補償，在更大范圍內采樣得到強判別性的負樣本，同時給出了基于高斯塞德爾方法的優(yōu)化策略，為后續(xù)研究提供了有益思路。Mueller等[13]提出了一種新的相關濾波框架，通過增加目標塊的上下左右四部分圖像塊進行模型約束，增加了更多的背景信息，可以有效處理旋轉等變化，而且新的模型框架具有閉環(huán)解，計算效率較高。Bibi等[14]旨在基于精確的變換檢測得分解決濾波優(yōu)化與目標響應問題，給出的模型框架側重于處理邊界影響，更適合處理快速運動與目標遮擋情況。Lukezic等[15]將通道可靠性與空域可靠性引入典型判別式相關濾波框架，并利用通道可靠性得分作為特征加權系數(shù)實現(xiàn)目標定位，可以有效擴大搜索區(qū)域，改善非矩形目標跟蹤效果。

因此，整體看來，相關濾波器的循環(huán)采樣過程容易受圖像邊界限制影響，且候選目標搜索范圍大多局限在小的局部區(qū)域內，這使得相關典型算法在目標存在快速運動或外界遮擋干擾影響時出現(xiàn)跟蹤漂移。現(xiàn)有研究成果雖然在一定程度上考慮了邊界受限，但在空間結構信息的利用、樣本選擇與模型構建等方面還有待深入研究。

1?問題分析

典型相關濾波算法在樣本目標圖像塊循環(huán)移位至圖像邊緣附近時易受到邊界效應影響，由此產出的錯誤樣本會減弱分類器的判別性能，采用的余弦窗處理雖然在一定程度上緩解了邊界影響，但是余弦窗將圖像塊的邊緣區(qū)域像素全部變?yōu)榱悖^濾掉了大量的需要學習的背景信息，降低了分類器的判別力。現(xiàn)有研究方法中采用了較大檢測區(qū)域的圖像塊與較小作用域的濾波器來提高真實樣本的比例，雖然可以提升快速運動目標的跟蹤魯棒性，但卻大幅削弱了相關濾波類別算法的實時性優(yōu)勢。本文擬利用空間結構約束進行目標模型優(yōu)化，可在不降低計算有效性的同時提升樣本信息的多樣性，并通過模型學習有效降低背景干擾信息的影響。

2?本文算法

針對典型相關濾波算法模型容易受到圖像邊界范圍限制的問題，考慮到依靠余弦窗濾波處理雖然可以緩解邊界受限但卻降低了背景信息的利用，本文引入空間結構約束進行模型構建的優(yōu)化，以提高樣本信息的多樣性與判別性;借助互補特征提高目標表觀描述的有效性，并利用尺度因子池處理目標尺度變化情況;同時，通過目標受遮擋影響情況的判定，設計模型更新策略，用于改善目標在復雜場景中的跟蹤性能。所提算法整體框架如圖2所示。

2.1?目標模型的優(yōu)化

對于典型的核相關濾波跟蹤算法，分類器的訓練過程可以看作嶺回歸問題，即

對于多通道特征，需要進一步利用多特征的相互獨立性及共軛梯度下降方法進行求解。

由式（5）可看出，上下文圖像塊的選擇對模型優(yōu)化結果起著重要影響，為充分利用空間結構信息，本文擬在全局空間中選取先前幀數(shù)中被判定為干擾背景所對應的圖像塊及其周圍區(qū)域采樣得到的與先前幀跟蹤結果不重疊的圖像塊作為上下文圖像塊，可以在保證計算效率的同時增強樣本的多樣性和判別性。通過求解式（5）可以得到優(yōu)化的相關濾波器訓練模型，進而用于當前幀候選圖像塊最佳位置預測。部分特征通道下上下文圖像塊及其對偶值的點乘結果示意效果如圖3所示。

是否利用空間結構信息進行分類器模型優(yōu)化所得到的目標響應效果如圖4所示。

圖4（a）給出了第39幀目標位置框信息。從圖4（b）、（c）可看出：在外界物體遮擋干擾情況下，考慮空間結構信息的目標模型得到的最大響應值受周圍干擾影響相對較小，在最佳目標狀態(tài)確定時能夠更好地區(qū)分目標與背景。

2.2?目標表觀描述與尺度自適應

為提高樣本信息的多樣性與判別性，文中采用顏色特征與方向梯度直方圖（Histogram of Oriented Gradients， HOG）兩種互補特征進行表觀描述。在顏色特征提取方面，將紅綠藍（Red Green Blue， RGB）三種顏色屬性細化為11種基本顏色;在HOG特征提取方面，對于圖像塊中每一個細胞單元，提取得到31維HOG特征向量，其中27維對應不同的方向通道，4維對應不同的歸一化因子;最終將提取得到的HOG特征與顏色特征串聯(lián)起來形成具有42通道的融合特征。

與此同時，尺度變化是跟蹤過程中不容忽視的基本問題，對于因目標與傳感器相對距離變化以及因外界遮擋或自身形變所導致的尺度變化情況，如果不考慮尺度因子，當目標尺度相對縮小時，大量背景信息容易引入跟蹤濾波器，當目標尺度相對增大時，目標局部信息便容易丟失，這兩種情況都很導致跟蹤漂移乃至失敗。本文利用多尺度縮放檢測的思想解決目標尺度變化問題，定義尺度因子池S={s1，s2，…，sL}，L為尺度變化數(shù)目，假定模板尺寸為rT，初始目標搜索窗尺寸為rs，對于依據(jù)各個尺度因子sl采集到的圖像塊尺寸slrs，在求取響應值時將其歸一化為rT，然后依據(jù)式（8）求得最佳響應值及其對應的目標尺度，即

其中：zsl為尺寸對應于slrs的候選樣本圖像塊。通過在多尺度縮放的圖像塊集合上進行目標檢測，可以求得響應值最大的候選圖像塊位置及相應尺度。

2.3?模型更新策略

目標表觀在連續(xù)幀間動態(tài)變化，需要對樣本及分類器進行適時更新，尤其當目標受遮擋或外界干擾影響時，合理的更新處理才能避免出現(xiàn)跟蹤漂移。通過研究當前幀與先前幀之間的相關性以及目標連續(xù)幀之間的時間平滑性，可以定義目標表觀變化率，并部分描述目標表觀受遮擋或干擾影響等情況[11]。

峰值旁瓣比（Peak to Sidelobe Ratio， PSLR）可用來量化相關性峰值的銳度，PSLR的值OPSLR越高，表明當前幀與先前幀之間的相關程度越高，則在第t幀有

其中：dtmax為置信圖峰值; μt、σt分別為置信圖旁瓣的均值與標準差。

置信圖平滑約束（Smooth Constraint of Confidence Map， SCCM）可用來描述目標連續(xù)幀之間具有的時間平滑性，SCCM的值OSCCM越高，表明當前幀與先前幀之間的平滑程度越差，且有

其中：為置信圖在連續(xù)幀間的偏移操作，Δ為連續(xù)幀間置信圖最大值位置之間的偏移量，dt-1、dt分別為第t-1與第t幀對應的置信響應圖。

因此，可以定義目標表觀變化率η，即

其中：ζ為相關性銳度與置信圖平滑度之間的平衡因子，依據(jù)目標表觀變化率及設置的表觀變化閾值可以對目標受外界遮擋或背景干擾影響情況作出初步判定。

對于某測試序列，可以得出目標跟蹤過程中各時刻的目標表觀變化情況，如圖5所示。

設置遮擋閾值為ξ，依據(jù)當前幀最佳目標受遮擋情況完成系數(shù)矩陣與樣本目標表觀更新。

2.4?時間復雜度分析

本文算法計算耗時主要集中在模型優(yōu)化求解、目標狀態(tài)估計以及模型更新方面。在模型求解方面，計算耗時主要取決于式（6），時間復雜度可表示為O（CMN），對于多通道特征，則需要對所有維特征通道進行計算，利用求和得出;在最佳目標估計方面，需要求解檢測響應置信圖峰值，計算耗時主要取決于式（7），涉及點積、傅里葉變換及逆傅里葉變換等操作，時間復雜度可表示為O（ log ），其中，×為考慮尺度因子的目標跟蹤區(qū)域;在模型更新方面，計算耗時取決于式（12）～（13），主要涉及矩陣求和運算，時間復雜度可以記為O（RcRl），其中Rc×Rl為模型系數(shù)矩陣大小。

3?實驗與結果分析

本文算法的實現(xiàn)環(huán)境為Matlab2018a，CPU為i5-7200U，雙核四線程，主頻為2.5GHz，內存為8GB。設每個細胞單元大小為4×4個像素，高斯核函數(shù)帶寬σ1=0.5，上下文圖像塊采樣個數(shù)為4，多尺度因子池取為[1，0.985，0.99，0.995，1.005，1.01，1.015]，平衡因子為ζ=1，遮擋閾值為ξ=0.7，模型更新學習率為ρ=0.01。為驗證本文算法的有效性，選擇基準庫中的8組具有背景干擾、光照變化、尺度變化、旋轉與形變、運動模糊及遮擋等復雜情況的視頻序列進行測試，并與6種典型算法相比，包括：利用核的循環(huán)結構（Circulant Structure of tracking-by-detection with Kernels， CSK）[5]、時空上下文學習（Spatio-Temporal Context learning， STC）[7]、核相關濾波（Kernelized Correlation Filter， KCF）[6]、判別性尺度空間跟蹤（Discriminative Scale Space Tracking， DSST）[9]、多特征尺度自適應濾波（Scale Adaptive filter with Multiple Features， SAMF）[8]、空間正則化判別性相關濾波（Spatially Regularized Discriminative Correlation Filter， SRDCF）算法[12]，

并采用中心位置誤差（Center Location Error， CLE），即人工手動標定給出的目標中心位置標準值與各跟蹤算法得到的目標中心位置大小估計求得的值之間的距離，以及邊界框重疊率（Bounding Box Overlap Rate， BBOR），即基準結果區(qū)域與跟蹤算法跟蹤結果區(qū)域的交與并結果中像素個數(shù)比值定量評價各跟蹤算法性能。

3.1?定量評價

不同時刻不同算法在各測試序列中的中心位置誤差值如圖6所示，不同時刻不同算法在各測試序列中的邊界框重疊率如圖7所示，不同算法在各測試序列中的中心位置誤差平均值、整體跟蹤準確率（Precision Rate， PR）（依據(jù)中心位置誤差閾值（20個像素））、邊界框重疊率平均值、整體跟蹤成功率（Success Rate， SR）（依據(jù)邊界框重疊率閾值（0.6）），以及各算法在測試序列中的每幀平均耗時（Average Time Per Frame， ATPF）如表1～2所示。

由圖6～7可看出，本文算法充分利用了目標空間上下文結構信息，在求得最佳目標狀態(tài)時能夠更好地區(qū)分目標與背景。通過引入的尺度因子池可以更有效地估計出目標中心位置及尺寸大小，同時，引入的運動連續(xù)性及模型更新過程中目標表觀受遮擋影響情況的判定，使得新算法能夠更有效地適應外界遮擋及干擾等復雜情況，適用性好。

從表1～2可看出：本文算法可以充分利用空間結構信息優(yōu)化分類器模型的構建，并通過尺度自適應處理和遮擋情況判定提高算法對復雜場景的適應能力，在各典型測試環(huán)境下均取得了相對較優(yōu)的跟蹤效果，雖然計算實時性相對較低，但整體跟蹤性能穩(wěn)定。與SRDCF算法相比，本文算法的跟蹤準確率提高了17.63%，成功率提高了24.93%。

3.2?定性評價

部分時刻各算法在不同典型測試序列上的部分跟蹤效果如圖8所示。

bird2測試序列中存在目標自身的旋轉運動形變和背景物體的遮擋干擾等情況，如圖8（a）所示。在第10幀，受外界物體遮擋影響，CSK和STC算法出現(xiàn)了明顯的跟蹤漂移;在第46幀時，目標做反方向運動，各算法跟蹤誤差都有所增加，DSST和SRDCF等算法逐漸丟失了目標，在后續(xù)的跟蹤過程中也沒有能夠重新找回目標，但SAMF和本文算法能夠快速地找準目標，有效實現(xiàn)較為完整的跟蹤過程。

box測試序列中目標受外界遮擋影響嚴重，并存在背景干擾、旋轉形變與尺度變化等復雜因素，如圖8（b）所示。在第88幀，目標在旋轉過程中出現(xiàn)運動模糊，CSK算法跟蹤誤差明顯增加并導致跟蹤失敗;在第447幀后，目標逐漸被外界遮擋并移入復雜背景中，KCF和SRDCF等算法不能重新找回目標，跟蹤誤差明顯增加直至丟失目標，整體看來，SAMF和本文算法能有效實現(xiàn)完整跟蹤，跟蹤性能相對較優(yōu)。

coke測試序列中目標做持續(xù)旋轉運動，并在部分時刻被完全遮擋，如圖8（c）所示。在第36幀，受外部遮擋影響，STC算法存在明顯跟蹤漂移乃至跟蹤失敗;在第56～75幀，受目標旋轉變形影響，KCF和SAMF算法跟蹤誤差顯著增加;而在第251～273幀，目標受外界遮擋干擾，SAMF、SRDCF和本文算法跟蹤誤差都有所增加，但在遮擋情況消失時本文算法能快速重新準確估計出目標運動狀態(tài)，其中，由于本文算法考慮了目標空間結構信息與遮擋情況判定，跟蹤性能相對較優(yōu)。

dudek測試序列中目標受光照和背景干擾影響，并伴隨持續(xù)運動與尺寸變化，如圖8（d）所示。在第681～746幀，目標在背景干擾中運動，各算法跟蹤誤差都有明顯增加;在第786幀之后，目標表觀變化明顯，STC算法出現(xiàn)明顯跟蹤漂移，而在第927幀，目標面部旋轉明顯，KCF和SAMF等算法也出現(xiàn)不同程度的跟蹤漂移，而利用空間結構信息和表觀變化情況判定的本文算法跟蹤效果較為穩(wěn)定。

faceocc1測試序列中目標受外界遮擋與干擾情況顯著，如圖8（e）所示。隨著外界遮擋面積的逐漸增加及減小，各跟蹤算法性能出現(xiàn)明顯波動，而在第216幀之后，隨著遮擋物的出現(xiàn)與移走，STC算法跟蹤誤差明顯增大，并逐漸丟失目標;整體看來，SAMF和本文算法跟蹤效果相對較優(yōu)。

jogging測試序列中目標受嚴重遮擋及相似物體干擾影響，如圖8（f）所示。在第62幀，受外界遮擋物干擾影響，各算法跟蹤誤差都有明顯增加，隨著遮擋物的移除，KCF和DSST等算法出現(xiàn)明顯跟蹤漂移，而SRDCF和本文算法能夠快速找回目標，跟蹤效果良好。

suv測試序列中目標受外部遮擋和背景干擾嚴重，如圖8（g）所示。在第511幀，受嚴重遮擋影響，目標逐漸淡出視野，CSK算法出現(xiàn)明顯的跟蹤偏差;在第793幀，隨著遮擋物的移除，STC算法出現(xiàn)明顯跟蹤漂移直至跟蹤失敗;整體看來，KCF和本文算法對目標運動趨勢判定基本正確，且KCF跟蹤性能明顯優(yōu)于其他算法。

trellis測試序列中目標受到強烈背景光照變化的干擾，并存在自身旋轉與尺度變化，如圖8（h）所示。受旋轉形變與光照變化影響，在第241～439幀，CSK算法跟蹤誤差相對較大;在第412幀之后，受光照變化和背景干擾影響，STC算法出現(xiàn)明顯跟蹤漂移乃至丟失目標;整體看來，SAMF和本文算法取得了較為魯棒的跟蹤效果。

4?結語

針對典型相關濾波算法中樣本信息判別性不足的問題，本文給出了一種利用空間結構信息的目標跟蹤算法。通過引入空間結構約束實現(xiàn)了模型構建的優(yōu)化，一定程度上減少了圖像邊界范圍受限的影響，提高了樣本信息的多樣性與判別性;采用的互補特征能夠有效表征目標表觀描述，引入的尺度因子池有助于處理目標尺度變化情形;此外，依據(jù)目標受遮擋影響情況設計了模型更新策略，可以有效適應目標表觀變化。實驗的定量和定性分析結果驗證了所提算法在多種復雜場景中能有效解決目標跟蹤性能低的問題。下一步的工作將著重研究不同通道特征之間的加權融合，并利用分塊處理解決遮擋問題。

參考文獻（References）

[1] WU Y， LIM J， YANG M H. Object tracking benchmark[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（9）： 1834-1848.

[2] KRISTAN M， LEONARDIS A， MATAS J， et al. The visual object tracking VOT2016 challenge results[C]// ICCV 2016： Proceedings of the 2016 IEEE International Conference on Computer Vision Workshops. Washington， DC： IEEE Computer Society， 2016： 98-111.

[3] 胡秀華. 復雜場景中目標跟蹤算法研究[D]. 西安： 西北工業(yè)大學， 2017：19-28. （HU X H. Research on object tracking algorithm in complex environment[D]. Xi'an： Northwestern Polytechnical University， 2017： 19-28.）

[4] CHEN Z， HONG Z， TAO D. An experimental survey on correlation filter-based tracking [EB/OL]. [2018-05-26].https：//arxiv.org/pdf/1509.05520.

[5] HENRIQUES J F， CASEIRO R， MARTINS P， et al. Exploiting the circulant structure of tracking-by-detection with kernels[C]// ECCV 2012： Proceedings of the 2012 European Conference on Computer Vision. Berlin： Springer， 2012： 702-715.

[6] HENRIQUES J F， RUI C， MARTINS P， et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（3）： 583-596.

[7] ZHANG K H， ZHANG L， LIU Q S， et al. Fast visual tracking via dense spatio-temporal context learning[C]// ECCV 2014： Proceedings of the 2014 European Conference on Computer Vision. Berlin： Springer， 2014： 127-141.

[8] LI Y， ZHU J. A scale adaptive kernel correlation filter tracker with feature integration[C]// ECCV 2014： Proceedings of the 2014 European Conference on Computer Vision. Berlin： Springer， 2014： 254-265.

[9] DANELLJAN M， HAGER G， KHAN F， et al. Accurate scale estimation for robust visual tracking[C]// CVPR 2014： Proceedings of the 2014 Proceedings of the British Machine Vision Conference. Nottingham： British Machine Vision Association Press， 2014： 65.1-65.11.

[10] 錢堂慧， 羅志清， 李果家， 等. 核相關濾波跟蹤算法的尺度自適應改進[J]. 計算機應用， 2017， 37（3）： 811-816. （QIAN T H， LUO Z Q， LI G J， et al. Scale adaptive improvement of kernel correlation filter tracking algorithm [J]. Journal of Computer Applications， 2017， 37（3）： 811-816.）

[11] 胡秀華， 郭雷， 李暉暉. 一種利用物體性檢測的目標跟蹤算法[J]. 西安電子科技大學學報（自然科學版）， 2017， 44（4）： 86-94. （HU X H， GUO L， LI H H. An object tracking algorithm based on objectness detection[J]. Journal of Xidian University， 2017， 44（4）： 86-94.）

[12] DANELLJAN M， HAGER G， KHAN F S， et al. Learning spatially regularized correlation filters for visual tracking[C]// ICCV 2015： Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway， NJ： IEEE， 2015： 4310-4318.

[13] MUELLER M， SMITH N， GHANEM B. Context-aware correlation filter tracking[C]// CVPR 2017： Proceedings of the 2017 IEEE International Conference on Computer Vision and Pattern Recognition. ?Washington， DC： IEEE Computer Society， 2017： 1387-1395.

[14] BIBI A， MUELLER M， GHANEM B. Target response adaptation for correlation filter tracking[C]// ECCV 2016： Proceedings of the 2016 European Conference on Computer Vision. Berlin： Springer， 2016： 419-433.

[15] LUKEZIC A， VOJIR T， ZAJC L C， et al. Discriminative correlation filter with channel and spatial reliability[J]. International Journal of Computer Vision， 2018， 126（7）： 671-688.

[16] RIFKIN R， YEO G， POGGIO T. Regularized least squares classification[EB/OL]. [2018-07-26]. http：//citeseerx.ist.psu.edu/viewdoc/download？doi=10.1.1.7.3463&rep=rep1&type=pdf.