王希鵬，李 永，李 智，梁起明

武警工程大學(xué) 信息工程學(xué)院，西安 710086

目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)研究領(lǐng)域的熱點(diǎn)之一，目標(biāo)跟蹤技術(shù)被廣泛應(yīng)用于自動(dòng)駕駛、智能視頻監(jiān)控、軍事偵察、人機(jī)交互等多個(gè)方面。單目標(biāo)跟蹤是指在給定第一幀目標(biāo)框的情況下，在視頻的后續(xù)幀中自動(dòng)地標(biāo)出該目標(biāo)的位置和大小。早期的單目標(biāo)跟蹤算法以相關(guān)濾波為主，當(dāng)視頻場(chǎng)景中出現(xiàn)感興趣目標(biāo)時(shí)，濾波器會(huì)產(chǎn)生相關(guān)響應(yīng)峰值，而對(duì)于背景產(chǎn)生較低的響應(yīng)值，這類(lèi)濾波器非常適用于目標(biāo)定位的應(yīng)用場(chǎng)景。KCF[1]算法在CSK[2]算法的基礎(chǔ)上做出了改進(jìn)，KCF擴(kuò)展了多通道特征，采用HOG特征。直到現(xiàn)在，KCF算法依然憑借其速度方面的優(yōu)勢(shì)，在工業(yè)界被廣泛使用。2012年的AlexNet[3]網(wǎng)絡(luò)的提出是深度學(xué)習(xí)的開(kāi)端，之后，深度學(xué)習(xí)被廣泛應(yīng)用于目標(biāo)識(shí)別和目標(biāo)檢測(cè)領(lǐng)域。而在目標(biāo)跟蹤領(lǐng)域，基于深度學(xué)習(xí)的方法一直無(wú)法超過(guò)傳統(tǒng)算法。近幾年，隨著目標(biāo)檢測(cè)數(shù)據(jù)集的擴(kuò)充，跟蹤標(biāo)準(zhǔn)的完善，深度學(xué)習(xí)模型的不斷優(yōu)化，使得基于深度學(xué)習(xí)的目標(biāo)跟蹤方法取得了很好的成績(jī)。隨著深度學(xué)習(xí)方法的廣泛應(yīng)用，目標(biāo)跟蹤領(lǐng)域也開(kāi)始考慮引入深度學(xué)習(xí)模型建立全新的跟蹤框架。SINT[4]是第一個(gè)使用Siamese網(wǎng)絡(luò)解決目標(biāo)跟蹤問(wèn)題的算法。SiamFC[5]算法由于是端到端的跟蹤網(wǎng)絡(luò)，速度方面有了很大的提升，這使得基于Siamese神經(jīng)網(wǎng)絡(luò)的跟蹤器真正地流行了起來(lái)。CFNet[6]與SiamFC中的思路相似，不同之處在于將相關(guān)濾波（CF）整合為一個(gè)網(wǎng)絡(luò)層，并將其嵌入到基于Siamese網(wǎng)絡(luò)的框架中。Dsiam[7]在SiamFC框架的基礎(chǔ)上添加了目標(biāo)外觀(guān)變換轉(zhuǎn)換層和背景抑制變換層來(lái)提升網(wǎng)絡(luò)的判別能力，增強(qiáng)了模型在線(xiàn)更新的能力。SINT++[8]使用了自編碼器和生成式對(duì)抗網(wǎng)絡(luò)來(lái)生成多樣性的輸入正樣本塊。SA-Siam[9]使用雙網(wǎng)絡(luò)分別學(xué)習(xí)不同的特征，在網(wǎng)絡(luò)分支添加注意力機(jī)制和多層特征的融合。RASNet[10]同樣使用了注意力機(jī)制，使得網(wǎng)絡(luò)可以根據(jù)目標(biāo)的變化而自適應(yīng)地進(jìn)行調(diào)整。

目前的目標(biāo)跟蹤大多是短時(shí)跟蹤，而在實(shí)際應(yīng)用場(chǎng)景中，長(zhǎng)時(shí)間目標(biāo)跟蹤的應(yīng)用更廣泛。近年來(lái)，隨著LaSOT[11]、TrackingNet[12]等幾個(gè)數(shù)據(jù)集的公布，長(zhǎng)時(shí)跟蹤開(kāi)始受到更多的關(guān)注。與短時(shí)跟蹤相比，長(zhǎng)時(shí)跟蹤中一個(gè)視頻序列的幀數(shù)更多，場(chǎng)景更復(fù)雜。大多數(shù)長(zhǎng)期視覺(jué)跟蹤前期采用離線(xiàn)訓(xùn)練的Siamese網(wǎng)絡(luò)結(jié)構(gòu)，因此無(wú)法從在線(xiàn)更新得到性能提升。但是，由于長(zhǎng)期的不確定性，直接引入在線(xiàn)更新策略是非常冒險(xiǎn)的，不一定會(huì)得到更好的性能。

長(zhǎng)時(shí)視覺(jué)跟蹤比短期跟蹤更接近實(shí)際應(yīng)用。在基于相關(guān)濾波的目標(biāo)跟蹤算法中，LCMF[13]算法提出利用跟蹤置信度APCE進(jìn)行模板更新，之后的很多基于模型更新的目標(biāo)跟蹤器在APCE的基礎(chǔ)上進(jìn)行改進(jìn)[14-15]。Wang等[16]提出將相關(guān)濾波跟蹤器和重檢測(cè)模塊組合成長(zhǎng)時(shí)跟蹤器。Zhang等[17]提出了一種時(shí)空感知的相關(guān)濾波器，對(duì)時(shí)空信息進(jìn)行建模，同時(shí)設(shè)計(jì)重檢測(cè)機(jī)制對(duì)大量候選目標(biāo)框進(jìn)行采樣和評(píng)估以?xún)?yōu)化跟蹤結(jié)果?；谙嚓P(guān)濾波的長(zhǎng)時(shí)跟蹤算法中的重檢測(cè)機(jī)制大多采用粒子濾波采樣，計(jì)算量大，很難達(dá)到實(shí)時(shí)性要求。

本文針對(duì)長(zhǎng)時(shí)跟蹤問(wèn)題對(duì)Siamese網(wǎng)絡(luò)進(jìn)行改進(jìn)，在SiamFC算法的基礎(chǔ)上，對(duì)網(wǎng)絡(luò)多層特征進(jìn)行融合，提升網(wǎng)絡(luò)對(duì)目標(biāo)的判別性，設(shè)計(jì)一個(gè)短時(shí)記憶模塊，將響應(yīng)圖加權(quán)疊加，使算法更適應(yīng)目標(biāo)的動(dòng)態(tài)變化，減少目標(biāo)的跟蹤漂移。為驗(yàn)證本文算法的性能，在OTB2015和GOT-10K數(shù)據(jù)集上進(jìn)行測(cè)試，與當(dāng)前6種主流跟蹤算法比較，本文算法能夠有效提升跟蹤性能，在跟蹤成功率和精確度上均高于其他對(duì)比算法。

1 本文算法

本文在SiamFC的基礎(chǔ)上，對(duì)AlexNet網(wǎng)絡(luò)進(jìn)行多層特征融合，提高了網(wǎng)絡(luò)的特征提取能力。同時(shí)，引入了短時(shí)記憶模塊，通過(guò)視頻局部信息增強(qiáng)算法對(duì)跟蹤目標(biāo)的判別性，提升目標(biāo)跟蹤性能。

1.1 基于特征融合的Siamese網(wǎng)絡(luò)

Siamese網(wǎng)絡(luò)主要用來(lái)衡量輸入樣本的相似性。SiamFC分為模板分支和搜索區(qū)域分支，模板分支是輸入x大小為127×127×3，經(jīng)過(guò)特征提取網(wǎng)絡(luò)φ，可以得到一個(gè)6×6×128的卷積核φ(x)。搜索區(qū)域分支輸入z大小為255×255×3，經(jīng)過(guò)特征提取網(wǎng)絡(luò)φ，得到一個(gè)22×22×128的候選區(qū)域φ(z)。φ(x)與φ(z)進(jìn)行互相關(guān)操作，得到一個(gè)17×17×1的響應(yīng)圖，如公式（1）所示，*代表互相關(guān)運(yùn)算。從響應(yīng)圖中選取響應(yīng)最大的位置，作為目標(biāo)當(dāng)前的位置，進(jìn)行多尺度測(cè)試，得到目標(biāo)當(dāng)前的尺度，如公式（2）所示：

SiamFC損失函數(shù)采用logistic損失函數(shù)，對(duì)于輸出響應(yīng)圖中每個(gè)點(diǎn)的損失，計(jì)算公式如下：

v為網(wǎng)絡(luò)輸出的響應(yīng)圖中每個(gè)點(diǎn)的值，y為該點(diǎn)的標(biāo)簽，表示該點(diǎn)是否屬于標(biāo)注的目標(biāo)，y∈{-1,1}。公式（3）為響應(yīng)圖中每個(gè)點(diǎn)的對(duì)應(yīng)loss值，而對(duì)于響應(yīng)圖整體的loss，則采用所有點(diǎn)loss的均值，即：

其中，D是得到的響應(yīng)圖，u為D中的某一值，||D為響應(yīng)圖的大小。

特征提取對(duì)于目標(biāo)跟蹤非常重要，網(wǎng)絡(luò)特征提取能力的增強(qiáng)可以提升跟蹤精度[18-19]。近些年中，DenseNet[20]和SENet[21]均采用了特征融合的思想，將高層特征和底層特征結(jié)合在一起，提升了特征提取能力。將SiamFC算法中AlexNet網(wǎng)絡(luò)的第三個(gè)卷積層得到的底層特征和第五個(gè)卷積層得到的高級(jí)語(yǔ)義特征進(jìn)行融合，使最后經(jīng)網(wǎng)絡(luò)提取的特征既包含了底層特征，也包含了高級(jí)語(yǔ)義特征。表1中列出了網(wǎng)絡(luò)中各層參數(shù)、特征的大小和特征維度，過(guò)渡層C6的作用是改變C3層輸出特征大小，深度不變，通過(guò)步長(zhǎng)為1的卷積核使寬和高與C5層輸出一致，通過(guò)通道數(shù)可以看出，輸出通道數(shù)為C5和C6通道數(shù)相加得到的。網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1所示。

表1 基于多層特征融合的SiamFC網(wǎng)絡(luò)結(jié)構(gòu)Table 1 SiamFC network structure based on multi-layer feature fusion

圖1 基于多層特征融合的SiamFC網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 SiamFC network structure based on multi-layer feature fusion

圖2 為各層卷積特征圖可視化結(jié)果，分別取Box、Basketball、David3視頻序列中的某一幀搜索區(qū)域進(jìn)行特征提取。第二個(gè)卷積層的底層特征通過(guò)修改維度與第五個(gè)卷積層輸出高層特征拼接。多層特征的融合，增強(qiáng)了網(wǎng)絡(luò)對(duì)跟蹤目標(biāo)的判別性，提高了跟蹤算法的跟蹤性能。

圖2 各層卷積特征圖可視化Fig.2 Visualization of convolutional feature maps of each layer

1.2 短時(shí)記憶模塊

在目標(biāo)檢測(cè)領(lǐng)域，Chen等[22]提出整合大量的全局信息和局部信息來(lái)輔助關(guān)鍵幀的檢測(cè)，顯著提升了視頻物體檢測(cè)器的性能。目前基于Siamese的目標(biāo)跟蹤算法大多以第一幀目標(biāo)框?yàn)槟０?，之后將每一幀的搜索區(qū)域的特征和初始模板的特征進(jìn)行互相關(guān)操作，確定跟蹤目標(biāo)的位置。而在視頻目標(biāo)跟蹤中，目標(biāo)不是靜止不動(dòng)的，這使得跟蹤面臨很多困難：目標(biāo)遮擋，光照變化、目標(biāo)快速運(yùn)動(dòng)等，這些都會(huì)造成目標(biāo)特征的變化。但反過(guò)來(lái)，視頻目標(biāo)跟蹤意味著可以利用時(shí)序上的相關(guān)性來(lái)輔助目標(biāo)跟蹤。人們可以根據(jù)一些歷史信息，如位置、語(yǔ)義信息，來(lái)判斷這個(gè)外觀(guān)發(fā)生變化或者被遮擋的物體是否是跟蹤目標(biāo)。因此利用好時(shí)序信息輔助質(zhì)量比較差的幀上的目標(biāo)跟蹤是一個(gè)重要的研究方向。

本文考慮時(shí)序信息輔助目標(biāo)跟蹤，設(shè)計(jì)了一個(gè)短時(shí)記憶模塊。如圖3算法流程所示，記憶模塊將每一幀的跟蹤目標(biāo)的特征保存下來(lái)。歷史幀數(shù)過(guò)多，會(huì)影響運(yùn)算速度，占用內(nèi)存，本文短時(shí)記憶模塊中歷史幀數(shù)為3，即保存當(dāng)前幀的前3幀目標(biāo)的深度特征。當(dāng)前幀搜索區(qū)域特征φ(x)與歷史幀特征φ(mt-1)、φ(mt-2)、φ(mt-3)分別進(jìn)行相關(guān)運(yùn)算，得到3個(gè)響應(yīng)圖f(x,mt-1)、f(x,mt-2)、f(x,mt-3)。短時(shí)記憶模塊中的三個(gè)響應(yīng)圖代表當(dāng)前幀與前三幀跟蹤目標(biāo)的相似度，而前三幀的跟蹤目標(biāo)可能由于跟蹤錯(cuò)誤和誤差導(dǎo)致不是真實(shí)目標(biāo)的位置，這就需要對(duì)響應(yīng)圖進(jìn)行修正。max(f(x,mt))為當(dāng)前的第t幀與初始幀的響應(yīng)值最大值，數(shù)值在0到10之間，值越大，表示當(dāng)前越可能是跟蹤目標(biāo)，本文為降低跟蹤錯(cuò)誤帶來(lái)的影響，將此最大響應(yīng)值映射到0和1之間，再進(jìn)行平方，得到的值作為修正權(quán)值γt，如式（5）所示：

圖3 算法流程Fig.3 Algorithm flow

修正權(quán)值γ的作用是避免被錯(cuò)誤地跟蹤目標(biāo)污染短時(shí)記憶模塊輸出的響應(yīng)圖。R t-1表示t-1幀經(jīng)過(guò)修正之后的響應(yīng)圖R t-1=γt-1f(x,mt-1)。如果歷史幀跟蹤錯(cuò)誤，最大響應(yīng)值會(huì)減小，與響應(yīng)圖相乘之后，可以減小當(dāng)前搜索區(qū)域與錯(cuò)誤目標(biāo)的響應(yīng)圖在輸出值中的權(quán)重。將修正過(guò)后的3個(gè)響應(yīng)圖進(jìn)行平均后得到短時(shí)記憶模塊輸出的響應(yīng)圖f(x,mt)，公式如下：

搜索區(qū)域特征x與初始模板特征互相關(guān)得到響應(yīng)圖f(x,z)。兩個(gè)特征圖進(jìn)行加權(quán)融合，得到一個(gè)新的響應(yīng)圖F(x,m,z)，此響應(yīng)圖的最大值即為目標(biāo)最終的位置，公式如下：

2 實(shí)驗(yàn)結(jié)果分析

2.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

本文算法基于Python3.6實(shí)現(xiàn)，硬件實(shí)驗(yàn)環(huán)境為AMDRyzen7 2700X CPU、主頻3.7 GHz、內(nèi)存16 GB、顯卡GeForce GTX1080配置的計(jì)算機(jī)。訓(xùn)練數(shù)據(jù)采用GOT-10K[23]，epoch次數(shù)為50，批大小batchsize為8。測(cè)試數(shù)據(jù)集為OTB2015[24]和GOT-10K數(shù)據(jù)集。OTB2015數(shù)據(jù)集包含100段視頻，每個(gè)視頻序列包含了11個(gè)屬性。GOT-10K評(píng)估數(shù)據(jù)集包含180段視頻。

2.2 評(píng)估指標(biāo)

評(píng)估指標(biāo)采用跟蹤精確度和跟蹤成功率。跟蹤精確度反映了跟蹤算法估計(jì)的目標(biāo)位置中心點(diǎn)與標(biāo)注的中心點(diǎn)之間的距離。跟蹤成功率反映了算法估計(jì)的目標(biāo)位置與標(biāo)注位置之間的重合程度。

（1）目標(biāo)跟蹤成功率

a為跟蹤算法得到的目標(biāo)框，b為標(biāo)注的目標(biāo)框，||·表示區(qū)域內(nèi)的像素?cái)?shù)目，當(dāng)某一幀的os大于設(shè)定的閾值時(shí)，則該幀被視為成功的，成功幀的總數(shù)占所有幀的百分比即為成功率。os的取值范圍為0~1，因此可以繪制出一條曲線(xiàn)。

（2）目標(biāo)跟蹤精確度

跟蹤精確度計(jì)算了跟蹤算法估計(jì)的目標(biāo)位置中心點(diǎn)與標(biāo)注的中心點(diǎn)之間的距離小于給定閾值的視頻幀所占的百分比。不同的閾值得到的百分比不一樣，因此可以得到一條曲線(xiàn)。

2.3 性能評(píng)估

對(duì)于公式（7）中的權(quán)值λ，太大或太小都會(huì)引起跟蹤漂移。本文賦予基準(zhǔn)跟蹤器響應(yīng)得分更大的權(quán)重，λ∈[0.7，1]，本文通過(guò)在OTB2015數(shù)據(jù)集中的跟蹤結(jié)果確定λ取值為0.85。表2為λ取不同值時(shí)的跟蹤成功率和精確度。

表2 λ不同取值下的跟蹤結(jié)果Table 2 Tracking results of different λvalues

本文算法在OTB2015數(shù)據(jù)集中與5個(gè)跟蹤算法進(jìn)行比較：SiamFC、SRDCF[25]、CFNet、Staple[26]、fDSST[27]。圖4為6種算法在OTB2015數(shù)據(jù)集中的跟蹤精確度和成功率。本文算法在OTB2015的跟蹤精確度上排名第一，相比較于基準(zhǔn)跟蹤算法SiamFC（0.796），本文算法（0.807）提高了1.1%，在跟蹤成功率上排名第二，相比較于SiamFC（0.588），本文算法（0.593）提升了0.8%。圖5為本文算法與基準(zhǔn)算法SiamFC在GOT-10K數(shù)據(jù)集上的跟蹤成功率對(duì)比，在GOT-10K數(shù)據(jù)集的成功率指標(biāo)上，本文算法（0.543）高于SiamFC（0.539）。

圖4 在OTB2015中的跟蹤精確度和成功率Fig.4 Tracking accuracy and success rate in OTB2015

圖5 在GOT-10K中的跟蹤成功率對(duì)比Fig.5 Comparison of tracking success rate in GOT-10K

為更好地說(shuō)明本文跟蹤算法的性能，本文選擇了OTB2015數(shù)據(jù)集中10個(gè)視頻序列進(jìn)行跟蹤結(jié)果展示，如圖6所示，視頻序列由上到下依次為Soccer、Skating1、

圖6 算法跟蹤結(jié)果展示Fig.6 Visualization of tracking results

Girl2、DragonBaby、Couple、ClifBar、Car Dark、Box、Basketball，圖中綠色框?yàn)闃?biāo)注的目標(biāo)真實(shí)位置（Ground truth），藍(lán)色框?yàn)镾iamFC算法跟蹤結(jié)果，黃色框?yàn)樯衔乃岬降膶⒍鄬犹卣鬟M(jìn)行融合的SiamFC跟蹤算法（SiamFC multi-features，SiamFCMF），紅色框?yàn)楸疚乃岢龅慕Y(jié)合了多層特征融合和引入了短時(shí)記憶模塊的跟蹤算法。當(dāng)視頻中出現(xiàn)光照變化、目標(biāo)遮擋、快速運(yùn)動(dòng)、相似目標(biāo)干擾時(shí)，跟蹤框容易出現(xiàn)跟蹤漂移，如CarDark視頻序列對(duì)夜間場(chǎng)景中的車(chē)輛進(jìn)行跟蹤，受路燈和車(chē)輛燈光的影響，光照變化較大，背景復(fù)雜，第263幀中，SiamFC算法首先出現(xiàn)了跟蹤漂移，接著在第283幀，基于多層特征融合的SiamFCMF算法同樣出現(xiàn)了跟蹤漂移。在Box視頻序列中，第300幀時(shí)出現(xiàn)了目標(biāo)遮擋的現(xiàn)象，在308幀和320幀時(shí)SiamFC和SiamFCMF的跟蹤框均漂移到了旁邊的物體上，而本文算法保持了對(duì)目標(biāo)的穩(wěn)定跟蹤，有效避免了跟蹤漂移現(xiàn)象的出現(xiàn)。

表3和表4分別記錄了SamFC、SiamFCMF和本文算法在圖6中9個(gè)視頻序列上的跟蹤精確度和成功率，從表中可以看出，基于多層特征融合的SiamFCMF算法在7個(gè)序列的精確度和9個(gè)序列的成功率要優(yōu)于Siam-FC算法，本文算法的精確度和成功率均要優(yōu)于SiamFC和SiamFCMF算法，魯棒性良好。

表3 在9個(gè)視頻序列上的精確度Table 3 Accuracy on 9 video sequences

表4 在9個(gè)視頻序列上的成功率Table 4 Success rate on 9 video sequences

圖7 為OTB2015數(shù)據(jù)集中的Basketball視頻序列，第二行為SiamFC算法輸出的響應(yīng)圖，第三行為本文算法輸出的響應(yīng)圖。在第635幀時(shí)，跟蹤目標(biāo)靠近一名穿著同樣衣服，膚色相同的運(yùn)動(dòng)員。SiamFC響應(yīng)圖中干擾目標(biāo)的響應(yīng)值較大，與跟蹤目標(biāo)的響應(yīng)形成雙峰。在第645幀時(shí)，SiamFC算法已經(jīng)錯(cuò)誤跟蹤了干擾目標(biāo)，且響應(yīng)值較大，而本文算法未出現(xiàn)跟蹤錯(cuò)誤。第655幀，SiamFC響應(yīng)圖出現(xiàn)多處峰值，而本文算法的響應(yīng)值較為集中。

圖7 跟蹤響應(yīng)圖對(duì)比Fig.7 Comparison of tracking response map

圖8為本文跟蹤流程中各響應(yīng)熱力圖的展示，左側(cè)四張圖分別為當(dāng)前幀搜索區(qū)域與初始模板、t-1幀目標(biāo)、t-2幀目標(biāo)和t-3幀目標(biāo)的相關(guān)響應(yīng)熱力圖。從圖中可以看出，受到相似目標(biāo)干擾的影響，搜索區(qū)域與初始模板的響應(yīng)已經(jīng)偏移到了干擾目標(biāo)上，而搜索區(qū)域與前三幀的響應(yīng)還集中在被跟蹤目標(biāo)上，三個(gè)響應(yīng)圖通過(guò)修正系數(shù)進(jìn)行修正后融合得到短時(shí)記憶模塊輸出的響應(yīng)圖，再將此響應(yīng)圖與初始模板的響應(yīng)圖進(jìn)行加權(quán)融合得到最終的響應(yīng)圖，從而得到目標(biāo)的位置。

圖8 跟蹤流程響應(yīng)熱力圖展示Fig.8 Visualization of response heatmaps of tracking process

3 結(jié)論

針對(duì)長(zhǎng)時(shí)目標(biāo)跟蹤中的復(fù)雜場(chǎng)景和目標(biāo)遮擋等問(wèn)題，本文在SiamFC的基礎(chǔ)上，對(duì)AlexNet網(wǎng)絡(luò)進(jìn)行多層特征融合，提高了網(wǎng)絡(luò)的特征提取能力。同時(shí)，引入了短時(shí)記憶模塊，通過(guò)視頻局部信息增強(qiáng)算法對(duì)跟蹤目標(biāo)的判別性。在短時(shí)記憶模塊中，保存局部幀的目標(biāo)深度特征，將當(dāng)前幀的特征分別與初始模板特征和短時(shí)記憶的特征進(jìn)行互相關(guān)，對(duì)得到的兩個(gè)響應(yīng)圖加權(quán)融合，確定最終目標(biāo)位置。本文算法在OTB2015和GOT-10K數(shù)據(jù)集上進(jìn)行評(píng)估，跟蹤結(jié)果均優(yōu)于基準(zhǔn)的SiamFC算法，表明本論文算法能有效提升的跟蹤性能，并且達(dá)到了27幀/s的實(shí)時(shí)跟蹤速度。本文的下一步工作將對(duì)短時(shí)記憶模塊進(jìn)行改進(jìn)，并嘗試融合到其他目標(biāo)跟蹤算法中。