王任華,王本璇,孔 軍,蔣晨琛

(1.中國人民公安大學(xué) 信息技術(shù)與網(wǎng)絡(luò)安全學(xué)院,北京 100038;2.香港理工大學(xué) 電子及資訊工程系,香港 999077;3.江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院,江蘇 無錫 214122)

目標(biāo)跟蹤一直是機(jī)器視覺研究領(lǐng)域中的一個(gè)基礎(chǔ)且重要的研究課題。隨著機(jī)器視覺領(lǐng)域研究的迅猛發(fā)展以及高質(zhì)量圖像數(shù)據(jù)采集技術(shù)的出現(xiàn),目標(biāo)跟蹤技術(shù)的發(fā)展也是日新月異[1]。當(dāng)然,這與目標(biāo)跟蹤技術(shù)的廣泛應(yīng)用也是密不可分的[2]。目標(biāo)跟蹤的工業(yè)應(yīng)用領(lǐng)域主要包括自動(dòng)監(jiān)控系統(tǒng)、智能醫(yī)學(xué)診斷、精確軍事偵察、機(jī)器人視覺導(dǎo)航等。此外,目標(biāo)跟蹤技術(shù)在場(chǎng)景理解、視頻語義分析、行為識(shí)別等學(xué)術(shù)領(lǐng)域也均具有重要的研究價(jià)值。但令人遺憾的是,目標(biāo)跟蹤的實(shí)現(xiàn)一直面臨著諸多干擾和挑戰(zhàn),其中最常見的就是目標(biāo)遮擋和目標(biāo)形變[3]。這主要是因?yàn)楦欉^程中,由于非剛性目標(biāo)的姿態(tài)動(dòng)作或者外界遮擋物的出現(xiàn),目標(biāo)的外觀信息會(huì)隨之發(fā)生變化,尤其是目標(biāo)的空間結(jié)構(gòu)會(huì)被打亂。這些視覺信息變化帶來的跟蹤誤差會(huì)隨著跟蹤的進(jìn)行而累積,最終導(dǎo)致跟蹤失敗。

鑒于相關(guān)濾波器(Correlation filter,CF)在目標(biāo)檢測(cè)中的良好表現(xiàn),Bolme等[4]將相關(guān)濾波器應(yīng)用到目標(biāo)跟蹤中,提出了基于最小輸出誤差平方和(Minimum output sum of squared error,MOSSE)的相關(guān)濾波跟蹤算法。隨后,眾多學(xué)者在此框架上提出了各種改進(jìn)算法,從利用更多有效特征、緩解邊界效應(yīng)、利用上下文信息、簡化模型復(fù)雜度、引入多分塊策略等眾多方面出發(fā),提升跟蹤效果。這其中Henriques等[5]提出的核化相關(guān)濾波(Kernelized correlation filters,KCF)跟蹤算法可以說是目前應(yīng)用最為廣泛的基于相關(guān)濾波的跟蹤算法。但KCF算法作為基于模板的跟蹤算法,對(duì)形變、遮擋等干擾十分敏感。為此,Bertinetto等[6]提出了Staple算法,通過分配固定的權(quán)重比例將顏色感知算法[7](Distractor-aware tracker,DAT)與相關(guān)濾波器進(jìn)行了聯(lián)合學(xué)習(xí),但固定權(quán)重的聯(lián)合在大多數(shù)復(fù)雜情況下無法很好地體現(xiàn)聯(lián)合的優(yōu)勢(shì)。為了解決跟蹤目標(biāo)的尺度變化問題,在MOSSE的基礎(chǔ)上,判別尺度空間跟蹤(Discriminative scale space tracker,DSST)算法[8]被提出。隨著深度學(xué)習(xí)在大多數(shù)視覺任務(wù)上的出色表現(xiàn),很多學(xué)者將深度特征引入基于相關(guān)濾波的跟蹤算法中[9-10],也有直接通過端到端的深度學(xué)習(xí)框架實(shí)現(xiàn)高性能的單目標(biāo)跟蹤[11,12]。但是這兩類深度方法通常需要大量的數(shù)據(jù)用來訓(xùn)練網(wǎng)絡(luò),同時(shí)對(duì)運(yùn)行平臺(tái)要求高,也很難滿足實(shí)時(shí)性的需求。

在當(dāng)前流行的眾多跟蹤算法中,基于多分塊的跟蹤算法因?yàn)槠鋵?duì)抗部分遮擋的有利特性而廣受歡迎。Li等[13]在連續(xù)蒙特卡羅框架下利用概率模型來估計(jì)每幀中瑣碎分塊分布的可信度,試圖識(shí)別和利用可靠的分塊并通過投票機(jī)制得到最優(yōu)位置。Liu等[14]利用結(jié)構(gòu)約束掩碼和判別式分塊選擇方案,提高了基于分塊的跟蹤器性能。Dong等[15]提出了一種新的循環(huán)結(jié)構(gòu)分類器進(jìn)行無遮擋檢測(cè)并建立分類器池,根據(jù)熵最小化準(zhǔn)則從分類器庫中選擇一個(gè)最優(yōu)分類器對(duì)受遮擋目標(biāo)進(jìn)行重新檢測(cè)。在基于多分塊的跟蹤算法中,目標(biāo)的外觀在結(jié)構(gòu)上是由目標(biāo)的若干個(gè)局部分塊構(gòu)成的。當(dāng)部分遮擋發(fā)生時(shí),目標(biāo)處仍有可見的分塊,可以用于提取目標(biāo)特征,為目標(biāo)定位提供了可靠的外觀表述信息。但這類算法通常在計(jì)算上非常復(fù)雜,同時(shí)不準(zhǔn)確的分塊通常會(huì)導(dǎo)致不穩(wěn)定的最終跟蹤結(jié)果。

在上述研究的基礎(chǔ)上,為了優(yōu)化基于相關(guān)濾波器的跟蹤算法,本文利用局部分塊模型應(yīng)對(duì)部分遮擋問題,同時(shí)考慮到局部與全局目標(biāo)的聯(lián)系,聯(lián)合全局模型與局部分塊模型來實(shí)現(xiàn)魯棒的目標(biāo)跟蹤。其中分塊的偏移信息將用來評(píng)估塊的可信度,緩解錯(cuò)誤信息分塊對(duì)最終結(jié)果的負(fù)面影響。這里的全局和分塊模型使用的均為自適應(yīng)互補(bǔ)模型,不但繼承了相關(guān)濾波模型的判別能力,而且具有顏色模型應(yīng)對(duì)大幅度的形變和部分遮擋的魯棒性。而在尺度估計(jì)模塊,不同于大部分的基于多分塊的模型使用分塊的相對(duì)位置得到目標(biāo)尺度,本文仍使用單獨(dú)的快速尺度估計(jì)模塊。最后本文提出的算法滿足實(shí)際應(yīng)用中的實(shí)時(shí)性需求。

1 基本原理

1.1 基于核相關(guān)濾波器的目標(biāo)跟蹤

在KCF算法[5]中,對(duì)于一組樣本與標(biāo)簽(x1,y1),(x2,y2),…,(xm,ym),濾波器w可以通過對(duì)訓(xùn)練樣本和標(biāo)簽之間關(guān)系的計(jì)算得到。對(duì)于樣本xi來說,計(jì)算得到的f(xi)=wTxi最好可以保證與回歸目標(biāo)yi之間的誤差最小

(1)

式中:λ為正則參數(shù),為了防止過擬合發(fā)生。式(1)的矩陣形式為

(2)

式中:數(shù)據(jù)矩陣X=[x1,x2,…,xn]T為樣本矩陣,y為回歸目標(biāo),對(duì)應(yīng)樣本標(biāo)簽。對(duì)w求導(dǎo),可以得到w的復(fù)數(shù)形式解為

w=(XHX+λI)-1XHy

(3)

式中:XH=(X*)T表示X的復(fù)共軛轉(zhuǎn)置矩陣,I為單位矩陣。利用離散傅里葉變換(Discrete Fourier transform,DFT)求解式(3)。這里的X符合循環(huán)矩陣的性質(zhì),能夠被離散傅里葉變換所對(duì)角化

(4)

(5)

式中:⊙表示像素點(diǎn)乘積,分號(hào)表示按像素點(diǎn)相除。利用循環(huán)矩陣的卷積性質(zhì)將式(5)化簡得到

(6)

由此時(shí)域中的解w可以通過傅里葉逆變換得到,避免了復(fù)雜的矩陣求逆等運(yùn)算。

同時(shí)考慮到實(shí)際應(yīng)用中大量的非線性可分的數(shù)據(jù),Henriques等[5]引入了核方法,利用映射函數(shù)的內(nèi)積即核函數(shù)來避免相關(guān)映射的直接求解。此時(shí)解w可以由映射后的樣本φ(xi)的線性組合[16]表示:w=∑iαiφ(xi)。由此得到嶺回歸的解

α=(K+λI)-1y

(7)

式中:α為由αi構(gòu)成的向量,K為核矩陣,由核函數(shù)k(x,x′)=φT(x)φ(x′)組成,I為單位矩陣。對(duì)于任意測(cè)試樣本z的濾波器響應(yīng)值可以表示為

Sf(z)=wTz=∑iαik(z,xi)

(8)

1.2 目標(biāo)全局模型

本文的目標(biāo)全局模型使用的是基于自適應(yīng)模型補(bǔ)償?shù)南嚓P(guān)濾波跟蹤器?；陬伾狈綀D的算法模型利用目標(biāo)與背景的顏色統(tǒng)計(jì)信息,可以有效應(yīng)對(duì)目標(biāo)形變,但無法在快速運(yùn)動(dòng)和運(yùn)動(dòng)模糊等方面上取得很好的成績?；诤讼嚓P(guān)濾波器的跟蹤模型由于其剛性模板的固有特性,對(duì)目標(biāo)形變十分敏感,本文提出自適應(yīng)權(quán)重聯(lián)合兩個(gè)模型,取長補(bǔ)短。該自適應(yīng)模型補(bǔ)償由加權(quán)疊加公式完成來,其表達(dá)式

Sglobal=ωhSh+ωfSf

(9)

式中:Sf和Sh分別是基于核相關(guān)濾波器模型和顏色模型的響應(yīng);ωf和ωh分別是濾波器模型和顏色模型的自適應(yīng)權(quán)重,且ωh=(1-ωf)。兩個(gè)模型的聯(lián)合權(quán)重取決于它們的置信度SE[17]。

該置信度評(píng)判由濾波器的響應(yīng)波動(dòng)程度得到,數(shù)學(xué)表達(dá)式為

(10)

聯(lián)合模型中顏色跟蹤器的響應(yīng)是根據(jù)有限區(qū)域上定義顏色直方圖特征計(jì)算得到[6]

(11)

式中:Ψ表示在區(qū)域Ω中基于樣本像素r的顏色直方圖特征,β為權(quán)重向量。該響應(yīng)可以看作是特征投票的平均值。其中β的求解可以由顏色跟蹤器的損失函數(shù)得到

(12)

解式(12)可以得到

(13)

式中:ρ(H)=N(H)/(H)表示在區(qū)域H中,非零特征的像素所占比例,N(H)=|{r∈H:Ψ[r]≠0}|表示有限區(qū)域H內(nèi)直方圖特征Ψ[r]不為零的像素個(gè)數(shù),λh為正則化項(xiàng),防止分母為零。

1.3 局部分塊模型

大多數(shù)的目標(biāo)跟蹤算法都是對(duì)目標(biāo)整體進(jìn)行檢測(cè)和定位的,但在這過程中,若目標(biāo)的外觀發(fā)生較大變化,單一的目標(biāo)外觀表示很難應(yīng)對(duì)這種突然的改變,尤其是在應(yīng)對(duì)遮擋問題的時(shí)候。對(duì)于這種問題,常見的解決方案是在跟蹤目標(biāo)之前將目標(biāo)劃分為若干分塊,用這些分塊的組合表述目標(biāo)外觀,這樣將更容易獲得合適的目標(biāo)外觀表示,最終獲得準(zhǔn)確的跟蹤結(jié)果。因而,這種基于多分塊的跟蹤策略主要被用于處理部分遮擋和形變等外觀發(fā)生大幅度變化的問題。

參考文獻(xiàn)[14]的分塊策略進(jìn)行分塊操作,如圖1所示。圖1中,1矩形框代表采樣區(qū)域,2矩形框代表目標(biāo)矩形框,可以由全局跟蹤模型得到全局響應(yīng)圖。3矩形框和4矩形框?yàn)榫植糠謮K,可以由局部跟蹤模型得到每個(gè)小分塊的響應(yīng)圖,最后由全局和局部分塊的響應(yīng)聯(lián)合得到最終目標(biāo)位置為點(diǎn)5。

（1）應(yīng)用齊波夫定律進(jìn)行礦產(chǎn)資源預(yù)測(cè)，要求礦區(qū)內(nèi)礦體是在相同地質(zhì)時(shí)期、相同地質(zhì)條件、相同地質(zhì)背景下形成的，且各礦體資源量滿足齊波夫分布定律。

(14)

L的值越大,說明該分塊的偏移越大,越不值得信任,若各個(gè)分塊的運(yùn)動(dòng)軌跡保持穩(wěn)定,L的值將穩(wěn)定在0左右。

1.4 全局與局部分塊的聯(lián)合估計(jì)

(15)

(16)

(17)

式中:max(Sglobal)表示全局模型響應(yīng)圖Sglobal的最大值。

1.5 尺度估計(jì)

(18)

式中:γ為懲罰項(xiàng)。

由此得到的最大響應(yīng)值所對(duì)應(yīng)的目標(biāo)尺寸即為當(dāng)前幀的目標(biāo)尺度。式(18)中的M和N可以分別通過下式更新得到

(19)

(20)

式中:t表示幀,θ表示學(xué)習(xí)率,F和G分別為訓(xùn)練樣本和高斯型期望值的離散傅里葉變換形式。

1.6 算法框架

本文的跟蹤算法框架圖如圖2所示。為了有效應(yīng)對(duì)復(fù)雜環(huán)境下的目標(biāo)遮擋問題,本文算法設(shè)置遮擋判斷機(jī)制,當(dāng)判斷當(dāng)前幀不存在遮擋時(shí),僅利用目標(biāo)的全局模型來獲得最終目標(biāo)位置;若判斷當(dāng)前幀存在遮擋,則聯(lián)合全局與局部分塊得到最終目標(biāo)位置。全局與局部的聯(lián)合權(quán)重來自于各自的置信度量,不僅包括各自的響應(yīng),還包括分塊的相對(duì)運(yùn)動(dòng)信息。本文算法借助分塊策略完善互補(bǔ)融合模型,可以有效應(yīng)對(duì)遮擋形變等復(fù)雜情況。

2 實(shí)驗(yàn)結(jié)果與討論

本文的實(shí)驗(yàn)是在Intel Core i5 CPU處理器上進(jìn)行的,計(jì)算機(jī)擁有3.20 GHz和8 GB內(nèi)存,代碼的編程平臺(tái)是Window7系統(tǒng)下的Matlab R2015a。

2.1 實(shí)驗(yàn)參數(shù)

與大部分的相關(guān)濾波跟蹤模型相同,本文使用HOG來表征所有圖像塊。本文實(shí)驗(yàn)中,λ的取值為0.01,濾波器模型和顏色模型的學(xué)習(xí)率分別設(shè)定為ηf=0.015和ηh=0.04,權(quán)重ωf和ωh的初始值設(shè)置為0.7和0.3,即ω0=0.7。同時(shí)本文的分塊數(shù)量為4,大小為目標(biāo)尺度的0.6倍。參考文獻(xiàn)[4],遮擋判斷閾值T0設(shè)置為35。對(duì)于尺度估計(jì)模塊,尺度因子a設(shè)置為1.02,尺度濾波的個(gè)數(shù)為33。

2.2 評(píng)估方法

Wu等[18]提出的OTB數(shù)據(jù)庫是目前最為流行的跟蹤基準(zhǔn),包含并整理了50個(gè)具有不同干擾屬性的視頻序列,其中所有的視頻序列可以劃分為11個(gè)不同的屬性,分別為目標(biāo)形變(Deformation,DEF),光照變化(Illumination variation,IV),遮擋(Occlusion,OCC),平面外旋轉(zhuǎn)(Out-of plane rotation,OPR),尺度變化(Scale variation,SV),快速移動(dòng)(Fast motion,FM),低分辨率(Low resolution,LR),運(yùn)動(dòng)模糊(Motion blur,MB),超出視野范圍(Out-of-view,OV),背景雜亂(Background clutters,BC),平面內(nèi)旋轉(zhuǎn)(In-plane rotation,IPR)。本文在實(shí)驗(yàn)中采用的就是該視頻數(shù)據(jù)集。

本文提出的算法與OTB數(shù)據(jù)集上的22個(gè)經(jīng)典算法[14]:IVT、L1APG、SemiT、CT、CPF、Frag、DFT、VR-V、BSBT、TLD、ORIA、ASLA、MTT、CXT、LOT、SMS、OAB、MIL、SCM、KMS、Struck、CSK以及KCF[5]、DSST[8]、RPT[13]、Staple[6]、SiamFC[11]一共27個(gè)算法在OTB2013視頻序列集合上來進(jìn)行對(duì)比實(shí)驗(yàn)。這27個(gè)算法包括了經(jīng)典的生成式跟蹤方法和判別式跟蹤方法,以及端對(duì)端的深度學(xué)習(xí)方法,同時(shí)將擁有相似思想的算法KCF、RPT、DSST和Staple列入對(duì)比實(shí)驗(yàn)。上述所有算法的代碼和數(shù)據(jù)結(jié)果分別從OTB數(shù)據(jù)庫和相應(yīng)作者的主頁上獲得。

2.3 實(shí)驗(yàn)結(jié)果與分析

本文采用OTB數(shù)據(jù)集中的OPE指標(biāo)進(jìn)行評(píng)估,即利用視頻序列中的第一幀作為實(shí)驗(yàn)的第一幀。不同屬性干擾下的對(duì)比實(shí)驗(yàn)結(jié)果分別如圖3和圖4所示,為了清晰顯示對(duì)比實(shí)驗(yàn)結(jié)果,圖中僅顯示前10名的算法結(jié)果。圖3為精確度圖,圖4為覆蓋成功率圖。從圖3、4可以看出,在精確度的對(duì)比上,本文算法在OCC、DEF、OPR、IPR和BC這5個(gè)主要屬性上都取得了第一名的表現(xiàn),其余屬性也都位列前三。在成功率的對(duì)比上,本文算法在OCC、DEF、IV、平面內(nèi)外旋轉(zhuǎn)等7個(gè)屬性上表現(xiàn)出了最具競爭力的性能。

對(duì)于遮擋、形變和旋轉(zhuǎn)干擾,無論是精確度還是成功率方面,本文算法都優(yōu)于經(jīng)典的深度學(xué)習(xí)算法SiamFC以及與本文思想類似的RPT和Staple算法。這一方面是由于分塊的策略在抗遮擋上發(fā)揮著重要作用。另一方面是多分塊與全局模型的結(jié)合,利用互補(bǔ)融合模型在旋轉(zhuǎn)和形變上的優(yōu)秀表現(xiàn),使本文的算法在實(shí)際復(fù)雜跟蹤環(huán)境中擁有較好的魯棒性,可以準(zhǔn)確定位目標(biāo)?？傮w而言,本文提出的跟蹤算法將自適應(yīng)模型補(bǔ)償引入多分塊的跟蹤框架,聯(lián)合全局和局部分塊模型,可以在復(fù)雜環(huán)境下實(shí)現(xiàn)魯棒的目標(biāo)跟蹤。

從算法準(zhǔn)確率和成功率的對(duì)比中,可以看出本文的跟蹤算法在各種復(fù)雜情形下都表現(xiàn)出優(yōu)異的性能。為了進(jìn)一步體現(xiàn)出本文算法的運(yùn)算復(fù)雜度和應(yīng)用價(jià)值,本實(shí)驗(yàn)選取了精度前10名的算法做實(shí)時(shí)性分析,結(jié)果如表1所示。從表中可以看出,本文的基礎(chǔ)算法KCF在數(shù)據(jù)庫上的平均速度為189 f/s,而由于本文所使用的分塊策略以及互補(bǔ)融合模型等操作導(dǎo)致算法的運(yùn)算復(fù)雜度上升,本文所提出的跟蹤算法(Ours)在數(shù)據(jù)庫上的平均速度僅為39 f/s,但也可以滿足實(shí)際應(yīng)用中的實(shí)時(shí)性要求。

同時(shí),為了更為直觀地展現(xiàn)算法在不同干擾因素的影響下在視頻序列上的跟蹤效果,本實(shí)驗(yàn)從OTB數(shù)據(jù)庫中選取了5個(gè)具有代表性的視頻序列,這些視頻序列包含的干擾屬性如表2所示。隨后,圖5展示了本文提出的跟蹤算法(Ours)與KCF算法、Staple算法、DSST算法、RPT算法在這5個(gè)視頻序列上的對(duì)比跟蹤效果,圖5從上到下的視頻序列依次為Bolt、CarScale、Couple、DragonBaby、Coke。

表2 視頻序列屬性表

從圖5可以明顯看出,在Bolt序列中,第10幀時(shí)KCF算法、DSST算法和RPT算法定位的目標(biāo)中心開始出現(xiàn)偏差,隨著跟蹤進(jìn)行,KCF算法和DSST算法出現(xiàn)目標(biāo)漂移,而RPT算法無法很好預(yù)測(cè)目標(biāo)尺度信息。隨著形變、背景雜亂等因素的影響,DSST算法和KCF算法定位的目標(biāo)位置完全偏離真實(shí)目標(biāo)位置。這主要是因?yàn)榛谙嚓P(guān)濾波的目標(biāo)跟蹤算法因其固有缺陷,無法應(yīng)對(duì)大幅度形變,在跟蹤非剛性目標(biāo)時(shí)表現(xiàn)不理想。而本文算法采用的基礎(chǔ)模型是自適應(yīng)互補(bǔ)模型,可以有效應(yīng)對(duì)形變等問題。在CarScale序列中,KCF算法無法應(yīng)對(duì)尺度變化,而DSST算法和RPT算法受遮擋和旋轉(zhuǎn)的影響,所定位的中心點(diǎn)發(fā)生偏移。在Couple序列中,背景雜亂、遮擋、形變、快速運(yùn)動(dòng)等多種干擾因素的影響十分嚴(yán)重。受到背景雜亂的干擾KCF算法和DSST算法在訓(xùn)練過程中引入過多的錯(cuò)誤訓(xùn)練樣本,濾波器判別目標(biāo)的能力下降,最終跟蹤失敗。隨著跟蹤進(jìn)行,非目標(biāo)像素逐漸累積,Staple算法無法有效利用其互補(bǔ)模型對(duì)其進(jìn)行矯正,定位的目標(biāo)中心發(fā)生較大偏差,而本文算法根據(jù)每一幀的響應(yīng)值來適時(shí)的調(diào)整權(quán)重比例,同時(shí)考慮到了利用多分塊的思想來設(shè)置抗遮擋機(jī)制,實(shí)現(xiàn)了較為穩(wěn)定準(zhǔn)確的跟蹤。同樣,在DragonBaby序列中,Staple算法也逐漸發(fā)生目標(biāo)中心偏差,KCF算法和DSST算法無法應(yīng)對(duì)旋轉(zhuǎn)和遮擋問題,RPT算法受快速運(yùn)動(dòng)和運(yùn)動(dòng)模糊的影響發(fā)生跟蹤結(jié)果漂移,而本文算法能始終成功定位到目標(biāo)(臉部)。在Coke序列中,第35幀和第265幀中的目標(biāo)遇到了較為嚴(yán)重的目標(biāo)遮擋,同時(shí)伴隨著光照變化,KCF算法、Staple算法、DSST算法和RPT算法都發(fā)生了不同程度的中心位置偏移。而本文算法通過遮擋判斷機(jī)制,通過多分塊的策略有效應(yīng)對(duì)遮擋問題,同時(shí)考慮到全局與局部信息的聯(lián)系,聯(lián)合全局與局部模型實(shí)現(xiàn)更為魯棒的目標(biāo)跟蹤。

3 結(jié)論

本文主要提出了一種聯(lián)合全局與局部分塊的相關(guān)濾波目標(biāo)跟蹤算法,在面對(duì)目標(biāo)嚴(yán)重遮擋時(shí),聯(lián)合全局響應(yīng)與局部分塊響應(yīng)獲取最終的目標(biāo)位置。為了緩解遮擋對(duì)算法的負(fù)面影響,利用局部分塊獲得響應(yīng),采用自適應(yīng)加權(quán)疊加的策略與全局模型進(jìn)行聯(lián)合來獲得嚴(yán)重遮擋情況下的目標(biāo)位置。同時(shí),在多分塊的跟蹤框架下,本文引入了自適應(yīng)模型補(bǔ)償?shù)母櫰?將融合模型的概念融入多分塊跟蹤中。本文提出的跟蹤算法從局部分塊中獲得了較強(qiáng)的抗遮擋能力,從自適應(yīng)互補(bǔ)模型的跟蹤器中獲得了較強(qiáng)的判別能力。此外,設(shè)置單獨(dú)的尺度處理模塊來處理尺度問題。通過OTB視頻數(shù)據(jù)集上的大量對(duì)比實(shí)驗(yàn),本文提出算法相較于其他算法,具有出色的識(shí)別目標(biāo)的能力,能在遮擋、形變等復(fù)雜環(huán)境下獲得較為準(zhǔn)確的跟蹤結(jié)果。在下一步的研究工作中,將致力于長時(shí)間跟蹤中的目標(biāo)完全丟失問題,設(shè)置重檢測(cè)模塊來提高跟蹤結(jié)果的精度,同時(shí)考慮降維策略來減少算法的運(yùn)行時(shí)間。