視頻監(jiān)控領(lǐng)域基于自適應(yīng)學(xué)習(xí)因子與積分通道特征的核相關(guān)目標(biāo)跟蹤算法

(中國民航機(jī)場建設(shè)集團(tuán)公司 西南分公司,成都 610201)

0 引言

目標(biāo)跟蹤是計算機(jī)視覺領(lǐng)域的重要組成部分，已經(jīng)廣泛應(yīng)用于視頻監(jiān)控，智能交通，制導(dǎo)等諸多應(yīng)用中。盡管近年來對目標(biāo)跟蹤應(yīng)用進(jìn)行了大量的研究，取得了重大的進(jìn)展。然而，由于跟蹤過程中目標(biāo)會遭受諸如遮擋、光照、形變等干擾的影響，將會導(dǎo)致跟蹤失敗或跟蹤漂移，因此目標(biāo)跟蹤任然是一個具有挑戰(zhàn)性的課題[1-10]。

現(xiàn)有的目標(biāo)跟蹤算法大致上可分為判別模型、生成模型以及二者的混合模型?；谏赡Ｐ偷母櫵惴ㄊ峭ㄟ^搜索與目標(biāo)模板最相似的區(qū)域來跟蹤目標(biāo)，但生成模型并沒有將背景信息考慮其中，損失了非常有用的背景信息[7-10]。判別模型把跟蹤看作分類問題，通過訓(xùn)練分類器來區(qū)分背景和目標(biāo)，同時動態(tài)地更新分類器參數(shù)以適應(yīng)目標(biāo)外觀變化[11-18]。盡管近年來圖像跟蹤領(lǐng)域提出了許多卓有成效的跟蹤算法，大大的改善了跟蹤的視覺效果與性能，然而目標(biāo)跟蹤在實(shí)際應(yīng)用中任然存在較多的挑戰(zhàn)性問題。

為了增強(qiáng)目標(biāo)外觀模型的可區(qū)分性，國內(nèi)外研究人員提出了多種基于多特征集成跟蹤算法，該類算法主要利用多特征的互補(bǔ)特性輔助解決單一特征無法完全表征目標(biāo)的所有形態(tài)的問題[10]。 最近，基于在線外觀模型的跟蹤算法[11-12]使用了Haar-like 特征[11]，該特征可以通過二分類器將目標(biāo)與背景分離，使用[10]中描述的積分圖像技巧可以有效地計算出目標(biāo)區(qū)域的Haar-like 特征；積分通道特征[13]主要使用不同通道的積分圖像提取的目標(biāo)區(qū)域特征。也就是說，利用輸入圖像顏色，梯度，Gabor直方圖等信息的線性或非線性變換來計算圖像通道。上文提到的Haar-like 特征可以描述為高階積分通道特征。這些特征在描述目標(biāo)方面具有獨(dú)特性和有效性。文獻(xiàn)[19]采用積分通道特征對目標(biāo)區(qū)域特征提取，使用在線多實(shí)例學(xué)習(xí)(MIL)來逐步地對疑似目標(biāo)的外觀模型進(jìn)行訓(xùn)練，實(shí)驗(yàn)結(jié)果表明積分通道特征具有豐富多樣的特征信息與高效的計算效率，通過將不同通道的特征整合起來，可以克服單一通道特征對目標(biāo)區(qū)域描述不足的缺陷。

為了實(shí)現(xiàn)干擾條件下對目標(biāo)的穩(wěn)定跟蹤，本文以核相關(guān)跟蹤模型為基礎(chǔ)框架，利用魯棒有效的集成通道特征提取目標(biāo)的多特征信息，提出了一種基于集成通道特征的核相關(guān)目標(biāo)跟蹤算法，該算法不僅具有KCF算法跟蹤的實(shí)時性，還具有目標(biāo)多特征的互補(bǔ)性，能夠在干擾條件下對目標(biāo)穩(wěn)定跟蹤。實(shí)驗(yàn)結(jié)果表明，本文提出的算法的跟蹤性能優(yōu)于現(xiàn)有的算法，且在多個基準(zhǔn)測試視頻上的跟蹤指標(biāo)也高于現(xiàn)有其他算法。

1 相關(guān)工作

為了清楚地描述本文提出的算法，本節(jié)將簡要地討論與本文算法密切相關(guān)的跟蹤算法，有興趣的讀者可以參考相關(guān)文獻(xiàn)獲取詳細(xì)信息。

1.1 基于核相關(guān)濾波的目標(biāo)跟蹤

基于核相關(guān)的跟蹤算法(KCF)主要利用目標(biāo)周圍區(qū)域的循環(huán)矩陣采集正負(fù)樣本，利用脊回歸訓(xùn)練目標(biāo)分類器，并成功的利用循環(huán)矩陣在傅里葉空間可對角化的性質(zhì)將矩陣的運(yùn)算轉(zhuǎn)化為向量的Hadamad積，即元素的點(diǎn)乘，大大降低了運(yùn)算量，提高了運(yùn)算速度，使算法滿足實(shí)時性要求[17]。

KCF算法的關(guān)鍵核心是利用脊回歸優(yōu)化算法訓(xùn)練出泛化能力較強(qiáng)的分類器，通過找出樣本xi與回歸目標(biāo)yi之間的均方誤差最小的函數(shù)f(z)=wTz。因此，線性回歸的目標(biāo)函數(shù)可以表示為:

(1)

其中:λ是其正則參數(shù)，用以調(diào)節(jié)分類器的泛化性能，w是對應(yīng)的權(quán)值系數(shù)。每個元素對應(yīng)一個樣本的標(biāo)簽，可由高斯函數(shù)產(chǎn)生，其中心值等于1，其循環(huán)移位后的衰減值表示0。 于是令其導(dǎo)數(shù)為0，可求得脊回歸的解析解為:

W=(XTX+λI)-1XTy

(2)

由于X是目標(biāo)樣本xi對應(yīng)的循環(huán)矩陣，則可以在DFT空間對角化表示為如下公式：

(3)

其中:F就是DFT矩陣。將等式(3)帶入等式(2)，可以求解出如下等式：

(4)

其中:*表示向量對應(yīng)的復(fù)共軛，且☉表逐點(diǎn)相乘。經(jīng)過以上分析可以得出，利用核技巧，該等式可以轉(zhuǎn)換成非線性的情況，如下所示：

(5)

常用到的核函數(shù)可以產(chǎn)生循環(huán)矩陣，雙空間系數(shù)α可通過以下公式獲取：

(6)

kxx稱之為核相關(guān)，可由以下等式計算：

kxx=κ(x,pi-1x)

(7)

核相關(guān)目標(biāo)跟蹤算法不論是在跟蹤效果還是跟蹤速度上都具有不錯的表現(xiàn)，學(xué)術(shù)界和工業(yè)界也在陸續(xù)把這個算法應(yīng)用在實(shí)際場景當(dāng)中以，并提出了很多改進(jìn)的算法。

1.2 集成通道特征

Dollar等人[13]提出的積分通道特征的基本思想是對輸入的原始圖像進(jìn)行線性或非線性圖像變換，如局部求和、直方圖、haar-like 特征以及其相應(yīng)的變體特征都可以通過積分圖高效魯棒的計算出來。積分通道特征具有豐富多樣的特征信息與高效的計算效率，通過將不同通道的特征整合起來，可以克服單一通道特征對目標(biāo)區(qū)域描述不足的缺陷。積分通道特征主要使用不同通道的積分圖像提取的目標(biāo)區(qū)域特征。正如文獻(xiàn)[13]所述，積分圖可以非常魯棒地計算出多尺度的矩形特征，且計算復(fù)雜度與圖像區(qū)域的大小無關(guān)。積分圖上任意一點(diǎn)(x,y)的值是指從灰度圖像的左上角與當(dāng)前所圍成的矩形區(qū)域內(nèi)所有像素點(diǎn)灰度值之和。

積分通道特征是一種對目標(biāo)進(jìn)行快速特提取的方法，通過聚合多類型通道特征得到的一種特征，融合形成的新特征性能遠(yuǎn)高于其他特征。積分通道特征從不同的角度集成多種特征信息，能夠有效的描述目標(biāo)的外觀模型，并且具有準(zhǔn)確的性很高的空間定位性。給定一副輸入圖像I,其所對應(yīng)的通道特征可定義為圖像的某種線性或非線性變換的輸出響應(yīng)：

lm=P(I)

(8)

其中：P表示某種計算函數(shù)，Im則表示輸出響應(yīng)，即通道特征。若Im=I表示該通道特征即為圖像本身。為了充分表達(dá)圖像中色彩和邊緣等具有較高判別性質(zhì)的特征，本文選取了6種類型的通道特征，分別為灰度特征、顏色空間特征(Color Name)、歸一化的梯度幅度、DoG紋理特征、 HOG 特征和 Gabor特征，然后使用平均池化技術(shù)實(shí)現(xiàn)特征的聚合，即鄰域內(nèi)特征點(diǎn)平均作為新的特征點(diǎn)。

2 基于積分通道特征的核相關(guān)目標(biāo)跟蹤

核相關(guān)跟蹤算法(KCF)是一個判別式跟蹤，利用循環(huán)矩陣獲取樣本去訓(xùn)練一個判別分類器，通過快速傅里葉變化對算法進(jìn)行加速計算，提高算法的跟蹤效率。由于KCF算法將單通道灰度特征換成了多通道Hog特征，通過核函數(shù)對多通道的Hog特征進(jìn)行了融合，使得訓(xùn)練所得的分類器對待檢測目標(biāo)的泛化能力更強(qiáng)，但該算法對具有尺度變化，快速運(yùn)動，剛性形變等視頻的跟蹤效果不佳。歸其原因，主要還是多通道的Hog特征對目標(biāo)的描述能力不足，因此本文提出了一種基于積分通道特征的核相關(guān)目標(biāo)跟蹤。利用積分通道特征豐富多樣的特征信息與高效的計算效率，通過將不同通道的特征整合起來，可以克服單一通道特征對目標(biāo)區(qū)域描述不足的缺陷。同時，為了增強(qiáng)模型更新的泛化的能力，提出了一種自適應(yīng)的學(xué)習(xí)因子的更新模型。接下來，本章將詳細(xì)描述本文提出的算法與跟蹤策略。

2.1 多通道特征推導(dǎo)

通過前面章節(jié)中的描述可以看出基于相關(guān)的目標(biāo)跟蹤問題都能轉(zhuǎn)換成代價函數(shù)中損失項(xiàng)與正則項(xiàng)之間的折中。假設(shè)多通道特征x可以表述為x=[x1,x2,…,xm]，其中m表示通道特征的總數(shù)。給定訓(xùn)練輸入樣本xi以及對應(yīng)的輸出gi,其代價函數(shù)可以簡寫為：

(9)

其中:Loss(xi,gi)是損失項(xiàng)，Reg(xi,yi)是防止優(yōu)化出現(xiàn)過擬合的正則項(xiàng)，h是濾波參數(shù)，n是訓(xùn)練樣本數(shù)量，λ則是代價函數(shù)的正則參數(shù)。一般情況下，常見的相關(guān)濾波最小化如下代價函數(shù)：

(10)

(11)

為了最小化目標(biāo)函數(shù)，函數(shù)θ對H求導(dǎo)，并令其等于0，因此上式的解析解可以表述為：

(12)

k(x,y)=[φ(x),φ(y)]

(13)

本文采用高斯核可以將線性變換轉(zhuǎn)換非線性情況，其形式如下：

(14)

因此，由等式(7)可以推導(dǎo)到多通道特征形式，其表達(dá)式如下所示：

(15)

其中:i表示第i個特征通道則表示各通道特征數(shù)據(jù)分別點(diǎn)乘求和。因此，對等式12進(jìn)行核變換，相關(guān)參數(shù)Hk的非線性變換形似如下:

(16)

(17)

(18)

因此，頻率域的相關(guān)平面輸出可以表示為：

(19)

基于文獻(xiàn)[17]核相關(guān)跟蹤的推導(dǎo)，對等式(19)進(jìn)行高斯核轉(zhuǎn)換，其表達(dá)式如下:

(20)

以上分析可以看出，本文利用特征的良好互補(bǔ)性，如HOG強(qiáng)調(diào)目標(biāo)區(qū)域的梯度信息，而顏色空間空間特征則強(qiáng)調(diào)目標(biāo)的顏色信息?？傊粎^(qū)域的多通道特征共同起作用，提升跟蹤算法的穩(wěn)定性。雖然本文提出的基于積分通道特征的核相關(guān)跟蹤算法的思想比較簡單，但在多特征的共同作用下能夠提升算法的抗干擾能力。

2.2 自適應(yīng)學(xué)習(xí)因子

本文提出的跟蹤算法不采用任何遮擋檢測、記憶重捕等約束或啟發(fā)式條件，僅僅通過模型的泛化能力跟蹤目標(biāo)，模型的更新可由如下公式表示。

ht=(1-η)ht-1+ηht

yt=(1-η)yt-1+ηyt

(21)

其中:t和η分別表示幀數(shù)和學(xué)習(xí)因子，η選取范圍為(0,1)。學(xué)習(xí)因子允許模型參數(shù)隨著場景的變化而變化。通常情況下，學(xué)習(xí)因子的取值范圍在[0.01,0.15]，大量的仿真實(shí)驗(yàn)表明學(xué)習(xí)因子設(shè)置為0.025是最優(yōu)經(jīng)驗(yàn)值。

在眾多基于學(xué)習(xí)的檢測跟蹤算法中，模型參數(shù)的更新都是通過線性插值的方式進(jìn)行，利用學(xué)習(xí)因子調(diào)節(jié)模型的泛化能力，如式(21)所示。然而，固定學(xué)習(xí)因子的方式比較機(jī)械，不能完全適應(yīng)復(fù)雜背景與顯著的外觀變化，一旦有微小的誤差積累就會引起跟蹤目標(biāo)的漂移。因此，本文提出了一種自適應(yīng)學(xué)習(xí)因子的更新策略。

在學(xué)習(xí)因子選擇過程中，如果學(xué)習(xí)因子η的值選擇過小，這會導(dǎo)致模型更新較慢，難以適應(yīng)目標(biāo)外觀的變化，跟蹤過程會出現(xiàn)漂移的情況，長期跟蹤會導(dǎo)致跟蹤失敗。因此，較低的學(xué)習(xí)因子限制了跟蹤算法的泛化能力，無法適應(yīng)目標(biāo)快速的形態(tài)變化。但是如果選擇較大的學(xué)習(xí)因子會使得目標(biāo)模型更新過快，很容易引入背景等干擾信息到模型中，使得模型對目標(biāo)的適應(yīng)性較差，導(dǎo)致跟蹤過程中出現(xiàn)跟蹤點(diǎn)的跳躍。現(xiàn)有基于學(xué)習(xí)的模型跟蹤算法通常使用固定的學(xué)習(xí)率來更新模型參數(shù)，但隨著大量的仿真實(shí)驗(yàn)發(fā)現(xiàn)，學(xué)習(xí)因子應(yīng)該隨著跟蹤目標(biāo)區(qū)域的狀態(tài)進(jìn)行調(diào)整，自適應(yīng)的學(xué)習(xí)因子才能獲得泛化能力較強(qiáng)的跟蹤模型。因此，本文提出了一種基于目標(biāo)形態(tài)變化的自適應(yīng)學(xué)習(xí)因子選取策略。相比于傳統(tǒng)固定學(xué)習(xí)因子的方法，該方法能獲得更好的跟蹤效果。學(xué)習(xí)因子的選取與目標(biāo)形態(tài)、外觀和姿態(tài)等參數(shù)正相關(guān)。分析發(fā)現(xiàn)，目標(biāo)形態(tài)的變化很多時候與目標(biāo)的運(yùn)動速度相關(guān)。目標(biāo)移動速度越大，目標(biāo)所處的環(huán)境也變化越大，也就導(dǎo)致目標(biāo)的形態(tài)、外觀也有很大的變化。大量的仿真實(shí)驗(yàn)發(fā)現(xiàn)學(xué)習(xí)因子與目標(biāo)速度有關(guān)，目標(biāo)速度可以通過計算單前幀中目標(biāo)位置(xt，yt)與上一幀位置(xt-1，yt-1)之間的像素差異獲取。因此，通過深入研究學(xué)習(xí)因子與目標(biāo)速度的關(guān)系，本文提出如下函數(shù)關(guān)系表征學(xué)習(xí)因子：

(21)

圖1 自適應(yīng)學(xué)習(xí)因子

3 實(shí)驗(yàn)結(jié)果及其分析

為了驗(yàn)證本文提出的基積分通道特征的核相關(guān)算法的有效性，本文選擇跟蹤精度(OR)和跟蹤重疊度(CLE)兩個指標(biāo)進(jìn)行定性定量分析，并與現(xiàn)有算法進(jìn)行比較。實(shí)驗(yàn)硬件仿真平臺采用MATLAB(R2010a)，并在CP U為Core i3處理器:主頻 2.94 GHz，內(nèi)存8 G，操作系統(tǒng)：WINDOWS 7上運(yùn)行。

3.1 參數(shù)設(shè)定

為了比較提出算法的性能，目前最優(yōu)算法被采用作為對比算法KCF[17]和STC[24]，CN[22]。為了算法公平比較,本文采用的對比算法都使用作者提供的源代碼，參數(shù)及其初始化值選取其默認(rèn)值。同時，所有跟蹤算法的跟蹤目標(biāo)初始位置保持一致。

3.2 定性定量對比

為了量化性能比較，我們采用重疊率準(zhǔn)則(OR)和跟蹤中心誤差(CLE)兩種評價準(zhǔn)則。重疊率準(zhǔn)主要假設(shè)每一幀的跟蹤結(jié)果是RT，其相應(yīng)的跟蹤基準(zhǔn)為RG，因此重疊率定義為Sc=area(RT∩RG)/area(RT∪RG)；跟蹤中心誤差定義為跟蹤器獲取的目標(biāo)中心與基準(zhǔn)中心的歐氏距離。一個完美性能跟蹤算法的跟蹤中心誤差應(yīng)該是接近于0，重疊率(OR)應(yīng)該完全一致。表1展現(xiàn)了所有算法在測試基準(zhǔn)視頻序列上的平均OR和CLE跟蹤性能，其中深黑和斜體表示所有算法中最好的結(jié)果?？梢钥闯?，本文提出的跟蹤算法性能在Animal、Girl、Surfing、Deer、Walking1和 Face視頻序列上的效果優(yōu)于其他算法，而在Sylvester和Occlusion1視頻序列上的效果與其他算法類似。

為了驗(yàn)證在遮擋、光照等干擾因素影響下跟蹤性能的精度，本文利用10組視頻序列進(jìn)行遮擋對比試驗(yàn)， 部分試驗(yàn)結(jié)果如圖2 所示，其跟蹤框顏色的意義如圖所示。在Dear序列中，第 23幀以前目標(biāo)沒有被遮擋，KCF算法、本文算法等四種算法都能很好地進(jìn)行跟蹤，其跟蹤指標(biāo)基本一致，但是當(dāng)目標(biāo)運(yùn)動時出現(xiàn)了遮擋，背景干擾后，STC跟蹤算法出現(xiàn)了跟蹤漂移，CN算法則丟失了目標(biāo)，而本文提出的算法則穩(wěn)定跟蹤目標(biāo)。充分說明了本文提出的基于積分通道特征的核相關(guān)跟蹤算法對干擾因素的適應(yīng)性能力。

3.3 性能分析

理論分析已經(jīng)提到CSK只是簡單的使用了灰度特征，對目標(biāo)的外觀描述能力顯然不足，因此CN跟蹤算法在CSK的基礎(chǔ)上聯(lián)合顏色特征和灰度特征來描述目標(biāo)，使得對目標(biāo)的外觀描述更加精確和魯棒。KCF算法則從原來的單通道灰度特征換成了多通道Hog特征，通過核函數(shù)對多通道的Hog特征進(jìn)行了融合，使得訓(xùn)練所得的分類器對待檢測目標(biāo)的泛化能力更強(qiáng)，但該算法對具有尺度變化，快速運(yùn)動，剛性形變等視頻的跟蹤效果不佳。STC跟蹤算法是一個簡單快速而且魯棒的算法，它利用稠密的空時場景模型來進(jìn)行跟蹤。

雖然STC算法、FCT算法表現(xiàn)出不錯的跟蹤效果，尤其是在跟蹤指標(biāo)上的精度較好，主要是由于作者調(diào)參優(yōu)化的結(jié)果，而本文提出的算法，充分利用了多通道特征的互補(bǔ)特性，對可跟蹤區(qū)域的跟蹤能力具有明顯的跟蹤優(yōu)勢。這充分說明了本文提出的算法能夠處理復(fù)雜背景與顯著的外觀變化，大大提升了目標(biāo)跟蹤的性能與穩(wěn)定性。

圖2 不同視頻的跟蹤結(jié)果定性分析

視頻指標(biāo)平均OR平均CLECNKCFSTCOurCNKCFSTCOurDeer0．6550．5970．6020．6618．28．618．86．5Girl0．6150．9220．5390．8617．76．015．14．4Animal0．7250．8080．3910．83311．72．210．81．6Cup0．4570．5430．5040．69725．321．422．79．3Sylvester0．7570．8000．3980．8015．13．73．74．6Walking10．6820．6870．1090．6945．04．94．74．6Occlusion10．7790．9010．5900．89017．04．73．45．1Singer10．6070．8220．6870．7715．34．73．37．1Face0．5160．6630．3520．53713．61．72．43．2Woman0．6510．7010．6190．82619．320．266．92．4

4 結(jié)論

本文針對復(fù)雜場景下基于單一特征的目標(biāo)跟蹤算法適應(yīng)性不強(qiáng)的問題，提出一種基于積分通道特征的核相關(guān)目標(biāo)跟蹤算法，該算法利用積分通道特征豐富多樣的特征信息與高效的計算效率，將不同通道的特征整合到核相關(guān)模型中。由于多通道特征具有互補(bǔ)特性，可以克服單一通道特征對目標(biāo)區(qū)域描述不足的缺陷，提升算法的抗干擾能力。同時，本文也提出了一種基于目標(biāo)運(yùn)動速度的自適應(yīng)學(xué)習(xí)因子策略，增強(qiáng)了模型的泛化能力。大量的定性定量實(shí)驗(yàn)表明本文所提的算法的跟蹤性能超過傳統(tǒng)的KCF算法，對復(fù)雜的跟蹤場景具有更強(qiáng)的魯棒性與抗干擾能力。

[1] 鄭 浩, 董明利, 潘志康. 基于背景加權(quán)的尺度方向自適應(yīng)均值漂移算法[J].計算機(jī)工程與應(yīng)用, 2016, 52(22):192-197.

[2] 徐少飛,劉政怡,桂 斌. 基于循環(huán)核矩陣的自適應(yīng)目標(biāo)跟蹤算法[J].計算機(jī)工程與應(yīng)用, 2016, 52(20):177-181.

[3] 吳 盈,劉 哲,等. 基于隨機(jī)局部均值Hash特征的在線學(xué)習(xí)目標(biāo)跟蹤[J].計算機(jī)工程與應(yīng)用, 2016, 52(14):21-27.

[4] 曹義親,周小辭,黃曉生,等. 基于壓縮感知的互補(bǔ)特征加權(quán)目標(biāo)跟蹤算法[J].計算機(jī)工程與應(yīng)用, 2016, 52(19):110-116.

[5] 湯春明,盧永偉. 基于改進(jìn)的稀疏重構(gòu)算法的行人異常行為分析[J]. 計算機(jī)工程與應(yīng)用, 2017, 53(8):98-104.

[6] Matthews I, Ishikawa T, Baker S. The template update problem[J]. IEEE Trans. Pattern Anal. Mach. Intell. 2004,26(6):810-815.

[7] Balan A O, Black M J. An adaptive appear-ance model approach for model-based articulated object tracking[J]. In Computer Vision and Pattern Recognition, 2006 IEEE Computer Society Conference on, June 2006(1):758-765.

[8] Bolme D S, Beveridge J R, Draper B A, et al. Visual object tracking using adaptive correlation filters[J]. In Computer Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on, June 2010:2544-2550.

[9] Briechle K, Hanebeck U D. Template Matching Using Fast Normalized Cross Correlation[J]. In Aerospace/Defense Sensing, Simulation, and Controls, 2001:95-102.

[10] Comaniciu D, Ramesh V, Meer P. Real-Time Tracking of Non-Rigid Objects Using Mean Shift[J]. In Proceedings IEEE Conference on Computer Vision and Pattern Recognition, 2000(2):142-149.

[11] Wu Y, Lim J, Yang M H. Online object tracking: A benchmark[C]. In CVPR, 2013.

[12] Zhang K, Zhang L, Yang M H. Real-time compressive tracking[C]. In ECCV, 2012.

[13] Dollar P, Tu Z, Perona P, et al. Integral Channel Features[C]. BMVC, 2009.

[14] Ross D A, Lim J, Lin R S, et al. Incremental learning for robust visual tracking[C]. Int. J. Comput.2008,77 (1-3):125-141.

[15] Zhong W, Lu H, Yang M H. Robust object tracking via sparse collaborative appearance model[J]. IEEE Trans. Image Process. 2014,23(5):2356-2368.

[16] Kalal, Mikolajczyk, Matas. Tracking Learning Detection[C]. Pattern Analysis and Machine Intelligence, 2011.

[17] Henriques J F, Caseiro R, Martins P, et al. High-speed tracking with kernelized correlation filters[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2014,99:1-1.

[18] Tang Z H, Wang S Z, et al. Bayesian Framework with Non-local and Low-rank Constraint for Image Reconstruction, in Journal of Physics: Conference Series[C].CCISP2017,787(1).

[19] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[C]. In: Advances in Neural Information Processing Systems, 2012, 1097-1105.

[20] 蘇巧平，劉 原,等.基于稀疏表達(dá)的多示例學(xué)習(xí)目標(biāo)追蹤算法[J], 計算機(jī)工程, 2013, 39(3):213-217.

[21] Hilke Kieritz, Stefan Becker, et al. Online multi-person tracking using Integral Channel Features[A]. In 13th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS)[C]. 2016, 122-130.

[22] Danelljan M, Khan F S, et al. Adaptive Color Attributes for Real-Time Visual Tracking[J]. In Computer Vision & Pattern Recognition, 2014:1090-1097.

[23] Henriques J F, Rui C. Exploiting the Circulant Structure of Tracking-by-Detection with Kernels[A]. In European Conference on Computer Vision[C]. 2012,7575(1):702-715.

[24] Zhang K H, Zhang L, Yang M H,et al. Fast Trackingvia Spatio-Temporal Context Learning[C]. In Computer Science,2013.