快速尺度支持相關(guān)濾波跟蹤

張 博，江沸菠，劉 剛，劉紅平

(1.長沙師范學(xué)院 信息科學(xué)與工程學(xué)院，湖南 長沙 410100；2.湖南師范大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長沙 410081；3.中南大學(xué) 物理與電子學(xué)院，湖南 長沙 410083)

1 引 言

在自動變化的視頻序列中跟蹤特定目標(biāo)，是許多以計(jì)算機(jī)視覺為主題的研究所面臨的基礎(chǔ)問題，例如視覺分析、自動駕駛和位姿估計(jì)。跟蹤的核心問題是如何在光照、形變、出視野、遮擋、干擾物以及背景雜亂導(dǎo)致目標(biāo)外觀出現(xiàn)較大變化的情況下準(zhǔn)確且有效地檢測和定位目標(biāo)[1-2]。

目前，在目標(biāo)跟蹤領(lǐng)域中判別式跟蹤算法是使用最為廣泛的一類跟蹤算法，它將跟蹤問題視為一個(gè)分類問題，通過訓(xùn)練分類器來區(qū)分目標(biāo)和背景。對于判別式分類器算法而言，其中的一種效果比較好的是相關(guān)濾波器(CFs)算法[3-5]，由于其同時(shí)具備速度快、成功率高、精確度好等性能，所以在視覺跟蹤取得顯著成效。Bolme等人提出了最小均方誤差輸出平方和(MOSSE)濾波器[5]，通過快速傅里葉變換把時(shí)域內(nèi)的計(jì)算轉(zhuǎn)換到頻域內(nèi)，大大提高了濾波器參數(shù)計(jì)算效率，使跟蹤器能夠快速運(yùn)行。Henriques等人提出了核相關(guān)濾波器(KCF)，用脊回歸器[3-4]替換了最小均方誤差輸出平方和濾波器，通過循環(huán)移位策略來解決訓(xùn)練樣本過少的問題，同時(shí)使用核函數(shù)方法使得其能在非線性條件下進(jìn)行濾波器訓(xùn)練。但是，前面的方法，不考慮目標(biāo)的尺度變化問題，為了解決這方面問題，Danelljan等人[6]提出了精確尺度估計(jì)的魯棒跟蹤器(DSST)，將尺度估計(jì)方法融入到相關(guān)濾波跟蹤算法中，提升了算法應(yīng)對目標(biāo)大尺度變化場景下跟蹤的能力。Li等人[7]提出了特征融合的尺度自適應(yīng)核相關(guān)濾波器，將直方圖特征與顏色特征結(jié)合加強(qiáng)特征表征能力，與此同時(shí)使用尺度池策略進(jìn)行尺度估計(jì)，提高了算法的準(zhǔn)確性。受到圖像卷積神經(jīng)網(wǎng)絡(luò)(CNN)的突出表現(xiàn)的啟發(fā)，Ma等人[8]提出將相關(guān)濾波器嵌入卷積神經(jīng)網(wǎng)絡(luò)的視覺跟蹤算法，通過使用CNN來構(gòu)建特征金字塔，同時(shí)，使用相關(guān)濾波器在神經(jīng)網(wǎng)絡(luò)的不同層中執(zhí)行以完成跟蹤。

大量研究表明，判別式視覺目標(biāo)跟蹤技術(shù)要取得進(jìn)一步發(fā)展的核心是提出更有效的分類器模型和采樣方法來提升算法的跟蹤性能，所以國內(nèi)外許多專家對判別性分類器模型進(jìn)行了廣泛的研究，并且已經(jīng)獲得了比較優(yōu)良的結(jié)果。一種比較具有代表性的判別性分類器模型是基于支持向量機(jī)(SVM)[9-12]建立的模型，由于SVM具備處理高維數(shù)據(jù)的優(yōu)勢，使得基于SVM的跟蹤算法在準(zhǔn)確度和效率上取得了顯著效果。通?；赟VM的跟蹤方法被分為兩個(gè)模塊：第一個(gè)是用于生成一組正樣本和負(fù)樣本的采樣器，第二個(gè)是用于使用訓(xùn)練樣本更新分類器的學(xué)習(xí)器。由于其模型構(gòu)造上相對復(fù)雜，其算法計(jì)算效率上略顯不足，所以大多數(shù)基于SVM的跟蹤器[10-12]并不能實(shí)時(shí)運(yùn)行。

上述算法在實(shí)際應(yīng)用中都取得了不錯(cuò)的效果，但在嚴(yán)重遮擋、出視野、形變、背景雜亂等復(fù)雜場景下，它們很難在兼顧速度和精度的情況下完成跟蹤。針對傳統(tǒng)相關(guān)濾波算法的不足，本文提出了快速尺度支持相關(guān)濾波跟蹤算法，通過使用循環(huán)數(shù)據(jù)作為訓(xùn)練輸入重新構(gòu)造SVM模型，將跟蹤問題視為支持相關(guān)濾波器的學(xué)習(xí)問題，通過交替迭代方法獲得最佳濾波器參數(shù)，很大程度上降低了算法復(fù)雜度。同時(shí)，使用對數(shù)極坐標(biāo)尺度估計(jì)方法對目標(biāo)的尺度變化進(jìn)行估算，有效實(shí)現(xiàn)了目標(biāo)尺度的自適應(yīng)。最后使用標(biāo)準(zhǔn)數(shù)據(jù)集測試了本文所提快速尺度支持相關(guān)濾波跟蹤算法的性能。

2 核相關(guān)濾波算法

核相關(guān)濾波跟蹤算法通過將跟蹤問題視為一個(gè)在線分類問題，通過嶺回歸模型訓(xùn)練相關(guān)濾波器來實(shí)現(xiàn)目標(biāo)跟蹤：

，

(1)

其中：λ是正則化參數(shù)，f是相關(guān)濾波器參數(shù)，y′是期望輸出響應(yīng)，v是訓(xùn)練誤差,X是訓(xùn)練樣本。

因?yàn)橛?xùn)練樣本是通過對基礎(chǔ)樣本進(jìn)行循環(huán)移位來得到，所以不僅使得訓(xùn)練樣本增加，而且樣本也具有了循環(huán)數(shù)據(jù)結(jié)構(gòu)，使得優(yōu)化求解過程中便于使用離散傅立葉變換(DFT)來加快計(jì)算速度，大大提升了算法效率。通過系列求解得到(1)式的封閉形式解為：

，

(2)

(3)

其中：x表示當(dāng)前輸入圖像特征，Kxx=K(x,x)是核相關(guān)函數(shù)，?表示元素點(diǎn)積操作。最后找到最大響應(yīng)得分位置以實(shí)現(xiàn)目標(biāo)跟蹤。

3 本文算法

針對傳統(tǒng)的判別式目標(biāo)跟蹤算法復(fù)雜度依然較高，以及在遮擋、出視野、劇烈形變、背景雜亂等情況下跟蹤易失敗問題，本課題組提出了快速尺度支持相關(guān)濾波跟蹤算法。首先，通過迭代學(xué)習(xí)支持相關(guān)濾波器參數(shù)降低了算法復(fù)雜度；然后使用對數(shù)極坐標(biāo)尺度自適應(yīng)策略，解決了劇烈尺度變化情況下的目標(biāo)跟蹤問題；最后，使用了模板自適應(yīng)更新方法，克服了遮擋情況下的模板漂移問題。

3.1 樣本標(biāo)簽分類

將跟蹤器用于目標(biāo)跟蹤之前，對跟蹤器進(jìn)行訓(xùn)練至關(guān)重要，訓(xùn)練的好壞直接影響到跟蹤器的性能，因此使用合理的訓(xùn)練樣本訓(xùn)練跟蹤器很重要，這就要求采用恰當(dāng)?shù)姆椒▽φ?fù)樣本進(jìn)行分類。本文算法通過以下重疊函數(shù)對樣本類標(biāo)簽定義：

q(p*,pi)=ηexp(-θ‖pi-p*‖κ)

，

(4)

其中：p*表示感興趣目標(biāo)x*的中心位置，pi表示移位樣本圖像xi的位置。η是歸一化常數(shù)，θ和κ分別是尺度和形狀參數(shù)。

在訓(xùn)練過程中，當(dāng)樣本的重疊函數(shù)值q(p*,pi)低于重疊閾值下限時(shí)，定義為負(fù)樣本，其標(biāo)簽值為-1，高于重疊閾值上限，定義為正樣本，其標(biāo)簽值為1，否則不標(biāo)記，將其丟棄。具體分類公式如下：

，

(5)

根據(jù)上述目標(biāo)標(biāo)簽定義方式便實(shí)現(xiàn)了目標(biāo)期望響應(yīng)值定義。

3.2 SVM模型重構(gòu)

在目標(biāo)跟蹤任務(wù)中是通過對SVM進(jìn)行重構(gòu)，獲取支持相關(guān)濾波器模型，然后再用(6)式中二分類函數(shù)實(shí)現(xiàn)目標(biāo)跟蹤。

，

(6)

其中：濾波器參數(shù)f和偏差b通過SVM重構(gòu)模型獲得，其SVM模型公式如下：

，

(7)

其中：ξ=[ξ1,ξ2,...ξi...ξn2]是松弛變量向量，R為常量。

，

(8)

其中：°表示對應(yīng)元素相乘，1表示一維向量。

3.3 核化支持相關(guān)濾波

(9)

同時(shí)，為了使濾波器參數(shù)能在非線性條件下進(jìn)行學(xué)習(xí)，將核化策略引入重構(gòu)的支持向量機(jī)模型中，則有fTx=∑K(x′,xi)f′，這里K(x′,xi)為核相關(guān)函數(shù)，f′為當(dāng)前濾波器參數(shù)，x為輸入樣本圖像。將其代入式(9)則可轉(zhuǎn)化為式(10)：

對于公式(10)，當(dāng)已知{f,b}時(shí)，子問題e具有閉合形式解，當(dāng)e已知時(shí)，子問題{f,b}具有閉合形式解。 因此，上述模型問題可以通過交替迭代優(yōu)化算法進(jìn)行迭代求解，獲得最佳支持相關(guān)濾波器參數(shù)

，

(11)

3.4 極坐標(biāo)下尺度自適應(yīng)

由于對數(shù)極坐標(biāo)變換可以將目標(biāo)圖像的尺度和旋轉(zhuǎn)變化轉(zhuǎn)換為對數(shù)極坐標(biāo)下的平移運(yùn)動，因此在目標(biāo)檢測領(lǐng)域常將其與相位相關(guān)算法進(jìn)行組合以進(jìn)行圖像配準(zhǔn)從而實(shí)現(xiàn)目標(biāo)檢測。在本文算法中將其與支持相關(guān)濾波算法框架結(jié)合應(yīng)用到目標(biāo)跟蹤領(lǐng)域以使跟蹤算法實(shí)現(xiàn)良好的尺度自適應(yīng)能力。

在目標(biāo)跟蹤的時(shí)候，通過對目標(biāo)模板進(jìn)行對數(shù)極坐標(biāo)變換，將目標(biāo)的尺度和旋轉(zhuǎn)變化轉(zhuǎn)換為對數(shù)坐標(biāo)下的位移信號，并利用支持相關(guān)濾波算法檢測到該信號，通過逆向計(jì)算即可獲得該幀目標(biāo)尺度。具體對數(shù)極坐標(biāo)變換公式如下：

，

(12)

其中：(xi,yi)為笛卡爾坐標(biāo)系下的當(dāng)前目標(biāo)圖像像素坐標(biāo),(x0,y0)則為該坐標(biāo)系下的目標(biāo)圖像中心像素坐標(biāo),(?,ψ)為對應(yīng)像素坐標(biāo)通過相應(yīng)轉(zhuǎn)換得到的極坐標(biāo)。

一般尺度變化率可表示為變化后尺寸與原尺寸比值，此時(shí)尺度大小在常規(guī)笛卡爾坐標(biāo)下進(jìn)行表時(shí)，具體如下：

，

(13)

通過對式(13)進(jìn)行對數(shù)變換可得：

，

(14)

此時(shí)，ln(c+Δc)為尺度變化后的極坐標(biāo)位置，lnc為尺度變化前的極坐標(biāo)位置，令Δx為極坐標(biāo)下的位置偏移，則Δx=ln(c+Δc)-lnc,則將其代入(14)式可得：

s=eΔx

，

(15)

其中s為尺度變化率，當(dāng)目標(biāo)變大時(shí)其值大于1，變小時(shí)其值小于1，Δx為極坐標(biāo)下圖像位移偏移量。

3.5 模板更新

為了應(yīng)對目標(biāo)遮擋環(huán)境的挑戰(zhàn)，模板自適應(yīng)更新是必不可少。本文算法采用文獻(xiàn)[13]中PSR判別目標(biāo)是否遮擋以決定是否更新模板，以實(shí)現(xiàn)模板判別性更新，從而降低模板和濾波器參數(shù)在遮擋情況下的錯(cuò)誤更新率。這里模板更新權(quán)重系數(shù)為定義為：

，

(16)

其中，τt為模板自適應(yīng)更新權(quán)重，ζ表示目標(biāo)是否發(fā)生遮擋閾值，高于該閾值更新模板，低于該閾值模板不更新。

具體更新模板采用線性插值的方法進(jìn)行更新：

，

(17)

，

(18)

3.6 本文算法流程

本文跟蹤算法的跟蹤流程如下：

(1)輸入：于第一幀位置初始化目標(biāo)位置P1及目標(biāo)的尺度因子s1以及類標(biāo)簽y1。

(2)使用快速尺度支持相關(guān)濾波跟蹤尺度自適應(yīng)算法中濾波器參數(shù)計(jì)算模塊，即公式(11)計(jì)算濾波參數(shù)，并使用公式(3)得到目標(biāo)響應(yīng)得分圖，通過找到最大響應(yīng)得分位置獲得目標(biāo)位置。

(3)使用極坐標(biāo)下尺度自適應(yīng)策略即公式(15)以獲得當(dāng)前幀目標(biāo)尺度因子si。

(5)如果未到最后一幀，跳轉(zhuǎn)到步驟2；如果已經(jīng)到最后一幀，則跟蹤結(jié)束。

輸出：跟蹤目標(biāo)位置Pi。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)參數(shù)與環(huán)境

本文算法測試所用電腦配置為Intel i5 2.5 GHz處理器，4 G內(nèi)存。所用實(shí)驗(yàn)參數(shù)設(shè)置如下：過擬合參數(shù)R和形狀參數(shù)β分別為104和2。公式(5)中的閾值上下限(σl,σu)分別為(0.5,0.7)。尺存參數(shù)θ設(shè)置為50/mn，其對應(yīng)的每個(gè)目標(biāo)對象的大小m×n。為了較好分析本文算法，使用OTB100標(biāo)準(zhǔn)數(shù)據(jù)庫中的數(shù)據(jù)集對本文所提快速支持相關(guān)濾波算法進(jìn)行測試，其數(shù)據(jù)集涵蓋了遮擋，形變，尺度變化，快速運(yùn)動等眾多屬性,詳見表1。并將所提算法與CSK[3]、KCF[4]、DSST[6]、TLD[14]、CT[15、TGPR[16]、L1APG[17]等跟蹤算法進(jìn)行對比，以驗(yàn)證算法有效性。

4.2 定量分析算法性能

為了分析本文所提算法在各種具有挑戰(zhàn)性場景中的性能，在實(shí)驗(yàn)中詳細(xì)記錄了各種算法在Walking、Doll、Jogging1、David3、Trellis、Basketball、Bolt、Dog1、Coke、CarScale等跟蹤視頻序列下的跟蹤精確度和成功率，以及總體跟蹤效果。

表1為10組跟蹤序列的屬性、分辨率和序列長度。表2和表3分別為9種算法在不同屬性視頻序列上的精確度和重疊率。通過實(shí)驗(yàn)結(jié)果可知本課題組所提快速尺度支持相關(guān)濾波跟蹤算法(FSSCF)的精確度和成功率在各個(gè)跟蹤序列中都比較高，而且所提算法優(yōu)于其它跟蹤算法。圖1為該算法與其余算法在所有測試序列上的總體精確度和成功率曲線圖，可知所提算法總體精確度為0.964，較傳統(tǒng)KCF算法提升10.1%，成功率為0.892，較傳統(tǒng)KCF算法提升31.6%，證明了本文提算法能較好處理許多傳統(tǒng)相關(guān)濾波跟蹤算法不能克服的復(fù)雜場景下的目標(biāo)跟蹤挑戰(zhàn)。

表1 10組測試視頻序列Tab.1 Ten sets of test video sequence

圖1 總體中心位置誤差曲線(a)和平均跟蹤誤差(b)Fig.1 Curves of center location error(a) and average tracking error(b)

4.3 定性分析算法性能

為了分析本文所提算法在各種具有挑戰(zhàn)性場景中的性能，本文在圖2中展示了9種算法在不同視頻序列上的實(shí)際跟蹤效果。不同屬性視頻序列上的算法性能分析如下。

4.3.1 尺度變化情況下

在圖2(a)、(b)、(c)所示的Walking、CarScale、Dog1跟蹤序列要實(shí)現(xiàn)目標(biāo)跟蹤所面臨的主要挑戰(zhàn)是嚴(yán)重的尺度變化問題。如Walking跟蹤序列中由于目標(biāo)在行走過程中離攝像頭遠(yuǎn)近程度不同，出現(xiàn)了較大尺度變化。在第279，315，366幀中，CT、TLD、CSK、TGPR等大多數(shù)算法都出現(xiàn)了目標(biāo)中心點(diǎn)與實(shí)際跟蹤框中心點(diǎn)偏離過大問題，其跟蹤精確度不夠好，只有本文所提快速尺度支持相關(guān)濾波算法(FSSCF)和DSST算法能夠?qū)崿F(xiàn)精確目標(biāo)跟蹤，這是由于FSSCF算法和DSST算法都采用了較強(qiáng)的尺度自適應(yīng)策略以適應(yīng)大尺度變化場景下的目標(biāo)跟蹤。而在CarScale、Dog1視頻序列中目標(biāo)跟蹤面臨著更為劇烈的尺度變化問題，在CarScale中的第162，189幀以及Dog1中的672，904，974幀中，只有具備極坐標(biāo)尺度自適應(yīng)的FSSCF算法能體現(xiàn)良好的尺度自適應(yīng)性，實(shí)現(xiàn)精確的目標(biāo)跟蹤。圖5(d)所提的Trellis目標(biāo)跟蹤序列所要面臨的主要挑戰(zhàn)是光照變化和尺度變化問題，這時(shí)容易導(dǎo)致所建立的目標(biāo)模型學(xué)習(xí)失敗，在后續(xù)幀中不能跟上目標(biāo)。在其第207，402，447幀中，由于場景中存在復(fù)雜光照和尺度變化，大多數(shù)跟蹤器在跟蹤時(shí)易失敗，而FSSCF由于具備較好的分類器模型及模型更新策略，使其能夠跟上目標(biāo)。

4.3.2 遮擋情況下

在圖2(e)、(f)所示的Jogging-1、Doll序列中均發(fā)生目標(biāo)部分遮擋現(xiàn)象，如Jogging-1跟蹤序列中的第74，156幀，除本課題組提出的FSSCF算法以外，其余算法均不能對該目標(biāo)進(jìn)行精確跟蹤。在面對遮擋問題時(shí)，傳統(tǒng)的相關(guān)濾波跟蹤算法由于其分類器判別能力不夠強(qiáng)以及缺乏相應(yīng)模板更新策略導(dǎo)致其在發(fā)生遮擋時(shí)跟蹤精確度不高。而FSSCF算法由于使用了快速尺度支持相關(guān)濾波分類器和模板更新策略使得其在應(yīng)對遮擋環(huán)境時(shí)具備較好性能，在如圖2(g)、(h)所示的Coke、Daviad3序列中均出現(xiàn)目標(biāo)被嚴(yán)重遮擋現(xiàn)象，在Coke序列第34，191，255幀中，樹葉對可樂瓶產(chǎn)生了嚴(yán)重遮擋，以及Daviad3序列第56，78，96幀中樹木對行人產(chǎn)生了嚴(yán)重遮擋，當(dāng)發(fā)生嚴(yán)重遮擋時(shí)，所更新的模板不再具備代表性而出現(xiàn)漂移現(xiàn)象。而FSSCF算法卻能夠準(zhǔn)確進(jìn)行跟蹤，這充分說明了該算法所提出的分類器及模板更新策略的有效性。

圖2 算法實(shí)際效果對比圖Fig.2 Comparison algorithm actual effect

AttributesFSSCFKCFTGPRCTCSKTLDDSSTL1APGJogging10.9740.2350.2250.2310.2280.9740.2310.228Walking1.0001.0001.0001.0001.0000.9641.0001.000Bolt1.0000.9890.0260.0110.0340.3061.0000.017Doll0.9860.9670.9710.6840.5790.9830.9930.974David31.0001.0001.0000.4130.6590.1110.5990.460Trellis1.0001.0000.9810.3870.8100.5291.0000.176Dog11.0001.0001.0000.9501.0001.0001.0001.000CarScale0.7820.8060.8060.7180.6510.8530.7580.647Coke0.8930.8380.9420.1130.8730.6840.9180.265Basketball1.0000.9230.9930.2991.0000.0280.8060.306

表3 成功率(SR)Tab.3 Success rate(SR)

4.3.3 劇烈形變情況下

圖2(i)、(j)所示的Bolt、Basketball兩個(gè)序列中目標(biāo)均出現(xiàn)大尺度形變，這時(shí)跟蹤器比較容易出現(xiàn)分類錯(cuò)誤問題導(dǎo)致跟蹤失敗。比如，在Bolt序列中田徑運(yùn)動員在奔跑過程中出現(xiàn)了大尺度形變，KCF、DSST、TGPR及本課題組所提算法由于其采用的分類器判別能力較強(qiáng)，所以均能良好跟蹤目標(biāo)。而實(shí)時(shí)壓縮跟蹤(CT)算法由于采用簡單的樸素貝葉斯分類器，其分類器模型分類能力較弱，所以跟蹤效果非常不理想。Basketball序列中目標(biāo)出現(xiàn)嚴(yán)重形變，由于在投籃等系列動作中引入了平面內(nèi)旋轉(zhuǎn)，平面外旋轉(zhuǎn)等阻礙導(dǎo)致目標(biāo)形變非常嚴(yán)重，而FSSCF算法由于其具有較好的自適應(yīng)尺度估計(jì)策略，所以能很好地跟蹤形變量大的目標(biāo)，因此在Basketball序列中第56，284，360幀時(shí)只有FSSCF算法能夠精確跟蹤目標(biāo)。

4.4 算法時(shí)間復(fù)雜度分析

為了較好地分析算法的性能，從實(shí)驗(yàn)角度測試了算法的時(shí)間復(fù)雜度。分別將KCF、DSST、FSSCF這3種算法在10個(gè)非常具有挑戰(zhàn)性的數(shù)據(jù)集下測試，記錄其運(yùn)行平均跟蹤速度，即每秒跟蹤幀數(shù)(FPS)。通過如表4的實(shí)驗(yàn)數(shù)據(jù)分析可知，F(xiàn)SSCF算法其實(shí)時(shí)速度比DSST算法好很多，這是由于DSST采用尺度池策略估計(jì)目標(biāo)的尺度變化，每幀使用了33次尺度估計(jì)，而FSSCF算法將尺度估計(jì)轉(zhuǎn)換為極坐標(biāo)下平移變換，只用了一次就估計(jì)出目標(biāo)了尺度變化，所以其算法時(shí)間復(fù)雜度較DSST低很多。KCF算法由于不帶尺度估計(jì)，所以較FSSCF算法速度快，但其跟蹤精確度較FSSCF算法差很多，而且FSSCF算法雖然沒有KCF快，但其速度足夠滿足實(shí)時(shí)跟蹤需求。

表4 算法效率(AE)Tab.4 Algorithm efficiency (AE)

5 結(jié) 論

為了解決遮擋、出視野、形變、背景雜亂等情況下得目標(biāo)跟蹤問題，提出快速尺度支持相關(guān)濾波跟蹤算法。該算法使用重構(gòu)SVM獲得支持相關(guān)濾波器模型的方法降低了分類器模型復(fù)雜度；為了獲得最佳濾波器參數(shù)，該算法使用交替迭代優(yōu)化策略解決了支持相關(guān)濾波器參數(shù)學(xué)習(xí)問題；同時(shí)，它采用了對數(shù)極坐標(biāo)下的尺度自適應(yīng)方法，有效提高了算法在劇烈尺度變化場景下的跟蹤精度。最后，通過模板更新解決了在嚴(yán)重遮擋下目標(biāo)容易跟蹤丟的問題。實(shí)驗(yàn)測試結(jié)果表明本課題組提出的快速支持相關(guān)濾波跟蹤算法能有效解決遮擋、出視野、形變、背景雜亂等富有挑戰(zhàn)場景下的目標(biāo)跟蹤問題，具備較高的精確度與成功率。