基于隨機(jī)森林的長(zhǎng)期目標(biāo)跟蹤方法

張 丹，陳興文，趙姝穎，程立英，3

(1.大連民族學(xué)院創(chuàng)新教育中心，遼寧大連116605;2.東北大學(xué)信息科學(xué)與工程學(xué)院，遼寧沈陽(yáng)110819;3.沈陽(yáng)師范大學(xué)物理科學(xué)與技術(shù)學(xué)院，遼寧沈陽(yáng)110034)

目標(biāo)跟蹤的研究與應(yīng)用是計(jì)算機(jī)視覺的一個(gè)重要分支，也是其研究領(lǐng)域中的難點(diǎn)和熱點(diǎn)，廣泛應(yīng)用于科學(xué)研究、航空航天、醫(yī)學(xué)、國(guó)防軍事、人機(jī)交互、機(jī)器人及國(guó)民經(jīng)濟(jì)的各個(gè)領(lǐng)域。目標(biāo)跟蹤的關(guān)鍵技術(shù)在于合理提取特征和準(zhǔn)確的識(shí)別目標(biāo)，實(shí)時(shí)、準(zhǔn)確的長(zhǎng)期目標(biāo)跟蹤對(duì)于人機(jī)交互技術(shù)、人工智能等技術(shù)的發(fā)展具有重要的理論意義和應(yīng)用價(jià)值。

長(zhǎng)期目標(biāo)跟蹤過(guò)程中，易出現(xiàn)目標(biāo)的遮擋、丟失、運(yùn)動(dòng)速度過(guò)快等問(wèn)題。光照干擾、復(fù)雜多變背景使得跟蹤過(guò)程中計(jì)算量大、處理滯后，影響跟蹤效果。這些問(wèn)題給快速、精確的長(zhǎng)期目標(biāo)跟蹤造成很大的難度。

國(guó)內(nèi)外學(xué)者已經(jīng)對(duì)長(zhǎng)期跟蹤作了大量研究，Jorge［1］等人提出區(qū)域跟蹤算法，利用分割結(jié)果，將連續(xù)幀的目標(biāo)匹配起來(lái)進(jìn)行跟蹤;Moravec［2］提出利用圖像灰度自相關(guān)函數(shù)的特征點(diǎn)檢驗(yàn)算子;Kass［3］等人提出 Snake 模型，Menet［4］提出 B-Snake模型，解決了快速跟蹤的問(wèn)題;Deilamani M.J［5］等人提出了將色彩與邊緣特征相結(jié)合的Mean-Shift算法，可以很好的克服部分遮擋和光照的變化;Dr.Zdenek Kalal［6］在 2007 年到 2010 年間提出來(lái)并不斷完善的TLD算法，適合長(zhǎng)時(shí)間跟蹤;chen等人［7］提出基于四元數(shù)的光流估計(jì)跟蹤方法，提高了算法的魯棒性;陳添丁等人［8］提出的稀疏光流快四計(jì)算動(dòng)態(tài)目標(biāo)檢測(cè)與跟蹤算法，一定程度上提高了跟蹤的實(shí)時(shí)性;Wang等人［9］提出在線學(xué)習(xí)跟蹤的方法，提高了目標(biāo)跟蹤的精度，王愛平［10］等人提出增量式隨機(jī)森林分類器，提高了短視屏流跟蹤的準(zhǔn)確性;袁紅衛(wèi)等人［11］提出一種基于光流的運(yùn)動(dòng)小目標(biāo)檢測(cè)算法;佟國(guó)峰等人［12］提出一種基于隨機(jī)蕨叢的長(zhǎng)期目標(biāo)跟蹤方法，提高了跟蹤的適應(yīng)性;李勁菊［13］，郝志成［14］等人提出了一種復(fù)雜背景下運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的方法，提高了復(fù)雜背景下目標(biāo)跟蹤的準(zhǔn)確性。這些方法一定程度上解決了目標(biāo)遮擋、快速運(yùn)動(dòng)的跟蹤問(wèn)題，但是目標(biāo)一旦丟失，無(wú)法快速恢復(fù)跟蹤，在復(fù)雜背景快速變化的過(guò)程中也難以實(shí)現(xiàn)實(shí)時(shí)、準(zhǔn)確的跟蹤。

本文針對(duì)長(zhǎng)期跟蹤情況下目標(biāo)由于遮擋、快速運(yùn)動(dòng)易丟失、跟蹤實(shí)時(shí)性、準(zhǔn)確性差等問(wèn)題，結(jié)合正負(fù)樣本相互作用的思想和隨機(jī)森林算法，提出了一種基于TLD的隨機(jī)森林目標(biāo)跟蹤方法。該方法在TLD算法的基礎(chǔ)上，采用隨機(jī)森林方法，構(gòu)建在線學(xué)習(xí)模型，融合大運(yùn)動(dòng)捕捉跟蹤器，分別從跟蹤實(shí)時(shí)性、準(zhǔn)確性上進(jìn)行改進(jìn)。

1 隨機(jī)森林算法及分析

1.1 隨機(jī)森林算法

單棵決策樹可以按照結(jié)點(diǎn)屬性值進(jìn)行分類，為了明顯提高精度，很容易想到種植一片樹林，并讓所有樹參加投票，選出最好的分類，這就是隨機(jī)森林［13］的思想。對(duì)第k棵樹引入隨機(jī)變量θk，它與前面的k-1 個(gè)隨機(jī)變量 θ1，θ2，…θk-1是獨(dú)立同分布的。通過(guò)訓(xùn)練集θk來(lái)生成第k棵樹，相當(dāng)于產(chǎn)生一個(gè)分類器h(X，θk)，其中X是一個(gè)輸入量。隨機(jī)森林有較好的數(shù)學(xué)理論基礎(chǔ)，不會(huì)出現(xiàn)過(guò)度擬合，符合大數(shù)定律。構(gòu)建隨機(jī)森林有多種形式和方法，可以根據(jù)實(shí)際需要，采用不同的方式構(gòu)建隨機(jī)森林。本文中采用更新權(quán)重構(gòu)建方法中的Adaboost方法進(jìn)行構(gòu)建。Adaboost方法是由Freund和 Schapire于1996年正式提出的，它是在前面分類器錯(cuò)誤分類的基礎(chǔ)之上，為下一個(gè)分類器的輸入，更新訓(xùn)練集上的權(quán)重，每個(gè)分類器都可以利用一個(gè)訓(xùn)練集和一個(gè)權(quán)重訓(xùn)練集來(lái)改進(jìn)。

設(shè)w(1)，…w(k)(∑wi(k)=1，wi(k)≥0)為關(guān)于訓(xùn)練集的k個(gè)不同的權(quán)重向量，對(duì)訓(xùn)練集進(jìn)行k種不同方式加權(quán)，這樣，得到的加權(quán)數(shù)據(jù)構(gòu)成一個(gè)大集合。取權(quán)重概率p(1)，p(2)，…p(k)且(i)=1 時(shí)，依據(jù)概率p(1)，p(2)，…p(k)從1，2，…k抽取整數(shù)，記為θ。利用訓(xùn)練集與權(quán)重w(k)產(chǎn)生分類器h(x，θ)。

在 Adaboost算法中，w(k+1)= φ(w(k))，φ是由起初分類器定義的函數(shù)。設(shè)第k個(gè)分類器為h(x，wk)，其投票權(quán)重為Q(wk)，所以對(duì)于將輸入x分類為j的規(guī)范化投票等于:

Adaboost算法主要針對(duì)一個(gè)訓(xùn)練集訓(xùn)練不同的分類器，然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)最終分類器(強(qiáng)分類器)。

1.2 算法分析

隨機(jī)森林有很多優(yōu)點(diǎn):精度高，穩(wěn)定性好，可以有效的處理大數(shù)據(jù)集，在分類的過(guò)程中給出變量重要性的估計(jì)等，與其他集成方法相比，對(duì)于數(shù)據(jù)噪聲更穩(wěn)定［15］。隨機(jī)森林方法雖然支持在線學(xué)習(xí)，但是在學(xué)習(xí)過(guò)程中也較為容易出現(xiàn)誤判，如果數(shù)據(jù)集較大，算法運(yùn)行時(shí)間長(zhǎng)，那么積累的誤差就更大，分類錯(cuò)誤率將會(huì)上升［15］。而TLD方法加入正負(fù)樣本互限思想，進(jìn)行誤差一致矯正，提高樣本判別的準(zhǔn)確性。因此，本文提出一種基于TLD的隨機(jī)森林方法。

2 基于TLD的目標(biāo)跟蹤方法

2.1 在線學(xué)習(xí)模型

本文在線學(xué)習(xí)的過(guò)程主要使用正樣本增長(zhǎng)、負(fù)樣本減少的方法。正樣本增長(zhǎng)與負(fù)樣本減少同時(shí)進(jìn)行，主要基于一個(gè)相似的閾值θ，當(dāng)兩個(gè)目標(biāo)窗口樣本的距離小于θ時(shí)就認(rèn)為其與目標(biāo)軌跡相似，反之亦然，這樣不斷的更新在線學(xué)習(xí)模型中的特征，使得特征更加精確。正樣本增長(zhǎng)過(guò)程為從跟蹤軌跡中選擇相似的樣本并進(jìn)行模型的更新。在負(fù)樣本減少過(guò)程中，假設(shè)被跟蹤的目標(biāo)在場(chǎng)景中是唯一的，如果跟蹤器和檢測(cè)器都認(rèn)為其中探測(cè)點(diǎn)是正確的，那么其余的探測(cè)點(diǎn)就被認(rèn)為是負(fù)樣本，并且從模型中移走。

在線學(xué)習(xí)模型主要依靠正負(fù)樣本學(xué)習(xí)框架進(jìn)行特征的更新。與目標(biāo)軌跡接近的特征窗口使用正樣本更新探測(cè)器，正樣本增長(zhǎng)。使用檢測(cè)器檢測(cè)目標(biāo)，非最大置信度的探測(cè)點(diǎn)使用負(fù)樣本更新，即負(fù)樣本減少。它們相互作用產(chǎn)生誤差，并不斷的消除誤差，使得學(xué)習(xí)更穩(wěn)固，特征更精確。相互作用關(guān)系如圖1。

圖1 正負(fù)樣本相互作用關(guān)系示意圖

2.2 基于在線學(xué)習(xí)的隨機(jī)森林目標(biāo)檢測(cè)器

將隨機(jī)森林的思想與在線學(xué)習(xí)模型結(jié)合起來(lái)，以實(shí)現(xiàn)目標(biāo)的在線學(xué)習(xí)檢測(cè)模型，具體步驟如下:

(1)初始化分類器。提取正樣本訓(xùn)練隨機(jī)森林分類器，包含目標(biāo)物體的矩形區(qū)域?yàn)檎龢颖緟^(qū)域，其他部分被視為負(fù)樣本區(qū)域，將大小規(guī)則的圖像塊作為樣本進(jìn)行處理，相對(duì)于單個(gè)像素而言，圖像塊包含更豐富的信息。在此階段，為了給分類器提供足夠的訓(xùn)練樣本，在正樣本區(qū)域和負(fù)樣本區(qū)域內(nèi)隨機(jī)產(chǎn)生大量子窗口，這些窗口可相互重疊，且位置隨機(jī)，每個(gè)子窗口從9×9像素大小到整幅圖像大小隨機(jī)產(chǎn)生，子窗口對(duì)應(yīng)的圖像塊即可作為樣本進(jìn)行處理，這樣即可完成分類器的初始化。

(2)在線學(xué)習(xí)模型。將分類器與在線學(xué)習(xí)模型相結(jié)合，構(gòu)成增量式的隨機(jī)森林分類器。采用2bitBP特征形成特征空間，利用滑動(dòng)窗口方法，在線學(xué)習(xí)模型分別對(duì)同一視頻圖像進(jìn)行分類識(shí)別，正樣本增長(zhǎng)模型將自身置信度高的樣本給特征空間進(jìn)行增量學(xué)習(xí)分類，同時(shí)負(fù)樣本減少模型根據(jù)自身樣本的置信度判斷特征空間中的不正確樣本，將其從特征空間中去掉。這樣他們相互作用使得特征空間在不斷擴(kuò)大的同時(shí)，使得其特征更加精確，也使得分類更加精確。

得到的分類器與在線學(xué)習(xí)模型相結(jié)合，不斷訓(xùn)練樣本，如圖2，具體步驟為:

(1)使用分類器標(biāo)記未標(biāo)記的樣本;

(2)識(shí)別并重新標(biāo)記違背結(jié)構(gòu)限制的樣本;

(3)不斷的擴(kuò)大訓(xùn)練集;

(4)重新訓(xùn)練分類器。

圖2 在線學(xué)習(xí)與分類器訓(xùn)練數(shù)據(jù)示意圖

其中Xu為未標(biāo)記的用于訓(xùn)練的數(shù)據(jù)，(X1，Y1)為已經(jīng)標(biāo)記的訓(xùn)練集數(shù)據(jù)，(Xt，Yt)為訓(xùn)練集輸出的數(shù)據(jù)，需要再進(jìn)行訓(xùn)練的數(shù)據(jù)，結(jié)構(gòu)限制主要是正樣本增長(zhǎng)和負(fù)樣本減少，(Xc，Yc)是通過(guò)在線學(xué)習(xí)輸出的數(shù)據(jù)，θ為在線學(xué)習(xí)所對(duì)應(yīng)的分類器的估計(jì)數(shù)據(jù)。

2.3 基于捕獲最大運(yùn)動(dòng)的目標(biāo)跟蹤器

基于在線學(xué)習(xí)的隨機(jī)森林方法可進(jìn)行目標(biāo)檢測(cè)，但是無(wú)法實(shí)現(xiàn)較大運(yùn)動(dòng)的目標(biāo)跟蹤。本文集合金字塔技術(shù)，采用LK光流法，根據(jù)所取特征，使用均值方式預(yù)測(cè)目標(biāo)的運(yùn)動(dòng)和位移方向，與目標(biāo)檢測(cè)器相結(jié)合，實(shí)現(xiàn)長(zhǎng)期的目標(biāo)跟蹤。

LK光流法［16］最初于1981年提出，由于算法易于應(yīng)用在輸入圖像中的一組點(diǎn)上，后來(lái)成為求稀疏光流的一種重要方法，該方法基于亮度恒定、時(shí)間連續(xù)或者運(yùn)動(dòng)是“小運(yùn)動(dòng)”、空間一致三個(gè)假設(shè)，光流約束方程如(4)式所示。

將亮度的定義I(x(t)，t)表示，應(yīng)用偏微分鏈?zhǔn)揭?guī)則:

其中，Ix是圖像的偏導(dǎo)數(shù)，It是隨時(shí)間的導(dǎo)數(shù)，v是要求的速度。

前面是LK光流法在一維空間上的用法，將其擴(kuò)展到二維圖像上，速度的y分量為v，x分量為u，得到:

孔徑問(wèn)題即用小孔或小窗口去測(cè)量運(yùn)動(dòng)，只能觀測(cè)到物體邊緣而觀測(cè)不到角點(diǎn)，只依靠邊緣是不足以判斷整個(gè)運(yùn)動(dòng)物體的運(yùn)動(dòng)朝向的。而角點(diǎn)是可用于跟蹤的良好特征點(diǎn)，其檢測(cè)幾乎不受攝像機(jī)姿態(tài)和光照條件的影響，具有旋轉(zhuǎn)不變性，在圖像配準(zhǔn)與匹配、運(yùn)動(dòng)估計(jì)等計(jì)算機(jī)視覺領(lǐng)域有著非常重要的作用。

但是，對(duì)于大多數(shù)30HZ的攝像機(jī)，大而不連貫的運(yùn)動(dòng)是普遍存在的。也正因?yàn)檫@個(gè)原因LK光流法在實(shí)際中的跟蹤效果并不是很好，本文結(jié)合金字塔技術(shù)，計(jì)算所取特征均值進(jìn)行改進(jìn)，解決此問(wèn)題。

該方法的思想如下:原圖像作為金字塔基層I=0，將原圖減采樣至原尺寸的(一般N=1)，獲得I=1層圖像，則該層相鄰幀間的目標(biāo)像素運(yùn)動(dòng)距離為(D為原圖中相鄰幀間的目標(biāo)像素運(yùn)動(dòng)距離)。當(dāng)I達(dá)到一定值時(shí)(一般3≤I≤5)，可滿足光流約束條件。在最高層Vf=0，圖像細(xì)節(jié)最少，ΔVf是f層的光流計(jì)算結(jié)果，作為下一層圖像的運(yùn)動(dòng)估計(jì)。

LK算法在幀與幀之間跟蹤這些點(diǎn)，產(chǎn)生矢量光流場(chǎng)，根據(jù)所取的特征，使用均值的方式預(yù)測(cè)下一幀中目標(biāo)的運(yùn)動(dòng)和位移方向。在每一幀中都有一系列的新的特征點(diǎn)被跟蹤，因此使得跟蹤具有較強(qiáng)的適應(yīng)性，對(duì)部分遮擋的物體跟蹤具有較好的魯棒性，跟蹤算法示意圖如圖3。

圖3 跟蹤算法示意圖

2.4 算法描述

本文算法流程描述如下，算法流程圖如圖4:

1)根據(jù)視頻幀，獲得相應(yīng)的訓(xùn)練集;

2)進(jìn)行特征在線學(xué)習(xí)學(xué)習(xí);

3)根據(jù)獲得的特征不斷的更新檢測(cè)器和跟蹤器，同時(shí)跟蹤器和檢測(cè)器也將得到的數(shù)據(jù)反饋給在線學(xué)習(xí)模型;

4)檢測(cè)器對(duì)目標(biāo)進(jìn)行檢測(cè)，與跟蹤器相融合，對(duì)比置信度，實(shí)現(xiàn)目標(biāo)的跟蹤。

圖4 算法流程圖

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)計(jì)算機(jī)為 CPU E5500@2.80GHz，2GB內(nèi)存，在Matlab R2009a環(huán)境下運(yùn)行。本文中圖像是RGB格式，分辨率為320*240，幀率為30幀每秒。視頻包括原參考文獻(xiàn)中的及自己錄制的，分別為摩托車的運(yùn)動(dòng)［17］，由2917幀組成(2分33秒)，在這段視頻中包含了目標(biāo)的遮擋、消失、快速運(yùn)動(dòng)、特征的突然變化等;復(fù)雜背景下的非剛性球的運(yùn)動(dòng)，由(2452)幀組成(1分22秒)，包括了目標(biāo)的遮擋、消失和相機(jī)的移動(dòng);復(fù)雜邊緣物體的運(yùn)動(dòng)由(4740)幀組成(2分36秒)，包括了目標(biāo)由慢向快的運(yùn)動(dòng)、遮擋、丟失、相似背景干擾和相機(jī)的移動(dòng)。

圖5中被跟蹤的目標(biāo)是非剛性軟球，5(a)中由于手力的作用使得球變形，雖然深色采樣點(diǎn)所取范圍變小，但是從圖中可以看出本算法依然可以找到跟蹤目標(biāo)的中心點(diǎn)，實(shí)現(xiàn)跟蹤;5(b)中球面進(jìn)行了滾動(dòng)，即所跟蹤的球面已經(jīng)不是第一幀獲得運(yùn)動(dòng)目標(biāo)時(shí)的球面，但是通過(guò)球在運(yùn)動(dòng)過(guò)程中，對(duì)特征的不斷學(xué)習(xí)，使得算法越來(lái)越精確，雖然球換面，但是依然能實(shí)現(xiàn)目標(biāo)跟蹤;5(c)中可以看到在手離開之后，本算法恢復(fù)了對(duì)變形球的跟蹤，而且跟蹤效果較好，這就是跟蹤器、檢測(cè)器和在線學(xué)習(xí)共同作用的結(jié)果。

圖5 非剛性物體跟蹤效果圖

目標(biāo)跟蹤過(guò)程中獲得的樣本圖如圖6，6(a)中為所有樣本，既包括目標(biāo)樣本也包括背景樣本，6(b)為目標(biāo)樣本，即在跟蹤過(guò)程中，通過(guò)計(jì)算與第一幀獲得的標(biāo)準(zhǔn)目標(biāo)樣本的重合率大于50%的樣本，這些樣本主要是通過(guò)在線學(xué)習(xí)模型獲得，雖然這些樣本有各種變化，各不相同，但是還是可以搜索到漂移，時(shí)刻進(jìn)行修正，跟蹤目標(biāo)。

圖6 跟蹤目標(biāo)樣本圖

對(duì)三個(gè)目標(biāo)的跟蹤如圖7，第一個(gè)是復(fù)雜背景的非剛性球跟蹤，第二個(gè)是復(fù)雜背景下復(fù)雜邊緣物體跟蹤，第三個(gè)雖然背景較為簡(jiǎn)單，但是目標(biāo)的運(yùn)動(dòng)速度非常的快。從圖中可以看出無(wú)論是出現(xiàn)部分遮擋還是快速運(yùn)動(dòng)，本算法都進(jìn)行了較好的跟蹤。在7(a)和7(b)中運(yùn)動(dòng)目標(biāo)的背景相當(dāng)復(fù)雜，甚至有些背景的灰度與目標(biāo)很接近，但是從跟蹤效果可以看出，本算法在復(fù)雜背景下進(jìn)行了實(shí)時(shí)準(zhǔn)確的跟蹤。在測(cè)試摩托車手的視頻中，在出現(xiàn)部分遮擋之后，目標(biāo)丟失，目標(biāo)中心點(diǎn)與深色取樣點(diǎn)出現(xiàn)了較大的偏差，但是在下一幀時(shí)，依然能檢測(cè)到運(yùn)動(dòng)的目標(biāo)，原因就是在前后兩幀中運(yùn)動(dòng)目標(biāo)由于運(yùn)動(dòng)速度非常快，位置發(fā)生很大的變化，而追蹤對(duì)象的搜索范圍較小產(chǎn)生的，但是在下一幀時(shí)算法便克服其誤差，進(jìn)行大范圍的搜索，得到了運(yùn)動(dòng)目標(biāo)。

圖7 跟蹤效果圖

本文采用文獻(xiàn)［18］中的評(píng)估標(biāo)準(zhǔn)，將跟蹤過(guò)程中算法選擇的所有目標(biāo)窗口數(shù)(樣本)定義為ST，手動(dòng)選擇的目標(biāo)窗口(樣本)個(gè)數(shù)定義為GT，如果跟蹤獲得的窗口和手動(dòng)選擇的窗口的重合率超過(guò)70%，就認(rèn)為獲得是正樣本，用TP表示，否則為FP，準(zhǔn)確率用P表示，定義為:

用R來(lái)表示正樣本和手動(dòng)選擇目標(biāo)窗口的比，定義為:

本文使用P和R這兩個(gè)參數(shù)估計(jì)跟蹤方法的質(zhì)量。將本文方法與Mean-Shift算法和原TLD算法進(jìn)行對(duì)比，跟蹤質(zhì)量見表1。

表1 跟蹤質(zhì)量表

從表1中可以看出TLD算法的準(zhǔn)確率明顯高于Mean-Shift算法，無(wú)論是哪種視頻資源，都進(jìn)行了很好的跟蹤，復(fù)雜背景并沒有影響跟蹤效果;正樣本對(duì)于手動(dòng)選擇的樣本比例，本文算法也明顯高于Mean-Shift算法，且高于TLD算法。由此可見，本文算法得到了較好的跟蹤效果，準(zhǔn)確率較高，可以進(jìn)行復(fù)雜背景下運(yùn)動(dòng)目標(biāo)的跟蹤。

4 結(jié)論

對(duì)隨機(jī)森林算法進(jìn)行分析研究，結(jié)合TLD的思想，構(gòu)建在線學(xué)習(xí)模型進(jìn)行結(jié)構(gòu)限制，使得分類結(jié)果更準(zhǔn)確;為捕捉大運(yùn)動(dòng)目標(biāo)，改進(jìn)光流法構(gòu)建跟蹤器，設(shè)計(jì)結(jié)構(gòu)，實(shí)現(xiàn)檢測(cè)器與跟蹤器的融合，并通過(guò)一系列實(shí)驗(yàn)對(duì)本文方法的有效性進(jìn)行驗(yàn)證。實(shí)驗(yàn)表明，本文算法實(shí)現(xiàn)了剛性物體、非剛性物體在快速運(yùn)動(dòng)、部分遮擋、完全丟失、攝像機(jī)運(yùn)動(dòng)等情況下的跟蹤，取得了較好的跟蹤效果，跟蹤準(zhǔn)確率可以達(dá)到93%以上。

［1］JORGE B，BOBER M，PLA F.Motion and intensity based segmentation and its application to traffic monitoring［C］.In Proceedings，International Conference on Image Analysis and Processing ICIAP，F(xiàn)lorence，Italy，1997:502-509.

［2］MORAVEC H P.Towards automatic visual obstacle avoidance［C］.In Proceedings of the 5th International Joint Conference on Artificial Intelligence，1977.

［3］KASS M，WITKINM A，TERZOPOULOS D.Active contour models［J］.International Journal on Computer Vision(IJCV)，1988，1(4):321-331.

［4］ MENET S，SAINT-MARC P，MEDIONI G.BSnakes:Implementation and application to stereo［C］.DARPA Image Understanding Workshop，1990，720-726.

［5］ DEILAMANI M.J，ASLI R N Moving object tracking based on mean shift algorithm and features fusion ［J］.Artificial Intelligence and Signal Processing(AISP).2011:48-53.

［6］KALAL Z，MIKOLAJCZYK K，MATAS J.Face-TLD:Tracking-Learning-Detection Applied to Faces［J］.International Conference on Image Processing，2010.

［7］CHEN E，XU Y，YANG X K，et al.Quaternion based optical flow estimation for robust object tracking［J］.Digital Signal Processing，2013，23(1):118-125.

［8］陳添丁，胡鑒，吳滌.稀疏光流快速計(jì)算的動(dòng)態(tài)目標(biāo)檢測(cè)與跟蹤［J］.中國(guó)圖象圖形學(xué)報(bào)，2013，18(12):1593-1600.

［9］WANG J，CHEN F，YANG J M，et al.Transferring visual Prior for online object tracking［J］.IEEE Transactions on Image Processing，2012，21(7):3296-3305.

［10］王愛平，萬(wàn)國(guó)偉，程志全，等.支持在線學(xué)習(xí)的增量式極端隨機(jī)森林分類器［J］.軟件學(xué)報(bào)，2011，22(9):2059-2074.

［11］袁衛(wèi)紅，盧雁，毛海岑，等.基于光流的運(yùn)動(dòng)小目標(biāo)檢測(cè)算法［J］.光學(xué)與光電技術(shù)，2012，1(10):67-70.

［12］佟國(guó)峰，蔣昭炎，谷久宏，等.基于隨機(jī)蕨叢的長(zhǎng)期目標(biāo)跟蹤算法［J］.東北大學(xué)學(xué)報(bào):自然科學(xué)版，2013，43(1):4-8.

［13］李勁菊，朱青，王耀南.一種復(fù)雜背景下運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法［J］.儀器儀表學(xué)報(bào)，2010，31(10):2242-2247.

［14］郝志成.決策主導(dǎo)的多模式融合目標(biāo)跟蹤算法［J］.儀器儀表學(xué)報(bào)，2013，34(3):487-492.

［15］BREIMAN L.Random forests［J］.Machine Learning，2001，45(1):5-32.

［16］LUCAS B，KANADE T.An iterative image registration technique with an application to stereo vision［C］.Proceedings of DARPA Image Understanding WorkShop.San Francisco，USA:Morgan Kaufmann Publishers Inc.1981，147-151.

［17］CHAN T，VESE L.Active contours without edges［J］.IEEE Transaction on Image Processing，2001，10(2):266-277.

［18］ZDENEK K，JIRI M，KRYSTIAN M.Online learning of robust object detectors during unstable tracking ［J］.On-line Learning for Computer Vision Workshop，2009.