融合CN跟蹤算法改進的TLD實時目標跟蹤算法*

張 晶，黃浩淼，王健敏，保峻嶸

(1.昆明理工大學信息工程與自動化學院,云南 昆明 650500;2.云南梟潤科技服務有限公司,云南 昆明 650500;3.昆明理工大學云南省人工智能重點實驗室，云南 昆明 650500;4.云南省農村科技服務中心,云南 昆明 650021;5.云南省信息技術發展中心,云南 昆明 650228)

1 引言

在計算機視覺領域中，目標跟蹤是一個長期以來研究的熱點，同時也是信息物理融合系統(Cyber Physical System)感知層中的研究熱點。如今目標跟蹤技術正在快速發展，但在目標旋轉變化、快速移動、出視角再出現、背景雜亂等復雜場景中，目標跟蹤仍然面臨很大的挑戰性。為了解決這些問題，研究者提出了許多優秀的判別式與生成式目標跟蹤算法[1]。比如，引入循環矩陣和核概念的算法CSK(Circulant Structure of tracking-by-detection with Kernel)[2,3]，CSK將目標作為訓練樣本，對訓練樣本與目標周圍的背景進行密集采樣，構造出一些候選區域的樣本進行循環移位，同時由訓練好的分類器對循環移位樣本進行檢測，提高跟蹤的魯棒性。但是，在跟蹤運動目標時，CSK跟蹤器并不能對快速運動目標、出視角再出現目標進行有效跟蹤，Kalal等人[4,5]提出了跟蹤與檢測結合的 TLD(Tracking-Learning-Detection)算法。該算法通過一種正負樣本在線學習機制，解決了以上場景中傳統算法跟蹤失敗問題，然而TLD算法在目標旋轉、背景雜亂等情景中跟蹤效果不佳。Danelljan等人[6]在CSK的基礎上進行改進，引入了顏色屬性(Color Attributes)，提出了一種處理多通道顏色特征的算法，CN(adaptive color attributes for real-time visual tracking)算法通過將顏色信息投影到10維子空間上，使用PCA降維大大減少顏色維度的數量，提升了算法運行速度，并圍繞目標的跟蹤范圍對多通道顏色信號經過快速傅里葉變換與核映射，計算出下一幀的最大響應值[7,8]，提高了目標旋轉、背景雜亂等情景中跟蹤的魯棒性。Liu等人[9]提出一種前景劃分下的雙向尋優跟蹤方法，通過顏色屬性建立判別外觀模型，采用一種前景劃分的方式解決目標旋轉時特征丟失的問題。Wang等人[10]提出從圖像中提取目標模型和背景的跟蹤方法,利用圖像中的目標模型計算出置信圖，評估目標的下一幀位置，并更新目標模型，提高目標形變跟蹤精度。Oron等人[11]提出一種對目標區域分塊的跟蹤方法,將分好塊的目標區域進行像素匹配，通過匹配的相似性預測下一幀的目標位置，通過匹配分塊的目標區域建立約束，提高背景雜亂情景跟蹤的精度。火元蓮等人[12]提出一種融合多特征的相關濾波跟蹤算法，通過對目標的顏色特征、HOG特征、灰度特征降維后，重新構造特征矩陣融入相關濾波器中，得到更精確的目標跟蹤效果。Chen等人[13]提出一種多模糊核融合的單目標跟蹤算法，通過將模糊化的核函數作為目標函數，使得算法在跟蹤實時性上得到提高。張晶等人[14]提出一種時空上下文相似性的TLD目標跟蹤算法，通過計算上下幀目標之間的相似性，對結果進行距離判定后，求出置信圖中最大的跟蹤框作為目標框輸出。

由于TLD跟蹤框在目標非剛性形變、旋轉、背景雜亂情景中容易跟蹤漂移，導致跟蹤精度低，CN跟蹤框結合了顏色特征能準確地表征目標區域，在以上情景中跟蹤具有很好的魯棒性，故可以結合CN跟蹤算法來提高TLD算法的魯棒性。為了找到CN跟蹤框與TLD跟蹤框的權重分配比例，本文首先使用BRISK(Binary Robust Invariant Scalable Keypoints)算法[15]采集跟蹤框內旋轉不變性的特征點；然后融合顏色特征和紋理特征對前后幀之間特征點的描述子進行相似性匹配，獲得跟蹤過程中的可靠特征點集合；再用這些可靠特征點經過判別式字典稀疏編碼后，分別與TLD跟蹤框和CN跟蹤框的中心像素點進行權重計算；最后根據權重比例調整得到輸出框中心點位置。實驗表明，改進算法在目標形變、旋轉、背景雜亂情景中提高了跟蹤的魯棒性。同時TLD算法采用一種網格循環采樣特征點的方法導致算法實時性不高，本文在采樣特征點上，提出通過計算圖像顯著性來確定BRISK算法特征點采樣的閾值，從而獲取合適的特征點，提高了算法的實時性。目標快速運動時會影響CN跟蹤算法的顏色模型更新，導致更新過程中存在過多背景信息，從而跟蹤失敗。本文算法通過TLD檢測器篩除錯誤樣本，避免了快速運動產生的邊界效應，并通過CN跟蹤框與TLD跟蹤框線性加權調整后優化輸出框，更新學習模型，不斷提高算法的魯棒性。

2 基本跟蹤算法

2.1 TLD跟蹤算法

TLD 跟蹤算法能對單目標進行長期跟蹤，它使用一種正負樣本的在線學習方法，通過一對約束來估計出錯誤，更新檢測器，并根據需要通過檢測器不斷修正跟蹤器，提高目標跟蹤過程的魯棒性。TLD 算法解決了跟蹤過程中目標快速運動或者目標在視頻序列中消失一段時間后又重新回到視頻中的跟蹤失敗問題。

在初始條件下，TLD算法的跟蹤模塊通過學習第1幀跟蹤框內的背景環境和目標信息，使用二叉分類器劃分目標與周圍背景環境的邊界，建立初始化正負樣本，初步建立在線模型，通過網格均勻采樣的方法作用于跟蹤框得到特征點；然后使用LK光流法計算特征點前向后向誤差FB_error(Forward-Backward error)，去除異常特征點，同時將篩選后滿足條件的特征點保留下來，以預測下一幀跟蹤框的位置。

根據設定好的掃描窗口尺度產生大量的滑動矩形框，然后檢測器找到與跟蹤目標相似度最高的滑動矩形框。主要步驟如下：首先經過方差分類器利用積分圖求出滑動矩形框內圖像的方差值，若該值大于閾值，再經過集合分類器，集合分類器中的決策樹對圖像的像素進行比較，從而確定葉子節點的結果，對決策樹上的所有葉子節點的結果進行編碼，利用編碼結果求得決策樹的后驗概率，再取其均值。若后驗概率均值大于給定閾值，則該滑動矩形框中存在前景目標，否則丟棄掉。最后由最近鄰分類器對剩下的滑動矩形框與在線模型計算相似度，若相似度大于設定閾值，則目標跟蹤成功，同時更新目標在線模型。

TLD算法的學習模塊主要完成對檢測器中的集合分類器和最近鄰分類器初始化的過程，并利用P-N約束對檢測器進行更新，它通過 P-N 學習的理論劃分出正樣本和負樣本，對正負樣本進行仿射變換更新在線模型和正負樣本庫，從而提高了檢測器的準確性。

2.2 CN跟蹤算法

CN 跟蹤算法是一種引入復雜顏色特征進行多通道目標跟蹤的算法，CN 跟蹤算法的內核函數將多維顏色特征信息加入 CSK算法，使CSK能夠處理多通道的目標圖像，并調整了CSK的更新機制，實驗表明了其目標跟蹤的有效性。為了提高算法運算速度，CN跟蹤算法提出一種將 11維顏色特征降低到 2 維的自適應維度下降方法。

yj(m,n)|2+λ〈wj,wj〉)

(1)

(2)

其中，βj表示第j幀圖像權重值；φ()是映射到希爾伯特空間的函數;λ≥0 是固定值；a(k,l)為濾波器系數。分類器參數Ap表示為：

(3)

(4)

(5)

xp=(1-γ)xp-1+γxp

(6)

(7)

其中，αp是視頻幀數的投射權重，αj是視頻中第j幀的投射權重，bj是矩陣Bp的列向量。利用訓練模型訓練降維后的顏色特征信息，并更新學習目標模型和訓練因子。計算下一幀圖像獲得響應分數最大的位置向量y：

y=F-1(μUm,n)

(8)

即求得新的目標中心位置,F-1()為反傅里葉變換函數，μ為響應因子，Um,n為目標響應值。

3 改進的目標跟蹤算法TLD-CN

3.1 跟蹤框內特征點的檢測與匹配

BRISK算法具有較好的旋轉不變性，對于快速運動導致模糊的圖像匹配魯棒性也較好。

BRISK首先識別跟蹤框中的感興趣區域，使用圖像金字塔中設定的閾值T來檢測區域中的特征點，但算法在檢測特征點時，只考慮了特征點在圖像中的灰度信息，并未考慮特征點距離目標的局部信息，導致特征點選取不適當，增加了特征點的誤匹配率。本文改進了BRISK算法，通過融入目標區域的局部圖像顯著性來計算算法閾值，從而得到跟蹤框內適當的特征點。

假設第t-1幀圖像中目標跟蹤框Bt-1的高為HBt-1、寬為WBt-1，將目標框Bt-1的高和寬擴展2倍得到目標區域A，圖像中剩下的即為背景區域B。將第t幀的圖像作為搜索區域，將圖像均分為9個子塊Ri(i=1,…,9)，對9個子塊分別計算像素點之間的對比度，再計算出像素點的圖像顯著性，所以得到：

(9)

其中，[0,255]為圖像中像素點的灰度值范圍，In表示第n個像素點的灰度值，fn是圖像中灰度值為In的像素點在目標區域出現的頻率。獲得圖像中每個子塊圖像的顯著性后，通過高斯平滑濾波得到該子塊的特征點檢測閾值Ti為：

(10)

其中，a取經驗值0.2，b為Ri子塊內的所有像素個數，I(x,y)為(x,y)位置像素點的灰度值，(x,y)∈Ri。根據圖像每個子塊的檢測閾值Ti得到該子塊的特征點。再通過連續域擬合二次函數來獲得每個特征點的位置和尺度，以特征點為中心在其周圍采集θ個特征圓，建立旋轉和尺度歸一化的描述子。

當目標背景復雜、發生非剛性形變時，跟蹤框內采集的特征點容易發生偏移。偏移的特征點不能準確地表征跟蹤目標，因此為了獲得可靠的特征點，本文提出融合圖像中的顏色特征和紋理特征對跟蹤框內前后幀的描述子進行前后向最優相似性匹配。首先計算第t-1幀跟蹤框中特征點描述子與第t幀跟蹤框中特征點描述子之間的相似性；然后通過距離決策判定后，將超過偏移閾值的特征點去除，從而得到可靠的特征點集合。

假設第t幀跟蹤框得到的n2個特征點描述子集合為Q={qj},j∈1,…,n2，qj表示第j個局部特征點描述子，第t-1幀跟蹤框得到的n1個特征點描述子集合為P={pi},i∈1,…,n1，pi表示第i個局部特征點描述子。為了對跟蹤框中前后幀描述子進行最優相似性匹配，首先要獲得跟蹤框中P與Q之間所有描述子的最優匹配對：

OMPi,j(P,Q)=

(11)

其中，NN(pi,Q)為最近鄰匹配距離，在匹配過程中，計算出P中第i個特征點描述子pi與Q之間的最近鄰匹配距離，在Q中得到的最優匹配特征點描述子為qj，qj再與P之間進行反向最近鄰匹配距離計算，若qj的最優匹配特征點描述子也是pi，則OMP(P,Q)為1，否則為0，NN(pi,Q)=arg mind(pi,qj)。d(pi,qj)是描述子pi與Q之間的匹配距離：

(12)

其中，A表示顏色特征，L表示紋理特征。然后計算前后幀跟蹤框中P與Q之間的最優相似性匹配特征點描述子的期望：

(13)

其中,Γ()為概率分布函數;若pi和qj相互作為彼此最優匹配特征點描述子時，OMPi,j(P,Q)=1，反之為0，由此OMPi,j(P,Q)表示為：

(14)

其中，n=n1+n2,D是通過描述子距離來判斷的函數。若期望大于設定閾值，則保留匹配的特征點，然后計算相鄰幀中跟蹤框內各匹配的特征點之間的中心距離：

(15)

其中,xi和yi分別表示第t幀跟蹤框中特征點的橫坐標和縱坐標，x′i和y′i分別表示第t-1幀跟蹤框中特征點的橫坐標和縱坐標。若結果中心距離處于設定度量閾值區間d±d/5，則保留該特征點，并將其放入可靠特征點集Rt。圖1是對跟蹤框內可靠特征點匹配結果圖。

Figure 1 Feature points matching results in tracking box圖1 跟蹤框內特征點匹配結果圖

3.2 計算權重調整輸出框

本文將3.1節獲得的可靠特征點集合Rt經過判別式字典稀疏編碼[16]表示后，分別與CN跟蹤框中心像素點與TLD跟蹤框中心像素點進行權重計算；再將Rt中每個特征點得到的權重由相似性的度量方法[17]得到總的權重值，由CN跟蹤框的總權重FCN和TLD跟蹤框的總權重FTLD求得分配比例系數ρ；最后經過比例系數加權平均調整輸出框的中心點位置。

為了調整輸出框，需要在輸出框權重計算過程中劃分跟蹤框內特征點的可信度[18]。本文需要計算出Rt中每一個特征點與中心像素點的不同權重，但每一個特征點與跟蹤框中心像素點之間距離值是不同的，離中心像素點較近的特征點與目標更接近，代表其可信度越高，離得遠的特征點因為更接近背景導致可信度低。所以，本文把特征點與中心像素點的距離作為衡量權重的依據，先對Rt中每一個特征點用判別式字典進行稀疏編碼表示：

(16)

其中，Y=[Y1,Y2,…,Ym]，Yi表示Rt中第i個特征點，D為編碼因子，bi表示Yi在判別式字典下的編碼系數矩陣。假設第i個特征點與中心像素點的距離為di，則第i個特征點與跟蹤框之間的權重wi為：

(17)

再通過相似性度量方法WAP計算CN跟蹤框和TLD跟蹤框與Rt中每個特征點的總權重值為：

(18)

(19)

Figure 2 Flow chart of TLD-CN algorithm adjustment output box圖2 TLD-CN跟蹤算法調整輸出框流程圖

3.3 權重的更新

對目標進行長時間跟蹤時，由于每一幀圖像都要計算跟蹤框的中心像素點與可靠特征點集Rt中每個特征點的權重，會導致算法的實時性不佳，因此本文提出一種權重更新的方法。

(20)

(21)

(22)

3.4 算法流程

(1)初始化目標框。

(2)初始化TLD算法檢測器，根據3.1節計算圖像顯著性，得到BRISK算法選取特征點的閾值，獲得合適的特征點。

(3)跟蹤模塊：再利用3.1節融合顏色特征和紋理特征，將剩余特征點的描述子進行最優相似性匹配，由距離決策判定后，得到可靠特征點集合。根據3.2節得到CN跟蹤框與TLD跟蹤框的權重系數，建立比例關系分配，加權調整最終跟蹤框輸出位置，并將跟蹤框模型放入學習模塊。

(4)檢測器：根據設定的矩形框窗口尺度，循環采樣獲得大量滑動矩形框，并將經過三大級聯分類器的滑動矩形框進行相似度scbb和重疊度dbb計算，最后進行聚類得到檢測器預測的矩形框集合。

(5)綜合模塊：調整后的跟蹤框與檢測器的預測矩形框相互計算重疊度dbb，選擇更精確的目標輸出框。

(6)學習模塊：根據3.3節更新權重，調整輸出框分配權重比例，通過P-N在線學習機制對檢測器中的目標模型進行學習與更新，提高TLD檢測器的準確性。

(7)視頻結束則退出，反之返回步驟(3)對下一幀進行跟蹤。

圖3給出了本文算法的流程圖。

Figure 3 Flow chart of TLD-CN algorithm圖3 TLD-CN跟蹤算法流程圖

4 實驗結果

本節從目標跟蹤測試集網站(http:∥www.visual-tracking.net)上選擇了6個測試視頻，如表1所示，共有3 284幀，對本文算法與 CN跟蹤算法、TLD算法、KCF算法進行實驗分析。實驗測試視頻序列包括背景雜亂、形變、旋轉、遮擋、快速運動等背景環境。

Table 1 Test video sequences

Figure 4 Accuracy of the test video sequences圖4 測試視頻的精度

本文實驗環境的處理器為Intel?i5-4210 2.60 GHz，內存為4 GB，對本文3.3節中權重更新參數取θ=0，Γ=0.05，w-=w+=1，學習率取δ=0.4。本文從成功率、精度和幀率FPS3個方面評測上述4種算法，計算跟蹤算法輸出目標框的中心位置與實際目標框的中心位置的歐氏距離得到精確圖，通過計算跟蹤算法每幀的包圍框重疊度，將大于給定閾值的幀數除以總幀數計算得到成功率，使用文獻[19]給出的測試視頻中Ground truth作為實際目標框來計算成功率和精度。圖4和圖5分別為本文算法、KCF算法、CN跟蹤算法和TLD算法的實驗精度與實驗成功率。通過對 6個視頻序列的跟蹤，綜合以上3種評測標準，可以看出本文算法在中心位置誤差的精度和包含框重疊度的成功率上都優于TLD算法。

接下來通過本文實驗結果以及視頻測試序列部分截圖對4種不同的跟蹤算法進行實驗分析。

4.1 背景雜亂及旋轉

在實驗測試視頻中，本文選擇具有背景雜亂、快速移動情景的soccer測試視頻。從圖5的soccer實驗成功率可以看到，在重疊閾值大于0.2時，本文算法和CN跟蹤算法成功率比TLD算法成功率高。主要原因是在背景雜亂時，CN跟蹤算法對目標進行顏色特征描述后提高了跟蹤魯棒性，而本文算法在調整跟蹤框輸出時，CN跟蹤框所占權重比例更大，導致本文算法也能有效跟蹤到目標。在重疊閾值大于0.4時，本文算法成功率比CN跟蹤算法成功率高。因為快速移動影響了CN跟蹤算法對目標顏色特征模型的更新，導致目標跟蹤失敗，而本文算法和TLD算法具有在線學習機制，通過檢測器篩除融入背景信息過多的錯誤樣本，再對每一幀的正負樣本進行學習訓練，使得輸出框對下一幀目標區域跟蹤更準確。圖6a是soccer測試視頻跟蹤結果的截圖，從第59幀可以看出，快速運動使目標顏色模型更新受到背景信息的干擾，導致CN跟蹤算法對目標顏色特征的描述變差，影響CN跟蹤框表征目標區域，從而跟蹤框發生偏移。從第106和第207幀可以看出，目標區域出現背景雜亂時，TLD算法和KCF算法跟蹤框出現漂移，最后導致跟蹤失敗；CN跟蹤算法由于獲取目標顏色特征，提高了跟蹤的魯棒性；本文算法結合TLD算法和CN跟蹤算法的特點，加權融合2種算法，在快速運動后本文算法通過在線學習機制仍然可以跟蹤到目標，在背景雜亂的情況下，本文算法結合顏色特征對目標進行更有效的跟蹤，然后將跟蹤的樣本作為正樣本，放入目標學習模型中不斷地優化算法。

Figure 5 Success rates of test video sequences圖5 測試視頻的成功率

Figure 6 Background messy and rotating part of the screenshot圖6 背景雜亂及旋轉部分截圖

選擇具有背景雜亂、旋轉情景的david3和panda測試視頻。從圖4的david3實驗精度和表2的精度可以看出，TLD算法精度為0.287，主要是目標受到遮擋和背景雜亂時跟蹤框偏移積累后導致跟蹤失敗。圖6b是david3測試視頻跟蹤結果的截圖，從第53幀看到TLD算法受到桿子的遮擋導致跟蹤框偏移，之后受到背景的干擾；在第69幀，由于TLD算法把車輛作為一個正樣本進行訓練，導致跟蹤失敗。從第144幀看到KCF算法在目標旋轉時跟蹤發生偏移，本文算法和CN跟蹤算法考慮了顏色特征表述目標，從而目標跟蹤效果更優。從圖5的panda實驗成功率和表3的成功率可以看出，CN跟蹤算法和本文算法的成功率比TLD算法和KCF算法的更高，主要是旋轉和背景雜亂導致TLD算法和KCF算法跟蹤失敗。圖6c是panda測試視頻跟蹤結果的截圖，從第138幀可以看出背景雜亂時，TLD算法跟蹤框中樹葉被作為正樣本訓練導致跟蹤失敗；在第215幀中TLD算法通過檢測器的跟蹤失敗恢復機制重新找到目標區域；在第155幀目標旋轉影響KCF算法外觀模型提取HOG特征，從而跟蹤失敗，本文算法和CN跟蹤算法通過顏色特征模型獲得了更優的跟蹤效果。

Table 2 Average center error rate (accuracy)of four different algorithms

Table 3 Average overlap ratio (success rate)of four different algorithms

Figure 7 Screenshot of target deformation, occlusion and fast motion圖7 目標形變、遮擋和快速運動部分截圖

4.2 目標形變、遮擋和快速運動

在實驗測試視頻中，本文選擇具有遮擋、目標形變情況的woman測試視頻。從圖5的woman實驗成功率得到，在重疊閾值大于0.7時，本文算法的成功率大于CN跟蹤算法的，主要是目標在行走過程中存在尺度變小的問題，而CN跟蹤算法跟蹤框并不能根據目標尺度變化相應地改變，從而降低了跟蹤框重疊度，導致成功率變小。本文算法結合TLD算法中檢測器通過循環尺度采樣矩形框后，再綜合利用矩形框和跟蹤框之間相似度計算，平滑輸出得到尺度自適應變換的跟蹤框。圖7a是woman測試視頻跟蹤結果的截圖，從第116和第313幀可以看出，TLD算法在遮擋的時候跟蹤框持續漂移，導致目標跟蹤失敗。

選擇具有目標形變、尺度變換情況的walking測試視頻。從圖4的walking實驗精度和表2的精度可以看出，CN跟蹤算法精度為0.598，在目標形變上CN跟蹤算法加入顏色特征對目標進行表述，跟蹤效果更好，但尺度變化上CN 算法跟蹤框偏大，從而降低了跟蹤精度。圖7b是walking測試視頻跟蹤結果的截圖，從第125,188,272和399幀可以看出，在目標發生形變后，TLD算法跟蹤框發生微小漂移，CN跟蹤算法的跟蹤框尺度一直偏大。

選擇具有快速移動情況的BlurOwl測試視頻。從圖5的BlurOwl實驗成功率和表3的成功率可以看出，本文算法成功率為0.742，TLD算法成功率為0.782，CN跟蹤算法成功率為0.623，KCF算法成功率為0.556，主要是快速移動產生的邊界效應影響了CN跟蹤算法和KCF算法模型的更新，引入了過多背景信息，最后導致跟蹤失敗。而本文算法根據檢測器篩除邊界效應得到的負樣本，根據在線學習機制對正負樣本的每一幀進行學習訓練，使得輸出框對目標區域跟蹤更準確。圖7c是BlurOwl測試視頻跟蹤結果的截圖，從第49和58幀可以看出，目標上下快速移動時，CN跟蹤算法跟蹤框已經跟蹤失敗。從第117和172幀可以看出，目標左右快速移動時，CN跟蹤算法和KCF算法的跟蹤框跟蹤失敗，而TLD算法和本文算法可以持續跟蹤到目標。

從表4可知，KCF算法對高斯核函數改進后，跟蹤的實時性最好；CN跟蹤算法在CSK算法上融入顏色特征后，使用主成分分析法降維，跟蹤的精度和實時性得到提高；TLD算法采用網格循環采樣特征點的方法，導致實時性較差；本文算法通過計算圖像顯著性獲得BRISK算法選取特征點的最佳閾值，從而減少了算法采樣特征點的時間，同時本文提出了一種權重更新的方式，減少了對特征點的匹配次數。本文算法在TLD算法基礎上，實時性提高了2.15倍，平均幀率達到46.645 f/s。

Table 4 Average frame ratecomparison of four different algorithms

5 結束語

本文在TLD算法的基礎上，結合在目標形變、旋轉、背景雜亂情景中魯棒性更優的CN跟蹤算法，提出了一種融合CN跟蹤算法改進的TLD實時目標跟蹤算法TLD-CN。首先通過BRISK算法獲得合適的特征點，再對這些特征點的描述子進行前后幀之間的最優相似性匹配，從而得到可靠特征點集合，將集合進行稀疏編碼后，分別與CN跟蹤器和TLD跟蹤器的中心像素點進行相似度的度量，得到相應的權重值，根據權重值調整輸出框的比例關系，提高了算法的魯棒性。同時，本文通過計算圖像顯著性選取BRISK算法的閾值，對比于TLD算法使用循環采樣特征點的方法縮短了計算周期。實驗結果表明，本文的TLD-CN跟蹤算法在實時性和平均幀率方面優于TLD算法。針對TLD算法在目標形變、旋轉、背景雜亂情景中容易跟蹤漂移，本文所提出的算法能夠有效解決TLD算法的問題。然而，本文算法并沒有考慮多個相似目標重疊時導致跟蹤失敗的問題，下一步的研究方向是在相似目標發生遮擋場景中提高跟蹤算法的魯棒性。