一種時(shí)空特征融合的魯棒視覺跟蹤算法

楊志龍, 侯志強(qiáng), 余旺盛 ， 蒲 磊， 張成煜， 馬素剛

(1.西安郵電大學(xué)計(jì)算機(jī)學(xué)院，西安， 710121 ；2.空軍工程大學(xué)信息與導(dǎo)航學(xué)院，西安， 710077；3.火箭軍工程大學(xué)作戰(zhàn)保障學(xué)院，西安， 710025)

視覺目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域研究的熱點(diǎn)之一，在視頻理解、人機(jī)交互、無人機(jī)、自動(dòng)駕駛等方面具有廣泛的應(yīng)用[1]。近年來，視覺跟蹤領(lǐng)域涌現(xiàn)出諸多優(yōu)異的成果，但仍然面臨著不小的挑戰(zhàn)[2]，在跟蹤過程中，當(dāng)目標(biāo)發(fā)生形變、遮擋、旋轉(zhuǎn)、運(yùn)動(dòng)模糊以及處于復(fù)雜場景等情況下，往往會(huì)造成目標(biāo)丟失。

近幾年，相關(guān)濾波跟蹤算法[3]以其良好的跟蹤性能吸引了眾多研究人員的關(guān)注。相關(guān)濾波類跟蹤算法通常采用手工特征[4-6]對(duì)目標(biāo)外觀進(jìn)行表征，基于深度學(xué)習(xí)的CNN特征[7]也被廣泛應(yīng)用，并取得了良好的跟蹤效果。文獻(xiàn)[8]在分析了深度特征和手工特征各自的優(yōu)勢(shì)后，提出不同特征應(yīng)區(qū)別對(duì)待，調(diào)整不同特征的權(quán)重系數(shù)進(jìn)行融合，發(fā)揮不同特征的優(yōu)勢(shì)，進(jìn)一步提升了跟蹤器的性能。在基于相關(guān)濾波的跟蹤算法中，ECO算法[9]表現(xiàn)突出，該算法使用了CN特征、HOG特征和CNN特征的組合，獲得了很好的跟蹤性能。

但上述這些特征都屬于表征目標(biāo)表觀特征的靜態(tài)信息，在運(yùn)動(dòng)目標(biāo)的跟蹤中，如果引入表征目標(biāo)運(yùn)動(dòng)特征的動(dòng)態(tài)信息或者時(shí)序信息，應(yīng)該能夠進(jìn)一步提升算法的跟蹤性能。文獻(xiàn)[10]提出遞歸全對(duì)場變換深度網(wǎng)絡(luò)(recurrent all-pairs field transforms，RAFT)，通過遞歸單元迭代更新的方式提取光流獲取運(yùn)動(dòng)特征，該網(wǎng)絡(luò)具有良好的泛化能力，并在推理時(shí)間和計(jì)算速度等方面具有較高的效率。運(yùn)動(dòng)特征被廣泛應(yīng)用于動(dòng)作識(shí)別[11]和人體行為識(shí)別[12]中， 文獻(xiàn)[13]在視覺跟蹤算法中運(yùn)用了深度運(yùn)動(dòng)特征，并取得了較好效果，但現(xiàn)有的跟蹤算法大多數(shù)沒有利用目標(biāo)的運(yùn)動(dòng)特征，如何通過對(duì)目標(biāo)的運(yùn)動(dòng)特征和空間表觀特征的融合來提高算法的跟蹤性能，是一個(gè)值得研究的工作。

此外，在跟蹤過程中，對(duì)跟蹤結(jié)果質(zhì)量的判定可以有效減少模型累積錯(cuò)誤導(dǎo)致的跟蹤失敗。常用的質(zhì)量判別指標(biāo)是根據(jù)目標(biāo)響應(yīng)圖的變化來判斷跟蹤結(jié)果是否可靠，文獻(xiàn)[14]提出了峰值旁瓣比(peak-to-sidelobe ratio, PSR)，該方法通過響應(yīng)圖峰值尖銳程度來判定跟蹤結(jié)果是否可靠。文獻(xiàn)[15]在LMCF算法中提出平均相關(guān)峰能量(average peak to correlation energy，APCE)通過對(duì)響應(yīng)圖振蕩的幅度來判斷跟蹤結(jié)果是否可靠。因此，可以依據(jù)相關(guān)的判別準(zhǔn)則對(duì)跟蹤結(jié)果的質(zhì)量進(jìn)行判定，以保證獲得較好的跟蹤結(jié)果。

綜上所述，本文將在相關(guān)濾波跟蹤框架的基礎(chǔ)上，通過引入RAFT深度網(wǎng)絡(luò)來估計(jì)光流，獲取表征目標(biāo)運(yùn)動(dòng)特征的時(shí)序信息，提取目標(biāo)的CN特征和HOG特征，獲取表征目標(biāo)表觀特征的空間信息，然后融合這兩種信息以增強(qiáng)對(duì)目標(biāo)時(shí)空特征的表征能力；其次，建立一種基于相似度的跟蹤結(jié)果質(zhì)量判別機(jī)制，根據(jù)跟蹤結(jié)果實(shí)時(shí)調(diào)整時(shí)序信息在融合過程中的權(quán)重，以期在跟蹤過程中更好地發(fā)揮不同特征的優(yōu)勢(shì)。在OTB100[16]和VOT2019[17]數(shù)據(jù)集上對(duì)所提出的算法進(jìn)行了測試，實(shí)驗(yàn)結(jié)果表明，基于目標(biāo)時(shí)序信息和空間信息自適應(yīng)融合的跟蹤算法有效提升了視覺跟蹤算法的精度與成功率。

1 相關(guān)工作

為提升視覺跟蹤算法的跟蹤性能，本文選擇了性能優(yōu)異的ECO算法作為基準(zhǔn)算法，將目標(biāo)的運(yùn)動(dòng)特征引入到ECO算法中。ECO算法分析了影響跟蹤算法的3個(gè)重要因素：模型冗余、時(shí)間復(fù)雜度和模型更新策略。針對(duì)模型冗余提出了因式分解卷積，針對(duì)時(shí)間復(fù)雜度提出了樣本生成空間模型，在模型更新中主要減少了模型更新次數(shù)。接下來介紹ECO算法中的因式分解卷積過程和樣本生成空間模型。

1.1 因式分解的卷積操作

SPf(x)=PfJ(x)=∑c,dpd,cfcJd{xd}=fPTJ{x}

(1)

式中：PT為線性降維算子。傅里葉域中濾波器求解目標(biāo)函數(shù)表示為：

(2)

1.2 樣本生成空間模型

該模型通過樣本分類來簡化訓(xùn)練集。通過概率生成模型減小冗余樣本集進(jìn)而使樣本更緊湊。將樣本進(jìn)行編組，類似的樣本劃為一組，每一個(gè)組都代表一種特定的場景。即組與組之間差異性大，而組內(nèi)比較相似程度高，該方法極大豐富了訓(xùn)練樣本集的多樣性。

根據(jù)樣本特征x和對(duì)應(yīng)的期望輸出分?jǐn)?shù)y的聯(lián)合概率分布p(x,y)，可將式(2)進(jìn)一步完善為：

(3)

式中：E為聯(lián)合概率分布p(x,y)的期望。樣本x的關(guān)聯(lián)輸出y的形狀是預(yù)先定義好的，在這里為一個(gè)高斯函數(shù)。假設(shè)為目標(biāo)位于圖像區(qū)域中心點(diǎn)，因此所有y都一致。將樣本分布簡化為P(x,y)=p(x)δy0(y)只需計(jì)算p(x)即可：

(4)

式中：L表示樣本組的個(gè)數(shù)，i∈[1,L]；樣本組由N(x;μ;I)表示。將原訓(xùn)練樣本替換為高斯模型均值μ1，使用高斯主成分先驗(yàn)權(quán)值π1代替原更新系數(shù)。引入上述模型后濾波器求解目標(biāo)函數(shù)最終可表示為：

E(f)=

(5)

2 本文算法

本文首先引入遞歸全對(duì)場變換深度網(wǎng)絡(luò)(RAFT)估計(jì)光流，以提取時(shí)序信息，然后，利用目標(biāo)的運(yùn)動(dòng)特征和表觀特征的互補(bǔ)性，融合目標(biāo)時(shí)序信息和空間信息，以增強(qiáng)目標(biāo)時(shí)空特征的表征能力，同時(shí)，建立了一種基于相似度的跟蹤結(jié)果質(zhì)量判別機(jī)制，根據(jù)跟蹤結(jié)果實(shí)時(shí)調(diào)整時(shí)序信息在融合過程中的權(quán)重，在特征融合過程中發(fā)揮不同特征的優(yōu)勢(shì)，以獲得更好的跟蹤性能。

2.1 RAFT網(wǎng)絡(luò)時(shí)序信息提取

RAFT是一種性能優(yōu)異的光流深層網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示。 RAFT主要由三部分構(gòu)成：特征編碼器、4D相關(guān)聯(lián)層和基于門控循環(huán)單元[17](gate recurrent unit，GRU)的更新運(yùn)算器。

圖1 RAFT網(wǎng)絡(luò)結(jié)構(gòu)

定義視頻的總序列為t={1,2,…，i}，其中i為視頻總幀數(shù)，第t時(shí)刻圖像為It，選取t、t+1時(shí)刻連續(xù)2幀RGB圖像輸入網(wǎng)絡(luò)。首先通過特征編碼器提取It、It+1的特征，對(duì)It+1的特征圖進(jìn)行平均池化，池化核大小分別為{1,2,4,8}；其次將池化后的特征向量分別與It的特征向量進(jìn)行內(nèi)積運(yùn)算，得到一個(gè)4D的多尺度相關(guān)聯(lián)層ck(k=1,2,3)，圖1中Ck的維度大小為H×W×H/2k-2；最后將相關(guān)聯(lián)層特征向量和上下文編碼器特征向量輸入GRU更新運(yùn)算器，GRU更新運(yùn)算器的輸出為最終光流。 RAFT網(wǎng)絡(luò)估計(jì)了一個(gè)密集位移場(f1,f2)，該場將It+1中的每個(gè)像素(u,v)映射到對(duì)應(yīng)的坐標(biāo)(u′,v′)=(u+f1(u),v+f2(v))，以描述每個(gè)像素在下一幀中的運(yùn)動(dòng)光流。其中光流場可以通過GRU更新運(yùn)算器的迭代來更新。

在測試中，當(dāng)直接利用RAFT網(wǎng)絡(luò)計(jì)算的原始光流進(jìn)行特征融合跟蹤時(shí)，目標(biāo)非常容易丟失，通過分析得知，ECO算法分別對(duì)CN特征和HOG特征進(jìn)行了歸一化處理，而原始光流沒有進(jìn)行歸一化處理，使得3種特征融合時(shí)得到了錯(cuò)誤的融合結(jié)果，造成跟蹤失敗。為此，我們對(duì)原始光流采用式(6)進(jìn)行了歸一化處理。

(6)

式中：：xij為矩陣中對(duì)應(yīng)的像素值；f′為歸一化處理后的光流特征向量，通過對(duì)原始光流的歸一化處理，使特征融合結(jié)果能夠很好地用于目標(biāo)跟蹤，顯著提升了算法的跟蹤性能。

RAFT網(wǎng)絡(luò)中，光流提取速度約為10 FPS，不同的迭代次數(shù)對(duì)跟蹤速度和成功率有重要的影響，在OTB100數(shù)據(jù)集實(shí)驗(yàn)結(jié)果如表1所示。從表中可以看出，迭代次數(shù)為4時(shí)跟蹤效果最好，而當(dāng)?shù)螖?shù)超過4時(shí)，不僅影響跟蹤器的實(shí)時(shí)性，同時(shí)會(huì)降低跟蹤器的性能。因此，為平衡跟蹤器性能，本文將RAFT網(wǎng)絡(luò)迭代次數(shù)設(shè)置為4，并在后續(xù)實(shí)驗(yàn)中采用該值。

表1 迭代次數(shù)對(duì)精度、成功率和速度的影響

2.2 跟蹤結(jié)果質(zhì)量判定

目標(biāo)跟蹤過程中，目標(biāo)外觀和背景隨時(shí)間的推移不斷發(fā)生變化，在目標(biāo)遮擋或者外觀出現(xiàn)劇烈變化時(shí)容易造成模型污染，從而導(dǎo)致跟蹤失敗，因此對(duì)跟蹤結(jié)果的質(zhì)量判定非常重要。這不僅會(huì)影響模型更新的策略，也會(huì)影響不同類別特征在融合過程中所占的比重。

APCE是根據(jù)響應(yīng)圖震蕩程度來反映跟蹤結(jié)果的指標(biāo)，該指標(biāo)定義如式(7)所示，當(dāng)響應(yīng)圖峰值起伏越小則該值越大，說明跟蹤結(jié)果可靠，反之當(dāng)出現(xiàn)跟蹤失敗時(shí)該值會(huì)急劇下降。

(7)

當(dāng)APCE突然減小時(shí)，可能發(fā)生目標(biāo)被遮擋，或者目標(biāo)丟失的情況，但當(dāng)目標(biāo)在快速運(yùn)動(dòng)、運(yùn)動(dòng)模糊或周圍有干擾物等情況下，該值也會(huì)突然減小，而大多這種情況下跟蹤結(jié)果卻是可靠的，所以這時(shí)該值會(huì)對(duì)跟蹤結(jié)果的質(zhì)量造成誤判。

對(duì)此，我們采用目標(biāo)模板和候選模板之間的相似度來判斷跟蹤結(jié)果的可靠程度，該指標(biāo)定義如下：

(8)

式中：Aobj為目標(biāo)模板，選取圖像的初始模板為目標(biāo)模板；Bcdt為候選模板，每一幀的跟蹤結(jié)果為候選模板；·為計(jì)算矩陣二范式范圍為[0,1]。最后根據(jù)調(diào)整運(yùn)動(dòng)特征在融合過程中的權(quán)重。

2.3 特征融合

當(dāng)目標(biāo)處于復(fù)雜動(dòng)態(tài)環(huán)境下，僅用空間特征表征目標(biāo)的特征，其表征能力十分有限。針對(duì)不同特征之間的互補(bǔ)性，本文采用時(shí)序特征和空間特征的自適應(yīng)融合方式對(duì)目標(biāo)建模。采用的3種不同特征分別為：HOG、CN和光流。首先從訓(xùn)練樣本X中提取不同類型的特征fj，提取目標(biāo)的CN特征和HOG特征表征目標(biāo)空間信息，將It、It+1時(shí)刻的相鄰幀輸入RAFT網(wǎng)絡(luò)中提取光流，利用目標(biāo)的運(yùn)動(dòng)特征和表觀特征的互補(bǔ)性，融合目標(biāo)時(shí)序信息和空間信息，增強(qiáng)目標(biāo)時(shí)空信息的表征能力。

光流可以提取目標(biāo)的運(yùn)動(dòng)信息，在復(fù)雜動(dòng)態(tài)背景下相對(duì)于空間特征更有利于定位，但光流對(duì)周邊相似運(yùn)動(dòng)干擾物十分敏感，這種情況下，如果光流設(shè)置權(quán)值過大會(huì)造成模型漂移。針對(duì)不同場景下光流在特征融合過程中體現(xiàn)的重要程度不同，本文采用式(8)對(duì)跟蹤結(jié)果質(zhì)量的判定，來調(diào)整光流在跟蹤過程中所占的比重，對(duì)光流fflow乘以系數(shù)w。定義w為光流的權(quán)值，取值為：

(9)

式中:δ為目標(biāo)模板和候選模板之間的相似度，α取值為0.3，β取值為0.7，當(dāng)δ<0.3時(shí)，跟蹤過程中可能發(fā)生遮擋、形變等情況，此時(shí)增加光流權(quán)值，可以更好地提取目標(biāo)的運(yùn)動(dòng)信息，更有利于對(duì)目標(biāo)進(jìn)行定位；δ≥0.7時(shí)，為緩解目標(biāo)周邊相似運(yùn)動(dòng)干擾物造成的模型漂移，則減小光流的權(quán)值。在0.3～0.7時(shí)，光流權(quán)重為1。

相關(guān)濾波器分別與3種特征的特征圖進(jìn)行相關(guān)計(jì)算得到響應(yīng)圖，為保證響應(yīng)圖的質(zhì)量，根據(jù)響應(yīng)值大小對(duì)響應(yīng)圖通道進(jìn)行篩選，取3個(gè)特征圖響應(yīng)值最高的前k個(gè)通道進(jìn)行add融合，最后根據(jù)融合后的響應(yīng)圖Z估計(jì)新的一幀中的目標(biāo)。特征響應(yīng)值最高的前k個(gè)通道的計(jì)算過程如式(10)所示：

(10)

式中：P為響應(yīng)值；fcn、fhog、fflow分別為CN 特征、HOG 特征和光流特征對(duì)應(yīng)的響應(yīng)圖。

本文在OTB100數(shù)據(jù)集測試了k(k=1,2,3)對(duì)成功率和精度的影響，結(jié)果如表2所示，實(shí)驗(yàn)表明本文算法在k=2時(shí)，在融合過程中更好地發(fā)揮了不同特征優(yōu)勢(shì)，得到較好的成功率和精度。

表2 參數(shù)對(duì)成功率和精度的影響

2.4 算法流程

圖2為本文算法流程圖。首先提取目標(biāo)的CN特征和HOG特征，利用RAFT網(wǎng)絡(luò)提取連續(xù)兩幀圖像的光流，然后分別訓(xùn)練HOG 特征、CN 特征和光流的相關(guān)濾波器，通過相關(guān)濾波計(jì)算得到各自的響應(yīng)圖；根據(jù)跟蹤結(jié)果的可靠程度來計(jì)算光流的權(quán)重，將光流乘以權(quán)重對(duì)光流特征進(jìn)行調(diào)整，圖2中綠色的線條模塊為光流權(quán)重調(diào)整模塊；最后，對(duì)3種特征響應(yīng)圖篩選后進(jìn)行特征融合，根據(jù)融合后的響應(yīng)圖計(jì)算目標(biāo)最終的位置。

圖2 算法流程圖

3 實(shí)驗(yàn)

為驗(yàn)證本文算法的有效性，在Ubuntu操作系統(tǒng)下，使用Python語言編程實(shí)現(xiàn)本文算法, 在Intel i5-8400 CPU@2.80 GHz處理器上進(jìn)行測試，并利用GPU(NVIDIA GTX 1080Ti)進(jìn)行加速。實(shí)驗(yàn)部分參數(shù)設(shè)置為: 目標(biāo)尺度搜索個(gè)數(shù)K=5，學(xué)習(xí)率為P=0.009，尺度縮放參數(shù)初始化為R=4。為驗(yàn)證算法的實(shí)際效果，本文選擇OTB100[18]、VOT2019[19]這2個(gè)經(jīng)典數(shù)據(jù)平臺(tái)進(jìn)行評(píng)估。選擇ECO-HC[9]等經(jīng)典算法[20-26]作為參照算法。

3.1 OTB100實(shí)驗(yàn)

3.1.1 消融實(shí)驗(yàn)

表3為本文在增加不同模塊下在OTB100數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果的比較。實(shí)驗(yàn)性能評(píng)估指標(biāo)采用OTB100數(shù)據(jù)集的評(píng)價(jià)指標(biāo)，分別為精度和成功率，其中精度衡量算法對(duì)目標(biāo)中心點(diǎn)位置的估計(jì)能力。成功率衡量算法對(duì)目標(biāo)尺度大小的估計(jì)能力。從表中可以看出，在單獨(dú)CN特征和HOG特征下的跟蹤精度分別為0.796和0.804，成功率分別為0.618和0.610。在對(duì)3種特征融合后精度達(dá)到0.873和0.642，證明了跟蹤過程中運(yùn)動(dòng)特征和空間特征互補(bǔ)融合的重要性。與基準(zhǔn)算法相比，融合光流特征后精度提升1.2%，成功率提升0.8%；在對(duì)光流權(quán)重根據(jù)式(9)進(jìn)行更新后，算法精度提升2.4%，成功率提升1.6%。

表3 本文算法在OTB100上的消融實(shí)驗(yàn)結(jié)果

3.1.2 定性分析

圖3(a)為Soccer視頻序列，該視頻序列背景復(fù)雜,目標(biāo)在運(yùn)動(dòng)過程中的多次出現(xiàn)被大量相似干擾物遮擋的情況，目標(biāo)在第109幀中目標(biāo)幾乎不可見，Staple和ECO-HC等算法無法準(zhǔn)確跟蹤，本文算法可以較好的跟蹤且當(dāng)目標(biāo)剛從被遮擋區(qū)域恢復(fù)出來時(shí)仍能跟上目標(biāo)。圖3(b)為Dragon baby視頻序列，該視頻中的目標(biāo)和小恐龍對(duì)打，目標(biāo)姿態(tài)變化豐富。目標(biāo)快速運(yùn)動(dòng)過程中極易發(fā)生跟蹤漂移，其他3種算法在跟蹤過程中均產(chǎn)生了不同程度的誤差，本文算法有效緩解了因目標(biāo)運(yùn)動(dòng)過快而造成的跟蹤失敗問題。圖3(c)為Skating視頻序列跟蹤過程中背景光照發(fā)生變化，本文算法在低分辨率下能夠很好跟蹤目標(biāo)。圖3(d)為Biker序列，在跟蹤過程中目標(biāo)發(fā)生旋轉(zhuǎn)，要求算法具有一定旋轉(zhuǎn)不變性。部分算法出現(xiàn)跟蹤漂移，本文算法和ECO-HC算法能夠較好地跟蹤目標(biāo)。

3.1.3 定量分析

1)整體性能

圖4為本文算法與其他8種經(jīng)典參照算法在OTB100數(shù)據(jù)集上評(píng)估結(jié)果。從圖中可以看出，本文算法通過時(shí)序信息和空間信息的自適應(yīng)融合，充分發(fā)揮了不同特征間判別力，相對(duì)ECO-HC算法，本文算法精度提升了2.4%，成功率提升了1.6%。

(a)精確度曲線

(b) 成功率曲線圖4 不同算法精度曲線和成功率曲線

2)屬性分析

在OTB100數(shù)據(jù)集測試了不同屬性下的成功率曲線下面積(area under curve, AUC)并繪制了雷達(dá)圖，如圖5所示，運(yùn)動(dòng)類視頻往往會(huì)出現(xiàn)圖像低分辨，目標(biāo)重影等情況。在該類視頻中能夠提取單幀圖像的空間特征十分有限，本文算法充分利用了視頻序列中幀與幀之間的時(shí)序信息。相對(duì)ECO-HC算法，在運(yùn)動(dòng)模糊視頻中AUC提升3.6%；快速運(yùn)動(dòng)視頻中AUC提升1.4%。在運(yùn)動(dòng)類視頻序列中有明顯優(yōu)勢(shì)。表明在應(yīng)對(duì)復(fù)雜場景時(shí)本文算法具有很好的魯棒性。

圖5 視覺跟蹤實(shí)驗(yàn)結(jié)果

3.2 VOT2019實(shí)驗(yàn)

為進(jìn)一步評(píng)估本文算法在視覺跟蹤中的有效性，本文在VOT2019數(shù)據(jù)集進(jìn)行測試，并與其他7種經(jīng)典的相關(guān)濾波類算法[27-29]進(jìn)行比較，比較了EAO(expected average overlap, EAO)、精度和魯棒性3個(gè)指標(biāo)，結(jié)果如表4所示。其中最優(yōu)結(jié)果加黑表示，次優(yōu)結(jié)果加下劃線表示，第3優(yōu)結(jié)果加虛下劃線表示。相對(duì)ECO-HC算法，本文算法在VOT2019數(shù)據(jù)集中EAO提升了1.7%，該結(jié)果進(jìn)一步說明了基于時(shí)空信息和空間信息自適應(yīng)融合算法在視覺跟蹤中的有效性。

4 結(jié)語

本文提出一種時(shí)序信息和空間信息自適應(yīng)融合的視覺跟蹤算法。利用目標(biāo)的運(yùn)動(dòng)特征和表觀特征的互補(bǔ)性，融合目標(biāo)時(shí)序信息和空間信息，增強(qiáng)了目標(biāo)時(shí)空特征的表征能力；其次，建立一種基于相似度的跟蹤結(jié)果質(zhì)量判別機(jī)制，根據(jù)跟蹤結(jié)果實(shí)時(shí)調(diào)整運(yùn)動(dòng)特征在融合過程中的權(quán)重，以適應(yīng)復(fù)雜動(dòng)態(tài)場景下目標(biāo)的變化。結(jié)果表明，本文算法有效提升了跟蹤性能，在一些具有挑戰(zhàn)性的視頻中跟蹤效果良好。但是，光流在提取過程中計(jì)算量較大，在提升跟蹤性能的前提下，如何減少光流在跟蹤過程中的計(jì)算量將是本文未來的工作。