0 引言

    視覺跟蹤是計算機視覺中引人矚目且快速發(fā)展的領(lǐng)域，主要用于獲取運動目標(biāo)的位置、姿態(tài)、軌跡等基本運動信息，是理解服務(wù)對象或?qū)δ繕?biāo)實施控制的前提和基礎(chǔ)。其涉及許多具有挑戰(zhàn)性的研究熱點并常和其他計算機視覺問題結(jié)合出現(xiàn)，如導(dǎo)航制導(dǎo)、事件檢測、行為識別、視頻監(jiān)控、自動駕駛、移動機器人等^[1-4]。雖然跟蹤方法取得了長足進(jìn)展，但由于遮擋、目標(biāo)的平面內(nèi)/外旋轉(zhuǎn)、快速運動、模糊、光照及變形等因素的存在使其仍然是非常具有挑戰(zhàn)性的工作。

    近年來，基于相關(guān)濾波器CF(Correlation Filter)的跟蹤方法得到了極大關(guān)注^[5-9]。CF最大的優(yōu)點是計算效率高，這歸結(jié)于其假設(shè)訓(xùn)練數(shù)據(jù)的循環(huán)結(jié)構(gòu)，因為目標(biāo)和候選區(qū)域能在頻域進(jìn)行表示并通過快速傅里葉變換(FFT)操作。Bolme^[6]等首次將CF應(yīng)用于跟蹤提出MOSSE算法，其利用FFT的快速性使跟蹤速度達(dá)到了600-700 fps。瑞典林雪平大學(xué)的Martin Danelljan在2016年ECCV上提出的相關(guān)濾波器跟蹤算法C-COT^[7]取得了VOT2016競賽冠軍，2017年其提出的改進(jìn)算法ECO^[8]在取得非常好的精度和魯棒性的同時，顯著提高運算速度至C-COT的6倍之多。

    基于CF的跟蹤算法如此優(yōu)秀，已然成為研究熱點。近年和相關(guān)濾波有關(guān)的論文層出不窮，很有必要對這些論文及相關(guān)濾波的發(fā)展等進(jìn)行一個歸納和總結(jié)，以推動該方向的發(fā)展。文獻(xiàn)[9]雖已做過綜述并取得了一定效果，但有兩點不足：(1)過多介紹現(xiàn)有幾種方法的具體細(xì)節(jié)，沒有對更多文獻(xiàn)進(jìn)行對比分析；(2)缺乏對基于相關(guān)濾波器跟蹤方法的分類對比分析。基于此，本文的不同之處和特點在于：(1)分析更多更新的文獻(xiàn)，注重分析各文獻(xiàn)的特點及淵源；(2)對各文獻(xiàn)根據(jù)CF跟蹤方法的思路進(jìn)行歸類分析，讓讀者更加清楚各文獻(xiàn)的初衷及問題所在。

    本文首先給出了目標(biāo)跟蹤和CF的基本知識，之后對CF方法在樸素階段、循環(huán)結(jié)構(gòu)和核技巧、多特征通道、與深度特征的結(jié)合、尺度研究、邊界效應(yīng)以及其他信息的利用方面進(jìn)行了詳述，最后對基于CF方法的未來發(fā)展方向提出了幾點看法。

1 目標(biāo)跟蹤及CF跟蹤思想

    目標(biāo)跟蹤可以被定義為：在第一幀中給出一個興趣目標(biāo)(常用方框表示)前提下，在后續(xù)的每一幀中對該目標(biāo)定位的任務(wù)。一般地，目標(biāo)跟蹤可以分為生成式方法(Generative Method)、判別式方法(Discriminative Method)。生成方法的思路是，先提取目標(biāo)特征學(xué)習(xí)出代表目標(biāo)的外觀模型，通過它搜索圖像區(qū)域進(jìn)行模式匹配，在圖像中找到和模型最匹配的區(qū)域，即為目標(biāo)。判別式跟蹤方法將視覺目標(biāo)跟蹤視為一個二分類問題，其基本思路是尋求跟蹤目標(biāo)與背景間的決策邊界，這類方法也常被稱為基于檢測的跟蹤方法(Tracking by Detection)。判別式方法由于同時用到了前景和背景信息，近年顯示出非常出色的跟蹤性能。目前所有基于相關(guān)濾波器的算法都在判別式跟蹤方法的框架下建立的。

    本文主要對和相關(guān)濾波器有關(guān)的文獻(xiàn)進(jìn)行綜述，想對視覺跟蹤有全面了解的讀者可以參考文獻(xiàn)[9-12]。

    和其他判別式方法類似，CF也需要一組訓(xùn)練樣本以學(xué)習(xí)一個濾波器。在跟蹤中，第一幀中的圖像塊是唯一可用的樣本，跟蹤器常從離該圖像塊較近的區(qū)域收集正例，而從離其較遠(yuǎn)的區(qū)域收集負(fù)例，計算復(fù)雜度會隨著訓(xùn)練塊數(shù)目的增加而快速上升。而基于CF的跟蹤器通過循環(huán)移位收集稠密樣本，這種移位近似為平移，從而構(gòu)建了一個具有很好特性的循環(huán)矩陣。

CF首先通過最小化嶺回歸問題，并依據(jù)MOSSE濾波原理^[6]尋找一個濾波器，然后以此濾波器和下一幀中的各搜索窗進(jìn)行相關(guān)運算，其中輸出值最大的搜索窗即為目標(biāo)最佳位置，最后在下一幀中以線性插值方法對模型參數(shù)進(jìn)行更新，以此循環(huán)操作，直至序列最后一幀。

2 基于CF跟蹤的發(fā)展

2.1 CF方法的開創(chuàng)

    CF在計算機視覺中最初被用于眼睛跟蹤^[13]和行人檢測^[14]，由于需要大量訓(xùn)練數(shù)據(jù)，使得以往的CF在應(yīng)用于跟蹤時因速度太慢而無法使用。2010年，Bolme^[6]等提出一種新型相關(guān)濾波器MOSSE(Minimum Output Sum of Squared Error)，首次將CF應(yīng)用于跟蹤算法。該跟蹤器框架建立在頻域中，利用FFT的快速性使跟蹤速度達(dá)到了600-700 fps，顯著超過當(dāng)時的先進(jìn)算法(如表1所示)，同時算法具有卓越性能，在CV界引起劇烈反響。

    MOSSE的思想是，當(dāng)初始化給定單幀后，其能產(chǎn)生一個穩(wěn)定的相關(guān)濾波器，然后以自適應(yīng)CF作為目標(biāo)外觀模型，通過卷積來跟蹤。CF通過MOSSE算法顯示出巨大潛力，從此CF跟蹤算法得到矚目，大量基于CF的跟蹤算法相繼出現(xiàn)。

2.2 循環(huán)結(jié)構(gòu)和核技巧

    基于檢測的跟蹤需要大量樣本數(shù)據(jù)進(jìn)行訓(xùn)練，這導(dǎo)致計算負(fù)擔(dān)加重，和實時需求背道而馳。但限制樣本數(shù)量又會犧牲算法性能。為了加快訓(xùn)練，此前基于CF的算法都采用稀疏采樣策略，在每幀中，數(shù)個同目標(biāo)大小一樣的樣本在目標(biāo)臨域內(nèi)得到，樣本之間很高的重疊率使得數(shù)據(jù)具有很大冗余，而如果采用下采樣方法，會降低背景雜亂序列的跟蹤性能。牛津大學(xué)的Joao F.Henriques提出樣本之間潛在的結(jié)構(gòu)信息并沒有被有效利用，他發(fā)現(xiàn)^[15]，當(dāng)有數(shù)千個平移樣本時，數(shù)據(jù)矩陣是環(huán)狀的，其依據(jù)循環(huán)矩陣的理論提出一種CSK(Circulant Structure Tracker)跟蹤方法。CSK應(yīng)用FFT達(dá)到非常快的學(xué)習(xí)和檢測功能的Fourier分析思想(不同于迭代思想)，以包括高斯和多項式等多個類型的核得到訓(xùn)練和檢測的閉環(huán)解。該算法只通過簡單幾行代碼就可以達(dá)到數(shù)百幀的運行速度，并且性能可媲美先進(jìn)算法。

    之后，Joao F.Henriques在CSK基礎(chǔ)上提出一個新的核化相關(guān)濾波器KCF(Kernelized Correlation Filter)^[16]，同時，應(yīng)用線性核提出一個快速多通道擴展的線性相關(guān)濾波器DCF(Dual Correlation Filter)。利用KCF的優(yōu)點執(zhí)行分類器的訓(xùn)練和候選樣本的檢測，再利用HOG特征達(dá)到精確、魯棒且快速的跟蹤效果。其精度和速度都超過了當(dāng)時OTB50^[17]上最好的Struck^[18]算法。

    這里要提到的一點是，文獻(xiàn)[16]中雖然加了核技巧的KCF各屬性的準(zhǔn)確度都在DCF（沒有核技巧）之上，但其平均精度僅提高了0.4%，而速度卻降低了41%。Naiyan Wang等研究表明^[19]當(dāng)選擇的特征為弱特征時，不同的觀察模型確實影響著跟蹤性能，然而，當(dāng)選擇的特征足夠強時，不同模型間的性能基本沒有差別（即使采用最簡單的觀察模型），即特征在跟蹤中起著重要作用。因此對于核技巧的使用是一個開放的課題。

2.3 尺度估計研究

    CF方法因使用FFT使得跟蹤算法速度大大提高，但CF本身并不具備尺度估計能力。

    文獻(xiàn)[20]提出一種新的魯棒尺度估計方法DSST(Discriminative Scale Space Tracker)。DSST使用HOG特征并在尺度金字塔表示基礎(chǔ)上學(xué)習(xí)判別CF(MOSSE)。使用一維濾波器只估計尺度，二維濾波器只判斷平移，三維濾波器窮舉尺度空間以定位目標(biāo)。其將平移濾波器和尺度估計分開學(xué)習(xí)使得該算法可以和任何不具備尺度估計的跟蹤方法合作達(dá)到尺度估計，具有通用性。

    文獻(xiàn)[21]在KCF方法的基礎(chǔ)上提出一種新型多特征集成尺度自適應(yīng)核化相關(guān)濾波器跟蹤器SAMF(Scale Adaptive with Multiple Features tracker)。算法以不同尺度對目標(biāo)采樣，并調(diào)整樣本大小為一個固定尺寸以和每幀中的傾斜模型進(jìn)行比較。同時算法采用一個多特征集成策略，該策略使用原始像素、梯度特征HOG以及顏色特征CN以進(jìn)一步增強跟蹤器處理復(fù)雜場景的能力。

    對比DSST和SAMF方法可知^[22]，前者將跟蹤分成兩個問題看待，可以采用不同的方法和特征更加靈活，但需要額外訓(xùn)練一個濾波器，每幀尺度檢測需要采樣33個圖像塊，分別計算特征，加窗，F(xiàn)FT，尺度濾波器還要額外訓(xùn)練；SAMF只需要一個濾波器，不需要額外訓(xùn)練和存儲，每個尺度檢測就一次提特征和FFT，但在圖像塊較大時計算量比DSST高。

    文獻(xiàn)[23]提出一種自適應(yīng)外觀且不易漂移的在線跟蹤器LCT(Long-term Correlation Tracking)。其將跟蹤任務(wù)分解為平移估計和尺度估計兩部分，其尺度估計應(yīng)用HOG特征構(gòu)建一個多尺度目標(biāo)金字塔并窮盡搜索最優(yōu)尺度。

    常規(guī)金字塔尺度估計方法不得不包含幾十層塔，且必須在跟蹤前進(jìn)行尺度估計。文獻(xiàn)[24]提出一種基于快速特征金字塔(Dollar的圖像尺度定律)的尺度估計方法。這應(yīng)是首次利用真正的最小數(shù)量層特征金字塔并避免了在搜索合適尺度前構(gòu)建金字塔，且優(yōu)化的尺度估計具有通用性，可被用于任何不含尺度估計的跟蹤器中。

    為解決旋轉(zhuǎn)運動跟蹤問題，文獻(xiàn)[25]提出RAJSSC(Rotation Adaptive Joint Scale-Spatial Correlation Tracking)跟蹤器算法。主要做了兩方面內(nèi)容：(1)其以JSSC(Joint Scale-Spatial Correlation Tracking)濾波器進(jìn)行尺度估計；(2)將笛卡爾坐標(biāo)(Cartesian coordinator)變換成對數(shù)極坐標(biāo)(Log-Polar coordinator)進(jìn)行旋轉(zhuǎn)估計。

    文獻(xiàn)[5]在KCF框架基礎(chǔ)上提出一種快速可伸縮核相關(guān)濾波器sKCF(scalable Kernalized Correlation Filter)。由于目標(biāo)的方框表示不能匹配目標(biāo)的確切結(jié)構(gòu)，引入一個關(guān)鍵點模型進(jìn)行尺度估計，該尺度估計具有獨立性，可集成到任何多項式以及線性CF中。

2.4 多特征通道思想

    起初，CF方法受限于單通道特征。而任何特征都具有自己的區(qū)分能力，在跟蹤中常使用具有不同譜位置的特征互補合作，使用單核的相關(guān)濾波跟蹤算法不能充分發(fā)揮不同特征的區(qū)分能力。CF框架后來擴展到多通道特征圖^[26-27]，多通道CF使得高維特征應(yīng)用以提高跟蹤性能成為可能。比如，顏色特征CN(Color Name)在某種程度上對光測不敏感，同時保持辨別能力，當(dāng)和亮度結(jié)合時顏色特征能提高跟蹤性能。瑞典林雪平大學(xué)的Martin Danelljan以CN顏色特征擴展CSK為多通道顏色跟蹤器^[28]。文獻(xiàn)[28]提出了一個低維自適應(yīng)顏色屬性擴展，其應(yīng)用映射原理將計算機中的RGB顏色映射為11維顏色表示的概率（概率總和為1），將這11中顏色規(guī)范化為10維正交基子空間，最后得到顏色特征。

    此后CF框架下的多通道特征結(jié)合方法廣泛使用。Ming TANG等人在KCF算法的基礎(chǔ)上提出一種多核跟蹤器MKCF(Multi-Kernel Correlation Filter)^[24]，其能同時發(fā)揮多通道和多核作用。

    利用HOG和CN具有的互補性質(zhì)，文獻(xiàn)[29]提出一種簡單的跟蹤器Staple(Sum of Template And Pixel-wise LEarners)，其在嶺回歸框架(ridge regression framework)下將這兩種具有補充特性的線索合并。和其他將多模型預(yù)測融合的方法不同，Staples在稠密平移搜索下合并兩個模型的得分，這兩個模型的一個關(guān)鍵特性是他們的得分在幅度和可靠性表示上相似，因此，預(yù)測具有更高可信度，取得了很好的實驗效果。此后HOG+CN在近兩年的跟蹤算法中成為了手工特征標(biāo)配，如文獻(xiàn)[7-8]等。

2.5 與深度特征的結(jié)合

    近年來，為提高跟蹤器的魯棒性能，許多特征被提出，如LBP、Haar-like、HOG、CN等，這些手工特征并非適應(yīng)所有通用目標(biāo)，因此常需要更復(fù)雜的學(xué)習(xí)技術(shù)來提高其表示能力。而深度學(xué)習(xí)技術(shù)不需要手工干預(yù)能從原始數(shù)據(jù)直接學(xué)習(xí)得到特征，由于具有強大的特征處理、表示學(xué)習(xí)性能，近期得到矚目關(guān)注，大量論文對深度學(xué)習(xí)進(jìn)行探索并取得重要進(jìn)展，如圖像分類、目標(biāo)識別以及檢測和分割、跟蹤等。對于CF方法來說深度特征有著巨大吸引力。

    隨著深度CNNs的到來，網(wǎng)絡(luò)的全連接層被用于圖像表示。不同于目標(biāo)分類，視覺跟蹤的目的是精確及時的跟蹤目標(biāo)，而不是要確定目標(biāo)的語義類別^[30]。

    文獻(xiàn)[31]研究了卷積特征在DCF和SRDCF中的影響，結(jié)果顯示，不同于圖像分類，和在圖像分類方面表現(xiàn)出優(yōu)秀性能的深層特征比較，來自第一層的激活提供了更好的跟蹤性能。對CF框架來說，關(guān)鍵的問題是如何將CNNs的多個層進(jìn)行融合。文獻(xiàn)[7]提出C-COT(Continuous Convolution Operator Tracker)跟蹤器，其是一種在連續(xù)空間域?qū)W習(xí)一個判別式卷積算子的理論框架，該卷積算子在聯(lián)合學(xué)習(xí)框架下融合多個具有不同空間分辨率的卷基層。

2.6 邊界效應(yīng)

    這里不得不提CF方法對快速運動目標(biāo)的跟蹤效果不好，這主要由邊界效應(yīng)(Boundary Effets)引起的^[32]。邊界效應(yīng)產(chǎn)生錯誤樣本會造成分類器判別力不夠強，對跟蹤性能有嚴(yán)重影響，主要因為以下因素^[33]：(1)從限定移位塊學(xué)習(xí)有可能導(dǎo)致濾波器訓(xùn)練過擬合而對變形等泛化能力變差。(2)由移位產(chǎn)生的負(fù)例訓(xùn)練樣本如果不加窗，則除了原始樣本，其他產(chǎn)生的樣本都是合成的，實際負(fù)例訓(xùn)練樣本的缺乏會顯著降低跟蹤器對雜亂背景的魯棒性能。(3)從學(xué)習(xí)過程中丟棄背景信息會降低跟蹤器在遮擋下辨別目標(biāo)的能力。

    一種直觀的處理方法是加余弦窗，如文獻(xiàn)[6]為解決因FFT的循環(huán)結(jié)構(gòu)引起的邊界效應(yīng)，首先通過log函數(shù)將像素值轉(zhuǎn)換為對比度較輕的狀況，再以余弦窗和圖像相乘將邊界附近像素值逐漸減為零。但余弦窗具有局限性，如果目標(biāo)變小，余弦窗會將背景信息加入到目標(biāo)信號中，如果目標(biāo)變大，余弦窗會丟掉目標(biāo)部分信息，文獻(xiàn)[5]引入一個可以調(diào)節(jié)的高斯窗函數(shù)代替余弦窗，達(dá)到了很好的效果。

    在檢測階段，相關(guān)濾波器訓(xùn)練的圖像塊和檢測的圖像塊大小必須一致，對于固定的檢測塊，如果目標(biāo)移到了邊界附近，加余弦窗后部分目標(biāo)像素會丟失，使檢測響應(yīng)受到影響。如果目標(biāo)大部分或者完全移出邊界，則會導(dǎo)致檢測失敗。如果采用更大區(qū)域采集訓(xùn)練樣本的措施不但能顯著降低邊界效應(yīng)，而且更多數(shù)量的背景塊可用于濾波器學(xué)習(xí)^[32-33]。文獻(xiàn)[33]提出基于灰度特征MOSSE的CFLB(Correlation Filters with Limited Boundaries)方法，采用更大的檢測和更新圖像塊，訓(xùn)練作用域比較小的相關(guān)濾波器，對充濾波器邊緣直接用0填充，應(yīng)用ADMM(Alternating Direction Method of Multipliers)確保正確的濾波器大小。CFLB的不足是在每次ADMM迭代時空域和頻域就有一次轉(zhuǎn)換，這導(dǎo)致計算復(fù)雜度變大。

    不同于CFLB，文獻(xiàn)[32]提出了空間正則化判別相關(guān)濾波器SRDCF(Spatially Regularized Discriminative Correlation Filters)來進(jìn)行跟蹤，主要思路是既然邊界效應(yīng)發(fā)生在邊界附近，那就忽略所有移位樣本的邊界部分像素，濾波器系數(shù)從中心到邊緣平滑過渡到零。其學(xué)習(xí)過程中引入一個空間正則化成分，根據(jù)空間位置用其對相關(guān)濾波器的系數(shù)進(jìn)行懲罰，SRDCF框架允許相關(guān)濾波器在不影響正例的情況下對相當(dāng)數(shù)量的負(fù)例進(jìn)行學(xué)習(xí)。雖然SRDCF方法在普通桌面電腦的MATLAB上運行的速率只有5幀/秒，但其精度較高并能處理快速移動的目標(biāo)，且該方法獲得了當(dāng)年OpenCV跟蹤挑戰(zhàn)賽的冠軍。SRDCF的主要不足是，正則化目標(biāo)函數(shù)即便是在傅氏域中也會使優(yōu)化難度加大，再者，為得到正則化權(quán)值，大量參數(shù)必須謹(jǐn)慎調(diào)節(jié)，否則會導(dǎo)致跟蹤性能惡化。

    為利用實際負(fù)例訓(xùn)練樣本以符合實際，文獻(xiàn)[34]提出BACF(Background-Aware Correlation Filters)方法，為實時目標(biāo)跟蹤學(xué)習(xí)背景信息。和常規(guī)CF跟蹤器不同，BACF從背景中稠密抽取的實際負(fù)例訓(xùn)練樣本進(jìn)行學(xué)習(xí)，并以ADMM(Alternating Direction Method of Multipliers)方法在多通道特征(如HOG)上學(xué)習(xí)濾波器。該算法在PC上的運行速度達(dá)到了35 fps，精度比SRDCF高，且速度是其10倍。和C-COT精度相當(dāng)，但速度是C-COT的100倍，在某些特殊序列上可以達(dá)到C-COT的400倍。

2.7 其他信息的利用

    除過上述常見問題及處理方式外，為提高CF方法的性能，廣大學(xué)者也從其他信息的利用方面進(jìn)行了探索使基于CF方法的性能得到了進(jìn)一步的提升。主要包括：

    (1)上下文的利用。文獻(xiàn)[35]提出STC(Spatio-Temporal Context)跟蹤算法，在目標(biāo)框周圍使用一個較大的框以包括目標(biāo)周圍的背景信息，利用稠密的上下文信息達(dá)到快速魯棒的跟蹤效果(350 fps in Matlab)。該方法一方面包括目標(biāo)和相鄰背景的上下文具有判別模型特征，另一方面，目標(biāo)和背景是一個整體，體現(xiàn)了生成方法的優(yōu)點。

    (2)長短時記憶跟蹤。為應(yīng)對跟蹤過程中的目標(biāo)外觀變化，文獻(xiàn)[36]提出一種跟蹤器MUSTer（MUlti-Store Tracker)。其包含短時和長時兩種記憶存儲以配合處理圖像輸入和目標(biāo)跟蹤，其在短期存儲和短時跟蹤中應(yīng)用高效的ICF(Intergrated Correlation Filter)；作為補充，基于關(guān)鍵點匹配跟蹤以及RANSAC估計形成的長時部分能影響長時記憶并為輸出提供附加信息；另外，在跟蹤過程中以遺忘曲線對記憶-遺忘循環(huán)進(jìn)行建模并保留有用特征。

    (3)空間結(jié)構(gòu)信息的利用。文獻(xiàn)[37]提出將目標(biāo)分成5個部分，對各部分分別運行一個獨立的KCF跟蹤器并輸出一個置信圖(Confidence Map)以聯(lián)合定位目標(biāo)。然后多個置信圖合并成一個置信圖作為一個整體應(yīng)用于貝葉斯推理框架，推理候選目標(biāo)以最大后驗概率作為跟蹤結(jié)果。針對遮擋及魯棒跟蹤文獻(xiàn)[38]提出一種SCF(Structural Correlation Filter)跟蹤器。其首先將目標(biāo)劃分為一組塊，每個塊關(guān)聯(lián)一個CF，對所有塊的參數(shù)結(jié)合學(xué)習(xí)；在跟蹤過程中，每部分的CF有一個響應(yīng)圖（response map），通過搜索響應(yīng)圖中的最大值能協(xié)助預(yù)測塊的狀態(tài)（位置）；然后，目標(biāo)的位置通過所有塊的權(quán)值化平移平均來估計。

3 總結(jié)及展望

    視覺跟蹤對算法的要求是具有精確性、魯棒性、通用性以及實時性。為此，除了從特征學(xué)習(xí)、外觀表示、高效搜索以及更新策略等方面研究外，筆者認(rèn)為從以下幾個方向切入有助于提高算法性能。

    (1)CF最大缺點是對快速變形和快速運動的目標(biāo)跟蹤性能較差，影響這方面的因素主要是邊界效應(yīng)，邊界效應(yīng)的有效解決也是一個切入點。

    (2)CF有嚴(yán)格的移位假設(shè)，這種假設(shè)常常不符合實際場景。如在能放寬這種假設(shè)的同時處理好相關(guān)濾波器的要求，將使跟蹤更符合實際應(yīng)用。

    (3)CF方法在精度及魯棒性提高的同時，常常因為模型復(fù)雜等原因使得速度嚴(yán)重降低，這不符合跟蹤的實時要求。這可從降低模型復(fù)雜度以及優(yōu)化學(xué)習(xí)及更新機制方面入手解決。

    (4)目前提到的很多CF算法，也包括VOT競賽，都是針對短期跟蹤問題。但在實際應(yīng)用場合，我們希望達(dá)到長期跟蹤目的，但除了文獻(xiàn)[39]外，很少見到此方面的研究工作。

    目標(biāo)跟蹤是計算機視覺方向的一個熱點，每年都有大量優(yōu)秀論文出現(xiàn)，作者所作的綜述也只是管中窺豹，疏漏不可避免，但如能起到拋磚引玉的目的，對讀者和作者來說都是一種幸事。

參考文獻(xiàn)

[1] 王夢來，李想，陳奇，等.基于CNN的監(jiān)控視頻事件檢測[J].自動化學(xué)報，2016，42(6)：892-903.

[2] 劉亞偉，李小民，楊森.基于CamShift融合局部特征匹配的無人機目標(biāo)跟蹤研究[J].電子技術(shù)應(yīng)用，2016，42(9)：6-9.

[3] 張鐵，馬瓊雄.人機交互中的人體目標(biāo)跟蹤算法[J].上海交通大學(xué)學(xué)報，2015，49(8)：1213-1219，1230.

[4] 周楊，胡桂明，黃東芳.基于邊緣自適應(yīng)的Mean Shift目標(biāo)跟蹤方法[J].電子技術(shù)應(yīng)用，2017，43(5)：138-142.

[5] MONTERO A S，Lang Jochen，LAGANIERE R.Scalable kernel correlation filter with sparse feature integration[C].InIEEE ICCV，2015.

[6] BOLME D S，BEVERIDGE J R，DRAPER B A，et al.Visual object tracking using adaptive correlation filters[C].In IEEE CVPR，2010.

[7] DANELLJAN M，ROBINSON A，KHAN F S，et al.Beyond correlation filters: learning continuous convolution operators for visual tracking[C].In IEEE ECCV，2016.

[8] DANELLJAN M，BHAT G，KHAN F S, et al.ECO：Efficient Convolution Operators for Tracking[C].In IEEE CVPR，2017.

[9] 魏全祿，老松楊，白亮.基于相關(guān)濾波器的視覺目標(biāo)跟蹤綜述[J].計算機科學(xué)，2016，43(11)：1-5，18.

[10] YILMAZ A，JAVED O，SHAH M.Object tracking：A survey[J].ACM Computing Surveys，2006，38(4).

[11] LI X，HU W，SHEN C，et al.A survey of appearance models in visual object tracking[C].ACM TIST，2013，4(4)：58.

[12] SMEULDERS A W M，CHU D M，CUCCHIARA R，et al.Visual tracking: An experimental survey[J].IEEE TPAMI，2014，36(7)：1442-1468.

[13] BOLME D S，DRAPER B A，BEVERIDGE J R.Average of synthetic exact filters[C].In CVPR，2009.

[14] BOLME D S，LUI Y M，DRAPER B A，et al.Simple real-time human detection using a single correlation filter[C].In PETS，2009.

[15] HENRIQUES J F，CASEIRO R，MARTINS P，et al.Exploiting the circulant structure of tracking-by-detection with kernels[C].In IEEE ECCV，2012.

[16] HENRIQUES J F，CASEIRO R，MARTINS P，et al.High-speed tracking with kernelized correlation filters[C].IEEE TPAMI，2015.

[17] WU Y，LIM J，YANG M H.Online object tracking：A benchmark[C].In IEEE CVPR，2013.

文獻(xiàn)[18]-[43]略

作者信息:

馬曉虹1，尹向雷2

（1.陜西理工大學(xué) 電工電子實驗中心，陜西 漢中723000；2.陜西理工大學(xué) 電氣工程學(xué)院，陜西 漢中723000）