目标跟踪是项具有重要意义和难度的课题，尤其是对于复杂的环境因素，主要包括光照变化、尺度变化大、目标被遮挡、长时间跟踪导致目标漂移等问题，虽然目标跟踪领域内已有很多跟踪算法，但上述几个问题的解决效果并不理想. 对于一个稳定的目标跟踪系统来说，若想解决上述几个问题，需解决几个关键点：尺度变化、目标遮挡和模板更新.

Blome[1]在2009年提出合成精确分类器方法ASEF，该方法在离线情况下运用大量样本训练分类器，并确定最佳目标滤波器；Danelljan等[2]在ASEF和MOSSE的基础上运用颜色属性更好地表示输入的图像数据特征来更加鲁棒地跟踪目标，并达到很好的效果；Henriques等[3]提出了基于核相关滤波的目标跟踪算法，结合循环卷积理论和模式识别中线性分类器概念，成功地实现目标跟踪.

预习是关系着教与学质量的重要学习过程，要求小学语文教师能够注重引导学生展开有效的预习，为课堂教学打下良好的基础。而在课前预习阶段采用合作学习方式，可充分发挥合作学习模式的优势作用。学生在预先学习时，可利用多样化的搜索渠道来获取和整合学习资源，并将其融入学生现有的知识体系之中，打下新课的学习基础。比如在人教版《要是你在野外迷了路》这篇课文教学前，教师可引导学生在课前针对“野外迷路的应对技巧”来展开预习，自主分配组内的任务，包括自救方法、辨别方向、野外必备物品选择、野外生存技巧等内容。在组内成员自主思考和探索的基础上，糅合其中优秀的想法，整合形成最佳的方案，为接下来的课堂学习打下基础。

项目设备和材料费费用在大多数工程项目所有费用中所占的比例比较大，一旦在施工过程中这两项费用超标，势必会造成施工单位严重亏损。在国际工程中，项目所在地的企业为了保护自己的民族工业，可能会的抬高价格，或者由于各种因素，导致供货商发生延迟交货的问题，直接影响项目的进度。而有些材料和设备可能需要直接从国内运送过去，但在此过程中手续较多，运输周期长，在运输过程中可能会造成设备或材料的毁损，从而影响整个建设进度。

针对目标尺度变化大的情形，本文在较为经典的最小输出均方误差和算法[4]的基础上改进；针对遮挡或者出视场等情形，借鉴跟踪效果较好的Traking-Learning-Detection(TLD)算法[5]架构，提出改进措施，融合了检测与跟踪一体化思想，通过二者优势互补来有效克服目标被遮挡或出视场等难题.

1 尺度自适应抗遮挡算法研究

1.1 多维特征的MOSSE算法

在寻找到目标当前帧的最佳位置附近，提取一系列不同尺度的图像块f1，f2，…，ft作为目标尺度外观的训练样本，与它们相对应的理想输出相关滤波器为g1，g2，…，gt，最佳相关滤波器ht在t时刻为

(1)

式中：n为目标框中像素点个数；μ为目标框内像素灰度值均值，

可以看出，在大学阶段产学合作的很多模式在我国也已经广为探索和开展。但是，高中阶段的产学模式和中国的情况有所不同。20世纪90年代中期，职业教育达到发展高峰，中等职业教育的学生占高中在校生的比例为56%，20世纪90年代末，则进入了低谷期，高等职业教育开始迎来发展高潮。

(2)

3.1.4高纺锤形树高2.5～3米，干高50～60厘米，主干上直接着生30～40个结果枝组，小主枝粗度远小于主干，开张角度100～130度，结果枝长60～80厘米。

(3)

式中：g为与训练样本f相对应的理想相关滤波输出； λ为正则化项；d为特征维度. 注意到式(3)中只考虑到一个训练样本，即

(4)

模型更新

(5)

，

(6)

本文参考benchmark中的衡量标准，从中心点误差(CLE)和覆盖率两方面对算法进行验证，然后再从一次性通过评估(OPE)的角度进行综合分析，评价指标是从中心误差和覆盖率两者衍生出的精确度和成功率标准，最后再对各个独特属性进行考核，评价算法适应性的同时也兼顾针对性. 精确度和成功率分别从稳定性和鲁棒性方面评估跟踪性能的好坏，二者相辅相成. 图2为Carscale和Suv两个序列的中心点误差和覆盖率指标.

(7)

在遮挡视频集中，本文的效果要比其他算法好，显示出了目标遮挡时存在重新检测机制的重要性；在尺度变化视频集中，由于本文算法除了有应对尺度变化的金字塔模型外，还有模型的更新和纠正机制，相比DSST也毫不逊色.

1.2 应对尺度变化改进措施

MOSSE算法没有考虑到目标尺度对于跟踪的影响，本文提出尺度金字塔相关滤波来进行改进. 通过提取不同尺度因子的训练样本来进行训练. 改进算法的基本原理与MOSSE方法类似，简称sMOSSE方法.

sMOSSE算法分为独立的位置平移滤波器和尺度滤波器，其中用于更新1维尺度滤波器的训练样本通过提取目标周围不同大小的图像块计算得到. 假设P×R为目标在前一帧的尺寸，S为尺度滤波器的长度，对于每一个n∈{-((S-1)/2),…,(S-1)/2}，在目标中心周围提取一系列图像块Jn，大小为anP×anR，其中a(取1.08)代表特征金字塔层间的尺度变化因子，第n层训练样本的d维特征描述子为Jn，结合新图像，通过式(5)(6)更新尺度滤波器hscale. 同样可通过式(7)计算新目标在不同尺度下的响应y，通过最大化y获得最佳尺度.

选择HOG特征[6]来表示目标，因此需要将式(2)进行多维特征扩展，

1.3 应对遮挡的改进措施

TLD算法为遮挡情况下的跟踪及长时间跟踪提供了基本的处理思路和框架，但是实时性差，而MOSSE实时性好，抗遮挡能力差. 因此本文提出抗遮挡措施旨在结合TLD和MOSSE的优势，兼顾实时性与抗遮挡能力. 同样由跟踪模块、检测模块和学习模块组成，其中跟踪算法采用上述的sMOSSE方法，再融合判断遮挡、模板自适应更新以及重新检测等机制. 首先依据跟踪置信度指标PSR[4]对目标状态进行判定，PSR范围处于20～60之间，则认为跟踪成功. 如果PSR低于设定阈值，则认为跟踪失败停止更新模型，并且切换到检测模块. 检测器在跟踪失败时启动并在全图范围内搜索目标，为了提高算法实时性，采用级联检测器，考虑到TLD算法的执行时间主要耗费在最近邻检测器上，前两级分类器执行速度较快，通常在8 ms内可以完成，因此本文的检测器前两级仍采用相同的机制，检测器利用在跟踪失败前一帧的目标位置信息，通过螺旋滑窗的方式生成boxes，然后通过方差滤波器和随机森林分类器进行检测，第3级采用与跟踪算法相同的sMOSSE方法.

随机森林分类器采用在线训练的方式，在确定物体在t帧的位置的基础上，从检测器产生的包围框中筛选出10个与它距离最近的包围框(两个包围框的交的面积除以并的面积大于0.7)，对每个包围框做微小的仿射变换(平移10%、缩放10%、旋转卷积结果如图4所示，10°以内)，产生20个图像元，这样就产生200个正样本. 再选出若干距离较远的包围框(交的面积除以并的面积小于0.2)，产生负样本. 这样产生的样本是已标签的样本，把这些样本放入训练集，用于更新分类器的参数.

定义xi为目标框内第i个像素的灰度值，方差为

(8)

式中：fj，gj和ht大小均为M×N；*代表循环相关；Fj，Gj和Ht分别为fj，gj和ht的离散傅里叶变换为Ht的复共轭. 对式(1)极小化得

(9)

设定阈值,把方差小于原始图像元方差1/2的样本标记为负，若样本方差小于此阈值则归为背景或者负样本，保留剩下的样本或者正样本进入到下一级分类器中，经过实验仿真得知一般可滤除50%左右的样本数量. 可以通过积分图加速方差计算.

随机森林分类器共有n个基本分类器(决策树)，组成一个集合分类器. 在当前帧的扫描窗口中，每个基本分类器对用过方差滤波器的滑动窗口进行分类，并将结果编码生成一个2进制编码x；分类器上的某个节点的后验概率Pi(y|x)用编码x代表，其中y表示样本类别，这里主要是二值分类器，因此有y∈(0,1) ，注意：n个基本分类器是相互独立的，计算出各个分类器的后验概率的均值，若其大于设定阈值，则集合分类器接受该滑动窗口，表示该滑动窗口内含有目标.

对于油井压力、产液量、含水相对较高的“三高”井组，从油藏工程角度，对连通注水井进行方案跟踪调整，对高含水层下调水量，降低无效注水，2017年对21口井、39个注水层段进行了注水方案优化，控制无效注入水9.4×104m3，累计节约电量15.09×104kWh，在平衡注采关系的同时兼顾了节水节电。

1.4 模版更新策略

在跟踪过程中，还需解决模型在跟踪过程中的漂移问题. 本文参考文献[7]在模板更新问题中的方法，通过每次模型更新时将需要更新的模型与第1帧人工标记的目标模型进行对齐操作达到抑制跟踪漂移，这种通过引入跟踪过程中的历史目标信息来抑制模板漂移是因为不管目标在更新的过程中怎么变化，总是和第1帧的模板有一定的相似度. 具体措施是按照sMOSSE算法，基于目标在上一帧的位置计算出一个目标的估计位置Pt，然后在Pt处构建搜索窗口，利用目标在第1帧中抽取的模型计算出一个新的目标估计位置如果这两个位置的欧式距离低于阈值θ则更新模型，否则不更新.

两种或两种以上物质混合时，不产生相斥分离的能力称为相容性。从热力学角度说，聚合物之间的相容性就是聚合物之间的相互溶解性，是指两种聚合物形成均相体系的能力。由于ABS树脂是两相结构，两相之间的相容性决定了ABS树脂的结构及性能，相容性好，二者容易分散均匀，相界面模糊，两相界面的结合力强。相容性差会导致两相界面分层，相界面结合力差，降低了共混物的冲击强度。同时相容性差还会使橡胶相与SAN相分离，使橡胶粒子相互粘连，体系不均匀。

改进算法的基本框图和流程图如图1所示.

图1示，PLAGL2主要表达于阳性细胞核与胞质中，PCa中PLAGL2阳性表达率(80.6%，83/103)高于良性前列腺增生(22.0%，11/50)，其中在PCa组织中弱阳性26例，阳性28例，强阳性29例，在良性前列腺增生组织中弱阳性7例，阳性4例，差异有统计学意义，χ2=55.003，P<0.001。

图1 算法总流程图 Fig.1 Total algorithm flow chart

本文算法与TLD的另一个区别是TLD算法中跟踪和检测同时工作，而本文是仅在跟踪器失败时才开启检测器，并且跟踪器和检测器使用同一个模型作为目标模型，提高了算法的实时性.

2 实验仿真及评价对比

改进算法与TLD，MOSSE，DSST[7]和KCF 4种较常用的跟踪算法进行分析对比，选取的数据集是Benchmark测试集，它共包含51个挑战性图像序列，约25 000帧. 实验采用Benchmark提供的源码及参数设置，为了充分分析考核，在总体评价结束后，针对不同属性的视频有针对性地进行仿真实验.

目标相关响应图y为

图2 视频Carscale和Suv中心误差(CLE)及覆盖率对比图 Fig.2 Video Carscale and Suv center error (CLE) and coverage contrast diagram

根据数据对比可以看出，本文的改进算法不论是在中心点误差还是在覆盖率上几乎均优于其他3种算法，对比DSST算法在Carscale视频集覆盖率上略有不如，可能是参数对跟踪场景的适应性还有待进一步提高，但在中心点误差方面占优，证明了算法的适应性和鲁棒性.

整体性能(OPE)分析如图3所示.

图3(a)和3(d)给出了5种跟踪算法在Benchmark的51个测试集上的整体性能分析，每种跟踪算法的性能评分显示在图例框中. 图中的值代表采用误差阈值为20个像素时的精确度. 根据成功率曲线与横轴围成的面积(aera under curve，AUC)来排序这5种跟踪算法. 由图3可以看出，在成功率方面，以阈值设为0.5为例，本文算法的AUC分值要比MOSSE算法高35.5%，并且在精确度方面(阈值设为20)要比MOSSE方法高36.6%.

除了整体分析外，本文还对具有某一独特属性的序列组合到一起构成对应属性的图像序列子集进行性能分析，以验证跟踪算法在处理不同困难场景时的性能. 主要针对遮挡和尺度变化2种属性进行分析，分别如图3(b) 、3(c)、 3(e)、3(f)所示.

所以新目标的状态可以通过计算y的最大值获得.

图3 51个视频集、遮挡视频集和尺度变化视集的总性能指标OPE对比图 Fig.3 OPE contrast diagram on 51 video sets，occlusion video sets and scale change video sets

3 结 论

针对大多数目标跟踪算法无法较好地处理目标尺度变化大及目标被遮挡的状况，提出一种改进的抗遮挡且准确预测目标尺度变化的跟踪算法，主要由跟踪模块、检测模块和学习模块组成，融合了尺度更新、判断遮挡、模板自适应更新等机制，达到了抵抗尺度变化大、遮挡、模板漂移且能长时间跟踪的效果，通过在大量的视频序列上进行仿真实验，验证了本算法的可行性和稳定性，并与当前常用的几种跟踪算法进行对比，证明了算法改进的效果.

参考文献:

[1] Bolme D S,Draper B A,Beveridge J R.Average of synthetic exact filters[C]∥Proceedings of 2009 IEEE Conference on Computer Vision and Pattern Recognition.Miami,FL,USA:IEEE,2009:2105-2112.

[2] Danelljan M,Khan F S,Felsberg M,et al.Adaptive color attributes for real-time visual tracking[C]∥Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition.Columbus,OH,USA:IEEE,2014:1090-1097.

[3] Rui C,Martins P,Batista J.Exploiting the circulant structure of tracking-by-detection with kernels[C]∥Proceedings of the 12th European Conference on Computer Vision.Florence,Italy:Springer-Verlag,2012:702-715.

建议：推荐常规进行多模式镇痛，方法包括：使用罗哌卡因等药物进行切口浸润或周围神经阻滞或中下胸段硬膜外阻滞控制伤害性疼痛；无禁忌证患者可使用NSAIDs药物控制炎性痛，适量应用阿片类药物治疗重度疼痛。开放手术推荐联合硬膜外镇痛，腹腔镜手术不推荐常规使用硬膜外镇痛。

[4] Bolme D S,Beveridge J R,Draper B A,et al.Visual object tracking using adaptive correlation filters[C]∥Proceedings of the 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Francisco,CA,USA:IEEE,2010:2544-2550.

人们往往是根据自身的价值判断对社会福利政策价值进行评价，会受到社会主流价值观的影响，社会主流价值观一般与文化传统、区域风俗习惯、国民心理定势等相一致。即使是一项具有合法性，充分考虑到成本限制、并能解决实际问题的社会福利政策，如果违背了社会主流价值观，不能够被目标群体接收，也不是一项好政策。

[5] Kalal Z,Mikolajczyk K,Matas J.Tracking-learning-detection[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2012,34(7):1409-1422.

（1）组建企业集团财务公司。组建财务公司能够极大地降低企业集团在金融市场中的交易成本，提高利润与企业综合竞争力。具体而言有以下优势：财务公司扩张性强，能够吸引外部有益投资；能够从侧面拓展企业业务，促进企业集团综合竞争力的提高；具有较为直接的融资能力，切实满足企业集团加强内部资金管理以及融资的需求；能够为企业集团与金融机构的结算方式提高创新，打造高效便捷集团内部结算系统。

[6] Dalal N,Triggs B.Histograms of oriented gradients for human detection[C]∥Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision & Pattern Recognition.San Diego,CA,USA:IEEE,2005:886-893.

[7] Danelljan M,Häger G,Khan F,et al.Accurate scale estimation for robust visual tracking[C]∥Proceedings of the British Machine Vision Conference.Nottingham,UK:BMVC,2014:1-11.