基于视频的目标跟踪在计算机视觉领域中是一个重要的研究及应用方向，广泛应用于智能交通，视频监控，军事制导等领域[1-2]。目标跟踪的任务是在视频帧中准确的定位要被跟踪目标的位置，但是由于遮挡、背景干扰等诸多因素的影响，跟踪的效果往往不是很理想。如何有效鲁棒地跟踪运动目标仍然是一个极具挑战性的课题。

到目前为止，已经涌现了很多目标跟踪的算法，其中主要包括基于特征的跟踪[3]、基于模型的跟踪[4]和基于区域的跟踪算法。基于特征的算法主要利用颜色、纹理等特征进行跟踪，当目标被部分遮挡时，还是能有效的跟踪目标，但存在复杂背景干扰时，就会产生错误的跟踪。基于模型的跟踪算法是通过对目标建模，然后进行模板匹配达到跟踪的目的，该方法处理遮挡的问题效果较好，但是建模的计算量大，运行时间较长，很难实现对目标的实时跟踪。基于区域的算法比较适用于多目标跟踪，但是当目标被遮挡后，很容易导致跟踪的丢失。目前经典的目标跟踪算法有meanshift[5]、kalman滤波[6-7]和压缩感知[8]等跟踪算法。Meanshift算法利用颜色特征[9]在很大程度上保证了跟踪的效果。但是在目标遮挡情况下，就不能很好地跟踪目标。kalman滤波跟踪结合当前时刻和前一时刻测量值，采用线性最小方差准则，提高了跟踪的精度。压缩感知跟踪算法(Compressive tracking，CT)[10]是近年来提出的一种简单高效的跟踪算法。该算法利用符合有限等距性质(RIP)[11]的随机矩阵对多尺度图像进行降维，并且采用朴素贝叶斯分类器进行特征分类，大大减少了算法的复杂度。但是由于特征提取过程中会产生不良特征，容易出现跟踪漂移现象。并且该算法利用上一帧确定的目标中心作为当前帧跟踪的样本搜索区域中心，当目标不在这搜索区域内，则会造成跟踪的失败。

一般情况下，患者在服用药物之后，会对自身的代谢产生一定的影响，从而对标本中的条件带来变化，使检验结果的准确性得不到有效保障。此外，药物自身的一些特性也会给检验结果带来较大的影响。主要机制为：①药物根据本身的作用以及不良反应等影响检验的结果；②通过药物的物理性质影响检验的结果；⑨通过药物的化学机制影响检验结果。

针对以上问题，本文提出了一种基于压缩感知的改进算法，首先借助meanshift算法得到的最佳候选目标区域中心作为压缩感知算法的初始样本搜索中心。特征在线选择方法提取最具判别的特征对分类器进行训练更新，最终得到目标位置。实验表明，改进后的算法能很好的克服复杂背景干扰，并且当目标被遮挡后也能准确的地跟踪到目标。

1 压缩感知跟踪(CT)算法

稀疏理论采用n×m随机测量矩阵R(R∈Rn×m)可以将高维图像空间X∈Rm压缩到一个低维空间V∈Rn，其表达方式如下：

meanshift的跟踪过程其实就是计算目标模型与候选目标的相似度，找到最佳的目标位置。跟踪目标与候选目标的距离定义了相似函数，即：

(1)

其中n≪m，R为满足RIP条件的稀疏矩阵。实际特征提取过程如图1所示。

图1 特征压缩提取示意图

对候选样本特征压缩提取后，将得到的低维特征向量f(X)=(f1(X),f2(X),…fk(X))T通过朴素贝叶斯分类器hK进行前景与背景信息分离。假设正负样本的先验概率相同，即p(y=1)=p(y=0),y∈{0,1}可以构造出朴素贝叶斯分类器：

(2)

Diaconis[12]等人证明了高维随机向量的随机映射总是服从高斯分布的，即：

(3)

式中，与分别表示正负样本的均值和标准方差。得到目标位置后，对这4个参数增量更新：

(4)

式中，λ>0是常数，表示参数更新的快慢，λ越小分类器更新越快，n表示样本的数目。

CT算法是在上一帧跟踪结果周围采集样本作为候选样本，然后对候选样本特征压缩提取并使用分类器对其分类，得到分类器值最大的样本为跟踪结果。

2 改进的压缩感知算法

2.1 对初始搜索中心的改进

由CT跟踪算法可知，搜索样本区域中心是由上一帧目标位置来确定，一旦目标不在区域内，就会导致跟踪失败。因此，采用meanshift算法确定样本搜索中心来提高CT算法的鲁棒性。meanshift算法采用颜色核直方图信息描述目标的特征，利用Bhattacharyya系数衡量候选目标与目标模型的相似性，最后使用梯度优化法快速实现对目标的定位。

2.1.1 目标模型和候选模型的描述

连我对他的感念和心疼，他也没有带走，全都留在了我的心里。这么说来，我的所谓的感念和心疼，说到底还是我从父亲那里收获的一份感情，直到他不在了，我仍然在他那里持续收获着这种感情。而他依然一无所有地在另一个世界孤独远行。

基于颜色特征的目标模型的概率密度分布表示为：

(5)

通过许多正样本平均后选择的弱分类器能够很有效的减小偏差样本带来不稳定的因素，因此能有效的从特征池中选取K个最优特征。

车生泉(1968-)为本文通讯作者,男,博士,教授,研究方向:风景园林生态规划及城市生态,email:chsq@sjtu.edu.cn

线辣椒可受菟丝子寄生危害。枝条被寄生物缠绕而生缢痕，生育不良，由于菟丝子生长迅速而繁茂，极易把整个辣椒田覆盖，严重时辣椒植株嫩稍和全株枯死。

同理，候选区域的目标模型表示为：

(6)

重融合、强品牌，提升文化建设新自信。几年来，公司企业文化建设在传承创新、挖掘提炼上下功夫，坚定自信，唱响品牌，以建司六十年为契机扎实推进文化建设系列活动。我们认为文化自信的表现为：因感恩不悔过去，因担当不惑当下，因坚定不惧将来，并通过文化凝聚党群意识，传递党政意愿。

2.1.2 目标模型与候选模型的相似度

V=RX

(7)

如果d(r)越小，则两个模型的相似性就越大。目标跟踪的目的就是找到一个位置r，使度量函数d(r)最小。

2.1.3 跟踪目标的定位

设r0表示当前帧目标的初始位置，meanshift算法的迭代公式为：

nh示候选目标区域的像素总数，r表示候选目标区域的中心坐标，Ch同样是归一化常数。

(8)

重复式(8)的计算，得到候选区域中概率密度估计最大值，最终获得候选目标的最佳位置。

由上述比较可知，白桦与落叶松对降雨再分配过程中的测定物质有不同的影响，并且数量改变也存在明显的差异，其中差异最大的是树干径流中含量变化明显，主要是树皮的差异造成，白桦树皮光滑、较薄、枯死树皮少，树干分泌产生有机酸和无机酸可以容易的穿过树皮与外界交换，在弱酸性环境下H+与反应产生H2O和CO2，造成含量下降明显；而落叶松树皮厚、枯死树皮多、条状开裂、两端翘起、表面粗糙，有机酸和无机酸很难穿透树皮进行交换，从而导致上述结果[4，12]。

2.2 对目标特征的改进

CT算法简单高效，实时性要求得以满足，但没有对特征有效选取，很容易因为一些噪声干扰降低了分类器的性能，导致在跟踪时产生漂移甚至跟踪失败，对于这一问题。提出了一种特征在线选择的方法，在特征压缩域中提取最优特特更新分类器，提高CT算法的鲁棒性与精确性。

淮安生态新城位于苏北平原腹地，受淮河及洪泽湖的影响，为河湖相沉积平原，地势平坦，自西北向东南缓倾斜，地面平均坡降约万分之三，地面平均高程在7.3～9.5 m之间。

“有时候省里开完大会，市里也要开，县里也要开，而且必须到场。”东北某县维稳办主任说。连夜赶会的经历让他记忆深刻：下午接到政法委的会议通知，第二天一大早要到省城参会，只能连夜坐了6个小时的大巴车深夜赶到。等赶到现场两级的会都结束了，才发现只是不同级别的领导将材料读了一遍。

gk-1(x)=-∂σ(hk-1(x))/∂hk-1=

(9)

其中N≈L，分别表示正负样本的数目，通过贪婪算法从特征池Φ中连续的选择弱分类器使Emargin最大：

油管修复工艺及质量现状研究………………………………………………………………………………于爱云，王玉鹏（1.11）

φk=argmaxEmargin(φ1,…,φk-1,φ)

(10)

目标函数(10)在N+L维数据空间中的最抖下降梯度方向为：

gk-1=(gk-1(x0),…,gk-1(xN-1),

-gk-1(xN),…,-gk-1(xN+L-1))T

(11)

其中

特征在线选取可以认为是从有M(M>K)个特征的特征池中选择K个最优特征使得样本X有最大的置信度，定义边缘函数为正样本的平均置信度减去负样本中的平均置信度：

(2)采用特征在线选取方法提取最优特征，更新分类器。

(12)

因为gk-1只在点(x0,…,xN+L-1)T有定义，所以要选择与gk-1最不相关的弱分类器φ最大化目标函数，但有些偏差样本会影响单个梯度和弱分类器，导致不稳定的结果。为了解决这个问题，选择弱分类器和梯度的平均值来减少偏差样本对其影响。则用以下准则来选择弱分类器φ：

本文构建了基于费控策略的电力营销管理体系，指出了该管理体系的主要功能，结合远程费控电力系统体系的功能，分析了远程费控电力营销对供电企业的经济效益。

根据研究目的的需要，选择了局部空间自相关的方法，对福州市区域经济差异进一步分析。局部自相关作为空间自相关的一种，是反映每个区域与周边地区之间同一属性值的相似性，用来验证局部区域存在的空间异质性。通常用空间联系的局域指标(LISA)和Moran散点图等进行度量[6]。

(13)

其中u表示目标的概率特征，n表示目标区域的像素总数，{xi}i=1,2,…n表示跟踪窗口的像素位置，a(x)表示核函数，h为核函数的带宽。δ(x)是克罗内克函数，δ[b(xi)-u]功能为确定像素颜色值是否属于目标区域，C是归一化常数。

2.3 改进算法流程

初始化：初始化R，通过第一帧记录要跟踪目标的初始化位置，也就是标定目标的矩形框，初始化分类器hK，改进算法流程如图2所示，改进算法步骤如下：

(1)确定前一帧目标位置为lt-1，在Dα={x|//l(x)-lt-1//<α}和Dτ,β={x|//τ<l(x)-lt-1//<β}的范围内按照步长Δα采集负样本，然后采用式(1)提取目标特征。其中α<τ<β，l(x)为当前帧样本所对应的位置。

-σ(hk-1(x))(1-σ(hk-1(x)))

(3)从t帧开始，采用meanshift算法得到运动目标跟踪信息，并进行迭代得到目标最大概率区域的中心。

(4)将获得的前景区域中心作为压缩感知算法的初始跟踪框的中心lt，在Dγs={x|//l(x)-lt′//<γs}的范围内按步长Δr采集样本。γs为采样的范围，并且提取样本的低维特征。

(5)将step2中更新好的分类器对样本进行分类，得到hK值最大的样本作为最终跟踪结果lt。

（3）完善纳税服务考核绩效考评。一是评价指标量化。在考核指标方面，一定要选择易于量化的评价指标，如投诉率、平均业务办理时长、税务相关问题的回答数量等，量化的指标能更客观的衡量税务服务人员的工作能力与工作态度，从而使得评价体系更为标准，更好地激发出激励税务工作人员的工作热情。

(6)t=t+1，返回(1)。

图2 本文算法流程图

图3 各算法跟踪轨迹图

3 实验结果分析

在对本文算法评估过程中，为了实验的公平性，本文实验在Window系统上操作，电脑配置为 Intel i5-3470 CPU 3.2 GHZ, 2.00 GB内存，本文算法采用Matlab语言编写。

实验一中，为了能简单直观地评估本文算法，选择具有复杂背景、遮挡等特征的视频集David3和无复杂背景无遮挡的视频集human进行实验，选择传统CT算法、meanshift融合CT算法、CT算法加入特征在线选取方法与本文算法在视频集上做跟踪轨迹对比。图3中Human视频帧中所示，当跟踪环境简单且没有障碍物遮挡目标时，CT算法虽然能跟踪目标，但是跟踪轨迹不稳定，容易产生漂移；meanshift融合CT算法跟踪轨迹稳定，但从跟踪框能看出跟踪效果一般；仅仅加入特征在线选择的CT算法跟踪轨迹也会出现少量的漂移；而无论从跟踪框还是跟踪轨迹都能看出，本文算法跟踪效果都比前3种算法好。在David视频帧中，当跟踪环境复杂且有障碍物遮挡目标时，CT算法的跟踪轨迹出现一定的波动，跟踪很不稳定，容易丢失目标。同样meanshift融合CT算法和加入特征在线选择的CT算法的跟踪轨迹变得相对平稳一些，但仍然有小幅度的波动，有一定的漂移现象，总体跟踪效果一般。而本文改进的算法跟踪轨迹更加趋于平稳，跟踪效果良好。

图4 各算法跟踪效果图

表1 各算法在各视频帧的平均成功率

各算法视频帧CT算法CT+meanshift算法CT+在线特征选择本文算法Daivd30．3660．3750．6240．701Tiger10．0880．4560．0460．460ClifBar0．3460．3960．3600．508

实验二中，为了评估本文算法的鲁棒性与有效性，选择具有背景干扰、尺度变化、遮挡等特征的视频集：David3、Tiger1、ClifBar进行实验，选择实验一中相同的对比算法与本文算法在视频集上做性能对比。

视频集David3中存在遮挡、复杂背景、旋转等干扰因素，图4a看出，跟踪到30帧时，跟踪效果都不错，可是到87帧出现遮挡时，CT和加入meanshift的CT算法都已经丢失了目标，跟踪到138帧时目标出现旋转时，加入在线特征选择的CT算法也跟踪丢失，只有本文改进的算法能一直跟踪到目标。再看表1中本文算法在David视频帧上跟踪的平均成功率很明显都比其他算法都要高。

视频集Tiger1中存在严重遮挡、旋转等干扰因素，图4b看出，跟踪目标具有很明显的颜色特征，在整个跟踪过程过，CT和加入特征在线选择的CT算法一直丢失了目标，而利用颜色特征的其他2个算法都可以跟踪到目标，但是也产生了少量的漂移。从表1可以看出，利用颜色特征的算法在视频帧Tiger1中跟踪平均成功率明显高于其他2个算法，而由于本文算法较加入meanshift的CT算法的平均成功率高了一点，因此说明了加入特征在线选择的有效性。

视频集ClifBar中同样存在相似背景、尺度变化、运动模糊等噪声干扰，从图4c中可以看出，前面跟踪的时候都能跟踪到目标，且都产生少量的漂移，379帧的时候，CT和加入特征在线选择的CT算法已经跟踪丢失，到404帧的时候，加入meanshift的CT算法也产生了较大的漂移，而本文算法漂移量相对很小。由表1也看出，本文算法的平均成功率也较其他算法好很多，跟踪鲁棒性较好。

实验开始前30 min，每只动物预防性肌注青霉素。将空白陶瓷和复合NCTD陶瓷人工骨分别置入新西兰白兔股骨干骺端骨缺损模型中。术后给予青霉素钠肌注预防感染。4、8、12周后取材，制备5 mm厚的切片，分别进行Van Gieson's picrofuchsin（VG）染色，在显微镜下观察材料降解、骨长入和生物相容性。分别于术前、术后1周、术后2周三个时间点定期抽血，检测动物的血常规、肝功能。

4 小结

运动目标受到遮挡及存在复杂背景干扰时，CT算法不能很好地跟踪目标，且容易丢失目标。本文在基于CT算法上加入了meanshift算法和特征在线选取的方法。CT算法采用随机投影矩阵将图像的高维信息投影到低维压缩域，然后提取最具判别特征对分类器训练及更新，以meanshift算法得到的跟踪框中心为CT算法样本搜索中心采样后，得到的低维特征加入训练好的分类器取得样本的置信度，最终获得目标位置。结果表明，本文算法大大提高了跟踪算法的鲁棒性和有效性。满足跟踪的实时性要求。

参考文献：

[1] WU Y,LIM J, YANG M H. Online object tracking: a benchmark[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2013:125-141.

[2] ZHANG K,LIU Q, WU Y,et al. Robust visual tracking via convolutional networks without training[J]. IEEE Transactions on Image Processing, 2015, 25(4):1779-1792.

[3] 高秀斌，丁盼盼，蒋长帅，等. 一种基于多特征融合的粒子滤波目标跟踪算法[J]. 扬州大学学报(自然科学版), 2013, 1:57-60.

[4] 刘翔，周桢. 基于分块背景建模的运动目标检测技术[J]. 液晶与显示, 2011, 26(6): 831-835.

[5] JOSHI P, UPADHYAYS H. Evaluation of elastic properties of multi walled carbon nanotube reinforced composite[J]. Computational Materials Science, 2014, 81:332-338.

[6] XIU C B, WEI S, WAN R F.Camshift tracking method based on target decomposition[J]. Mathematical Problems in Engineering,2015(1):1-20.

[7] YAN Z G, LIANG W G, LU H D.A target tracking algorithm based on improved camshift and UKF[J]. Journal of Software Engineering and Applications, 2014, 7(3):1065-1073.

[8] ZHANG K, ZHANG L, YANG M H.Fast compressive tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(10):2002-2015.

[9] LEICHTER I, LINDENBAUM M, RIVLIN E. Mean shift tracking with multiple reference color histograms[J]. Computer Vision and Image Understanding, 2010, 114(3):400-408.

[10] ZHANG K, ZHANG L, YANG M H. Real-time compressive tracking[J]. European Conference on Computer Vision, 2012, 7574(1):864-877.

[11] CANTLES E, TAO T. Decoding by linear programming[J]. IEEE Transactions on Information Theory, 2005, 51(12):4203-4215.

[12] DIACONIS P, FREEDMAN D.Asymptotics of graphical projection pursuit[J].The Annals of Statistics, 1984, 12(3):228-235.