0 引言

红外目标跟踪算法是精确制导和跟瞄领域中非常具有代表性的研究课题，其目的是获取敌方防御工事、装甲、阵地、桥梁等固定目标或移动目标的位置信息。由于目标所处的背景信息复杂多变以及目标外观的显著变化，如何准确而鲁棒地跟踪上目标，对提升武器装备战斗力意义重大[1]。

一般来说，红外目标跟踪方法大致可以分为三类：生成模型、判别模型以及二者的混合模型[2]。基于生成模型的跟踪算法是通过搜索与目标模型最相似的区域来跟踪目标，但生成模型并没有将背景信息考虑其中，损失了非常有用的背景信息[3]。朱甦等人[4]提出利用多特征目标构造冗余字典，分析了压缩感知算法中感知矩阵的选择和稀疏信号的重构，在粒子滤波框架下提出基于冗余字典的多特征压缩感知跟踪方法，能够自动检测复杂场景中出现的动态目标。由于多特征信息有较好的检测性能和适应性，而粒子滤波则是一种处理目标跟踪模型的非线性和非高斯特点的有效方法，孙艳丽等人[5]将两者优点结合并针对红外图像特点提出一种基于多特征信息融合的跟踪算法。与生成模型算法不同，判别模型则是把跟踪看作二值分类问题，通过训练分类器来区分背景和目标，同时动态地更新分类器参数以适应目标外观变化。Babenko等[6]通过在线多示例学习方法（Multiple instance learning，MIL）解决训练样本出现歧义、发生混淆而导致目标发生漂移造成跟踪失败的问题；Henriques等[7]设计了一种基于循环结构的稠密采样策略，可以在尽可能多地采集样本的同时，不影响目标跟踪的执行速度，取得很好的效果；核相关滤波（KCF）跟踪算法则是用方向梯度直方图特征代替原算法中像素灰度值特征，极大提高了跟踪准确性[8]。除了传统的生成模型和判决模型，研究人员还提出了生成模型与判别模型结合的协同模型，此类模型结合了两者的优点，即通过判别模型寻找目标与背景的差异，又能利用生成模型补充目标被遮挡的信息，使跟踪器能有效地应对外观变化和跟踪漂移的问题。李飞彬等人[9]将生成模型和判别模型相融合，实现了两种模型的优势互补，增强视频目标跟踪的鲁棒性。熊昌镇等人[10]提出一种自适应加权融合颜色属性特征和方向梯度直方图特征的核相关滤波目标跟踪算法，但该算法不能用于只有灰度信息的红外图像。

尽管近年来红外目标跟踪领域国内外学者提出了许多卓有成效的跟踪算法，改善了跟踪的视觉效果与性能，然而目标跟踪在实际应用中仍然存在较多的挑战性问题。一方面，单一特征无法处理复杂背景与显著的外观变化，大多数算法只采用灰度特征来表征目标的外观模型，对灰度特征相近的相似性目标容易造成跟踪失败；另一方面，现有多特征跟踪算法的计算复杂度都比较大，直接影响目标跟踪的工程应用。为了平衡红外目标跟踪算法的鲁棒性与实时性之间的矛盾，本文以核相关跟踪模型为基础框架，利用多特征协同学习模型，提出了一种鲁棒有效的基于改进核相关目标跟踪算法，该算法不仅具有 KCF算法跟踪的实时性，还具有鲁棒的跟踪能力，能够在干扰条件下有效提升目标表征的准确性，抑制各种复杂情况对跟踪结果的影响。定性定量实验结果表明，本文提出的多特征协同学习跟踪算法具有较高的效率、鲁棒性和准确性，在各种复杂环境下均取得了较高的目标跟踪性能。

1 核相关的目标跟踪

核相关目标跟踪算法是一种快速目标跟踪算法，该算法通过对样本图像的循环移位处理，使用离散傅里叶变换对得到的循环矩阵进行对角化处理，大大降低了运算量，提高了运算速度，使算法满足实时性要求[8]。本章将简要地介绍一下核相关目标跟踪算法，其具体细节可参考文献[8]。

KCF算法的关键核心主要包括分类器训练、目标位置预测与参数更新3部分。分类器训练是利用脊回归优化算法训练出泛化能力较强的分类器，对所有训练样本X和期望输出Y通过求解以下线性回归的目标函数：

 

式中：λ是其正则参数，防止过拟合；f为分类函数，用以调节分类器的泛化性能；xi和yi分别表示第i个训练样本和期望输出。为了获得更好的分类性能，在核操作下将特征空间映射到更高维空间。若映射函数为φ(x)，则分类器的权重向量改写为：

 

核相关目标跟踪算法不论是在跟踪效果还是跟踪速度上都具有不错的表现，然而从以上可以看出，KCF所采用的循环移位操作仅仅只利用了目标的灰度信息或HOG特征，存在复杂场景下单一特征跟踪算法适应性不强的问题。此外，模型更新中采用固定的学习率，不能完全适应复杂背景与显著的外观变化，一旦有微小的误差积累就会引起跟踪目标的漂移。

式中，p k为相应于作用的标准组合时，基础底面处的平均压力值，kPa；f a为修正后复合地基承载力特征值，kPa，只进行深度修正且修正系数为1；f spk为复合地基承载力特征值，kPa；γm为基础底面以上土的加权平均重度，kN/m3；d为基础埋置深度，m。

 

式中：I为单位矩阵；K为核矩阵，该矩阵的元素可以表示为：

 

式中：〈〉表示点积操作，k为核函数（通常采用高斯核函数或多项式核函数）。通过将等式(3)变换到傅里叶频域求解：

采用多个核特征函数协同学习能够获得比任何单模型更好的性能，实现多种模型的优势互补。这是由于太简单的模型容易欠拟合，太复杂的模型则容易过拟合，通过基于正则化的多核协同学习可解决跟踪过程中出现的特征表征能力不足的问题。

 

式中：y是x的类标向量；∧表示向量的傅里叶变换，称之为向量x,x1之间的核相关向量，包含了所有训练样本的信息，可由以下等式计算：

 

式中：分别表示x,x1的离散傅里叶变换。用训练好的分类器预测运动目标的位置，计算分类器的响应输出，找出其中最大的位置，即为运动目标的新位置。

教师在上课的过程中要时刻对学生的学习状态以及学习效率进行观察，而且部分安排在下午的理论课会导致学生在课堂上出现犯困的状态，再加上理论课的课堂比较枯燥，会导致学生产生厌烦的心理状态，这种状态不利于学生提高学习效率，也不利于课堂教学任务以及课堂内容的完成效率。教师可以在课堂上组织有趣的课堂活动，进而缓解学生犯困的现象。教师也可以提出难易度比较适中的问题，并且改变传统“老师讲，学生听”的教学模式，引导学生主动思考，主动回答，充分调动了学生对课堂内容主动思考的能力，在增加课堂气氛的活跃度的同时也促进了学生对课堂知识的理解。

 

第三，网络空间中有关网民的情绪、态度和意见构成了旅游危机事件网络舆情的本体。旅游危机事件本身是网络舆情的触发点和刺激物，旅游危机事件网络舆情则是针对该事件而发布和传播的情绪、态度和意见的总和，通常包括了事实性信息和意见性信息。

以上分析可以看出，目标函数被转化成求解α＝{α, α2, …}，利用核函数技术可得：

2 多特征协同学习模型框架

为了解决单一特征不足以拟合多变的目标数据，本文在核相关滤波跟踪算法的框架上，采用两个具有不同特征的高斯核 K1、K2，进行多特征协同学习，其多特征推导过程相似；同时，鉴于红外图像的成像特征，本文选择的显式特征分别是 Haar-like特征和HOG特征，实现了两种模型的优势互补。HOG特征是图像的局部特征，通过计算和统计被检测的图像的局部区域的方向梯度来构建特征，可以对该目标区域的轮廓、形状信息进行比较好的描述；Haar-like特征是计算机视觉领域一种常用的特征描述算子，其特征值反映了图像的灰度变化情况，能由矩形特征简单地描述。受红外图像成像质量的影响，大多数装备采集的图像并没有清晰的边界与细节，直接利用 KCF算法并不能达到鲁棒的跟踪效果，因此本文通过 KCF模型将 HOG特征与 Haar-like特征整合到一个框架中，解决了单一特征不足以表征目标外观变化，同时大大提升了红外目标跟踪的准确性与稳定性。接下来，本章节将详细的推导出所提出的多特征协同学习跟踪模型。

总而言之,在急性颅脑损伤诊断过程中,MRI成像具有较高的诊断准确率和分别率,其能够及早的将颅脑损伤病灶显示出来,为急性颅脑损伤的诊断和治疗奠定基础,值得进一步采纳和推广。

那么可以得到如下等式：

 

式中：λ，β是正则参数；当β＝0时，该优化函数等价于两个独立核特征函数的 KCF模型。相比于等式(1)，可以看出该模型从不同的角度融合了多种特征信息进行协同学习，能够有效地描述目标的外观模型，并且具有准确性和很高的空间定位性。通过再生核理论分析可以看出，该模型引入吉洪诺夫正则化增强分类器的泛化能力，以及差异正则项消除分类器之间的有偏差。因此，本文提出模型将HOG特征与Haar-like特征整合到一个框架中，利用 KCF算法的高效性能有效平衡跟踪鲁棒性与实时性之间的矛盾。

通过工程优化分析可以看出，式(8)是凸优化函数，其求解过程可以参考文献[11]。令式(8)导数为0，可以得到如下子空间系数解α1，α2；为了便于过程推导描述，本文设定：

 

对于任一训练样本集(xi, yi)，其线性回归函数为f(xi)＝wTxi，因此可以通过转换成最小二乘优化求解。本文选择了两个具有不同特征的高斯核K1，K2核函数分类器，与文献[8]的推导类似，本文提出的模型可以转变成如下优化问题：

 

与文献[8]和文献[11]的推导过程类似，等式(8)的优化求解得到的α1、α2表达式如下所示：

 

因此，经过一系列的换算，可以推导出如下等式：

 

经DFT变换，可以获得如下等式：

太阳能作为可再生的清洁能源，已成为最具发展潜力的能源领域之一。而太阳能电池技术作为高效的太阳能储能利用方式，也经历了飞速的更新换代。对于普遍采用的晶硅电池技术而言，目前最便捷的技术升级方案就是PERC，即发射极及背面钝化电池技术。相较于普通电池，PERC电池增加了背钝化、激光开槽等工序，可使光电转换效率更高，从而也对生产工艺和制造过程提出了更高的技术要求。

 

因此，式(14)可以经过对角化转换成如下式：

 

式中：F就是DFT矩阵。循环矩阵对角化后可以将样本x转换成傅里叶域的ˆx；FH则是F的埃尔米特共轭转置。那么，式(15)可以求解出如下等式：

通过查找所有测试样本响应向量f(Z)的最大响应的位置为目标的预测位置。

 

式中：ν＝2β＋1。对于任意样本 x∈1×n，X就是目标样本对应的循环矩阵，可以在 DFT空间对角化表示为如下公式：

 

可以看出，采用相同的求解算法可以推导出α2。限于篇幅，α2的求解过程不再一一推导。由于所涉及的矩阵都是对角矩阵，因此上式中的矩阵乘法/除法可通过逐点的方式进行计算，具有较高的求解速度。

动物低氧培养箱（美国Biospherix公司），氧气控制器设定氧气为5%（体积分数）培养箱为透明有机玻璃制成以便观察箱内情况。培养箱一侧装有氮气进气阀门，此阀门与箱外的氮气瓶相连，打开氮气阀门使箱内气体出去从而使箱内氧浓度降低。培养箱内一侧安装氧气控制器探头，此探头与箱外氧气控制器相连。箱内装有风扇保持空气流动同时不允许空气置换。培养箱壁有通风孔，仅留2个通风孔以控制通风量。低压生成装置，包括真空抽滤泵（LabTech），密闭瓶，气体流量计。用胶管将密闭瓶与真空抽滤泵相连接，将压力调至0.75 MPa，气体流量计控制气体流量为0.15 m3/h。

3 自适应模型更新

学习因子允许模型参数随着场景的变化而变化。通常情况下，学习因子的取值范围在[0.01, 0.15]，大量的仿真实验表明学习因子设置为 0.025，是最优经验值，然而模型更新中采用固定的学习率，不能完全适应复杂背景与显著的外观变化，一旦有微小的误差积累就会引起跟踪目标的漂移。本文在常规更新模型中引入自适应权值因子，其模型如下：

 

式中：，表示相邻 n帧跟踪置信度相对权值；x∈[x1, x2]，α∈[α1, α2]，t和ρ分别表示帧数和学习因子。自适应模型更新利用相邻n帧置信度的相对偏差作为权值的度量标准。如果权值较大，表明跟踪过程出现波动，必须增大学习因子，适应目标快速的形态变化，增强模型泛化能力。

[1]向洪金：《建立ECFA对海峡两岸农产品生产与贸易的影响——基于局部均衡COMPAS模型的研究》，《国际经贸探索》2011年第1期。

4 实验结果及其分析

为了验证本文提出的基于多特征协同学习红外目标跟踪算法的有效性，本文采用红外基准图像序列与外场挂飞视频进行分析，其中基准序列来自DARPA VIVID数据库，图像分辨率均为320×240；外场挂飞视频则来自江西洪都航空工业集团某横向项目课题所采集的红外视频，其基准真值由人工标定。实验硬件仿真平台采用 MATLAB(R2010)，处理器为Core(TM) i5-2400 CPU@3.1 GHz，内存8 G，操作系统：WINDOWS 7。

4.1 对比算法及其参数设定

对比算法包括 TLD[13]、KCF[8]和 FCT[14]，MIL[6]，其中MIL和FCT算法是现有基于判别模型的目标跟踪，而 TLD则是一个融入了生成模型与判别模型优势的最优算法。为了公平地比较，各算法都使用作者提供的源代码，参数及其初始化值为默认值。本文采用的算法采用了两个显示特征：HOG特征与Haar-like，其特征提取的流程与参数的设置与文献[11]和[12]一致。两个跟踪算法共同作用于目标的跟踪，获得最优的跟踪效果。正则参数λ和β分别设置为10－4和 0.025，ρ设置为 0.02。

“农拓者在做造福农民的事，我对农拓者发展有信心。这是我们的梦，也是新疆农民的梦。”刘彬并不满足于现在的成绩。他表示，未来农拓者不仅将从种苗、产品、技术、服务等方面实现“一站式”解决方案，还会在金融、保险、销售上构建一整套服务链体系。同时，农拓者还计划当起农民和市场的“月老”，通过建立绿色种植基地，以完善的方案服务农民种植，以定制化的农产品满足市场需求，让农与商“喜结连理”，带动农业产业链的互利共赢。

4.2 红外序列定量分析

为了验证本文提出的基于双核相关学习模型的红外目标跟踪算法的有效性，本文选择跟踪重叠度（Overlap Rate，OR）、中心位置误差（Center Location Error，CLE）以及跟踪帧率3个指标进行定性定量分析，并与现有算法进行比较，其中重叠度表征跟踪区域与基准区域的重叠百分比。一个完美性能跟踪算法的跟踪中心误差应该是接近于0，重叠率（OR）应该接近1。表1展现了所有算法在测试红外视频序列上的平均OR和CLE跟踪性能。通过表1数据可以看出，本文提出的算法在8段不同场景的红外视频下都取得不错的跟踪效果。例如，红外视频序列1的跟踪过程中，除了TLD和MIL方法以外，其余3种方法的跟踪精度都比较好，主要是因为在第139帧TLD和MIL方法开始漂移，导致跟踪精度出现较大的偏离，因此对平均OR与CLE指标影响较大。从表1中可看出，本文算法的跟踪重叠度均值为 0.801，且跟踪中心点偏差为5.46，是5种跟踪算法中综合表现最好的，且分别比KCF高8.2个百分点和8.1个百分点。本文提出的算法则在遮挡时能较好地跟踪上目标，取得不错的跟踪精度，主要归功于多特征对模型的泛化能力。

为了验证本文提出算法的跟踪速度，本文采用单位时间跟踪帧率作为跟踪速度的评价指标，实验结果如表2所示。由于各算法都是采用MATLAB语言，其帧率比较相对公平。通过实验数据可以看出，本文算法的FPS可以达到166帧/s，虽然相比于原始KCF算法的计算速度有所下降，但是明显大于武器装备如导引头，要求的 50场/s的指标，可以满足工程应用的实时性要求。

如图3所示，36号化合物对Bcap-37，MCF-7和A549细胞存活均表现出抑制作用，且随浓度的增加，抑制细胞存活的作用增强。作用48h，抑制3种肿瘤细胞存活的IC50分别为22.4±0.8，35.7±1.2和（30.1±2.9）mg·L-1。选取存活率受36号化合物影响最大的Bcap-37细胞作为后续实验细胞，初步探索36号化合物可能的作用机制。

本文提出的多特征协同学习算法具有较高的跟踪速度，主要归功于 KCF算法具有解析解的特点。从定量跟踪精度指标可以看出，该算法对可见光图像和红外图像都有较高的跟踪精度。因此，本文提出的算法具有较高跟踪精度和速度，适合工程应用。

这次机构改革的指导思想是要有利于坚持、加强、改善党的领导，有利于巩固党的执政地位和提高党的执政水平，有利于全面加强党的思想建设、组织建设和作风建设，减少职责交叉。

 

表1 红外图像下不同跟踪算法的定量对比 Table 1 Quantitative comparison for different algorithms

 

 

表2 各跟踪算法的跟踪帧率指标Table 2 Tracking frame for different algorithms

 

4.3 红外序列定性分析

为了验证所提模型的有效性，本文采用红外基准序列与外场采集的序列相结合的方式公正客观地分析各算法的性能。受期刊篇幅限制，仅列出部分红外图像序列的跟踪结果，如图1，图2所示。图1(a)中目标是一辆面包车，跟踪过程中出现遮挡、背景干扰、伪目标等；图1(b)序列是一辆货车，行驶的过程中会有树木和草堆的出现，对目标车辆产生部分的遮挡，行驶到后面会出现一个较高的小土坡，对目标车辆达到2/3的遮挡，为复杂的行车环境。从跟踪结果可以看出第161帧时目标穿过遮挡物，导致MIL算法与TLD算法逐渐丢失了目标，最终跟踪到了背景区域上；而FCT方法在223帧以后也出现了跟踪漂移，这是因为目标灰度与道路背景灰度相似，使得这两种方法使用的灰度特征缺乏区分能力。图2是基准视频序列，在图2(b)中两辆车相向而行，并在路口位置相重合，最后分开各自按原路返回。由于两者外观特征几乎一样，且重合时间较长，FCT算法在计算压缩感知特征时出现偏差，造成了跟踪漂移；而 KCF由于采用单一特征易受背景扰动而偏离目标；本文算法尽管也发生了偏移，但在多特征共同作用下，表征能力更强。从结果上看，本文算法跟踪误差一直较小、跟踪效果较好。相比于对比算法，该算法受干扰影响变小，适应复杂场景的能力明显增强。

因此，本文算法在整个过程始终跟踪稳定，表明本文提出的多特征协同学习目标跟踪能够利用多特征的互补特性增强跟踪模型的泛化能力。

  

图 1 外场视频定性分析 Fig.1 Qualitative analysis for outfield sequence

5 结论

本文在核相关目标跟踪算法的基础上将HOG特征与Haar-like特征整合到一个框架中，利用核相关目标跟踪算法高效性能有效地平衡跟踪鲁棒性与实时性之间的矛盾，解决了单一特征无法表征处理复杂背景与显著的外观变化，同时大大提升了红外目标跟踪的性能与稳定性。实验结果表明，本文方法在目标遮挡、伪目标干扰、辐射亮度变化以及探测器晃动等不良条件下均拥有较好的跟踪性能。下一步工作将在KCF框架下引入深度学习模型，利用深度特征的优良特性进一步提高算法的跟踪效果。

  

图2 基准视频定性分析 Fig.2 Qualitative analysis for benchmark sequence

参考文献：

[1]金晓会, 杨卫, 白晓方, 等. 一种用红外热像仪检测与跟踪遮挡目标的方法[J]. 红外技术, 2014, 36(8): 639-643.JIN XiaoHui, YANG Wei, BAI XiaoFang. A Method Using Infrared Thermal Imager to Detect and Track Hidden[J]. Infrared Technology,2014, 36(8): 639-643.

[2]张丽娟, 纪峰, 常霞, 等. 遮挡情况下多尺度压缩感知跟踪[J]. 红外技术, 2015, 37(12): 1052-1057.ZHANG Lijuan, JI feng, CHANG Xia, et al. Multi-scale Compression Perception Tracking under Occlusion[J]. Infrared Technology, 2015,37(12): 1052-1057.

[3]GUO Y W, CHEN Y, TANG F, et al. Object tracking using learned feature manifolds[J]. Computer Vision and Image Understanding, 2014,24(3): 128-139.

[4]ZHONG W, LU H, YANG M H. Robust object tracking via sparse collaborative appearance model[J]. IEEE Trans. Image Process, 2014,23(5): 2356-2368.

[5]朱甦, 薄煜明, 何亮, 等. 基于冗余字典的多特征压缩感知目标跟踪算法[J]. 兵工学报, 2017, 38(6): 1140-1146.ZHU Su, BO Yuming, HE Liang. Multi-feature Compressive Sensing Target Tracking Algorithm Based on Redundant Dictionary[J]. Acta Armamentarii, 2017, 38(6): 1140-1146.

[6]Babenko B, Yang M H, Belongie S. Robust object tracking with online multiple instance learning[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(8): 1619-1632.

[7]Henriques, Caseiro, Martins, et al. Exploiting the circulant structure of tracking-by-detection with kernels[C]//12th European Conference on Computer Vision, 2012: 702-715.

[8]Henrigues, Caseiro, Martins, et al. High-speed tracking with kernelized correlation filters[J]. PAMI, 2015, 37(3): 583-596.

[9]李飞彬, 曹铁勇, 宋智军, 等. 利用稀疏协同模型的目标跟踪算法[J].计算机辅助设计与图形学学报, 2016, 28(12): 2175-2185.LI Feibin, CAO Tieyong, SONG Zhijun, et al. Object Tracking Algorithm via Sparse Collaborative Model[J]. Journal of Computer-Aided Design &Computer Graphics, 2016, 28(12): 2175-2185.

[10]熊昌镇, 赵璐璐, 郭芬红, 等. 自适应特征融合的核相关滤波跟踪算法[J]. 计算机辅助设计与图形学学报, 2017, 29(6): 1068-1074.XIONG Changzhen, ZHAO Lulu, GUO Fenhong, et al. Kernelized Correlation Filters Tracking Based on Adaptive Feature Fusion[J].Journal of Computer-Aided Design & Computer Graphics, 2017, 29(6):1068-1074.

[11]Geismann P, Schneider G. A two-staged approach to vision-based pedestrian recognition using Haar and HOG features[C]//Intelligent Vehicles Symposium. IEEE, 2008: 554-559.

[12]Lienhart R, Maydt J. An extended set of Haar-like features for rapid object detection[C]//IEEE International Conference on Image Processing, 2002: 900-903.

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

[14]ZHANG K H, ZHANG L, YANG M H. Fast compressive tracking[J].IEEE Trans. Pattern Anal. Mach. Intell., 2014, 36(10): 2002-2015.

[15]王建刚, 李醒飞, 陈诚, 等. 改进 TLD 算法在光电跟踪中的应用[J].红外技术, 2015(10): 824-830.WANG Jiangang, LI Xingfei, CHEN Cheng, et al. Improved TLD Approach Applied in Optoelectronic Tracking[J]. Infrared Technology,2015, 37(10): 824-830.

[16]李泽仁, 纪峰, 常霞, 等. 多尺度时空上下文目标跟踪[J]. 红外技术,2017, 39(6): 535-540.LI Zeren, JI Feng, CHANG Xia, et al. Multi-scale Object Tracking Based on Spatio-temporal Context[J]. Infrared Technology, 2017, 39(6):535-540.