鄭運(yùn)平 李睿君

(華南理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，廣東 廣州 510006)

自從目標(biāo)跟蹤的需求出現(xiàn)以來，尤其是近十年來，目標(biāo)跟蹤算法層出不窮，不同跟蹤算法建立的模型、選取的特征也不相同。目標(biāo)跟蹤算法根據(jù)模型可大體分為兩類：生成式[1- 5]和判別式[6- 19]。其中生成式先構(gòu)造一個(gè)模型描述目標(biāo)的外觀信息、結(jié)構(gòu)特征，往往是像素值、梯度等直觀信息，再去候選區(qū)域中尋找與模型最匹配的區(qū)域。判別式的思路是訓(xùn)練一個(gè)分類器，不僅在目標(biāo)區(qū)域內(nèi)采取正樣本，同時(shí)在目標(biāo)周圍的背景區(qū)域采取負(fù)樣本，利用到前景和背景的差異信息，用該分類器去評(píng)估候選區(qū)域與目標(biāo)區(qū)域的接近程度。

比較經(jīng)典的生成式模型有：高斯混合模型(Gaussians Mixture Model，GMM)、貝葉斯模型(Bayesian Network Model，BNM)、馬爾可夫隨機(jī)場模型(Markov Random Field，MFR)[1]。早在1999年，Marques等[2]就結(jié)合高斯混合模型和隱馬爾科夫模型提出了一種跟蹤具有復(fù)雜形狀的目標(biāo)的算法。2016年，Miao等[3]為目標(biāo)確定基于SURF(Speeded Up Robust Features)的關(guān)鍵點(diǎn)，為每個(gè)關(guān)鍵點(diǎn)構(gòu)建動(dòng)態(tài)的縮放-旋轉(zhuǎn)空間，以加強(qiáng)其變化和獨(dú)特性，并用高斯混合模型為每個(gè)關(guān)鍵點(diǎn)分配一個(gè)內(nèi)核權(quán)重，以確保使用更加可靠的關(guān)鍵點(diǎn)，提高了跟蹤算法在復(fù)雜場景變化下的魯棒性。2018年，Zhu等[4]基于Vibe和高斯混合模型，使用視頻序列訓(xùn)練“虛擬”背景模型而不是用第一幀圖像建模，然后基于像素分類提取前景像素，比主流的背景減法更能適應(yīng)復(fù)雜場景，且速度更快；同年，Ahmad等[5]提出一種概率推理方法，根據(jù)實(shí)際應(yīng)用情況和貝葉斯網(wǎng)絡(luò)預(yù)測目標(biāo)的意圖預(yù)測它的目的地和軌跡，充分利用了軌跡中潛在的長期依賴性，在實(shí)際應(yīng)用中很有價(jià)值。

比較著名的判別式算法有：Struck、TLD(Tracking-Learning-Detection)、CT(Compressive Tracking)和基于CF改進(jìn)的KCF(Kernelized Correlation Filter)[6- 19]。2011年，Hare等[6- 7]提出的Struck算法風(fēng)靡一時(shí)，與當(dāng)時(shí)其他算法相比不僅跟蹤效果好，還能達(dá)到實(shí)時(shí)要求；該算法提出一種基于結(jié)構(gòu)輸出預(yù)測的自適應(yīng)視覺目標(biāo)跟蹤框架，通過明確引入輸出空間滿足跟蹤功能，能夠避免中間分類環(huán)節(jié)，直接輸出跟蹤結(jié)果； 同時(shí)，為了保證實(shí)時(shí)性，該算法還引入了閾值機(jī)制，防止跟蹤過程中支持向量的過增長。TLD算法[8- 9]是一種主要針對(duì)單目標(biāo)長時(shí)間的跟蹤算法，分為檢測、追蹤、學(xué)習(xí)3個(gè)模塊； 該算法與傳統(tǒng)跟蹤算法的顯著區(qū)別在于將跟蹤算法和檢測算法相結(jié)合，來應(yīng)對(duì)目標(biāo)發(fā)生較大形變或長時(shí)間遮擋等情況；后來也有許多研究者對(duì)其進(jìn)行改進(jìn)，或者應(yīng)用它的思想優(yōu)化其他跟蹤算法[10- 12]。CT算法[13]利用了壓縮感知的理論，先獲取圖像的高維特征，再用稀疏隨機(jī)測量矩陣對(duì)特征進(jìn)行降維，從而大幅減少運(yùn)算量，這令CT算法以跟蹤速度快而聞名。2011年，Babenko等[14]引入MIL(Multipe Instance Learning)方法取代傳統(tǒng)的有監(jiān)督學(xué)習(xí)，以便產(chǎn)生魯棒性更強(qiáng)且參數(shù)設(shè)定更少的追蹤器。KCF[15- 18]是基于相關(guān)濾波的代表性算法之一，借助循環(huán)矩陣和傅里葉變換，將矩陣運(yùn)算轉(zhuǎn)換為向量的點(diǎn)積，實(shí)現(xiàn)極高的跟蹤速度，同時(shí)保有不錯(cuò)的跟蹤準(zhǔn)確性；與之相似的還有DCF(Discriminative Correlation Filter)[19]，兩者都是基于CSK改進(jìn)的，只是核函數(shù)不同——KCF采用高斯核函數(shù)，而DCF采用線性核函數(shù)。

就當(dāng)前比較先進(jìn)的算法而言，生成式算法的表現(xiàn)整體不如判別式算法，但是目標(biāo)跟蹤的場景多種多樣，不同場景的目標(biāo)運(yùn)動(dòng)特征不同，由于生成式算法比判別式算法帶有更豐富的圖像信息，對(duì)于快速移動(dòng)、環(huán)境復(fù)雜的情景往往更具優(yōu)勢。此外，部分判別式算法用到了深度學(xué)習(xí)來訓(xùn)練分類器，這要求較大的訓(xùn)練數(shù)據(jù)量，而大部分時(shí)候目標(biāo)跟蹤問題只會(huì)在視頻的第一幀給出目標(biāo)區(qū)域，這個(gè)數(shù)據(jù)量是不夠的。因此，具體到某些實(shí)際應(yīng)用問題，生成式算法也有自己的優(yōu)勢。

生成式算法表現(xiàn)欠佳，主要的一個(gè)原因是跟蹤速度慢，因?yàn)樯墒侥Ｐ托枰挠?jì)算量較大。針對(duì)這個(gè)問題，有一類模型可以進(jìn)行優(yōu)化，即分塊模型。由于圖像的冗余性，可以用分塊整體代替多個(gè)像素來描述局部特征，同時(shí)減少運(yùn)算量，各塊的特征則共同描述了該目標(biāo)的內(nèi)部特征。值得注意的是這類模型與很多經(jīng)典的生成式模型并不沖突，比如高斯混合模型是對(duì)每個(gè)像素建模，這種方法將點(diǎn)組合成塊，以塊為單位對(duì)整個(gè)子空間進(jìn)行操作，顯然能大幅減少運(yùn)算時(shí)間。對(duì)于這種模型，分塊數(shù)目與目標(biāo)跟蹤速度直接相關(guān)，分塊越多，跟蹤速度越慢。

2015年張文俊等[20]提出了一種基于四叉樹分塊的模型，基本思路是將圖像等分為4部分，對(duì)每一個(gè)子塊進(jìn)行判斷，若該子塊各像素的灰度值相似程度達(dá)到某個(gè)閾值，則計(jì)算該子塊的特征，反之將該子塊進(jìn)一步等分為4部分，重復(fù)上述過程。他們?cè)趯?shí)驗(yàn)中將同一分塊的像素近似為高斯分布，并用兩個(gè)分布之間的KL距離來衡量兩個(gè)相同規(guī)模分塊的相似程度。其實(shí)驗(yàn)結(jié)果表明，該模型應(yīng)用于目標(biāo)跟蹤，在準(zhǔn)確率上普遍優(yōu)于CT算法、MIL算法，但是在耗時(shí)上還是處于劣勢。

有效的圖像表示方法不僅能節(jié)省圖像的存儲(chǔ)空間，而且還能提高圖像處理的速度[21- 23]?？紤]到耗時(shí)與分塊數(shù)直接相關(guān)，上述跟蹤算法的效率很大程度上受限于四叉樹模型產(chǎn)生的分塊數(shù)，本研究將采用分塊數(shù)大幅減少的二叉樹模型作為目標(biāo)特征的描述模型；同時(shí)，在分塊時(shí)采用自己關(guān)于同類塊的定義，從而使得后面計(jì)算每個(gè)分塊的特征時(shí)能用分塊均值來近似表示，避免計(jì)算高斯分布參數(shù)時(shí)繁雜的平方計(jì)算；另外，在跟蹤時(shí)依據(jù)下一幀選取的目標(biāo)區(qū)域與當(dāng)前幀的目標(biāo)區(qū)域之間的差值來判斷是否需要重新劃分，更好地適應(yīng)目標(biāo)發(fā)生變化的情況。

1 圖像的二叉樹分塊模型

1.1 二叉樹分塊方法

基本的二叉樹分塊方法主要步驟有：

步驟1將當(dāng)前圖像記為當(dāng)前塊，壓入容器中。

步驟2從頭開始遍歷容器，對(duì)遍歷到的當(dāng)前塊作判斷，直至容器結(jié)尾——若當(dāng)前塊符合終止劃分條件則不做處理，繼續(xù)遍歷容器中的下一個(gè)塊； 反之，對(duì)當(dāng)前塊進(jìn)行二等分，將分割得到的兩個(gè)子塊壓入該容器中，并將其父塊(即當(dāng)前塊)從容器中去除。

在以上步驟中，需要考慮兩個(gè)問題：一是判定是否終止劃分的標(biāo)準(zhǔn)； 二是需要采用何種數(shù)據(jù)結(jié)構(gòu)和哪些特征信息來描述每個(gè)分塊和整幅圖像。

1.2 同類塊判定標(biāo)準(zhǔn)

本研究采用判斷當(dāng)前塊是否符合同類塊的定義來作為終止劃分的標(biāo)準(zhǔn)[24]。同類塊的定義見定義1。

定義1給定一個(gè)誤差容許量ε，若一個(gè)矩形塊B內(nèi)所有像素值g(x，y)均滿足|g(x，y)-gest(x，y)|≤ε，則稱該矩形塊為同類塊(如圖1所示)，其中，x1≤x≤x2、y1≤y≤y2，gest(x，y)是B中坐標(biāo)(x，y)處的近似灰度值，其計(jì)算公式為

gest(x，y)=g5+(g6-g5)×i1

(1)

其中，g1、g2、g3和g4是該塊4個(gè)角落的灰度值，g5=g1+(g2-g1)×i2，g6=g3+(g4-g3)×i2，i1=(y-y1)/(y2-y1)，i2=(x-x1)/(x2-x1)，x1

若當(dāng)前塊是一個(gè)同類塊，則終止劃分；否則繼續(xù)劃分。

圖1 同類塊B的示意圖

1.3 特征記錄

對(duì)于每個(gè)同類塊，需要記錄的信息包括位置信息和特征信息。

對(duì)于位置信息，直接記錄同類塊的左上角頂點(diǎn)位置和長寬信息。

對(duì)于特征信息，參考了張文俊等[20]的實(shí)驗(yàn)。文獻(xiàn)[20]中指出，四叉樹分塊的結(jié)果會(huì)使每個(gè)分塊的像素分布呈高斯分布，因此他們記錄了每個(gè)分塊的均值和方差。對(duì)于二叉樹分塊來說這也同樣適用，但是筆者在實(shí)驗(yàn)中發(fā)現(xiàn)了兩個(gè)問題：一是計(jì)算方差的效率非常低，很難達(dá)到實(shí)時(shí)跟蹤的效果； 二是在尋找接近目標(biāo)區(qū)域的候選框時(shí)，同一分塊內(nèi)的像素并不適合用高斯分布來近似，這是因?yàn)閷?duì)候選區(qū)域采用的劃分方法需要與目標(biāo)區(qū)域的劃分方法保持一致，但這不能保證候選區(qū)域分割得到的分塊同樣滿足同類塊定義，即同一分塊的像素并不滿足高斯分布，此時(shí)繼續(xù)用高斯分布來近似和計(jì)算候選區(qū)域與目標(biāo)區(qū)域之間的KL距離，意義不大，尤其是分塊較小時(shí)，由于像素個(gè)數(shù)太少，比較容易出現(xiàn)方差為0的情況，此時(shí)KL距離會(huì)趨于無窮大，不易處理。因此本研究采用了更簡化的評(píng)估方式，僅記錄每個(gè)分塊的大小和均值。首先它在運(yùn)算時(shí)間上是能達(dá)到實(shí)時(shí)跟蹤的； 其次，實(shí)驗(yàn)表明這種特征描述方式是有效的。

為了適應(yīng)在跟蹤過程中目標(biāo)區(qū)域發(fā)生大小變化，本研究記錄同類塊位置信息和大小時(shí)均采用其相對(duì)于目標(biāo)區(qū)域的百分比來記錄。

綜上，本研究采用的特征描述向量為

(average，percent，x，y，width，height)，

即：(灰度均值，面積權(quán)重，左上角頂點(diǎn)橫坐標(biāo)，左上角頂點(diǎn)縱坐標(biāo)，寬度，高度)。

后面5個(gè)值均是[0，1]之間的百分?jǐn)?shù)。

本研究采用的二叉樹分塊算法如下。

/*給定一幅M×N的灰度圖像和誤差(閾值)ε，指定目標(biāo)區(qū)域B，輸出一個(gè)描述B特征的同類塊特征模型(特征表)F*/

步驟1初始化一個(gè)元素類型為矩形的隊(duì)列V，將目標(biāo)區(qū)域B對(duì)應(yīng)的矩形壓入V中。

步驟2判斷V是否為空，若V為空，算法結(jié)束； 否則轉(zhuǎn)入步驟3。

步驟3取出隊(duì)列V頭部的矩形，根據(jù)式(1)判斷其是否為同類塊。如果它是同類塊，計(jì)算它的特征描述向量，將特征向量壓入特征表F中；若它不是同類塊，將其二等分，將得到的兩個(gè)矩形依次壓入隊(duì)列V尾部。

步驟4返回步驟2。

1.4 二叉樹與四叉樹的比較

每1次四叉樹劃分，都可以把它分解為3次二叉樹劃分的疊加。對(duì)于1個(gè)父塊，先二分為2個(gè)中間塊，每個(gè)中間塊再分別進(jìn)行1次二分，最終得到4個(gè)子塊，該結(jié)果與1次四叉樹劃分是完全相同的。因此如果一個(gè)二叉樹未提前終止，持續(xù)劃分下去，最終必定會(huì)達(dá)到與四叉樹劃分相同的結(jié)果(相同閾值下)。在劃分過程中，分塊數(shù)顯然是遞增的，因此二叉樹的分塊數(shù)目不可能超過四叉樹分塊數(shù)目。而由于二叉樹會(huì)對(duì)中間塊進(jìn)行判斷，如果中間塊達(dá)到同類塊的要求，則終止劃分，此時(shí)二叉樹的分塊數(shù)目就會(huì)比四叉樹少。在本研究后續(xù)的實(shí)驗(yàn)中統(tǒng)計(jì)了相同閾值下二叉樹和四叉樹的分塊結(jié)果，證明了二叉樹分塊數(shù)明顯少于四叉樹分塊數(shù)。

2 二叉樹模型在目標(biāo)跟蹤中的應(yīng)用

假定所要跟蹤的目標(biāo)在第一幀中人為給出，通過第1節(jié)的算法可得到由目標(biāo)區(qū)域分塊而來的特征表F，此后，在每一幀中，尋找最接近目標(biāo)特征的區(qū)域。假設(shè)有m個(gè)矩形候選區(qū)域，對(duì)每一個(gè)候選區(qū)域進(jìn)行分塊，分塊方式與目標(biāo)區(qū)域的分塊方式相同，按F的分塊順序計(jì)算候選區(qū)域每個(gè)分塊的特征，可得到與F相同大小的候選框特征表Fi，假設(shè)分塊塊數(shù)為n，第i(1≤x≤m)個(gè)候選區(qū)域與目標(biāo)區(qū)域之間的特征差值計(jì)算方法如下：

di=∑(disi，j×F(j)percent)

(2)

disi，j=Fi(j)average-F(j)average

(3)

其中：disi，j表示第i個(gè)候選區(qū)域第j個(gè)分塊與目標(biāo)區(qū)域第j個(gè)分塊之間的差距，文中用像素均值的差值來表示；F(j)average表示F(j)的均值分量(F(j)表示目標(biāo)區(qū)域第j個(gè)分塊對(duì)應(yīng)的特征，即特征表F的第j個(gè)元素)；F(j)percent和F(j)average依此類推。

考慮目標(biāo)跟蹤的特性，本研究總是從當(dāng)前目標(biāo)區(qū)域附近選取候選框，比較各候選框的特征，從中選取最接近目標(biāo)特征的一個(gè)作為結(jié)果。選定結(jié)果后，需根據(jù)該結(jié)果更新目標(biāo)區(qū)域的特征表。更新特征表有兩種情況，如果下一幀選取的目標(biāo)區(qū)域與當(dāng)前幀的目標(biāo)區(qū)域差別過大，超出設(shè)定的閾值，則認(rèn)為目標(biāo)區(qū)域很可能發(fā)生較大改變，將重新進(jìn)行二叉樹劃分； 反之，如果兩者差別不大，未超過閾值，將參考在原來的劃分基礎(chǔ)上對(duì)特征表的均值進(jìn)行更新。具體算法如下。

/*給定一系列連續(xù)幀，給出初始目標(biāo)區(qū)域B的位置，在每幀中找出目標(biāo)區(qū)域并框選出來*/

步驟1應(yīng)用第1節(jié)的二叉樹分塊算法對(duì)目標(biāo)區(qū)域B進(jìn)行劃分，得到描述目標(biāo)信息的特征表F。

步驟2設(shè)定候選框搜索半徑r，以當(dāng)前目標(biāo)區(qū)域位置為中心、r為半徑、3為步長在下一幀搜索候選區(qū)域，并計(jì)算每個(gè)候選區(qū)域的特征表； 按式(2)和式(3)計(jì)算每一個(gè)候選框與當(dāng)前目標(biāo)區(qū)域B間的特征差值di，將di最小的候選框記為temptRect。

步驟3以temptRect為中心、1為半徑、1為步長在下一幀搜索候選區(qū)域，并計(jì)算每個(gè)候選區(qū)域的特征表； 按式(2)和式(3)計(jì)算每一個(gè)候選框與當(dāng)前目標(biāo)區(qū)域B間的特征差值di，將temptRect重新賦值為di最小的候選框。

步驟4判斷temptRect與當(dāng)前幀目標(biāo)區(qū)域的特征差值di是否大于閾值threshold，如果是，則進(jìn)入步驟5； 否則進(jìn)入步驟7。

步驟5設(shè)定放大及縮小參數(shù)increase和decrease，以temptRect為中心，分別放大increase、increase×increase倍和縮小至decrease、decrease×decrease得到矩形候選區(qū)域，并計(jì)算每個(gè)候選區(qū)域的特征表。計(jì)算每一個(gè)候選框與當(dāng)前目標(biāo)區(qū)域間的特征差值di，將temptRect重新賦值為di最小的候選框。

步驟6將temptRect作為下一幀的目標(biāo)區(qū)域，判斷temptRect與當(dāng)前幀目標(biāo)區(qū)域的特征差值di是否大于閾值threshold，如果是，重新對(duì)temptRect進(jìn)行二叉樹劃分得到新的特征表F，否則不需要進(jìn)行二叉樹劃分，直接通過下式更新特征表F：

F(j)average=temptRect(j)average×λ+

F(j)average×(1-λ)

(4)

其中：F(j)average、tempRect(j)average分別表示F(j) 的均值分量、temptRect第j個(gè)分塊的均值分量；λ為變化速度參數(shù)，計(jì)算方法為

λ=rate/(1+di)

(5)

其中rate是設(shè)定的更新參數(shù)。

步驟7如果沒有后續(xù)幀，則算法終止，否則返回步驟2。

3 實(shí)驗(yàn)結(jié)果與分析

文中從準(zhǔn)確性和跟蹤速度兩個(gè)方面對(duì)CT算法、基于四叉樹模型的算法(簡稱QT算法)和本研究提出的基于二叉樹模型的算法(簡稱BT算法)進(jìn)行了比較。CT算法代碼來自張開華等[13]提供的開源代碼：http：∥www4.comp.polyu.edu.hk/～cslzhang/CT/CT.htm。QT算法參考了張文俊等[20]的論文。

實(shí)驗(yàn)中的測試圖像全部來自O(shè)TB100[25- 26]。實(shí)驗(yàn)操作系統(tǒng)為64位的Windows10系統(tǒng)，處理器為Intel(R)Core(TM)i5-8500，處理器頻率為3GHz，運(yùn)行內(nèi)存RAM為8GB。

對(duì)于QT算法和BT算法，參數(shù)設(shè)定如下：

同類塊判定閾值ε=20；

候選框搜索半徑r=25；

特征差值閾值threshold=30；

候選框大小的增幅increase=1.1；

候選框大小的縮幅decrease=0.9；

更新速率rate=0.5；

實(shí)驗(yàn)結(jié)果如圖2、圖3及表1所示。圖2中藍(lán)色矩形框、紅色矩形框、黃色矩形框分別代表CT算法、QT算法和BT算法的結(jié)果，綠色矩形框代表正確的目標(biāo)區(qū)域。

(a)Coupon跟蹤結(jié)果

(b)Dancer 2跟蹤結(jié)果

(c)Dog 1跟蹤結(jié)果

(d)FaceOcc 2跟蹤結(jié)果

(e)Jumping跟蹤結(jié)果

(f)Mhyang跟蹤結(jié)果

(g)Vase跟蹤結(jié)果

就BT算法與QT算法而言，由圖2的直接觀察和圖3的量化統(tǒng)計(jì)可知，BT算法的跟蹤準(zhǔn)確性與QT算法大致相當(dāng)。但由表1可以算出，與QT算法相比，BT算法的跟蹤速度大幅提高，提高了27.18%((131-103)/103×100%)。主要原因是分塊數(shù)目明顯減少，同類塊平均分塊數(shù)減少了33.19%((919-614)/919×100%)，由此可見BT算法比起QT算法在跟蹤速度上有很大優(yōu)勢。

就BT算法與CT算法而言，圖3表明，在跟蹤準(zhǔn)確性方面，無論是以跟蹤區(qū)域與目標(biāo)區(qū)域間的中心誤差，還是以跟蹤區(qū)域與目標(biāo)區(qū)域間的重疊率作為評(píng)價(jià)標(biāo)準(zhǔn)，BT算法都要遠(yuǎn)遠(yuǎn)優(yōu)于CT算法。從圖2可以看出，BT算法的跟蹤效果要明顯優(yōu)于CT算法。而在跟蹤速度方面，表1所示結(jié)果表明BT算法的平均水平也高于CT算法。單獨(dú)分析基于二叉樹模型的跟蹤算法不難看出，其跟蹤速度與分塊數(shù)直接相關(guān)。

綜上所述，與基于QT的跟蹤算法相比，基于BT的跟蹤算法在準(zhǔn)確性方面幾乎不受影響的前提下，跟蹤速度顯著提升； 與基于判別式的CT算法相比，在跟蹤速度大致相當(dāng)?shù)那疤嵯拢贐T的跟蹤算法跟蹤準(zhǔn)確性卻更好。因此，文中提出的基于BT的跟蹤算法是一種更有效的目標(biāo)跟蹤方法。

圖3 3種算法跟蹤準(zhǔn)確率的比較

表13種算法平均分塊數(shù)和跟蹤速度比較

Table1Comparison of average number of blocks and tracking speed of the three algorithms

實(shí)驗(yàn)序列CT算法QT算法BT算法平均分塊數(shù)/(塊·幀-1)跟蹤速度/fps平均分塊數(shù)/(塊·幀-1)跟蹤速度/fps平均分塊數(shù)/(塊·幀-1)跟蹤速度/fpsCoupon118155349100666Dancer211410366367284Dog1122412142262199FaceOcc212212145966898Jumping117136217121232Mhyang123457144305184Vase123162347126457平均值120919103614131

4 結(jié)語

通過用二叉樹分塊模型描述目標(biāo)區(qū)域的特征，文中提出了一種基于二叉樹模型的目標(biāo)跟蹤算法。本算法與著名的壓縮跟蹤算法以及基于四叉樹模型的跟蹤算法進(jìn)行比較，理論分析和實(shí)驗(yàn)結(jié)果證明了本算法在速度和準(zhǔn)確性上的優(yōu)越性。事實(shí)上，文中提出的算法還可以進(jìn)一步優(yōu)化，比如在候選框的選取、二叉樹分塊終止條件等方面進(jìn)行改進(jìn)，可以減少候選框的個(gè)數(shù)或目標(biāo)區(qū)域的分塊數(shù)，從而提高跟蹤速度； 或者是修改同類塊特征的選取。文中主要是從分塊的角度論述二叉樹模型在目標(biāo)跟蹤中的應(yīng)用價(jià)值，在描述分塊特征時(shí)完全可以結(jié)合其他特征表示模型來進(jìn)行改進(jìn)，比如梯度直方圖、高斯混合模型等； 還可以將同類塊閾值設(shè)置為可動(dòng)態(tài)自適應(yīng)的，從而適應(yīng)不同類型視頻的要求、穩(wěn)定跟蹤速度等等。因此這一模型還有很大的潛力和改進(jìn)空間。