本發(fā)明屬于計(jì)算機(jī)視覺(jué)，計(jì)算機(jī)圖形圖像技術(shù)領(lǐng)域。

背景技術(shù)：
：

視覺(jué)對(duì)象跟蹤是計(jì)算機(jī)視覺(jué)應(yīng)用中最重要的組成部分之一，這些應(yīng)用包括智能監(jiān)控，人機(jī)交互，自動(dòng)控制系統(tǒng)等。對(duì)象跟蹤的目的是在給定初始對(duì)象的位置和尺寸的條件下，自動(dòng)確定其在接下來(lái)的每一幀中的位置和尺寸。盡管有關(guān)對(duì)象跟蹤的研究已開(kāi)展了幾十年，近年來(lái)也取得了很多重要的進(jìn)展，但是由于真實(shí)世界的復(fù)雜性，例如背景干擾，表觀和光照變化，圖像低質(zhì)量，幀跳躍等，使得設(shè)計(jì)能夠達(dá)到與人類(lèi)水平相當(dāng)?shù)母櫡椒ㄈ匀皇掷щy。一個(gè)理想的跟蹤方法須同時(shí)考慮跟蹤的實(shí)時(shí)性、穩(wěn)定性和持久性。

目前跟蹤方法總體上可分為生成法和判別法兩類(lèi)。生成法將跟蹤問(wèn)題看作是在區(qū)域中搜索與跟蹤目標(biāo)最相似的對(duì)象，而目標(biāo)通常通過(guò)一個(gè)子空間(或者模版序列)中的基向量集合來(lái)表達(dá)。不同于生成法，判別法將跟蹤看作是一個(gè)將跟蹤目標(biāo)從背景中區(qū)分出來(lái)的分類(lèi)問(wèn)題。判別法同時(shí)利用來(lái)自目標(biāo)和背景的信息，是目前研究對(duì)象跟蹤的主要方法。在這些方法中，Duffner等提出一種基于像素描述和推廣霍夫變換的檢測(cè)器，并結(jié)合基于前景和背景全局模型的概率分割方法，實(shí)現(xiàn)快速的對(duì)象跟蹤。而為了能夠進(jìn)行長(zhǎng)時(shí)間的對(duì)象跟蹤，許多研究人員采用自學(xué)習(xí)的方法，通過(guò)利用目標(biāo)位置附近的正樣例和負(fù)樣例更新模型，該方法能夠自適應(yīng)地調(diào)整跟蹤系統(tǒng)去適應(yīng)新的目標(biāo)表觀和背景變化。然而這些方法在更新跟蹤系統(tǒng)過(guò)程中難以避免不斷積累的錯(cuò)誤信息，因此容易發(fā)生漂移而脫離真實(shí)目標(biāo)對(duì)象的位置。為緩解在跟蹤過(guò)程中在線模型更新所面臨的穩(wěn)定性和靈活性難以兼顧的矛盾，Babenko等采用一種在線多實(shí)例學(xué)習(xí)的方法，該方法將所有不確定的正樣例和負(fù)樣例全部放入袋中學(xué)習(xí)進(jìn)而得到一個(gè)用于跟蹤的判別分類(lèi)模型。Mahadevan等提出一種生物學(xué)啟發(fā)的判別跟蹤方法，該方法包括用于學(xué)習(xí)的自底向上中心與周?chē)鷧^(qū)域的判別顯著性和空間注意模型，用于特征選擇的特征注意模型，以及用于目標(biāo)檢測(cè)的自頂向下顯著性模型。Kalal等提出一種通過(guò)正樣例和負(fù)樣例在線學(xué)習(xí)得到分類(lèi)器的P-N學(xué)習(xí)方法，該方法將跟蹤任務(wù)分解為跟蹤，學(xué)習(xí)和檢測(cè)三個(gè)部分。跟蹤部分為檢測(cè)器的更新提供訓(xùn)練樣例，而檢測(cè)器則在跟蹤失敗時(shí)重新初始化跟蹤部分，因此跟蹤部分和檢測(cè)器互相支持和促進(jìn)。這種機(jī)制也被稱(chēng)為依賴(lài)檢測(cè)的跟蹤，它對(duì)于長(zhǎng)時(shí)間的跟蹤任務(wù)具有很好的跟蹤性能。針對(duì)場(chǎng)景的劇烈變化問(wèn)題，Gall等基于隨機(jī)森林提出了霍夫森林，并以此通過(guò)霍夫變換來(lái)檢測(cè)目標(biāo)。Zhang等提出利用不同的適應(yīng)率組合多個(gè)分類(lèi)器并設(shè)計(jì)了一種熵計(jì)算方法融合所有的跟蹤結(jié)果。Ma等將跟蹤任務(wù)分解為對(duì)目標(biāo)對(duì)象的平移和尺度估計(jì)，并采用相關(guān)濾波方法提高了跟蹤的精確性和穩(wěn)定性。然而這些方法仍然難以適應(yīng)更加復(fù)雜的跟蹤環(huán)境，對(duì)此對(duì)跟蹤軌跡進(jìn)行分析和處理提供了一種可能的解決方法。Lu等和Supancic等利用動(dòng)態(tài)規(guī)劃對(duì)跟蹤軌跡進(jìn)行評(píng)價(jià)，包括計(jì)算軌跡中每個(gè)位置的置信度和連續(xù)位置間的時(shí)域相關(guān)度，然后根據(jù)該評(píng)價(jià)結(jié)果修正跟蹤軌跡并更新表觀模型，從而達(dá)到抑制錯(cuò)誤傳播的目的。Lee等基于多種特征跟蹤目標(biāo)并生成多個(gè)跟蹤軌跡，然后通過(guò)分析這些前向軌跡和對(duì)應(yīng)的后向軌跡計(jì)算每個(gè)軌跡的可靠度，并從中選擇最優(yōu)的軌跡作為目標(biāo)軌跡，一定程 度上檢測(cè)和處理了跟蹤錯(cuò)誤，提高了跟蹤的穩(wěn)定性。

隨著人工智能技術(shù)的快速發(fā)展，蒙特卡洛樹(shù)搜索(MCTS)作為一種人工智能問(wèn)題中做出最優(yōu)決策的方法受到越來(lái)越多的關(guān)注，如計(jì)算機(jī)圍棋程序AlphaGo。MCTS理論上可以被用在通過(guò)模擬進(jìn)行預(yù)測(cè)輸出結(jié)果的任何領(lǐng)域。我們發(fā)現(xiàn)，MCTS中的模擬(Simulation)過(guò)程與目標(biāo)軌跡的估計(jì)過(guò)程非常類(lèi)似，即MCTS的決策結(jié)果可對(duì)應(yīng)于目標(biāo)軌跡的最優(yōu)選擇。因此，將MCTS方法與軌跡分析方法相結(jié)合，可用以處理視覺(jué)目標(biāo)跟蹤問(wèn)題。

鑒于此，本發(fā)明提出一種基于蒙特卡洛樹(shù)搜索的對(duì)象跟蹤方法，該方法結(jié)合蒙特卡洛樹(shù)搜索與軌跡分析方法，對(duì)目標(biāo)及其軌跡進(jìn)行估計(jì)和選擇，進(jìn)而實(shí)現(xiàn)跟蹤。

技術(shù)實(shí)現(xiàn)要素：
：

本發(fā)明的目的是提供一種基于蒙特卡洛樹(shù)搜索的對(duì)象跟蹤方法，它能有效地解決長(zhǎng)時(shí)間實(shí)時(shí)穩(wěn)定的目標(biāo)跟蹤問(wèn)題，能夠適應(yīng)更加復(fù)雜的跟蹤場(chǎng)景。

本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：蒙特卡洛樹(shù)的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)目標(biāo)位置，樹(shù)的子節(jié)點(diǎn)選擇路徑則對(duì)應(yīng)了一個(gè)跟蹤軌跡，該方法通過(guò)在一段時(shí)間內(nèi)多次的節(jié)點(diǎn)選擇、擴(kuò)展、模擬和相似度計(jì)算來(lái)生成和評(píng)價(jià)預(yù)測(cè)軌跡，然后據(jù)此更新樹(shù)節(jié)點(diǎn)權(quán)重，最后將樹(shù)中具有最大節(jié)點(diǎn)權(quán)重和的路徑作為目標(biāo)軌跡，進(jìn)而實(shí)現(xiàn)跟蹤。該方法很大程度上降低了對(duì)跟蹤先驗(yàn)知識(shí)(如場(chǎng)景信息)的要求，可以在基本的目標(biāo)信息及其相似度計(jì)算的基礎(chǔ)上進(jìn)行有效的目標(biāo)跟蹤，同時(shí)結(jié)合軌跡分析的方法，提高了跟蹤的穩(wěn)定性，能夠?qū)崿F(xiàn)長(zhǎng)時(shí)間實(shí)時(shí)穩(wěn)定的目標(biāo)跟蹤。一種基于蒙特卡洛樹(shù)搜索的對(duì)象跟蹤方法包括如下步驟：

步驟一、目標(biāo)選?。?/p>

從初始圖像中選擇并確定要跟蹤的目標(biāo)對(duì)象。目標(biāo)選取過(guò)程可以通過(guò)運(yùn)動(dòng)目標(biāo)檢測(cè)方法自動(dòng)提取，也可以通過(guò)人機(jī)交互方法手動(dòng)指定。

步驟二、初始化：

將當(dāng)前目標(biāo)位置作為蒙特卡洛樹(shù)的根節(jié)點(diǎn)，初始時(shí)該蒙特卡洛樹(shù)只有此根節(jié)點(diǎn)。然后將蒙特卡洛樹(shù)的根節(jié)點(diǎn)作為當(dāng)前預(yù)測(cè)軌跡的起始節(jié)點(diǎn)R。

步驟三、圖像輸入：

在實(shí)時(shí)處理情況下，提取通過(guò)攝像頭采集并保存在存儲(chǔ)區(qū)的視頻圖像，作為要進(jìn)行跟蹤的輸入圖像；在離線處理情況下，將已采集的視頻文件分解為多個(gè)幀組成的圖像序列，按照時(shí)間順序，逐個(gè)提取幀圖像作為輸入圖像。這里每一次獲取并處理H幀圖像，即每次確定的目標(biāo)軌跡長(zhǎng)度和每次蒙特卡洛樹(shù)模擬的深度為H。這里H＝30。如果可獲得的輸入圖像數(shù)目不足H，則根據(jù)實(shí)際獲得的圖像數(shù)目設(shè)置H。如果輸入圖像為空，則跟蹤結(jié)束。設(shè)置迭代次數(shù)N＝1。

步驟四、節(jié)點(diǎn)選擇：

從起始節(jié)點(diǎn)R開(kāi)始，以其子節(jié)點(diǎn)的權(quán)重為概率，逐層隨機(jī)選擇子節(jié)點(diǎn)，直到樹(shù)的葉節(jié)點(diǎn)(葉節(jié)點(diǎn)為不具有子節(jié)點(diǎn)的節(jié)點(diǎn))。第1次迭代時(shí)，起始節(jié)點(diǎn)即為選擇的葉節(jié)點(diǎn)。設(shè)本次迭代選擇的葉節(jié)點(diǎn)為L(zhǎng)，如果L的深度小于H，則跳轉(zhuǎn)到步驟五，否則，迭代次數(shù)N加1，并重新進(jìn)行節(jié)點(diǎn)選擇。

步驟五、節(jié)點(diǎn)擴(kuò)展：

以葉節(jié)點(diǎn)L對(duì)應(yīng)的圖像位置為中心，在15×15的范圍內(nèi)，為該節(jié)點(diǎn)擴(kuò)展出225-1＝224個(gè)子節(jié)點(diǎn)，每個(gè)子節(jié)點(diǎn)對(duì)應(yīng)該范圍內(nèi)一個(gè)不同的位置，且每個(gè)子節(jié)點(diǎn)的初始權(quán)重均為1。然后，以擴(kuò)展出來(lái)的這些子節(jié)點(diǎn)權(quán)重為概率隨機(jī)選擇1個(gè)子節(jié)點(diǎn)作為模擬節(jié)點(diǎn)S。

步驟六、軌跡模擬：

以模擬節(jié)點(diǎn)S為中心，在其15×15的搜索范圍內(nèi)隨機(jī)產(chǎn)生一個(gè)預(yù)測(cè)目標(biāo)位置，然后再以該預(yù)測(cè)目標(biāo)位置為中心，在相同的搜索范圍內(nèi)隨機(jī)產(chǎn)生一個(gè)新的預(yù)測(cè)目標(biāo)位置，該過(guò)程重復(fù)M次，且滿足模擬節(jié)點(diǎn)S的深度+M＝H。這些連續(xù)的預(yù)測(cè)目標(biāo)位置分別對(duì)應(yīng)一個(gè)與目標(biāo)大小相同的圖像塊，它們構(gòu)成一個(gè)預(yù)測(cè)目標(biāo)圖像塊序列A。

步驟七、軌跡評(píng)價(jià)：

對(duì)預(yù)測(cè)目標(biāo)圖像塊序列A中的每個(gè)圖像塊，采用NCC規(guī)則化交叉互相關(guān)(NCC，Normal ized Cross-Correlation)方法計(jì)算其與目標(biāo)圖像塊的相似度，并計(jì)算它們的平均值ω。

步驟八、節(jié)點(diǎn)權(quán)重更新：

將模擬節(jié)點(diǎn)S的權(quán)重設(shè)置為平均值ω，然后計(jì)算葉節(jié)點(diǎn)L的所有擴(kuò)展子節(jié)點(diǎn)的權(quán)重平均值，并將該值作為L(zhǎng)的新權(quán)重。如果L有父節(jié)點(diǎn)，則按照更新L權(quán)重的方法更新其父節(jié)點(diǎn)的權(quán)重，同理逐層更新樹(shù)的節(jié)點(diǎn)權(quán)重直到起始節(jié)點(diǎn)R。迭代次數(shù)N加1。如果N<K(K＝100)或者樹(shù)的深度<H，則跳轉(zhuǎn)到步驟四，否則，跳轉(zhuǎn)到步驟九。

步驟九、軌跡選擇：

從起始節(jié)點(diǎn)R開(kāi)始選擇樹(shù)中具有最大權(quán)重和的節(jié)點(diǎn)路徑，并將該路徑對(duì)應(yīng)的預(yù)測(cè)軌跡作為目標(biāo)軌跡，完成該時(shí)間段的目標(biāo)定位。同時(shí)把該路徑上的最后一個(gè)節(jié)點(diǎn)，作為新的起始節(jié)點(diǎn)R。

步驟十、目標(biāo)更新：

如果目標(biāo)軌跡中最后的目標(biāo)位置對(duì)應(yīng)的圖像塊與原目標(biāo)的相似度>δ(δ＝0.8)，則將該圖像塊作為新的目標(biāo)表觀，完成目標(biāo)更新，否則，不變。這里相似度計(jì)算同樣采用NCC規(guī)則化交叉互相關(guān)方法。跟蹤完成，跳轉(zhuǎn)到步驟三。

本發(fā)明方法在跟蹤過(guò)程中，蒙特卡洛樹(shù)的生長(zhǎng)過(guò)程也是軌跡的生長(zhǎng)過(guò)程，該方法通過(guò)對(duì)該樹(shù)進(jìn)行多次的節(jié)點(diǎn)選擇、擴(kuò)展、模擬和相似度計(jì)算來(lái)生成和評(píng)價(jià)預(yù)測(cè)軌跡，然后根據(jù)軌跡的評(píng)價(jià)結(jié)果更新樹(shù)中節(jié)點(diǎn)的權(quán)重，而節(jié)點(diǎn)權(quán)重反應(yīng)了目標(biāo)處于該位置的可能性，最后將樹(shù)中具有最大節(jié)點(diǎn)權(quán)重和的路徑作為目標(biāo)軌跡，完成該段時(shí)間的目標(biāo)定位，進(jìn)而實(shí)現(xiàn)跟蹤。

本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)和積極效果在于：提出一種基于蒙特卡洛樹(shù)搜索的對(duì)象跟蹤方法，該方法結(jié)合蒙特卡洛樹(shù)搜索與軌跡分析方法，對(duì)目標(biāo)及其軌跡進(jìn)行估計(jì)和選擇，進(jìn)而實(shí)現(xiàn)跟蹤。蒙特卡洛樹(shù)的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)目標(biāo)位置，樹(shù)的子節(jié)點(diǎn)選擇路徑則對(duì)應(yīng)了一個(gè)跟蹤軌跡，該方法通過(guò)在一段時(shí)間內(nèi)多次的節(jié)點(diǎn)選擇、擴(kuò)展、模擬和相似度計(jì)算來(lái)生成和評(píng)價(jià)預(yù)測(cè)軌跡，然后據(jù)此更新樹(shù)節(jié)點(diǎn)權(quán)重，最后將樹(shù)中具有最大節(jié)點(diǎn)權(quán)重和的路徑作為目標(biāo)軌跡，進(jìn)而實(shí)現(xiàn)跟蹤。該方法很大程度上降低了對(duì)跟蹤先驗(yàn)知識(shí)(如場(chǎng)景信息)的要求，可以在基本的目標(biāo)信息及其相似度計(jì)算的基礎(chǔ)上進(jìn)行有效的目標(biāo)跟蹤，同時(shí)結(jié)合軌跡分析的方法，提高了跟蹤的穩(wěn)定性，能夠?qū)崿F(xiàn)長(zhǎng)時(shí)間實(shí)時(shí)穩(wěn)定的目標(biāo)跟蹤。

附圖說(shuō)明：

圖1為本發(fā)明的跟蹤方法流程圖

實(shí)施例：

以高速公路視頻監(jiān)控車(chē)輛超速檢測(cè)為例，可以采用本發(fā)明提出的跟蹤方法實(shí)現(xiàn)。具體來(lái)說(shuō)，首先通過(guò)目前已廣泛使用的背景建模和前景提取方法，獲取視頻監(jiān)控范圍內(nèi)各個(gè)車(chē)輛的圖像區(qū)域，然后將這些圖像區(qū)域作為目標(biāo)進(jìn)行跟蹤。對(duì)每一個(gè)這樣的車(chē)輛目標(biāo)，按照本發(fā)明方法，首先初始化蒙特卡洛樹(shù)和預(yù)測(cè)軌跡的起始節(jié)點(diǎn)，并獲取一段時(shí)間的視頻圖像，然后通過(guò)多次的節(jié)點(diǎn)選擇、擴(kuò)展、模擬和相似度計(jì)算來(lái)生成和評(píng)價(jià)預(yù)測(cè)軌跡，并據(jù)此更新樹(shù)節(jié)點(diǎn)權(quán)重，然后將樹(shù)中具有最大節(jié)點(diǎn)權(quán)重和的路徑作為目標(biāo)軌跡，完成對(duì)車(chē)輛的定位，進(jìn)而實(shí)現(xiàn)車(chē)輛跟蹤。最后，根據(jù)車(chē)輛目標(biāo)跟蹤的結(jié)果計(jì)算車(chē)輛目標(biāo)在該時(shí)間段內(nèi)運(yùn)動(dòng)的圖像距離，并按照?qǐng)D像距離與實(shí)際距離的比例關(guān)系計(jì)算得到車(chē)輛在道路中的實(shí)際運(yùn)動(dòng)距離，進(jìn)而得到車(chē)輛的行駛速度，如果車(chē)輛速度超過(guò)了高速公路的限速值，則認(rèn)為該車(chē)輛已超速，完成車(chē)輛超速檢測(cè)。

步驟一、目標(biāo)選?。?/p>

從初始圖像中選擇并確定要跟蹤的目標(biāo)對(duì)象。目標(biāo)選取過(guò)程可以通過(guò)運(yùn)動(dòng)目標(biāo)檢測(cè)方法自動(dòng)提取，也可以通過(guò)人機(jī)交互方法手動(dòng)指定。

步驟二、初始化：

將當(dāng)前目標(biāo)位置作為蒙特卡洛樹(shù)的根節(jié)點(diǎn)，初始時(shí)該蒙特卡洛樹(shù)只有此根節(jié)點(diǎn)。然后將蒙特卡洛樹(shù)的根節(jié)點(diǎn)作為當(dāng)前預(yù)測(cè)軌跡的起始節(jié)點(diǎn)R。

步驟三、圖像輸入：

在實(shí)時(shí)處理情況下，提取通過(guò)攝像頭采集并保存在存儲(chǔ)區(qū)的視頻圖像，作為要進(jìn)行跟蹤的輸入圖像；在離線處理情況下，將已采集的視頻文件分解為多個(gè)幀組成的圖像序列，按照時(shí)間順序，逐個(gè)提取幀圖像作為輸入圖像。這里每一次獲取并處理H幀圖像，即每次確定的目標(biāo)軌跡長(zhǎng)度和每次蒙特卡洛樹(shù)模擬的深度為H。這里H＝30。如果可獲得的輸入圖像數(shù)目不足H，則根據(jù)實(shí)際獲得的圖像數(shù)目設(shè)置H。如果輸入圖像為空，則跟蹤結(jié)束。設(shè)置迭代次數(shù)N＝1。

步驟四、節(jié)點(diǎn)選擇：

從起始節(jié)點(diǎn)R開(kāi)始，以其子節(jié)點(diǎn)的權(quán)重為概率，逐層隨機(jī)選擇子節(jié)點(diǎn)，直到樹(shù)的葉節(jié)點(diǎn)(葉節(jié)點(diǎn)為不具有子節(jié)點(diǎn)的節(jié)點(diǎn))。第1次迭代時(shí)，起始節(jié)點(diǎn)即為選擇的葉節(jié)點(diǎn)。設(shè)本次迭代選擇的葉節(jié)點(diǎn)為L(zhǎng)，如果L的深度小于H，則跳轉(zhuǎn)到步驟五，否則，迭代次數(shù)N加1，并重新進(jìn)行節(jié)點(diǎn)選擇。

步驟五、節(jié)點(diǎn)擴(kuò)展：

以葉節(jié)點(diǎn)L對(duì)應(yīng)的圖像位置為中心，在15×15的范圍內(nèi)，為該節(jié)點(diǎn)擴(kuò)展出225-1＝224個(gè)子節(jié)點(diǎn)，每個(gè)子節(jié)點(diǎn)對(duì)應(yīng)該范圍內(nèi)一個(gè)不同的位置，且每個(gè)子節(jié)點(diǎn)的初始權(quán)重均為1。然后，以擴(kuò)展出來(lái)的這些子節(jié)點(diǎn)權(quán)重為概率隨機(jī)選擇1個(gè)子節(jié)點(diǎn)作為模擬節(jié)點(diǎn)S。

步驟六、軌跡模擬：

以模擬節(jié)點(diǎn)S為中心，在其15×15的搜索范圍內(nèi)隨機(jī)產(chǎn)生一個(gè)預(yù)測(cè)目標(biāo)位置，然后再以該預(yù)測(cè)目標(biāo)位置為中心，在相同的搜索范圍內(nèi)隨機(jī)產(chǎn)生一個(gè)新的預(yù)測(cè)目標(biāo)位置，該過(guò)程重復(fù) M次，且滿足模擬節(jié)點(diǎn)S的深度+M＝H。這些連續(xù)的預(yù)測(cè)目標(biāo)位置分別對(duì)應(yīng)一個(gè)與目標(biāo)大小相同的圖像塊，它們構(gòu)成一個(gè)預(yù)測(cè)目標(biāo)圖像塊序列A。

步驟七、軌跡評(píng)價(jià)：

對(duì)預(yù)測(cè)目標(biāo)圖像塊序列A中的每個(gè)圖像塊，采用NCC規(guī)則化交叉互相關(guān)(NCC，Normal ized Cross-Correlation)方法計(jì)算其與目標(biāo)圖像塊的相似度，并計(jì)算它們的平均值ω。

步驟八、節(jié)點(diǎn)權(quán)重更新：

將模擬節(jié)點(diǎn)S的權(quán)重設(shè)置為平均值ω，然后計(jì)算葉節(jié)點(diǎn)L的所有擴(kuò)展子節(jié)點(diǎn)的權(quán)重平均值，并將該值作為L(zhǎng)的新權(quán)重。如果L有父節(jié)點(diǎn)，則按照更新L權(quán)重的方法更新其父節(jié)點(diǎn)的權(quán)重，同理逐層更新樹(shù)的節(jié)點(diǎn)權(quán)重直到起始節(jié)點(diǎn)R。迭代次數(shù)N加1。如果N<K(K＝100)或者樹(shù)的深度<H，則跳轉(zhuǎn)到步驟四，否則，跳轉(zhuǎn)到步驟九。

步驟九、軌跡選擇：

從起始節(jié)點(diǎn)R開(kāi)始選擇樹(shù)中具有最大權(quán)重和的節(jié)點(diǎn)路徑，并將該路徑對(duì)應(yīng)的預(yù)測(cè)軌跡作為目標(biāo)軌跡，完成該時(shí)間段的目標(biāo)定位。同時(shí)把該路徑上的最后一個(gè)節(jié)點(diǎn)，作為新的起始節(jié)點(diǎn)R。

步驟十、目標(biāo)更新：

如果目標(biāo)軌跡中最后的目標(biāo)位置對(duì)應(yīng)的圖像塊與原目標(biāo)的相似度>δ(δ＝0.8)，則將該圖像塊作為新的目標(biāo)表觀，完成目標(biāo)更新，否則，不變。這里相似度計(jì)算同樣采用NCC規(guī)則化交叉互相關(guān)方法。跟蹤完成，跳轉(zhuǎn)到步驟三。

本發(fā)明的方法還可用于對(duì)象跟蹤的其它應(yīng)用場(chǎng)合，如智能視頻分析，人機(jī)交互，交通視頻監(jiān)控，無(wú)人車(chē)輛駕駛，生物群體分析，以及流體表面測(cè)速等。

本發(fā)明方法可通過(guò)任何計(jì)算機(jī)程序設(shè)計(jì)語(yǔ)言(如C語(yǔ)言)編程實(shí)現(xiàn)，基于本方法的跟蹤系統(tǒng)軟件可在任何PC或者嵌入式系統(tǒng)中實(shí)現(xiàn)實(shí)時(shí)目標(biāo)跟蹤應(yīng)用。