CN105809713A - 基于在线Fisher判别机制增强特征选择的目标跟踪方法 - Google Patents

Abstract

本发明公开了一种基于在线Fisher判别机制增强特征选择的目标跟踪方法。这是一种有效的外观模型，它通过高区分度的特征来处理视觉追踪目标的外观变化。Fisher判别增强特征选择机制能够选择出类内离散程度小，类间离散程度大的特征，从而增强区分目标和背景的能力。此外，本发明采用了粒子滤波结构进行目标追踪，候选粒子的权重体现了粒子周围的上下文信息，因此增强了追踪的鲁棒性。为了提高效率，本发明用了coarse‑to‑fine搜索机制来提高目标定位的效率和准确性，在CVPR2013跟踪基准测试库上进行了大量实验，在鲁棒性和精度上取得了良好的效果。

Description

基于在线Fisher判别机制增强特征选择的目标跟踪方法

技术领域

本发明属于图像信息技术处理领域，尤其涉及一种基于Fisher判别增强特征选择的目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域的基础问题，在很多方面都有应用，例如监控、人机交互，和医疗辅助。虽然近些年来目标跟踪领域取得了很多进展，但是由于光照变化、局部遮挡、形变等对目标外观的影响，目标追踪仍然是一大难题，为了有效解决这些问题，必须设计一种高效的外观模型。

总的来说，传统的目标跟踪算法根据外观模型可以分成两类：生成型跟踪器和识别型跟踪器。生成型跟踪器可以根据目标的外观信息学习外观模型，并在图像中重构误差最小的最相似候选区域。Ross等人提出了渐进地学习低维子空间表示的跟踪方法，该方法高效地在线更新目标的外观模型。跟踪可以转化为稀疏逼近问题，其中引入微小的模板来解决诸如局部遮挡、姿态变化的问题。例如Kwon和Lee在一个例子滤波构架中组合了许多观测器和运动模型，以此来处理较大的外观和运动变化。Zhang等人将跟踪作为一个多任务学习问题建模。Wang等人提出基于新型鲁棒线性回归算法的生成跟踪模型，该方法将误差项按照高斯—拉普拉斯分布。分类跟踪器通过学习目标与背景之间的决策边界来定位目标。Grabner等人在Proceedings of British Machine Vision Con-ference,volume 1,page6,2006的文章Real-time tracking via on-line boosting中提出了一种在线增强特征选择的方法来选择跟踪特征。Grabner在Proceedings of European Con-ference onComputer Vision,pages 234-247.2008的文章Semi-supervised on-line boosting forrobust tracking中进一步将在线半监督增强方法引入视觉追踪，减少了视觉跟踪中的漂移问题。Hare在Proceedings ofthe IEEE International Conference on ComputerVision,pages 263-270,2011的文章Struck:Structured output tracking with kernels中提出了在线核结构输出SVM，在CVPR视觉跟踪基准测试库上取得了良好的结果。跟踪问题可以规划为多事例学习问题(MIL)，通过在线MIL增强算法能够选择特征来决定外观模型。Zhang和Song在Pattern Recognition,46(1):397-411,2013的文章Real-time visualtracking via online weighted multiple instance learning中考虑到事例的重要程度不同，进一步提出了加权MIL算法。基于压缩感知理论的随机类Haar特征被用来作为目标表征，在实时跟踪方面取得了的良好结果。

发明内容

一、构建可调整外观模型

本发明的跟踪系统使用了简单有效的类Haar特征来描述外观模型。虽然类Haar特征在视觉跟踪领域有广泛运用，但大多是这类算法在CVPR2013跟踪基准测试库上不能取得良好的表现。因为这些算法使用了固定的类Haar特征模板，从而限制了它们的区分能力。为了解决这一问题，本文提出了可调外观模型，这一模型有Fisher判别增强准则筛选出的类Haar特征模板构建。

考虑到特征合理的粒度，本发明将特征模板的宽度和高度限制在2＜t_wi＜round(w/2)，2＜t_hi＜round(h/2)。考虑到多尺度信息的存在，本发明将同一个模板包中的设置为同样的大小，不同模板包中的特征设置为变化的大小。此外，为了使特征具有多样性，本发明通过Flock法则显示每个矩形框的位置：

$d_{min}<|I\left(z_{ij}\right)-I\left(z_{im}\right)|,\&ForAll;j,m\&Element;\{1,2,\mathrm{...},n\},\&ForAll;i\&Element;\{1,\mathrm{2...},c\},---\left(1\right)$

$d_{max}>|I\left(z_{ij}\right)-\stackrel{\&OverBar;}{I\left(z_{ij}\right)}|,\&ForAll;j\&Element;\{1,2,\mathrm{...},n\}.$

其中表示I(z_ij)和之间的欧式距离。d_min和d_max是限制矩形框分布的参数，这些参数使得矩形框覆盖特定区域，而不会过于聚合或者过于分散，从而保证了模板的多样性。

此外，本发明引入了Fisher判别增强准则。根据正负特征模板包定义各个特征模板包的Fisher判别标准的和为目标函数：

$F=\underset{i=1}{\overset{c}{\&Sigma;}}{F}_i---\left(2\right)$

$F_i=|\stackrel{\&OverBar;}{z_i^{+}}-\stackrel{\&OverBar;}{z_i^{-}}{|}_2^2-{\mathrm{\&lambda;}}_1\underset{j=1}{\overset{n}{\&Sigma;}}|\stackrel{\&OverBar;}{z_{ij}^{+}}-\stackrel{\&OverBar;}{z_i^{+}}{|}_2^2-{\mathrm{\&lambda;}}_2\underset{j=1}{\overset{n}{\&Sigma;}}|\stackrel{\&OverBar;}{z_{ij}^{-}}-\stackrel{\&OverBar;}{z_i^{-}}{|}_2^2$

$|\stackrel{\&OverBar;}{z_i^{+}}-\stackrel{\&OverBar;}{z_i^{-}}{|}_2^2={\stackrel{\&OverBar;}{z_i^{+}}}^T\stackrel{\&OverBar;}{z_i^{+}}-{\stackrel{\&OverBar;}{z_i^{+}}}^T\stackrel{\&OverBar;}{z_i^{-}}-{\stackrel{\&OverBar;}{z_i^{-}}}^T\stackrel{\&OverBar;}{z_i^{+}}=2n-2\underset{j=1}{\overset{n}{\&Sigma;}}{\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\stackrel{\&OverBar;}{z_{ij}^{-}}$

$\begin{array}{c}{\mathrm{\&lambda;}}_1\underset{j=1}{\overset{n}{\&Sigma;}}|\stackrel{\&OverBar;}{z_{ij}^{+}}-\stackrel{\&OverBar;}{z_i^{+}}{|}_2^2={\mathrm{\&lambda;}}_1\underset{j=1}{\overset{n}{\&Sigma;}}({\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\stackrel{\&OverBar;}{z_{ij}^{+}}-{\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\stackrel{\&OverBar;}{z_i^{+}}-{\stackrel{\&OverBar;}{z_i^{+}}}^T\stackrel{\&OverBar;}{z_{ij}^{+}}+{\stackrel{\&OverBar;}{z_i^{+}}}^T\stackrel{\&OverBar;}{z_i^{+}})\\ ={\mathrm{\&lambda;}}_1(\underset{j=1}{\overset{n}{\&Sigma;}}{\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\stackrel{\&OverBar;}{z_{ij}^{+}}-2\underset{j=1}{\overset{n}{\&Sigma;}}{\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\stackrel{\&OverBar;}{z_i^{+}}+n{\stackrel{\&OverBar;}{z_i^{+}}}^T\stackrel{\&OverBar;}{z_i^{+}})\\ ={\mathrm{\&lambda;}}_{1}n-\frac{{\mathrm{\&lambda;}}_1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\underset{j=1}{\overset{n}{\&Sigma;}}\stackrel{\&OverBar;}{z_{ij}^{+}}\end{array}---\left(3\right)$

${\mathrm{\&lambda;}}_2\underset{j=1}{\overset{n}{\&Sigma;}}|\stackrel{\&OverBar;}{z_{ij}^{-}}-\stackrel{\&OverBar;}{z_i^{-}}{|}_2^2={\mathrm{\&lambda;}}_{2}n-\frac{{\mathrm{\&lambda;}}_2}{n}\underset{j=1}{\overset{n}{\&Sigma;}}{\stackrel{\&OverBar;}{z_{ij}^{-}}}^T\underset{j=1}{\overset{n}{\&Sigma;}}\stackrel{\&OverBar;}{z_{ij}^{-}}$

式(3)中，第一项为类内间距，后两项为类间间距。其中表示i个正负样本特征模板包中第j个标准化特征， $\stackrel{\&OverBar;}{z_i^l}=\frac{1}{n}{\mathrm{\&Sigma;}}_{j=1}^n\stackrel{\&OverBar;}{z_{ij}^l},l=+,-.$

展开每一项得：

$|\stackrel{\&OverBar;}{z_i^{+}}-\stackrel{\&OverBar;}{z_i^{-}}{|}_2^2={\stackrel{\&OverBar;}{z_i^{+}}}^T\stackrel{\&OverBar;}{z_i^{+}}-{\stackrel{\&OverBar;}{z_i^{+}}}^T\stackrel{\&OverBar;}{z_i^{-}}-{\stackrel{\&OverBar;}{z_i^{-}}}^T\stackrel{\&OverBar;}{z_i^{+}}=2n-2\underset{j=1}{\overset{n}{\&Sigma;}}{\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\stackrel{\&OverBar;}{z_{ij}^{-}}---\left(4\right)$

$\begin{array}{c}{\mathrm{\&lambda;}}_1\underset{j=1}{\overset{n}{\&Sigma;}}|\stackrel{\&OverBar;}{z_{ij}^{+}}-\stackrel{\&OverBar;}{z_i^{+}}{|}_2^2={\mathrm{\&lambda;}}_1\underset{j=1}{\overset{n}{\&Sigma;}}({\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\stackrel{\&OverBar;}{z_{ij}^{+}}-{\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\stackrel{\&OverBar;}{z_i^{+}}-{\stackrel{\&OverBar;}{z_i^{+}}}^T\stackrel{\&OverBar;}{z_{ij}^{+}}+{\stackrel{\&OverBar;}{z_i^{+}}}^T\stackrel{\&OverBar;}{z_i^{+}})\\ ={\mathrm{\&lambda;}}_1(\underset{j=1}{\overset{n}{\&Sigma;}}{\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\stackrel{\&OverBar;}{z_{ij}^{+}}-2\underset{j=1}{\overset{n}{\&Sigma;}}{\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\stackrel{\&OverBar;}{z_i^{+}}+n{\stackrel{\&OverBar;}{z_i^{+}}}^T\stackrel{\&OverBar;}{z_i^{+}})\\ ={\mathrm{\&lambda;}}_{1}n-\frac{{\mathrm{\&lambda;}}_1}{n}\underset{j=1}{\overset{n}{\&Sigma;}}{\stackrel{\&OverBar;}{z_{ij}^{+}}}^T\underset{j=1}{\overset{n}{\&Sigma;}}\stackrel{\&OverBar;}{z_{ij}^{+}}\end{array}---\left(5\right)$

${\mathrm{\&lambda;}}_2\underset{j=1}{\overset{n}{\&Sigma;}}|\stackrel{\&OverBar;}{z_{ij}^{-}}-\stackrel{\&OverBar;}{z_i^{-}}{|}_2^2={\mathrm{\&lambda;}}_{2}n-\frac{L}{n}\underset{j=1}{\overset{n}{\&Sigma;}}{\stackrel{\&OverBar;}{z_{ij}^{-}}}^T\underset{j=1}{\overset{n}{\&Sigma;}}\stackrel{\&OverBar;}{z_{ij}^{-}}---\left(6\right)$

所以(3)式中的问题就转换成，求解下式：

$\{\stackrel{\&OverBar;}{z_{i1}},\mathrm{...},\stackrel{\&OverBar;}{z_{ik}}\}={\mathrm{argmax}}_{\{\stackrel{\&OverBar;}{z_{i1}},\mathrm{...},\stackrel{\&OverBar;}{z_{ik}}\}\&Subset;\stackrel{\&OverBar;}{B_i}}J(\stackrel{\&OverBar;}{z_{i1}}+,\mathrm{...},+\stackrel{\&OverBar;}{z_{ik}}).---\left(7\right)$

(7)式可以转化成迭代优化的过程：

$(h_j,{\mathrm{\&alpha;}}_j)={\mathrm{argmax}}_{h_j\&Element;H,\mathrm{\&alpha;}}L(H_{j-1}+{\mathrm{\&alpha;h}}_j)---\left(8\right)$

在线特征判别的特征选择过程如下，其中选择出来的块就相当于一个弱分类器h_ij：

1.随机产生固定大小，位置随机的一组块z_i,j，改组块在正负样本的表示成：假设初始的H_i,j＝0；

2.从z_i,j中随机选取一个块，J^m＝J(H_ij+h_im)；

3.记录下满足条件的块：

4.这个块就作为一个弱分类器

5.用来组合形成强分类器H_ij＝H_ij+h_ij。

重复执行此过程直至选出特征模板中的所有块。

二、Coarse-to-fine搜索

为了高效的搜索最优状态I，本发明采用基于贯序蒙特卡罗算法(SMC)的coarse-to-fine策略逐步搜索最大响应区域。首先粗略的逼近目标区域，，因此使用了较大的搜索半径λ和较大的步长Δ来生成目标窗口。该方法产生的窗口较少但是接近真值。各个窗口的权重与分类器得分成正比，置信度前N的候选窗口进行进一步搜索。然后，基于粗略的定位结果，进行R次迭代优化定位区域。

三、基于上下文信息的在线权重更新

上下文信息通过朴素贝叶斯分类器统一到局部权重之中

$w\&Proportional;H\left(v\right)=\underset{i=1}{\overset{c}{\&Sigma;}}log\left(\frac{p\left(v_i\right|y=+)}{p\left(v_i\right|y=+)}\right)---\left(9\right)$

其中，假设条件分布满足高斯分布：

$p\left(v_i\right|y=+)~N({\mathrm{\&mu;}}_i^{+},{\mathrm{\&sigma;}}_i^{+}),p\left(v_i\right|y=-)~N({\mathrm{\&mu;}}_i^{-},{\mathrm{\&sigma;}}_i^{-})---\left(10\right)$

分别表示第i个正样本的均值和方差，同理可得的含义。

贝叶斯分类器的参数采用增量更新的方式进行更新：

${\mathrm{\&mu;}}_i^{+}\&LeftArrow;{\mathrm{\&lambda;\&mu;}}_i^{+}+(1-\mathrm{\&lambda;}){\mathrm{\&mu;}}^{+}---\left(11\right)$

${\mathrm{\&sigma;}}_i^{+}\&LeftArrow;\sqrt{\mathrm{\&lambda;}{\left({\mathrm{\&sigma;}}_i^{+}\right)}^2+(1-\mathrm{\&lambda;}){\left({\mathrm{\&sigma;}}^{+}\right)}^2+\mathrm{\&lambda;}(1-\mathrm{\&lambda;}){({\mathrm{\&mu;}}_i^{+}-{\mathrm{\&mu;}}^{+})}^2}---\left(12\right)$

其中0＜λ＜1是学习参数， ${\mathrm{\&sigma;}}^{+}=\sqrt{\frac{1}{n^{+}}{\mathrm{\&Sigma;}}_{k-0|y=+}^{n^{+}-1}{\left(v_i\right(k)-{\mathrm{\&mu;}}^{+})}^2},$

n⁺是正样本的个数。但是不适合使用到第一帧到当前帧目标外观的变化来更新背景信息，因为复杂背景一直在变化。因此，我们仅使用最后两帧负样本来更新背景信息

${\mathrm{\&mu;}}^{-}=\frac{1}{{\mathrm{\&Sigma;}}_{j=0}^2{n}_{i-j}^{-}}\left({\mathrm{\&Sigma;}}_{j=0}^2{\mathrm{\&Sigma;}}_{k=0|y=-}^{n_{i-j}-1}{v}_{i-j}\right(k\left)\right)---\left(13\right)$

${\mathrm{\&sigma;}}_i^{-}=\sqrt{\frac{1}{{\mathrm{\&Sigma;}}_{j=0}^2{n}_{i-j}^{-}}{\mathrm{\&Sigma;}}_{j=0}^2-{\mathrm{\&Sigma;}}_{k=0|y=-}^{n_{i-j-1}-1}{\left(v_{i-j}\right(k)-{\mathrm{\&mu;}}_j^{-})}^2}---\left(14\right)$

附图说明

图1是本发明在线Fisher判别增强跟踪算法流程示意图。

图2算法对于目标形变的测试。

图3算法对于遮挡的测试。

图4算法对于光照变化的测试。

图5算法的定性评价。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。本发明公开了一种在线Fisher判别增强跟踪算法。为了便于理解本发明技术方案，给出一个具体实施例。本实施例将本发明所提供的技术方案应用到环境复杂的实际视频序列中，进行运动目标跟踪。

如图1所示，本例实施的运动目标检测具体过程如下：

步骤1、输入第1帧图像，由检测器检测第一帧目标的位置，在第一帧的目标周围提取正负样本，正样本的区域D^α＝{p|||l₁(p)-l₁||＜2}，以及负样本D^α,β＝{p|4＜||l₁(p)-l₁||＜15}。

步骤2、：在l_t-1的位置处提取候选框的位置D^γ＝{p|||l_t(p)-l_t-1||＜γ}，l_t-1是上一帧的目标位置，γ是搜索区域的半径，满足条件的l_t(p)构成当前帧的候选框。

步骤3、运用上一帧构建的分类器，找到置信度最大的目标位置。

步骤4、如果，置信度比0小，证明估计出的位置很有可能是错的，就用前两帧的运动状态，对这一帧的目标位置进行较正，得到当前帧目标的位置l_t。

步骤5、如果，置信度比0大，则估计的位置是正确的位置，得到当前帧目标的位置l_t。

步骤6、在l_t周围提取正负样本，正样本的区域是：D^α＝{p|||l_t(p)-l_t||＜2}，负样本的区域是：D^α,β＝{p|4＜||l_t(p)-l_t||＜15}，其中ζ＜α＜β。

步骤7、更新特征的模板。

步骤8、根据公式(12)更新分类器。

步骤9、输出当前帧跟踪到的目标位置l_t。

实验的评价使用定性和定量两种分析方法。

t时刻跟踪窗口的位置为P_t，对应的图像坐标是(x_t,y_t)，目标的真实位置为

图像坐标是那么中心点位置误差可以表示为：

表示跟踪窗口的矩形窗口是R_T,表示目标真实位置的矩形窗口是R_G,用两个矩形框R_T与R_G的重叠区域R'＝R_T∩R_G的面积在整个公共区域R_T∪R_G的面积比表示目标重叠率，即为：

$r_t=\frac{S\left(R^{\&prime;}\right)}{S(R_T\&cup;R_G)}=\frac{S(R_T\&cap;R_G)}{S(R_T\&cup;R_G)}---\left(16\right)$

其中S(R)表示R窗口的面积。在重叠率r_t→1的时候，跟踪窗口R_T的位置以及大小接近于目标的真实窗口R_G。而本文中用的重叠率曲线是指其中∪和∩分别表示两个区域相交的部分和联合的部分，|·|表示在区域内的像素的数目。

除了以上两种评价指标外，本文还使用了2013Benchmark中介绍其他几种评价指标，这使得评价指标种类更多，更加合理。主要有以下几种：

(1)准确率曲线(Precision plot)。前面提到的中心点位置误差在跟踪器丢失目标时，输出的位置可能是随机的，这时的中心点位置误差就不能够正确的评价跟踪性能。而准确率曲线就可以用来衡量整个的跟踪过程。准确率曲线指估计的位置在给定阈值距离内的帧数占总帧数的比重。本文实验中采用的的阈值是20个像素。

(2)成功率曲线(Success plot)。成功率曲线指的是边界框的重叠率。对于给定的跟踪边界框R_t和目标真实位置的边界框R_g，重叠的得分定义为其中∪和∩分别表示两个区域相交的部分和联合的部分，|·|表示在区域内的像素的数目。为了评估在一个视频序列中算法的性能，我们计算重叠率S比给定阈值t₀大的像素的数目。成功率曲线反映了比0-1之间变化的阈值大的帧数占总帧数的比重。使用一个给定的阈值可能有失公正或缺少代表性，所以运用在成功率曲线下面的区域AUC(area under curve)来对跟踪算法的性能进行排列。

(3)OPE(one-pass evaluation)。传统的评估跟踪器的方式是在第一帧中用标注的位置进行初始化，再在整个视频序列中进行跟踪，最后记录平均的准确率曲线或者成功率曲线。把这种方式称为OPE(one-pass evaluation)。

定性分析：

图2中，目标在运动过程中，目标的外观会随着时间变换，本专利提出的算法，跟踪效果较好，主要原因是，本专利的算法在跟踪过程中，对特征模板和外观模型进行了更新，让目标外观能够考虑到形变，所以能够较好地跟踪外观变化的目标。

图3中，目标在运动过程中，目标会受到遮挡，本专利提出的算法，跟踪效果较好，主要原因是，本专利的算法在跟踪过程中，对遮挡进行了处理，在分类器的置信度低于0时，停止目标模板和分类器的更新，而是用当前帧前两帧的运行状态对目标的运动轨迹进行预测。实验结果表明，这种对遮挡的处理方式是有效的。

图4中，目标在运动过程中，目标会受到光照的变化的影响，本专利提出的算法，跟踪效果较好，主要原因是，本专利的算法在跟踪过程中，在对目标模板利用在线Fisher判别构造的模板，是对光照变化鲁棒的。实验结果表明，这种对光照的处理方式是有效的。

定量分析：

本专利提出的算法，在Benchmark进行了定量的评测，见图5，在准确率曲线和成功率曲线上，均排在首位，体现了本专利提出算法较好的性能。并且，本专利提出的算法跟踪速度快，更加具有实时性，便于现实应用。

综上可知，相对于现有的跟踪算法不能较好处理遮挡，外观形变，光照变化等挑战的问题，本专利提出的算法能够较好处理这些挑战性的问题。本发明提出的算法，用在线Fisher判别的方式，学习得到在正负样本上区分度大的目标模板，并且根据目标外观的变化，对目标的模板和分类器进行更新，以此来考虑目标外观的变化，防止跟踪的漂移，并且，当分类器的置信度低于一定阈值的时候，停止目标模板和分类器的更新，用前两帧的运动状态对目标的运动状态进行预测。无论是从跟踪的准确率还是从视觉效果上来看，都呈现出一定的优势。

Claims (4)

1.基于在线Fisher判别机制增强特征选择的目标跟踪方法，包括如下步骤：

步骤1、输入第t帧图像；

步骤2、在l_t-1的位置处提取候选框的位置D^γ＝{p|||l_t(p)-l_t-1||＜γ}，l_t-1是上一帧的目标位置，γ是搜索区域的半径，满足条件的l_t(p)构成当前帧的候选框，并且按照特征模板Γ提取特征；

步骤3、运用coarse-to-fine搜索策略寻找局部分类器响应最大区域，并且记录最大置信值conf；

步骤4、如果conf＜Θ，则转步骤5，否则转步骤6；

步骤5、停止更新分类器参数和特征模板，进行轨迹校正；

步骤6、通过求取分类器最大得分，寻找跟踪区域；

步骤7、在l_t周围提取正负样本，正样本的区域是：D^α＝{p|||l_t(p)-l_t||＜ζ}，负样本的区域是：D^α,β＝{p|α＜||l_t(p)-l_t||＜β}，其中ζ＜α＜β；

步骤8、更新特征模板和分类器参数；

步骤9、输出当前帧目标跟踪位置l_t。

2.根据权利要求1所述在线Fisher判别增强跟踪方法，其特征在于：步骤2中的搜索半径为25个像素。

3.根据权利要求1所述在线Fisher判别增强跟踪方法，其特征在于：步骤3中的分类器置信度阈值Θ＝0。

4.根据权利要求1所述在线Fisher判别增强跟踪方法，其特征在于：步骤7中的正样本半径ζ＝2，负样本内径α＝4，外经β＝15。