CN105894022A - 一种自适应分层关联多目标跟踪方法 - Google Patents

Abstract

本发明属于智能视频监控技术领域，提出了一种自适应分层关联多目标跟踪方法。本方法利用增量线性可判别分析(ILDA，Incremental Linear Discriminant Analysis)寻找一个能尽可能分离各个目标的投影矩阵，并提取各个目标的特征均值向量，并用其定义轨迹和候选目标进行匹配的关联代价函数，从而来指导连续轨迹和断开轨迹的增长。当前帧匹配结束后，计算各个轨迹最新匹配结果和其特征均值向量的差异，当差异大于一定阈值的时候，用该匹配结果来更新ILDA模型相关参数，否则不更新。相比现有技术，本发明能够减少多目标跟踪过程中由于目标外观相似而跟错目标的概率。

Description

一种自适应分层关联多目标跟踪方法

技术领域

本发明属于图像数据处理或产生领域的图像分析技术，具体涉及一种自适应分层关联多目标跟踪方法，属于智能视频监控技术领域。

背景技术

多目标跟踪在计算机视觉系统中具有举足轻重的位置，在人机交互、军事制导、安全监控、智能交通等众多领域中有着广阔的前景。

近年来，随着检测器提供的检测结果越来越可靠，基于检测的追踪方法逐渐成为多目标追踪的一个主要研究方向。其中，分层数据关联框架受到不少人的关注，它把数据关联分为两步，第一步是局部关联，传统的方法是关联相邻帧的检测结果使轨迹片段可靠有效地增长，直到当前帧没有匹配的检测结果使得轨迹中断。第二步是全局关联，主要是计算断开轨迹和候选目标的相似度，关联它们尽可能得到目标完整的轨迹。

在现实的需求场景中，对行人的追踪，对比赛现场运动员的追踪，对车辆的追踪等等都面临着目标之间外观非常相似的问题。而传统的基于分层关联的依据正是相邻两帧检测结果的表观相似度，外观相似的目标之间的色彩直方图也往往非常相似，这使得多个目标之间难以区分，甚至会产生跟错目标的情况，使得目标最终轨迹的质量下降，追踪的鲁棒性降低。

现有技术中，公告号为CN102521612B，名称为"一种基于协同关联粒子滤波的多视频目标主动跟踪方法"的国内发明专利利用视觉注意机制“主动发现”目标，解决了目标的出现、消失，以及交互目标的合并、分裂以及过遮挡造成的误跟踪及跟踪丢问题，但在多个目标外观相似且空间位置相近的情况下，跟错目标的概率上升。

发明内容

本发明要解决的技术问题是解决传统分层数据关联技术容易发生的由于目标外观相似导致的跟错、跟丢目标问题。

为此，本发明提出一种自适应分层关联多目标跟踪方法。

本发明具体采用以下技术方案解决上述技术问题，包括以下步骤：

步骤1、以颜色相似度为手段对前N帧的检测结果进行匹配，形成各个目标在前N帧的初始轨迹，定义目标i在当前第t帧的跟踪结果为其中，(x,y)为目标区域中心坐标，(w,h)为目标的宽和高，则目标的轨迹Tⁱ是目标从出现到当前帧跟踪结果的集合，表示为其中，m是帧号，和分别是轨迹的开始帧和结尾帧，形成初始轨迹包括以下过程：

(a)把第一帧的所有检测结果作为待追踪的目标；

(b)计算其中一个待追踪目标i和当前第t帧第j个检测结果的颜色相似度，采用Bhattacharyya系数ρ来计算，其中，p和q分别是目标i和检测结果j的HSV颜色直方图，如果ρ＞0.7，则将检测j作为待追踪目标i的子节点；

(c)重复步骤(b)，直至计算完所有待追踪目标的子节点；

(d)对所有待匹配检测结果进行统计，同一个检测结果可能有被多个待追踪目标当成子节点的情况，则分别依次形成多个轨迹，最后，选择其中最长或者相似度最高的轨迹，其余的则被舍弃；

步骤2、选出N帧都有跟踪结果的初始目标轨迹，把这些目标的所有跟踪结果框作为样本集合，训练出ILDA模型，包括以下过程：

(a)假设有k个目标，第i(1≤i≤k)个目标有n_i个样本，计算每个样本的HSV颜色直方图向量则目标i的均值向量为所有目标的总体均值向量

(b)计算所有样本类内离散度矩阵为样本类间离散度矩阵为

(c)通过对进行特征分解获得其特征向量，将特征值按照大小进行降序排列，取前k-1个特征向量组成投影矩阵W_ILDA；

步骤3、目标在前一帧有跟踪结果称为连续轨迹，根据当前的ILDA模型指导连续轨迹和当前帧中的检测结果进行二分匹配，使得连续轨迹得以增长；

步骤4、目标在前一帧没有跟踪结果称为断开轨迹，根据当前的ILDA模型指导断开轨迹和候选目标进行二分匹配，候选目标包括其余的轨迹和步骤3剩余的未匹配的检测结果，使得断开轨迹得以增长；

步骤5、如果当前帧仍然有剩余的检测结果没有匹配，判断其是否为一个新出现的目标；

步骤6、自适应地用跟踪结果来更新ILDA模型各个参数；

步骤7、判定是否为结尾帧，如果是，则结束跟踪，否则返回步骤3。

作为优选，上述步骤1中的N帧具体设定如下：

N在实验中取值为五，因为判定一个新目标出现的条件是该目标连续出现五帧，所以用目标在前五帧的初始轨迹来训练接下来的ILDA模型最为合理。

作为优选，上述步骤3中连续轨迹的增长过程具体如下：

(a)计算h个连续的轨迹和m个检测结果Z_t的关联代价矩阵S＝[s_ij]_h×m，其中，s_ij是第i个连续轨迹Tⁱ和第j个检测结果的关联代价，m_i(c)是连续轨迹的均值向量，是检测结果的HSV色彩直方图向量；

(b)根据上面的关联代价矩阵S进行二分匹配，具体过程为：当目标i的轨迹T^i(c)和检测的关联代价s_ij低于预先设定的阈值-log(θ)(θ实验中取值为0.7)，则两者是可以关联的关系，计算出所有可以关联的关系后，用匈牙利算法得到二分匹配的最优结果；

(c)把匹配后的最新跟踪结果加入连续轨迹T^i(c)。

进一步，作为优选，上述步骤4断开轨迹的增长过程具体如下：

(a)考虑l个断开轨迹T^i(d)和n个剩余的检测结果进行匹配，关联代价矩阵为C＝[c_ij]_l×n，其中，m_i(d)是断开轨迹的均值向量，是检测结果的HSV色彩直方图向量，依据关联代价矩阵C，用匈牙利算法进行二分匹配，依然采用连续轨迹增长中用到的阈值θ，由此得到了匹配的最优结果；

(b)考虑l个断开轨迹T^i(d)与满足时间约束的h个连续轨迹T^j(c)进行匹配，满足时间约束即指断开轨迹的结尾帧小于连续轨迹的开始帧关联代价矩阵为A＝[a_ij]_l×h，其中，a_ij＝-log(ρ(W_ILDAm_i(d),W_ILDAm_j(c)))，m_i(d)和m_j(c)分别是断开轨迹和连续轨迹的均值向量，依据关联代价矩阵A，用匈牙利算法进行二分匹配，依然采用连续轨迹增长中用到的阈值θ，由此得到了匹配的最优结果；

(c)把匹配后的最新跟踪结果加入断开轨迹T^i(d)。

作为优选，上述步骤5判断新目标出现具体设定如下：

如果当前帧仍然有尚未匹配的检测结果，则暂时把该检测结果初始化一个候选新目标，如果该候选新目标接下来能够连续五帧匹配到跟踪结果，则可以断定该候选新目标的确是一个新目标，否则删除该候选新目标。

最后，上述步骤6中自适应更新ILDA模型具体设定如下：

对于目标i，在当前帧匹配到跟踪结果则计算跟踪结果投影后的特征和目标的ILDA模板均值m_i的差异，定义为：

$\mathrm{\Δ}=1-\frac{{\left(W_{ILDA}{m}_i\right)}^T\·\left(W_{ILDA}f\right(z_t^i\left)\right)}{\left|\right|W_{ILDA}{m}_i\left|\right|\left|\right|W_{ILDA}f\left(z_t^i\right)\left|\right|}$

当差异Δ大于一定阈值，则把该跟踪结果放入用来更新ILDA模板的增量样本集里。每隔五帧，用增量样本集来更新ILDA模板相关参数。更新的参数包括各个目标的均值向量m_i，类间散度矩阵S_b，类内散度矩阵S_w，投影矩阵W_ILDA。

本发明利用增量线性可判别分析寻找一个能尽可能分离各个目标的投影矩阵，提取各个目标的特征均值向量，并用这两个参数定义轨迹和候选目标进行匹配的关联代价函数，使得连续轨迹和断开轨迹的增长过程更为可靠。相比现有技术，本发明能够减少多目标跟踪过程中由于外观相似导致跟错目标的概率，并有效提高了目标跟踪轨迹的质量。

附图说明

图1为本发明的基本原理示意图。

具体实施方式

为使本发明的目的、实现方案和优点更为清晰，下面对本发明的具体实施作进一步的详细描述，本发明的具体流程如图1所示。

一种鲁棒的在线分层关联方法，具体按照以下步骤：

步骤1、该发明的视频由视频监控系统或者视频传感器网络的采集设备获得。

步骤2、用检测器对视频序列进行检测，得到每一帧的检测结果。

步骤3、以颜色相似度为手段对前N帧的检测结果进行匹配，形成各个目标在前N帧的初始轨迹，定义目标i在当前第t帧的跟踪结果为其中，(x,y)为目标区域中心坐标，(w,h)为目标的宽和高，则目标的轨迹Tⁱ是目标从出现到当前帧跟踪结果的集合，表示为其中，m是帧号，和分别是轨迹的开始帧和结尾帧，形成初始轨迹包括以下过程：

(a)把第一帧的所有检测结果作为待追踪的目标；

(b)计算其中一个待追踪目标i和当前第t帧第j个检测结果的颜色相似度，采用Bhattacharyya系数ρ来计算，其中，p和q分别是目标i和检测结果j的HSV颜色直方图，如果ρ＞0.7，则将检测j作为待追踪目标i的子节点；

(c)重复步骤(b)，直至计算完所有待追踪目标的子节点；

(d)对所有待匹配检测结果进行统计，同一个检测结果可能有被多个待追踪目标当成子节点的情况，则分别依次形成多个轨迹，最后，选择其中最长或者相似度最高的轨迹，其余的则被舍弃；

步骤4、选出N帧都有跟踪结果的初始目标轨迹，把这些目标的所有跟踪结果框作为样本集合，训练出ILDA模型，包括以下过程：

(a)假设有k个目标，第i(1≤i≤k)个目标有n_i个样本，计算每个样本的HSV颜色直方图向量则目标i的均值向量为所有目标的总体均值向量

(b)计算所有样本类内离散度矩阵为样本类间离散度矩阵为

(c)通过对进行特征分解获得其特征向量，将特征值按照大小进行降序排列，取前k-1个特征向量组成投影矩阵W_ILDA；

步骤5、目标在前一帧有跟踪结果称为连续轨迹，根据当前的ILDA模型指导连续轨迹和当前帧中的检测结果进行二分匹配，使得连续轨迹得以增长；

步骤6、目标在前一帧没有跟踪结果称为断开轨迹，根据当前的ILDA模型指导断开轨迹和候选目标进行二分匹配，候选目标包括其余的轨迹和步骤5剩余的未匹配的检测结果，使得断开轨迹得以增长；

步骤7、如果当前帧仍然有剩余的检测结果没有匹配，判断其是否为一个新出现的目标；

步骤8、自适应地用跟踪结果来更新ILDA模型各个参数；

步骤9、判定是否为结尾帧，如果是，则结束跟踪，否则返回步骤5。

作为优选，上述步骤3中的N帧具体设定如下：

N在实验中取值为五，因为判定一个新目标出现的条件是该目标连续出现五帧，所以用目标在前五帧的初始轨迹来训练接下来的ILDA模型最为合理。

作为优选，上述步骤5中连续轨迹的增长过程具体如下：

(a)计算h个连续的轨迹和m个检测结果Z_t的关联代价矩阵S＝[s_ij]_h×m，其中，s_ij是第i个连续轨迹Ti和第j个检测结果的关联代价，m_i(c)是连续轨迹的均值向量，是检测结果的HSV色彩直方图向量；

(b)根据上面的关联代价矩阵S进行二分匹配，具体过程为：当目标i的轨迹T^i(c)和检测的关联代价s_ij低于预先设定的阈值-log(θ)(θ实验中取值为0.7)，则两者是可以关联的关系，计算出所有可以关联的关系后，用匈牙利算法得到二分匹配的最优结果；

(c)把匹配后的最新跟踪结果加入连续轨迹T^i(c)。

进一步，作为优选，上述步骤6断开轨迹的增长过程具体如下：

(a)考虑l个断开轨迹T^i(d)和n个剩余的检测结果进行匹配，关联代价矩阵为C＝[c_ij]_l×n，其中，m_i(d)是断开轨迹的均值向量，是检测结果的HSV色彩直方图向量，依据关联代价矩阵C，用匈牙利算法进行二分匹配，依然采用连续轨迹增长中用到的阈值θ，由此得到了匹配的最优结果；

(b)考虑l个断开轨迹T^i(d)与满足时间约束的h个连续轨迹T^j(c)进行匹配，满足时间约束即指断开轨迹的结尾帧小于连续轨迹的开始帧关联代价矩阵为A＝[a_ij]_l×h，其中，a_ij＝-log(ρ(W_ILDAm_i(d),W_ILDAm_j(c)))，m_i(d)和m_j(c)分别是断开轨迹和连续轨迹的均值向量，依据关联代价矩阵A，用匈牙利算法进行二分匹配，依然采用连续轨迹增长中用到的阈值θ，由此得到了匹配的最优结果；

(c)把匹配后的最新跟踪结果加入断开轨迹T^i(d)。

作为优选，上述步骤7判断新目标出现具体设定如下：

如果当前帧仍然有尚未匹配的检测结果，则暂时把该检测结果初始化一个候选新目标，如果该候选新目标接下来能够连续五帧匹配到跟踪结果，则可以断定该候选新目标的确是一个新目标，否则删除该候选新目标。

最后，上述步骤8中自适应更新ILDA模型具体设定如下：

对于目标i，在当前帧匹配到跟踪结果则计算跟踪结果投影后的特征和目标的ILDA模板均值m_i的差异，定义为：

$\mathrm{\Δ}=1-\frac{{\left(W_{ILDA}{m}_i\right)}^T\·\left(W_{ILDA}f\right(z_t^i\left)\right)}{\left|\right|W_{ILDA}{m}_i\left|\right|\left|\right|W_{ILDA}f\left(z_t^i\right)\left|\right|}$

当差异Δ大于一定阈值，则把该跟踪结果放入用来更新ILDA模板的增量样本集里。每隔五帧，用增量样本集来更新ILDA模板相关参数。更新的参数包括各个目标的均值向量m_i，类间散度矩阵S_b，类内散度矩阵S_w，投影矩阵W_ILDA。

发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明在连续轨迹增长和断开轨迹增长阶段都构建出了质量更高的轨迹，并且在多个目标外观相似的环境下，能够较好地区分出它们，大大减少了跟错、跟丢目标的概率。

为了验证本发明的效果，一共进行了两个验证实验。

本发明实验的硬件及软件仿真环境如表1所示：

表1

采用ETH-Bahnhof视频序列来进行测试。ETH-Bahnhof视频序列视频分辨率为640*480，帧率14帧每秒，共计1000帧。该视频序列录制于一个繁忙的街道上，所以行人密度非常大，而且摄像机处于水平视角，所以视频中行人存在严重遮挡的情况。

评价鲁棒性的标准则采用CLEAR-MOT评价标准，该标准目前广泛用于评价多目标追踪鲁棒性，主要包括以下方面：

FP(False Positive)：假正率，即跟踪得到假正目标的概率

FN(False Negative)：假负率，即跟踪丢失目标的概率

IDSW(ID Switches)：轨迹ID被交换的次数

MOTA(Multiple Object Tracking Accuracy)：描述目标追踪的平均准确度，MOTA＝1-∑_t(FN_t+FP_t+IDSW_t)/∑_tGT_t，其中，t是帧号，GT是真值目标的数目。

MOTP(Multiple Object Tracking Precision)：描述目标追踪的平均精度，MOTP＝∑_t,id_t,i/∑_tc_t，其中，c_t是帧t中追踪成功目标的数目，d_t,i是目标i的追踪框和真实值追踪框的比例。

综上所述，FP,FN,IDSW的值越低，MOTA，MOTP的值越高，多目标追踪的性能越好。

而评价跟踪实时性的标准采用每帧的处理速度(秒/帧)，用时越少，说明跟踪实时性越好。

第一个实验内容：在更新目标ILDA模板时，设置不同的差异阈值，评价本文算法在不同阈值的情况下的鲁棒性和实时性。

表2

表2为实验一的实验结果，由表2可以看出：

(1)观察实时性评价参数，即每帧处理速度，在设置阈值为10％的时候，处理速度由0.4秒/帧下降到0.293秒/帧，节省了26.8％的时间，降幅是最大的；

(2)观察鲁棒性参数，即FP,FN,IDSW,MOTA,MOTP，发现阈值设置在10％的时候，鲁棒性基本没有下降，阈值设置为30％的时候，鲁棒性已经明显下降。

(3)根据上面观察所得，在阈值设置为10％时，即在追踪结果和该类别的ILDA模板表观相似度差异小于10％的时候，不进行更新，这时候鲁棒性没有下降，而且节省了26.8％的时间。

第二个实验内容：把本发明算法和一篇处于世界领先水平的论文进行鲁棒性比较，比较算法是Seung-Hwan14年在IEEE TRANSACTIONS ON IMAGE PROCESSING上发表的Robust Online Multi-object Tracking With Data Association and Track Management，本发明算法在更新ILDA模板时把差异阈值设置为10％。

	FP	FN	IDSW	MOTP	MOTA
						本文算法	8.9％	34.8％	37	74.8％	65.4％
比较算法	9.8％	23.2％	72	58.4％	66.5％

表3

表3为实验二的实验结果，由表3可以看出：本文的ID交换次数IDSW为37，而比较算法为72，即相比比较算法，本发明算法的IDSW减少了48.6％。说明，本发明算法在多目标追踪时对于区分相似目标有更强的优越性，大大减少了ID交换的概率。

需要说明的是，以上所述仅为本发明的一个具体实施例，并不用以限制本发明，本实施例中所用数据集和攻击模式仅限于本实施例，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种自适应分层关联多目标跟踪方法，其特征在于包括以下步骤：

步骤1、以颜色相似度为手段对前N帧的检测结果进行匹配，形成各个目标在前N帧的初始轨迹，定义目标i在当前第t帧的跟踪结果为其中，(x,y)为目标区域中心坐标，(w,h)为目标的宽和高，则目标的轨迹Tⁱ是目标从出现到当前帧跟踪结果的集合，表示为其中，m是帧号，和分别是轨迹的开始帧和结尾帧，形成初始轨迹包括以下过程：

(a)把第一帧的所有检测结果作为待追踪的目标；

(b)计算其中一个待追踪目标i和当前第t帧第j个检测结果的颜色相似度，采用Bhattacharyya系数ρ来计算，其中，p和q分别是目标i和检测结果j的HSV颜色直方图，如果ρ＞0.7，则将检测j作为待追踪目标i的子节点；

(c)重复步骤(b)，直至计算完所有待追踪目标的子节点；

(d)对所有待匹配检测结果进行统计，同一个检测结果可能有被多个待追踪目标当成子节点的情况，则分别依次形成多个轨迹，最后，选择其中最长或者相似度最高的轨迹，其余的则被舍弃；

步骤2、选出N帧都有跟踪结果的初始目标轨迹，把这些目标的所有跟踪结果框作为样本集合，训练出ILDA模型，包括以下过程：

(a)假设有k个目标，第i(1≤i≤k)个目标有n_i个样本，计算每个样本的HSV颜色直方图向量则目标i的均值向量为所有目标的总体均值向量

(b)计算所有样本类内离散度矩阵为样本类间离散度矩阵为

(c)通过对S_b进行特征分解获得其特征向量，将特征值按照大小进行降序排列，取前k-1个特征向量组成投影矩阵W_ILDA；

步骤3、目标在前一帧有跟踪结果称为连续轨迹，根据当前的ILDA模型指导连续轨迹和当前帧中的检测结果进行二分匹配，使得连续轨迹得以增长；

步骤4、目标在前一帧没有跟踪结果称为断开轨迹，根据当前的ILDA模型指导断开轨迹和候选目标进行二分匹配，候选目标包括其余的轨迹和步骤3剩余的未匹配的检测结果，使得断开轨迹得以增长；

步骤5、如果当前帧仍然有剩余的检测结果没有匹配，判断其是否为一个新出现的目标；

步骤6、自适应地用跟踪结果来更新ILDA模型各个参数；

步骤7、判定是否为结尾帧，如果是，则结束跟踪，否则返回步骤3。

2.如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤1中的N帧具体设定如下：

N在实验中取值为五，因为判定一个新目标出现的条件是该目标连续出现五帧，所以用目标在前五帧的初始轨迹来训练接下来的ILDA模型最为合理。

3.如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤3中连续轨迹的增长过程具体如下：

(a)计算h个连续的轨迹和m个检测结果Z_t的关联代价矩阵S＝[s_ij]_h×m，其中，s_ij＝-log(ρ(W_ILDAm_i(c),W_ILDAf(z_t ^j)))，s_ij是第i个连续轨迹Tⁱ和第j个检测结果的关联代价，m_i(c)是连续轨迹的均值向量，是检测结果的HSV色彩直方图向量；

(b)根据上面的关联代价矩阵S进行二分匹配，具体过程为：当目标i的轨迹T^i(c)和检测的关联代价s_ij低于预先设定的阈值-log(θ)(θ实验中取值为0.7)，则两者是可以关联的关系，计算出所有可以关联的关系后，用匈牙利算法得到二分匹配的最优结果；

(c)把匹配后的最新跟踪结果加入连续轨迹T^i(c)。

4.如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤4断开轨迹的增长过程具体如下：

(a)考虑l个断开轨迹T^i(d)和n个剩余的检测结果进行匹配，关联代价矩阵为C＝[c_ij]_l×n，其中，c_ij＝-log(ρ(W_ILDAm_i(d),W_ILDAf(y_t ^j)))，m_i(d)是断开轨迹的均值向量，是检测结果的HSV色彩直方图向量，依据关联代价矩阵C，用匈牙利算法进行二分匹配，依然采用连续轨迹增长中用到的阈值θ，由此得到了匹配的最优结果；

(b)考虑l个断开轨迹T^i(d)与满足时间约束的h个连续轨迹T^j(c)进行匹配，满足时间约束即指断开轨迹的结尾帧小于连续轨迹的开始帧关联代价矩阵为A＝[a_ij]_l×h，其中，a_ij＝-log(ρ(W_ILDAm_i(d),W_ILDAm_j(c)))，m_i(d)和m_j(c)分别是断开轨迹和连续轨迹的均值向量，依据关联代价矩阵A，用匈牙利算法进行二分匹配，依然采用连续轨迹增长中用到的阈值θ，由此得到了匹配的最优结果；

(c)把匹配后的最新跟踪结果加入断开轨迹T^i(d)。

5.如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤5判断新目标出现具体设定如下：

如果当前帧仍然有尚未匹配的检测结果，则暂时把该检测结果初始化一个候选新目标，如果该候选新目标接下来能够连续五帧匹配到跟踪结果，则可以断定该候选新目标的确是一个新目标，否则删除该候选新目标。

6.如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤6中自适应更新ILDA模型具体设定如下：

对于目标i，在当前帧匹配到跟踪结果则计算跟踪结果投影后的特征和目标的ILDA模板均值m_i的差异，定义为：

$\mathrm{\Δ}=1-\frac{{\left(W_{ILDA}{m}_i\right)}^T\·\left(W_{ILDA}f\right(z_t^i\left)\right)}{\left|\right|W_{ILDA}{m}_i\left|\right|\left|\right|W_{ILDA}f\left(z_t^i\right)\left|\right|}$

当差异Δ大于一定阈值，则把该跟踪结果放入用来更新ILDA模板的增量样本集里，每隔五帧，用增量样本集来更新ILDA模板相关参数，更新的参数包括各个目标的均值向量m_i，类间散度矩阵S_b，类内散度矩阵S_w，投影矩阵W_ILDA。