刘雨情， 肖 嵩， 李 磊

(西安电子科技大学 综合业务网理论及关键技术国家重点实验室，陕西 西安 710071)

基于视频序列的目标跟踪技术，一直以来都是计算机视觉领域的核心问题，在智能交通、军事航天以及人机交互领域都有着广泛的应用．国内外学者通过不断研究也提出了许多有效的目标跟踪算法[1-5]．

近年来，超像素特征作为一种新兴的中层视觉特征，被广泛研究和应用于各种计算视觉任务中，如图像分割、人体姿态估计和目标识别等．2014年，文献[5]将超像素用于目标跟踪中，提出了一种鲁棒性的超像素跟踪(robust SuperPixel Tracking，SPT)算法．该算法能出色解决目标跟踪中的挑战性难题，如复杂背景、非刚性形变和快速运动等，并在PASCAL VOC tests上取得了比跟踪学习检测(Tracking Learning Detection，TLD)算法[3]、视觉跟踪分解(Visual Tracking Decomposition，VTD)算法[7]等主流目标跟踪算法更好的跟踪性能．但由于该算法每次在更新外观模型时积累了海量的超像素信息(平均达上千个)，采用MeanShift方法进行聚类对外观建模非常耗时，达不到实时性要求．此外，该算法在目标遮挡时易出现跟踪漂移，具有一定的局限性．

1 在线判别式超像素跟踪方法

针对SPT[5]算法建模速度慢的缺陷，笔者提出了一种新的表观模型构建机制，创新性地将超像素特征和超限学习机相结合，用于处理超大样本集的快速特征学习问题，将收集到的大量带标签的目标前景-背景数据集结合超限学习机的监督型学习算法，训练得到一个超像素前景-背景分类器，实现前景-背景粗……