本發(fā)明涉及視覺跟蹤領(lǐng)域，具體涉及一種目標(biāo)跟蹤方法和裝置。

背景技術(shù)：

目標(biāo)跟蹤是指對跟蹤圖像中指定目標(biāo)區(qū)域進(jìn)行實時自動跟蹤，實時計算出目標(biāo)在圖像場景中的精確位置。目標(biāo)跟蹤是近年來計算機視覺領(lǐng)域中備受關(guān)注的前沿方向，它從包含運動目標(biāo)的圖像序列中檢測、識別并跟蹤目標(biāo)，并對其行為進(jìn)行理解和描述。目標(biāo)分析的研究涉及到模型識別、圖像處理、計算機視覺、人工智能等學(xué)科的內(nèi)容。隨著現(xiàn)代信息技術(shù)的發(fā)展，目標(biāo)跟蹤在軍用、民用以及醫(yī)學(xué)等方面具有重要意義。比如，目標(biāo)跟蹤在視頻監(jiān)控、智能導(dǎo)航、互動游戲、機器人技術(shù)以及增強現(xiàn)實等領(lǐng)域有著至關(guān)重要的應(yīng)用。通常在進(jìn)行目標(biāo)跟蹤時，目標(biāo)的特征都是采用固定維度的特征，而且這些固定維度的特征所組成的目標(biāo)外觀模型是根據(jù)在每幀圖像中確定的跟蹤目標(biāo)附近采集的正負(fù)樣本來進(jìn)行更新。

然而，由于跟蹤圖像中景物的多樣性和復(fù)雜性，目標(biāo)跟蹤技術(shù)在工程應(yīng)用中仍然有許多問題有待解決。比如，在目標(biāo)跟蹤過程中，由于光線變化、目標(biāo)外觀變化、復(fù)雜背景影響等因素導(dǎo)致目標(biāo)外觀模型中的一些特征的判別能力和描述能力下降，而隨著每次目標(biāo)外觀模型的更新，判別誤差也會逐漸增大，進(jìn)而容易造成跟蹤目標(biāo)判別不準(zhǔn)確，出現(xiàn)跟蹤錯誤等現(xiàn)象。

因此，如何提高目標(biāo)跟蹤的準(zhǔn)確度，成為一個亟待解決的技術(shù)問題。

技術(shù)實現(xiàn)要素：

因此，本發(fā)明要解決的技術(shù)問題在于現(xiàn)有技術(shù)中在目標(biāo)跟蹤過程中，跟蹤結(jié)果準(zhǔn)確度低。

從而提供一種目標(biāo)跟蹤方法和裝置。

有鑒于此，本發(fā)明實施例的第一方面提供了一種目標(biāo)跟蹤方法，包括：獲取當(dāng)前幀圖像中跟蹤目標(biāo)的多個當(dāng)前目標(biāo)特征；根據(jù)歷史圖像獲取所述跟蹤目標(biāo)的識別特征；所述根據(jù)多個所述當(dāng)前目標(biāo)特征和所述識別特征跟蹤所述跟蹤目標(biāo)包括：分別計算多個所述當(dāng)前目標(biāo)特征與所述識別特征的特征距離；選取最小的所述特征距離對應(yīng)的所述當(dāng)前目標(biāo)特征作為所述跟蹤目標(biāo)的當(dāng)前特征；根據(jù)所述當(dāng)前特征跟蹤所述跟蹤目標(biāo)。

優(yōu)選地，所述根據(jù)歷史圖像獲取所述跟蹤目標(biāo)的識別特征包括：獲取歷史圖像中所述跟蹤目標(biāo)的歷史目標(biāo)特征池；獲取所述歷史圖像的最后一幀圖像中所述跟蹤目標(biāo)的背景特征；根據(jù)所述歷史目標(biāo)特征池和所述背景特征確定所述識別特征。

優(yōu)選地，所述獲取歷史圖像中所述跟蹤目標(biāo)的歷史目標(biāo)特征池包括：分別提取每一幀圖像中所述跟蹤目標(biāo)的壓縮特征；對所述壓縮特征進(jìn)行低秩一致性分析，得到所述壓縮特征的稀疏矩陣；根據(jù)所述稀疏矩陣選取預(yù)設(shè)個數(shù)的所述壓縮特征生成所述歷史目標(biāo)特征池。

優(yōu)選地，所述根據(jù)所述歷史目標(biāo)特征池和所述背景特征確定所述識別特征包括：將所述歷史目標(biāo)特征池作為正樣本、所述背景特征作為負(fù)樣本訓(xùn)練分類器得到分類特征向量；按照元素的系數(shù)從大到小依次從所述分類向量中選取目標(biāo)元素生成所述識別特征。

優(yōu)選地，還包括：將所述當(dāng)前特征替換所述歷史目標(biāo)特征池中具有最小稀疏值的稀疏矩陣對應(yīng)的壓縮特征，生成新的歷史目標(biāo)特征池。

本發(fā)明實施例的第二方面提供了一種目標(biāo)跟蹤裝置，包括：第一獲取模塊，用于獲取當(dāng)前幀圖像中跟蹤目標(biāo)的多個當(dāng)前目標(biāo)特征；第二獲取模塊，用于根據(jù)歷史圖像獲取所述跟蹤目標(biāo)的識別特征；計算模塊，用于分別計算多個所述當(dāng)前目標(biāo)特征與所述識別特征的特征距離；選取模塊，用于選取最小的所述特征距離對應(yīng)的所述當(dāng)前目標(biāo)特征作為所述跟蹤目標(biāo)的當(dāng)前特征；跟蹤模塊，用于根據(jù)所述當(dāng)前特征跟蹤所述跟蹤目標(biāo)。

優(yōu)選地，所述第二獲取模塊包括：第一獲取單元，用于獲取歷史圖像中所述跟蹤目標(biāo)的歷史目標(biāo)特征池；第二獲取單元，用于獲取所述歷史圖像的最后一幀圖像中所述跟蹤目標(biāo)的背景特征；確定單元，用于根據(jù)所述歷史目標(biāo)特征池和所述背景特征確定所述識別特征。

優(yōu)選地，所述第一獲取單元包括：提取子單元，用于分別提取每一幀圖像中所述跟蹤目標(biāo)的壓縮特征；分析子單元，用于對所述壓縮特征進(jìn)行低秩一致性分析，得到所述壓縮特征的稀疏矩陣；第一選取子單元，用于根據(jù)所述稀疏矩陣選取預(yù)設(shè)個數(shù)的所述壓縮特征生成所述歷史目標(biāo)特征池。

優(yōu)選地，所述確定單元包括：訓(xùn)練子單元，用于將所述歷史目標(biāo)特征池作為正樣本、所述背景特征作為負(fù)樣本訓(xùn)練SVM分類器得到分類特征向量；第二選取子單元，用于按照元素的系數(shù)從大到小依次從所述分類向量中選取目標(biāo)元素生成所述識別特征。

優(yōu)選地，還包括：替換模塊，用于將所述當(dāng)前特征替換所述歷史目標(biāo)特征池中具有最小稀疏值的稀疏矩陣對應(yīng)的壓縮特征，生成新的歷史目標(biāo)特征池。

本發(fā)明的技術(shù)方案具有以下優(yōu)點：

本發(fā)明實施例提供的目標(biāo)跟蹤方法和裝置，通過綜合考慮當(dāng)前幀圖像確定的多個當(dāng)前目標(biāo)特征和歷史圖像確定的識別特征對跟蹤目標(biāo)的影響，實現(xiàn)對當(dāng)前幀圖像中目標(biāo)的跟蹤，與現(xiàn)有技術(shù)相比，不僅考慮當(dāng)前幀圖像對跟蹤目標(biāo)的影響，而且充分考慮歷史跟蹤圖像對跟蹤目標(biāo)的影響，使得跟蹤目標(biāo)具有歷史一致性，從而保持目標(biāo)跟蹤的穩(wěn)定性，并且，由當(dāng)前幀確定的跟蹤目標(biāo)的當(dāng)前特征去更新歷史目標(biāo)特征池，避免了誤差疊加，提高了跟蹤結(jié)果的準(zhǔn)確性。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對具體實施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施方式，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例1的目標(biāo)跟蹤方法的一個流程圖；

圖2為本發(fā)明實施例2的目標(biāo)跟蹤裝置的一個框圖。

具體實施方式

下面將結(jié)合附圖對本發(fā)明的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

在本發(fā)明的描述中，需要說明的是，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性。

此外，下面所描述的本發(fā)明不同實施方式中所涉及的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互結(jié)合。

實施例1

本實施例提供一種目標(biāo)跟蹤方法，如圖1所示，包括如下步驟：

S11：獲取當(dāng)前幀圖像中跟蹤目標(biāo)的多個當(dāng)前目標(biāo)特征。此處當(dāng)前幀圖像是跟蹤目標(biāo)所在的當(dāng)前圖像，通過將當(dāng)前幀圖像中跟蹤目標(biāo)的當(dāng)前目標(biāo)特征作為判別參考，以保證跟蹤目標(biāo)的穩(wěn)定性，具體地，上一幀圖像所確定的跟蹤目標(biāo)對應(yīng)一個位置信息，可以將該位置信息對應(yīng)到當(dāng)前幀圖像中，得到該位置信息在當(dāng)前幀圖像中的目標(biāo)位置，然后再該目標(biāo)位置附近隨機選取多個候選樣本，提取多個候選樣本的壓縮特征作為當(dāng)前目標(biāo)特征，其中當(dāng)前目標(biāo)特征可以采用向量的形式表示，其維數(shù)可以根據(jù)實際情況選擇，比如本實施例中可以設(shè)定當(dāng)前目標(biāo)特征為50維，如此不僅可以提高當(dāng)前目標(biāo)特征的準(zhǔn)確性，而且保持了跟蹤目標(biāo)的連續(xù)性。

S12：根據(jù)歷史圖像獲取跟蹤目標(biāo)的識別特征。此處歷史圖像是相對于跟蹤目標(biāo)所在的當(dāng)前幀圖像來說得，識別特征可以用矩陣的方式表示，其維數(shù)與當(dāng)前目標(biāo)特征保持一致，比如設(shè)定為50維。歷史圖像可以是跟蹤目標(biāo)所在的視覺文件，比如視頻、圖片等。由歷史圖像確定的跟蹤目標(biāo)的識別特征作為跟蹤依據(jù)，不僅可以避免跟蹤目標(biāo)與歷史圖像脫離，從而保持歷史一致性，而且避免了這僅僅依靠上一幀圖像進(jìn)行判別出現(xiàn)的誤差疊加，進(jìn)一步提高了跟蹤結(jié)果的穩(wěn)定性。

S13：分別計算多個當(dāng)前目標(biāo)特征與識別特征的特征距離。當(dāng)前目標(biāo)特征的個數(shù)可以根據(jù)實際需要選取，識別特征中包含多個元素特征，可以通過分別計算每個當(dāng)前目標(biāo)特征與識別特征中的元素特征的距離和作為特征距離，特征距離越小，說明該特征距離對應(yīng)的當(dāng)前目標(biāo)特征對跟蹤目標(biāo)的表征越準(zhǔn)確。

S14：選取最小的特征距離對應(yīng)的當(dāng)前目標(biāo)特征作為跟蹤目標(biāo)的當(dāng)前特征。由步驟S13獲得了每個當(dāng)前目標(biāo)特征對應(yīng)的特征距離，根據(jù)特征距離的大小與表征跟蹤目標(biāo)的準(zhǔn)確性的關(guān)系，可以通過選取最小特征距離對應(yīng)的當(dāng)前目標(biāo)特征來確定跟蹤目標(biāo)的當(dāng)前特征。具體地，可以通過分別計算每個當(dāng)前目標(biāo)特征與識別特征中的元素特征的距離和來尋找最小的特征距離，設(shè)X_i表示第i(i為大于1的正整數(shù))個當(dāng)前目標(biāo)特征，表示識別特征中第k(k為大于1的正整數(shù)，k的取值由具體情況來確定)個元素特征，則可以采用如下公式計算最小特征距離X^*：

然后，將該最小特征距離X^*對應(yīng)的當(dāng)前目標(biāo)特征X_i作為跟蹤目標(biāo)的當(dāng)前特征。

S15：根據(jù)當(dāng)前特征跟蹤所述跟蹤目標(biāo)。由步驟S14確定的跟蹤目標(biāo)的當(dāng)前特征可以得知跟蹤目標(biāo)的具體位置以及其他相關(guān)信息，則可以根據(jù)這些信息對跟蹤目標(biāo)實現(xiàn)實時準(zhǔn)確地跟蹤。

作為一種優(yōu)選方案，步驟S12可以包括如下步驟：

步驟一：獲取歷史圖像中跟蹤目標(biāo)的歷史目標(biāo)特征池。目標(biāo)特征池是能夠表征跟蹤目標(biāo)的特征集合，比如可以是歷史圖像的每一幀圖像中提取出的跟蹤目標(biāo)的壓縮特征。通過歷史圖像來確定表征跟蹤目標(biāo)的歷史目標(biāo)特征池，得到的歷史目標(biāo)特征池具有歷史一致性，從而保證了跟蹤目標(biāo)的識別特征的穩(wěn)定性，避免跟錯目標(biāo)。作為一種具體的實施方式，步驟一可以包括：分別提取每一幀圖像中跟蹤目標(biāo)的壓縮特征；對壓縮特征進(jìn)行低秩一致性分析，得到壓縮特征的稀疏矩陣；根據(jù)稀疏矩陣選取預(yù)設(shè)個數(shù)的壓縮特征生成歷史目標(biāo)特征池。具體地，首先對于歷史圖像的每一幀圖像分別進(jìn)行跟蹤目標(biāo)的壓縮特征提取，可以采用向量的方式對壓縮特征進(jìn)行表示，比如用向量A_n(n為大于1的正整數(shù))表示歷史圖像的第n幀圖像中提取到的跟蹤目標(biāo)的壓縮特征，壓縮特征A_n的維數(shù)可以根據(jù)實際需要而定，比如本實施例中采用的壓縮特征A_n可以為150維，則歷史圖像的所有幀圖像中跟蹤目標(biāo)的壓縮特征組成的矩陣可以表示為A＝{A₁,A₂,…,A_n}；然后，從歷史圖像的倒數(shù)第二幀圖像中提取5個樣本特征作為干擾特征B＝{V₁,V₂,…,V₅}，采用如下公式進(jìn)行QR分解得到正規(guī)正交矩陣Q：

(BB^T)^qBA_m＝QR

上式中A_m是SRFT隨機矩陣；

采用如下公式得到A中對應(yīng)向量的n個稀疏矩陣：

S＝A-(AQ)Q^T

上式中，S為稀疏矩陣，最后根據(jù)稀疏矩陣從A中選取預(yù)設(shè)個數(shù)的壓縮特征生成歷史目標(biāo)特征池，預(yù)設(shè)個數(shù)可以根據(jù)實際需要而定，比如可以是M(M<<n)，在n足夠大的情況下本實施例可以選取M＝20；具體地，計算A中每一個壓縮特征對應(yīng)的稀疏矩陣的稀疏值，按照稀疏值從小到大依次選取20個對應(yīng)的壓縮特征生成歷史目標(biāo)特征池，即選取原則是選擇稀疏值較小的稀疏矩陣對應(yīng)的壓縮特征作為歷史目標(biāo)特征池中的元素。如此可以提高歷史目標(biāo)特征池表征跟蹤目標(biāo)的準(zhǔn)確性。

步驟二：獲取歷史圖像的最后一幀圖像中跟蹤目標(biāo)的背景特征。為了適應(yīng)跟蹤目標(biāo)在跟蹤過程中的變化，對跟蹤目標(biāo)與其背景進(jìn)行區(qū)分，通過選擇具有判別性的背景特征來區(qū)分跟蹤目標(biāo)和背景，具體地，一般選取最后一幀圖像中跟蹤目標(biāo)附近的背景圖像作為樣本，然后提取該背景圖像樣本的壓縮特征作為背景特征，以準(zhǔn)確區(qū)分跟蹤目標(biāo)與其所在的背景圖像，避免跟蹤錯誤。

步驟三：根據(jù)歷史目標(biāo)特征池和背景特征確定識別特征。即綜合考慮歷史圖像和背景圖像對跟蹤目標(biāo)的影響，使得跟蹤目標(biāo)的識別特征不僅具有歷史一致性，而且具有與背景的區(qū)分性，使得根據(jù)識別特征能夠準(zhǔn)確識別出跟蹤目標(biāo)和背景的區(qū)別，從而提高了判別跟蹤目標(biāo)的準(zhǔn)確性，進(jìn)而提高了跟蹤結(jié)果的準(zhǔn)確性。作為一種具體的實施方式，步驟三可以包括：將歷史目標(biāo)特征池作為正樣本、背景特征作為負(fù)樣本訓(xùn)練分類器得到分類特征向量，分類器包括識別特征SVM分類器、決策樹分類器、邏輯回歸分類器、樸素貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)分類器中的任一種；按照元素的系數(shù)從大到小依次從分類向量中選取目標(biāo)元素生成識別特征。即歷史目標(biāo)特征池中的壓縮特征作為正樣本，同時將最后一幀圖像中跟蹤目標(biāo)的背景特征作為負(fù)樣本，由此來構(gòu)建分類器，在本實施例中，比如選取SVM分類器，構(gòu)建的SVM分類器并不用于進(jìn)行下一幀的分類，而是通過SVM分類器得到分類特征向量，該分類向量是由正負(fù)樣本的壓縮特征以及SVM分類器給出的每一個壓縮特征的每一維特征元素的系數(shù)組成，按照該SVM分類器給出的每一維特征元素的系數(shù)大小來選取識別特征的組成元素，比如，正負(fù)樣本中每個壓縮特征為150維，則在分類向量中，每一個壓縮特征SVM分類器都會給出其對應(yīng)的150維系數(shù)，SVM分類器給出的系數(shù)越大，說明該維特征元素對判別結(jié)果影響越大，因此可以選取系數(shù)較大的特征元素作為識別特征的組成元素，比如可以對分類向量中的每個壓縮特征按照系數(shù)從大到小排列，依次選取前50維目標(biāo)特征元素(即目標(biāo)元素)組成識別特征，如此綜合考慮歷史目標(biāo)特征池和背景特征對判別結(jié)果的影響，有效克服了因光線、環(huán)境等因素的變化對識別特征的不良影響，提高了識別特征表征跟蹤目標(biāo)的準(zhǔn)確性。

作為一種優(yōu)選方案，還包括步驟S16：將當(dāng)前特征替換歷史目標(biāo)特征池中具有最小稀疏值的稀疏矩陣對應(yīng)的壓縮特征，生成新的歷史目標(biāo)特征池。即每一幀跟蹤過的圖像的跟蹤結(jié)果(當(dāng)前特征)都要作為歷史樣本加入歷史目標(biāo)特征池，及更新歷史目標(biāo)特征池，以保持歷史目標(biāo)特征池的規(guī)模以及合理性，具體地，可以采用低秩一致性分析方法對歷史目標(biāo)特征池中的壓縮特征進(jìn)行分析，得到對應(yīng)的稀疏矩陣，選擇出具有最小稀疏值的稀疏矩陣對應(yīng)的目標(biāo)壓縮特征，用當(dāng)前特征替換該目標(biāo)壓縮特征，以完成歷史目標(biāo)特征池的更新。

本實施例提供的目標(biāo)跟蹤方法，通過綜合考慮當(dāng)前幀圖像確定的多個當(dāng)前目標(biāo)特征和歷史圖像確定的識別特征對跟蹤目標(biāo)的影響，實現(xiàn)對當(dāng)前幀圖像中目標(biāo)的跟蹤，與現(xiàn)有技術(shù)相比，不僅考慮當(dāng)前幀圖像對跟蹤目標(biāo)的影響，而且充分考慮歷史跟蹤圖像對跟蹤目標(biāo)的影響，使得跟蹤目標(biāo)具有歷史一致性，從而保持目標(biāo)跟蹤的穩(wěn)定性，并且，由當(dāng)前幀確定的跟蹤目標(biāo)的當(dāng)前特征去更新歷史目標(biāo)特征池，避免了誤差疊加，提高了跟蹤結(jié)果的準(zhǔn)確性。

實施例2

本實施例供了一種目標(biāo)跟蹤裝置，如圖2所示，包括：第一獲取模塊21、第二獲取模塊22、計算模塊23、選取模塊24和跟蹤模塊25，各模塊功能如下：

第一獲取模塊21，用于獲取當(dāng)前幀圖像中跟蹤目標(biāo)的多個當(dāng)前目標(biāo)特征，具體參見實施例1中對步驟S11的詳細(xì)描述。

第二獲取模塊22，用于根據(jù)歷史圖像獲取跟蹤目標(biāo)的識別特征，具體參見實施例1中對步驟S12的詳細(xì)描述。

計算模塊23，用于分別計算多個當(dāng)前目標(biāo)特征與識別特征的特征距離，具體參見實施例1中對步驟S13的詳細(xì)描述。

選取模塊24，用于選取最小的特征距離對應(yīng)的當(dāng)前目標(biāo)特征作為跟蹤目標(biāo)的當(dāng)前特征，具體參見實施例1中對步驟S14的詳細(xì)描述。

跟蹤模塊25，用于根據(jù)當(dāng)前特征跟蹤跟蹤目標(biāo)。具體參見實施例1中對步驟S15的詳細(xì)描述。

作為一種優(yōu)選方案，第二獲取模塊22包括：第一獲取單元，用于獲取歷史圖像中跟蹤目標(biāo)的歷史目標(biāo)特征池；第二獲取單元，用于獲取歷史圖像的最后一幀圖像中跟蹤目標(biāo)的背景特征；確定單元，用于根據(jù)歷史目標(biāo)特征池和背景特征確定識別特征。具體參見實施例1中的相關(guān)詳細(xì)描述。

作為一種優(yōu)選方案，第一獲取單元包括：提取子單元，用于分別提取每一幀圖像中跟蹤目標(biāo)的壓縮特征；分析子單元，用于對壓縮特征進(jìn)行低秩一致性分析，得到壓縮特征的稀疏矩陣；第一選取子單元，用于根據(jù)稀疏矩陣選取預(yù)設(shè)個數(shù)的壓縮特征生成歷史目標(biāo)特征池。具體參見實施例1中的相關(guān)詳細(xì)描述。

作為一種優(yōu)選方案，確定單元包括：訓(xùn)練子單元，用于將歷史目標(biāo)特征池作為正樣本、背景特征作為負(fù)樣本訓(xùn)練分類器得到分類特征向量；第二選取子單元，用于按照元素的系數(shù)從大到小依次從分類向量中選取目標(biāo)元素生成識別特征。具體參見實施例1中的相關(guān)詳細(xì)描述。

作為一種優(yōu)選方案，還包括：替換模塊26，用于將當(dāng)前特征替換歷史目標(biāo)特征池中具有最小稀疏值的稀疏矩陣對應(yīng)的壓縮特征，生成新的歷史目標(biāo)特征池。具體參見實施例1中對步驟S16的詳細(xì)描述。

本實施例提供的目標(biāo)跟蹤裝置，通過綜合考慮當(dāng)前幀圖像確定的多個當(dāng)前目標(biāo)特征和歷史圖像確定的識別特征對跟蹤目標(biāo)的影響，實現(xiàn)對當(dāng)前幀圖像中目標(biāo)的跟蹤，與現(xiàn)有技術(shù)相比，不僅考慮當(dāng)前幀圖像對跟蹤目標(biāo)的影響，而且充分考慮歷史跟蹤圖像對跟蹤目標(biāo)的影響，使得跟蹤目標(biāo)具有歷史一致性，從而保持目標(biāo)跟蹤的穩(wěn)定性，并且，由當(dāng)前幀確定的跟蹤目標(biāo)的當(dāng)前特征去更新歷史目標(biāo)特征池，避免了誤差疊加，提高了跟蹤結(jié)果的準(zhǔn)確性。

顯然，上述實施例僅僅是為清楚地說明所作的舉例，而并非對實施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。而由此所引伸出的顯而易見的變化或變動仍處于本發(fā)明創(chuàng)造的保護(hù)范圍之中。