基于在線多示例學(xué)習(xí)的目標(biāo)跟蹤算法研究.pdf

1、視頻目標(biāo)跟蹤是計算機視覺領(lǐng)域內(nèi)一個重要的研究方向，它融合了模式識別、人工智能以及圖像處理等學(xué)科的先進(jìn)技術(shù)和研究成果，廣泛應(yīng)用于軍事、武器系統(tǒng)、交通管制、智能車輛和安全監(jiān)控等領(lǐng)域。然而，視覺目標(biāo)跟蹤過程中會遇到背景雜亂、目標(biāo)被部分遮擋及嚴(yán)重遮擋、目標(biāo)快速運動、目標(biāo)自身姿態(tài)變化以及場景光照變化等問題，使得設(shè)計出一種兼?zhèn)漪敯粜?、?zhǔn)確性和實時性的視覺目標(biāo)跟蹤算法仍然面臨諸多挑戰(zhàn)。本文針對這些問題，把多示例學(xué)習(xí)應(yīng)用在目標(biāo)跟蹤算法中，基于多示例學(xué)習(xí)

2、提出兩種改進(jìn)的跟蹤算法，并通過大量仿真實驗表明本文算法在準(zhǔn)確性和魯棒性方面的提高。
　　首先，研究分析目標(biāo)跟蹤算法的三個主要環(huán)節(jié)，通過研究現(xiàn)今常用的目標(biāo)跟蹤算法發(fā)現(xiàn)：在線學(xué)習(xí)跟蹤算法和多種跟蹤算法的結(jié)合是當(dāng)今主要的研究熱點。
　　其次，研究以在線學(xué)習(xí)算法和集成學(xué)習(xí)算法為基礎(chǔ)的在線AdaBoost跟蹤算法，通過仿真實驗發(fā)現(xiàn)在線AdaBoost跟蹤算法存在樣本選取的困難，進(jìn)而對多示例學(xué)習(xí)進(jìn)行研究，發(fā)現(xiàn)多示例學(xué)習(xí)能夠解決樣本選取的

3、難題。
　　然后，為了克服樣本選取的困難，把多示例學(xué)習(xí)應(yīng)用在跟蹤算法中，同時考慮到設(shè)定搜索區(qū)域的困難，對目標(biāo)運動信息建模，并根據(jù)弱分類器的分類能力賦予弱分類器權(quán)值，以提高強分類器的分類效果，但是該改進(jìn)策略存在著自訓(xùn)練引起的誤差積累問題。
　　最后，為了避免自訓(xùn)練帶來的誤差積累，結(jié)合協(xié)同訓(xùn)練算法，在兩個冗余的特征視圖上分別訓(xùn)練和更新分類器，并對樣本包中的示例賦予重要性度量權(quán)值，在多示例學(xué)習(xí)算法的基礎(chǔ)上提出了結(jié)合協(xié)同訓(xùn)練的目標(biāo)跟