基于多示例學(xué)習(xí)和隨機(jī)蕨叢檢測的在線目標(biāo)跟蹤.pdf

1、在計(jì)算機(jī)視覺領(lǐng)域中，目標(biāo)跟蹤是一個(gè)頗具應(yīng)用價(jià)值的研究課題，被廣泛地應(yīng)用于航空、交通、公共安全、軍事等方面，一直以來都是人們關(guān)注的熱點(diǎn)問題，吸引了越來越多的研究人員從事目標(biāo)跟蹤的研究。然而，視頻序列中目標(biāo)的準(zhǔn)確跟蹤是一個(gè)頗具挑戰(zhàn)性的任務(wù)，其中制約跟蹤效果的最大因素莫過于目標(biāo)的外觀變化，包括姿勢和形狀等內(nèi)因變化，以及光照、移位、相機(jī)視角、遮擋和消失重現(xiàn)等外因變化。一個(gè)優(yōu)秀的視頻跟蹤算法必須要綜合考慮上述因素，才能取得好的結(jié)果。
　　目

2、標(biāo)是否能夠被成功跟蹤主要取決于能否成功將目標(biāo)從周圍環(huán)境中分割出來，因此可以把目標(biāo)的跟蹤問題看作一個(gè)二分類問題，也叫作基于檢測的跟蹤（tracking by detection），這種方法目前受到了廣泛的關(guān)注。這類方法通過訓(xùn)練判別分類器將目標(biāo)對象從背景中分離出來；分類器的訓(xùn)練是根據(jù)當(dāng)前的跟蹤狀態(tài)從當(dāng)前幀中提取正負(fù)樣本來進(jìn)行的，但訓(xùn)練樣本的不準(zhǔn)確將導(dǎo)致分類器退化產(chǎn)生漂移。本文針對此問題，作了關(guān)于以下內(nèi)容的研究：
　　（1）學(xué)習(xí)算法的研

3、究。分類器的性能主要取決于更新時(shí)所選用的學(xué)習(xí)算法，對當(dāng)前流行的經(jīng)典學(xué)習(xí)算法進(jìn)行了深入的學(xué)習(xí)與研究，包括集成學(xué)習(xí)、boosting學(xué)習(xí)、多示例學(xué)習(xí)和P-N學(xué)習(xí)，分析這些學(xué)習(xí)算法的結(jié)構(gòu)原理，并通過實(shí)驗(yàn)了解各算法的優(yōu)缺點(diǎn)。
　?。?）分類器的選取。分類器的構(gòu)建也有很多方法，本文重點(diǎn)研究了由隨機(jī)森林分類器演化而來的隨機(jī)蕨叢分類器，它的結(jié)構(gòu)簡單、易于實(shí)現(xiàn)、分類準(zhǔn)確快速。
　　（3）學(xué)習(xí)并實(shí)現(xiàn)了中值流跟蹤算法，提出了一種能夠有效克服目標(biāo)

4、漂移的跟蹤算法：基于多示例學(xué)習(xí)和隨機(jī)蕨叢檢測的在線目標(biāo)跟蹤算法。主要思路如下：利用中值流跟蹤器跟蹤目標(biāo)的大致位置；級(jí)聯(lián)若干個(gè)隨機(jī)蕨弱分類器構(gòu)成強(qiáng)分類器，作為隨機(jī)蕨叢檢測器；跟蹤器和檢測器的結(jié)果相互驗(yàn)證融合得到最終的目標(biāo)位置；用在線多示例學(xué)習(xí)的方法更新檢測器，當(dāng)目標(biāo)消失重現(xiàn)后由檢測器的結(jié)果初始化跟蹤器。
　　本算法在一些具有挑戰(zhàn)性的視頻中試驗(yàn)，結(jié)果表明，本方法是一個(gè)健壯的實(shí)時(shí)目標(biāo)跟蹤算法，在目標(biāo)快速劇烈運(yùn)動(dòng)或者消失一段時(shí)間后重現(xiàn)等復(fù)