基于在線隱變量支持向量機的尺度自適應視覺跟蹤.pdf

1、視覺跟蹤是計算機視覺中一個研究熱點，它在很多領(lǐng)域都有應用，例如人機交互、安防監(jiān)控、高級駕駛輔助系統(tǒng)等?；跈z測的跟蹤是視覺跟蹤中的一個流行的框架，它利用機器學習中的各種學習方法根據(jù)訓練樣本進行訓練得到可以將跟蹤目標和背景分離開來的分類器。訓練得到的分類器被用來對待跟蹤圖像幀中可能位置處的圖像塊進行檢測，找到最可能的位置。本文通過分析傳統(tǒng)的基于檢測的視覺跟蹤算法，指出其中存在的問題并提出相應的解決方法。
　　在對一般目標進行視覺跟蹤

2、的過程中目標的外觀可能會發(fā)生變化，無法在跟蹤之前訓練得到對目標進行分類的分類器。基于檢測的視覺跟蹤算法利用跟蹤過程中獲取的圖像幀對分類器進行在線更新。其中大多數(shù)算法利用新的一幀中的訓練樣本訓練得到一個新的分類器，并將新分類器與舊分類器的參數(shù)進行加權(quán)和得到當前的分類器。這種方法讓分類器具有跟蹤目標最新外觀的能力，然而存在的一個問題是經(jīng)過多幀迭代后分類器會遺忘歷史幀中目標的外觀。為了解決這個問題，本文提出利用在線支持向量機對關(guān)鍵幀中目標的外

3、觀進行學習。在線支持向量機可以根據(jù)每一幀中目標的外觀和支持向量機的狀態(tài)進行自適應關(guān)鍵幀的選擇，并且每一幀的權(quán)重也是通過優(yōu)化算法計算得到，這不同于傳統(tǒng)在線跟蹤算法中對所有幀都學習的分類器更新方法。相對于傳統(tǒng)在線跟蹤算法，在線支持向量機可以學習跟蹤過程中具有代表性的目標外觀，從而使分類器可以處理目標外觀多變的問題。支持向量機的大間隔準則也使得基于在線支持向量機的視覺跟蹤算法具有很好的魯棒性。
　　大多數(shù)基于檢測的視覺跟蹤算法沒有考慮跟

4、蹤過程中目標尺度的變化，或者利用窮舉的方法在圖像幀中以不同尺度的窗口來尋找包含目標的窗口。然而，窮舉的方法存在兩個問題。首先，搜索可能的窗口個數(shù)是不考慮尺度問題時的n倍，其中n是搜索的不同尺度窗口個數(shù)。在目標尺度變化劇烈的場合，需要大量不同尺度的窗口來進行搜索，這顯然會造成分類器效率的降低。其次，不同尺度窗口中對應圖像的特征可能類似，尤其在跟蹤目標的紋理不明顯的情況下。這顯然會影響分類器的輸出，造成跟蹤窗口尺度的不穩(wěn)定。針對以上問題，本

5、文提出將尺度作為隱變量并利用隱變量支持向量機來進行尺度更新。在隱變量支持向量機中，使用上一幀學習到的目標的尺度在當前幀中對目標進行位置搜索。搜索到最佳位置后，在最佳位置處進行多尺度搜索，搜索最佳尺度。利用最佳位置和尺度處的樣本來訓練支持向量機，訓練好的支持向量機再被用來對尺度進行搜索。尺度搜索和支持向量機的訓練迭代進行，直到收斂。隱變量支持向量機將尺度的搜索從檢測階段轉(zhuǎn)移到學習階段，保證了檢測階段的效率并降低了發(fā)生漂移的可能性。