基于多示例學(xué)習(xí)和隨機蕨叢檢測的在線目標跟蹤.pdf

1、在計算機視覺領(lǐng)域中，目標跟蹤是一個頗具應(yīng)用價值的研究課題，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)注的熱點問題，吸引了越來越多的研究人員從事目標跟蹤的研究。然而，視頻序列中目標的準確跟蹤是一個頗具挑戰(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、相機視角、遮擋和消失重現(xiàn)等外因變化。一個優(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、標是否能夠被成功跟蹤主要取決于能否成功將目標從周圍環(huán)境中分割出來，因此可以把目標的跟蹤問題看作一個二分類問題，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對象從背景中分離出來；分類器的訓(xùn)練是根據(jù)當前的跟蹤狀態(tài)從當前幀中提取正負樣本來進行的，但訓(xùn)練樣本的不準確將導(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：
　?。?）學(xué)習(xí)算法的研

3、究。分類器的性能主要取決于更新時所選用的學(xué)習(xí)算法，對當前流行的經(jīng)典學(xué)習(xí)算法進行了深入的學(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，并通過實驗了解各算法的優(yōu)缺點。
　?。?）分類器的選取。分類器的構(gòu)建也有很多方法，本文重點研究了由隨機森林分類器演化而來的隨機蕨叢分類器，它的結(jié)構(gòu)簡單、易于實現(xiàn)、分類準確快速。
　　（3）學(xué)習(xí)并實現(xiàn)了中值流跟蹤算法，提出了一種能夠有效克服目標

4、漂移的跟蹤算法：基于多示例學(xué)習(xí)和隨機蕨叢檢測的在線目標跟蹤算法。主要思路如下：利用中值流跟蹤器跟蹤目標的大致位置；級聯(lián)若干個隨機蕨弱分類器構(gòu)成強分類器，作為隨機蕨叢檢測器；跟蹤器和檢測器的結(jié)果相互驗證融合得到最終的目標位置；用在線多示例學(xué)習(xí)的方法更新檢測器，當目標消失重現(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，結(jié)果表明，本方法是一個健壯的實時目標跟蹤算法，在目標快速劇烈運動或者消失一段時間后重現(xiàn)等復(fù)