基于特征加權(quán)的在線多示例學(xué)習(xí)跟蹤算法.pdf

1、隨著計(jì)算機(jī)視覺跟蹤的研究熱潮的興起，目標(biāo)跟蹤技術(shù)已在機(jī)器人視覺導(dǎo)航、醫(yī)療診斷、智能交通以及氣象分析等領(lǐng)域有廣泛的應(yīng)用。但由于自然場景中存在多種干擾，目標(biāo)跟蹤容易碰到背景雜亂、目標(biāo)被部分遮擋及嚴(yán)重遮擋、目標(biāo)快速運(yùn)動、目標(biāo)自身姿態(tài)變化以及場景光照變化等問題。針對這些問題，本文基于多示例學(xué)習(xí)算法在以下兩個方面進(jìn)行目標(biāo)跟蹤算法研究:
　　一、提出在線特征融合的加權(quán)多示例學(xué)習(xí)跟蹤算法。多示例學(xué)習(xí)跟蹤算法存在以下問題:在訓(xùn)練分類器時，由于訓(xùn)練

2、是針對包并非包中的每個示例，并且包是通過噪聲或模型計(jì)算得到，該模型并沒有考慮正示例對目標(biāo)重要性的影響。因此，本文考慮包中示例對目標(biāo)貢獻(xiàn)不同，對包中示例進(jìn)行加權(quán)學(xué)習(xí)。同時為了解決背景雜亂、目標(biāo)被部分遮擋及嚴(yán)重遮擋、目標(biāo)快速運(yùn)動、目標(biāo)外觀尺度變化以及場景光照變化等問題，本文采用Haar-like特征和HOG特征描述目標(biāo)，在Boosting算法下分別基于這兩種特征訓(xùn)練得到相應(yīng)的強(qiáng)分類器，并通過自適應(yīng)線性融合算法融合得到一個強(qiáng)分類器，從而實(shí)現(xiàn)魯

3、棒的視覺目標(biāo)跟蹤。
　　二、提出在線判別性特征選擇的加權(quán)多示例學(xué)習(xí)跟蹤算法。研究基于貝葉斯框架下的多示例學(xué)習(xí)方法中正、負(fù)包函數(shù)的最大化間隔，并對包中的示例引入權(quán)重，從而在線挑選出具有較強(qiáng)判別性能的弱分類器，在Boosting算法作用下組合成強(qiáng)分類器。同時算法還采用多特征描述目標(biāo)并進(jìn)行融合，得到在線判別性特征選擇的加權(quán)多示例學(xué)習(xí)跟蹤算法。
　　實(shí)驗(yàn)結(jié)果表明，相比多種流行的目標(biāo)跟蹤算法，本文提出的兩種算法在背景雜亂，目標(biāo)被部分遮