基于特征加權的在線多示例學習跟蹤算法.pdf

1、隨著計算機視覺跟蹤的研究熱潮的興起，目標跟蹤技術已在機器人視覺導航、醫(yī)療診斷、智能交通以及氣象分析等領域有廣泛的應用。但由于自然場景中存在多種干擾，目標跟蹤容易碰到背景雜亂、目標被部分遮擋及嚴重遮擋、目標快速運動、目標自身姿態(tài)變化以及場景光照變化等問題。針對這些問題，本文基于多示例學習算法在以下兩個方面進行目標跟蹤算法研究:
　　一、提出在線特征融合的加權多示例學習跟蹤算法。多示例學習跟蹤算法存在以下問題:在訓練分類器時，由于訓練

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算得到，該模型并沒有考慮正示例對目標重要性的影響。因此，本文考慮包中示例對目標貢獻不同，對包中示例進行加權學習。同時為了解決背景雜亂、目標被部分遮擋及嚴重遮擋、目標快速運動、目標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，在Boosting算法下分別基于這兩種特征訓練得到相應的強分類器，并通過自適應線性融合算法融合得到一個強分類器，從而實現(xiàn)魯

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