基于特征加权的在线多示例学习跟踪算法

摘要

随着计算机视觉跟踪的研究热潮的兴起，目标跟踪技术已在机器人视觉导航、医疗诊断、智能交通以及气象分析等领域有广泛的应用。但由于自然场景中存在多种干扰，目标跟踪容易碰到背景杂乱、目标被部分遮挡及严重遮挡、目标快速运动、目标自身姿态变化以及场景光照变化等问题。针对这些问题，本文基于多示例学习算法在以下两个方面进行目标跟踪算法研究:
　　一、提出在线特征融合的加权多示例学习跟踪算法。多示例学习跟踪算法存在以下问题:在训练分类器时，由于训练是针对包并非包中的每个示例，并且包是通过噪声或模型计算得到，该模型并没有考虑正示例对目标重要性的影响。因此，本文考虑包中示例对目标贡献不同，对包中示例进行加权学习。同时为了解决背景杂乱、目标被部分遮挡及严重遮挡、目标快速运动、目标外观尺度变化以及场景光照变化等问题，本文采用Haar-like特征和HOG特征描述目标，在Boosting算法下分别基于这两种特征训练得到相应的强分类器，并通过自适应线性融合算法融合得到一个强分类器，从而实现鲁棒的视觉目标跟踪。
　　二、提出在线判别性特征选择的加权多示例学习跟踪算法。研究基于贝叶斯框架下的多示例学习方法中正、负包函数的最大化间隔，并对包中的示例引入权重，从而在线挑选出具有较强判别性能的弱分类器，在Boosting算法作用下组合成强分类器。同时算法还采用多特征描述目标并进行融合，得到在线判别性特征选择的加权多示例学习跟踪算法。
　　实验结果表明，相比多种流行的目标跟踪算法，本文提出的两种算法在背景杂乱，目标被部分遮挡及严重遮挡，目标快速运动，目标自身姿态变化以及外界强烈光照等问题，体现出很强的鲁棒性，并取得了很好的跟踪结果。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 主要研究内容

1．4 本文组织结构

第二章 多示例学习理论

2．1 多示例学习

2．1．1 轴平行矩形算法

2．1．2 Citation-kNN算法

2．1．3 多样性密度算法

2．1．4 基于支持向量机的多示例学习算法

2．2 多示例学习与传统学习方法的区别

2．3 多示例学习跟踪算法

2．3．1 Online Boosting

2．3．2 AdaBoost

2．3．3 MILBoost

2．4 本章小结

第三章 在线特征融合的加权多示例学习跟踪算法

3．1 分类模型

3．1．1 产生式模型

3．1．2 判别式模型

3．2 局部特征选择

3．2．1 Haar-liKe特征

3．2．2 积分图

3．2．3 HOG特征

3．2．4 分类器构造与更新

3．3 加权学习

3．4 目标定位

3．5 WFMIL算法

3．6 实验结果

3．6．1 实验参数

3．6．2 实验结果分析

3．7 本章小结

第四章 在线判别性特征选择的加权多示例学习跟踪算法

4．1 运动模型

4．2 分类器构造与更新

4．3 判别性特征选择

4．4 DWMIL算法

4．5 实验总结

4．5．1 实验参数

4．5．2 实验结果分析

4．6 本章小结

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

攻读硕士学位期间发表论文及科研情况

致谢