基于在线多示例学习的目标跟踪算法研究

摘要

视频目标跟踪是计算机视觉领域内一个重要的研究方向，它融合了模式识别、人工智能以及图像处理等学科的先进技术和研究成果，广泛应用于军事、武器系统、交通管制、智能车辆和安全监控等领域。然而，视觉目标跟踪过程中会遇到背景杂乱、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，使得设计出一种兼备鲁棒性、准确性和实时性的视觉目标跟踪算法仍然面临诸多挑战。本文针对这些问题，把多示例学习应用在目标跟踪算法中，基于多示例学习提出两种改进的跟踪算法，并通过大量仿真实验表明本文算法在准确性和鲁棒性方面的提高。
　　首先，研究分析目标跟踪算法的三个主要环节，通过研究现今常用的目标跟踪算法发现：在线学习跟踪算法和多种跟踪算法的结合是当今主要的研究热点。
　　其次，研究以在线学习算法和集成学习算法为基础的在线AdaBoost跟踪算法，通过仿真实验发现在线AdaBoost跟踪算法存在样本选取的困难，进而对多示例学习进行研究，发现多示例学习能够解决样本选取的难题。
　　然后，为了克服样本选取的困难，把多示例学习应用在跟踪算法中，同时考虑到设定搜索区域的困难，对目标运动信息建模，并根据弱分类器的分类能力赋予弱分类器权值，以提高强分类器的分类效果，但是该改进策略存在着自训练引起的误差积累问题。
　　最后，为了避免自训练带来的误差积累，结合协同训练算法，在两个冗余的特征视图上分别训练和更新分类器，并对样本包中的示例赋予重要性度量权值，在多示例学习算法的基础上提出了结合协同训练的目标跟踪算法，仿真实验表明该改进算法的准确性和鲁棒性得到了提高。

目录

封面

声明

中文摘要

英文摘要

目录

注释表

第一章 绪论

1.1 视觉目标跟踪的研究背景及意义

1.2 视觉目标跟踪技术在武器系统中的应用

1.3 视觉目标跟踪技术的国内外研究现状

1.4 视觉目标跟踪算法

1.5 本文的主要研究内容及章节安排

第二章 基于在线学习的目标跟踪算法

2.1 引言

2.2 卡尔曼滤波目标跟踪算法

2.3 在线学习目标跟踪算法

2.4 在线Boosting跟踪算法

2.5 多示例学习

2.6 本章小结

第三章 基于在线多示例学习的目标跟踪算法

3.1 引言

3.2 多示例学习在跟踪算法中的应用

3.3 在线多示例学习目标跟踪算法

3.4 实验结果与分析

3.5 本章小结

第四章 基于在线多示例学习与协同训练的目标跟踪算法

4.1 引言

4.2 半监督学习

4.3 示例重要性度量

4.4 协同训练跟踪算法

4.5 仿真实验

4.6 本章小结

第五章 总结与展望

5.1 本文的主要研究工作总结

5.2 进一步研究工作的展望

参考文献

致谢

在学期间的研究成果及发表的学术论文