在线特征选取的多示例学习目标跟踪

摘要：

目的 传统的多示例学习跟踪在跟踪过程中使用了自学习过程,当目标跟踪失败时分类器很容易退化.针对这个问题,提出一种基于在线特征选取的多示例学习跟踪方法(MILOFS).方法 首先,该文使用稀疏随机矩阵来简化视频跟踪中图像特征的构建,使用随机矩阵投影来自高维度的图像信息.然后,利用Fisher线性判别模型构建包模型的损失函数,依照示例响应值直接在示例水平构建分类器的判别模型.最后,从梯度下降角度看待在线增强模型,使用梯度增强法来构建分类器的选取模型.结果 对不同场景的图像序列进行对比实验,实验结果中在线自适应增强(OAB)、在线多实例学习跟踪(MILTrack)、加权多实例学习跟踪(WMIL)、在线特征选取多实例学习跟踪(MILOFS)的平均跟踪误差分别为36像素、23像素、24像素、13像素,本文算法在光照变化、发生遮挡,以及形变的情况下都能准确跟踪目标,且具有很高的实时性.结论 基于在线特征选取的多示例学习跟踪,跟踪过程使用梯度增强法并直接在示例水平构建包模型的判别模型,可以有效克服传统多示例学习中的分类器退化问题.

关键词：目标跟踪、多示例学习、Fisher线性判别、梯度增强、判别模型

所属期刊栏目：20

分类号：TP319.4(计算技术、计算机技术)

资助基金：浙江省自然科学基金项目LY13F030013Natural Science Foundation of Zhejiang Province, ChinaLY13F030013

在线出版日期：2015-11-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1346-1357