一种具有目标匹配约束加权多示例学习视频目标跟踪算法.pdfVIP

第 54卷 第2期 复旦 学 报 (自然科学版) Vo1．54No．2 2015年 4月 JournalofFudanUniversity(NaturalScience) Apr．2015 文章编号：0427—7104(2015)02—0198—12 一 种具有 目标匹配约束的加权多示例学习 视频 目标跟踪算法 蔡 瑾，王新宇，聂 勇，冯 辉 ，杨 涛，胡 波 (复旦大学 电子工程系，上海 200433) 摘 要：以多示例学习(MultipleInstanceLearning，MIL)目标跟踪方法为代表，基于 自适应辨别模型的视频 目 标跟踪算法近年来得到广泛重视，这些算法用分类器对图像进行处理，将使分类器置信最大的采样样本作为当 前帧的跟踪结果．在此基础上，基于加权多示例学习(WeightedMultipleInstanceLearning，WMIL)的目标跟踪 算法提出在分类器学习阶段对正样本进行重要性采样 ，加大正包内正样本的贡献，达到更好的跟踪效果．然而， 当前一帧输出结果不准确时，会使得分类器学习性能下降，从而引起 目标漂移或跟踪失败．本文基于WMIL算 法，提出用 目标匹配约束预判断当前帧是否存在 目标漂移，从而对下一帧采样中心位置进行矫正，达到抑制 目标 漂移以及避免跟踪失败的效果．仿真结果表明，本算法在标准视频测试集上都取得了较优的结果． 关键词：自适应辨别模型；加权多示例学习；目标匹配约束；视频 目标跟踪 中图分类号：TN911．73 文献标志码：A 视频 目标跟踪在现实生活中有许多实际的应用，例如 自动监控、车辆跟踪、行为分析、医学图像分析 等．目标跟踪算法的目的是在给定视频序列中，根据前一帧确定的目标位置估计后续视频序列中该 目标 的位置．尽管已有大量相关算法口_11]被提出，但因为跟踪结果往往受到如遮挡、复杂背景、形状变化、尺度 变换等一些因素的影响，所以它仍然是计算机视觉研究中最有挑战的问题之一． 外观模型设计是视频 目标跟踪算法中非常重要的一个方面，怎样设计一个鲁棒的外观模型能够 自适 应地解决以上所提到的问题是近几年 目标跟踪算法的研究核心．目前，目标的外观模型可以分为两大类： 生成模型(GenerativeModels)和辨别模型(DiscriminativeModels)． 生成模型是以前一帧中获得 目标的描述模型在每一时刻对当前帧寻找与这个描述模型最相似的目 标来得到最后的跟踪结果的．现有算法[7,1o,I23都是基于此模型进行 目标跟踪．在构建生成模型时，大多算 法主要基于特征点(如SIFT算子，SURF算子，Harris角点等)、区域特征(如形状、颜色信息、直方图、纹 理等)和全局特征进行 目标匹配．但由于特征描述不稳定，目标 自身形变剧烈，背景复杂或相似，生成模型 的更新不及时或过快等原因都会引起 目标跟踪结果的不准确，容易造成跟踪失败．尽管这些算法在某些 特定场景下取得了良好的效果，但因为生成模型只考虑了目标本身，且在复杂情况下跟踪鲁棒性不佳，没 有得到普遍性应用． 一 些研究者开始同时考虑 目标本身与背景来解决背景带来的干扰与遮挡等问题，提出引入分类学习 到视频 目标跟踪算法中，即辨别模型．辨别模型是将 目标跟踪问题作为一个二值分类问题，将 目标与背景 分为两大类．现有算法[1,6,13-14]是比较典型的基于辨别模型的研究成果．其中，在线 Boosting(On-line Boosting)这类传统算法I1对于样本集即训练样本的数量和准确度有一定的要求，不准确的正样本会导 致在线分类器分类能力的下降．为了解决这个问题，2009年Babenko等人[1]将MIL算法用在了目标跟踪 算法中，其核心思想是只有当一个包中至少有一个正样本时，该包被认为是正包．我们只知道包的标记并 且对于包中的示例和标记是未知的，在每次跟踪结果附近产生多个候选样本，将这些样本组成一个正包 收稿 日期 ：2014-06—27 基金项目：教育部博士点基金资助项目(2O12Oo7¨1OO28) 作者简介：蔡 瑾(1989～)，女，硕士研究生 ；胡 波，男，教授，通讯联系人，E-mail：bohu@f