目标跟踪中在线boosting学习算法的研究

《目标跟踪中在线boosting学习算法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、目标跟踪中在线boosting学习算法的研究裴玉红2010年6月中图分类号：UDC分类号：目标跟踪中在线boosting学习算法的研究作者姓名裴玉红学院名称计算机学院指导教师马波副教授答辩委员会主席陆耀教授申请学位级别工学硕士学科专业计算机科学与技术学位授予单位北京理工大学论文答辩日期2010年6月23日OnlineboostinglearningforobjecttrackingCandidate：PeiYuHongSupervisor：AssociateProfessorMaBoDepartment：BeijingInstituteofTechnologyDate：June23，

2、2010研究成果声明本人郑重声明：所提交的学位论文是我本人在指导教师的指导下进行的研究工作获得的研究成果。尽我所知，文中除特别标注和致谢的地方外，学位论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京理工大学或其它教育机构的学位或证书所使用过的材料。与我一同工作的合作者对此研究工作所做的任何贡献均已在学位论文中作了明确的说明并表示了谢意。特此申明。签名：日期：关于学位论文使用权的说明本人完全了解北京理工大学有关保管、使用学位论文的规定，其中包括：①学校有权保管、并向有关部门送交学位论文的原件与复印件；②学校可以采用影印、缩印或其它复制手段复制并保存学位论文；③学校可允许

3、学位论文被查阅或借阅；④学校可以学术交流为目的,复制赠送和交换学位论文；⑤学校可以公布学位论文的全部或部分内容（保密学位论文在解密后遵守此规定）。签名：日期：导师签名：日期：目标跟踪中在线boosting学习算法的研究北京理工大学北京理工大学硕士学位论文摘要视频目标跟踪是计算机视觉领域的重要研究分支，在许多领域有着重要的应用。最近，基于学习的跟踪算法逐渐引起相关学者的关注，并取得了较好的跟踪效果。具有代表性的是把跟踪看成目标和背景的分类问题，它不是建立复杂的模型来描述目标，而是找到决策边界来区分目标和背景，当目标外观变化时，该方法只需要更新决策边界而不用更新目标外观模型。目前，基于学

4、习的视频目标跟踪算法典型的有Avidan等人提出的EnsembleTracking和ToufiqParag提出的基于boosting自适应线性弱分类器，其主要思想是通过在线训练一组线性弱分类器，并使用颜色、亮度等简单特征来区分目标和背景。但是,针对复杂场景下对目标的跟踪，以上所说的方法可能失去有效性。而本文是在基于boosting的视觉目标跟踪算法的基础上，主要从特征和分类器两个方面进行研究。融入基于核函数的分类器，以及Gaobr滤波和张量等特征。主要研究工作和贡献如下：1)提出了基于Gabor滤波的在线boosting跟踪算法，Gabor滤波因具有优良的空间局部性和方向选择性，能够

5、提取图像局部区域内多个方向的空间频率和局部结构特征，所以对目标和背景具有较好的判别力，但是直接使用高维Gabor特征在跟踪过程中会影响其速度，针对这一问题，本文考虑了如何对Gabor滤波特征进行有效降维，这里拟采用以下两种方案对Gabor特征进行降维并提取最突出的判别特征：(a)使用局部Gabor滤波器；(b)使用自适应的Gabor滤波器组参数。把降维后的Gabor特征同在线boosting的跟踪框架结合起来，来实现对目标的跟踪。2)提出了基于张量特征的在线boosting跟踪算法,张量模式作为传统向量模式的扩展和补充，近年来已引起机器学习、模式识别等领域的广泛关注。张量特征能够提取

6、物体梯度方向的特征，对纹理特征较强的目标具有较好的区分能力。所以，本文把张量特征同在线boosting的跟踪框架结合起来，对纹理特征较强的目标，具有较好的跟踪效果。3)提出了基于最小平方核回归的在线boosting跟踪算法，在复杂的跟踪场景中，线性分类器往往无法提供较好的分类结果，所以，这里使用基于最小平方核回归的分类器来代替线性分类器，其主要思想是：通过使用Mercer核函数，把低维空间线性不可分的模式通过非线性映射到高维特征空间来实现线性可分。为了解决使用核函数I北京理工大学硕士学位论文分类将会产生较高维数分类器的问题，这里使用在线稀疏算法，通过选取部分样例来训练得到基于最小平方

7、核回归的分类器，然后把最小平方核回归算法同基于boosting的跟踪框架结合起来。实验表明，该方法能够准确的对复杂场景中的目标进行跟踪。特征选取和分类器设计是模式识别领域两个重要的方向，本文从特征和分类器两个方面进行研究，首先，选取一些具有判别力的特征，本文选取Gabor滤波和张量特征，然后，使用基于核函数的分类器代替线性分类器，和传统的算法相比，本算法对复杂的跟踪场景，能够取得较精确的跟踪成果，并且能够达到稳定、实时的跟踪，实验结果验证了该算法的有效性。