基于目标性权值度量的多示例学习目标跟踪

《基于目标性权值度量的多示例学习目标跟踪》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、2017年7月第43卷第7期北京航空航天大学学报JournalofBeijingUniversityofAeronauticsandAstronauticsJuly2017V01．43No．7http：{}bhxb．buaa．edu．enjbuaa@buaa．edu．CBDOI：10．13700／j．bh．1001-5965．2016．0527基于目标性权值度量的多示例学习目标跟踪滑维鑫1’2，慕德俊1’+，郭达伟1，刘航1(1．西北工业大学自动化学院，西安710072；2．中国移动通信集团陕西有限公司，西安710074)摘要：针对多

2、示例学习(MIL)跟踪算法在包概率计算过程中对示例样本不加以区分导致分类器性能下降，及采用最大化似然函数选择相应的弱分类构造强分类增加了算法复杂度的问题，提出了一种基于目标性权值学习的多示例目标跟踪算法，该算法利用目标性测量每个示例样本对包概率的重要性，根据其目标性测量结果对每个正示例样本赋予相应的权值，从而判别性地计算包概率，提高跟踪精度。同时在弱分类器选择过程中，采用最大化弱分类器与似然函数概率内积的方法从弱分类器池中选择弱分器构造强分类器，减少算法的计算复杂度。通过对不同复杂场景下视频序列的跟踪，实验结果表明，本文所提出的目标性

3、权值学习的多示例目标跟踪算法优于其对比算法，表现出较好的跟踪精度和鲁棒性能。关键词：多示例学习(MIL)；目标性测量；弱分类器选择；包概率计算；目标跟踪中图分类号：TP391：TP391．4文献标识码：A文章编号：1001．5965(2017)07．1364-09视觉目标跟踪是计算机研究领域的重要课题之一，其广泛应用于智能监控、交通流量分析及人机交互等领域¨o。由于跟踪场景的复杂性及所跟踪目标的多样性，鲁棒地对目标进行跟踪仍然是一个具有挑战性的问题。现有的跟踪算法根据所使用的目标外观模型大体分为2类：生成式跟踪和判别式跟踪。生成式跟踪

4、通过寻找与所构造的外观模型最匹配的候选样本实现目标的跟踪旧⋯。判别式跟踪认为跟踪是一个二分类问题，其通过利用来自目标与背景区域的正负样本训练相应的分类器，使用分类器的得分区分背景与目标⋯“。基于判别式外观模型的跟踪由于在跟踪过程中同时考虑目标区域与背景区域，其跟踪精度一般高于生成式跟踪。但是判别式跟踪算法在跟踪过程中由于不准确的分类及使用不精确的样本训练分类器，导致跟踪过程中误差积累及分类器性能下降。针对此问题，Babenko等’1叫提出多示例跟踪算法解决判别式跟踪算法存在正样本不确定的问题，其通过对多示例样本包进行标记取代对单个示例

5、样本进行标记的问题，达到训练过程中弱化监督的目的，从而有效解决示例样本标签歧义性导致的跟踪漂移问题。但是多示例跟踪算法存在如下问题：①由于外观环境的变化使得目标和背景在跟踪过程中不断发生变化，某些示例样本不能有效地区分目标与背景，对所构造的分类器贡献甚小；②多示例学习(MIL)跟踪算法在弱分类器选择过程中存在分类器选择复杂度高的问题，其弱分类器的选择依据是最大化log—likeli．hood函数，从M个弱分类器所构成的弱分类器池中选择K个最强分类能力的弱分类器构造相应的强分类器，在选择最优弱分类器过程中，需要对每个示例样本概率及包概率

6、重复迭代学习M次¨“。针对多示例学习过程中存在的上述问题，本收稿日期：2016-06-20；录用日期：2016-09-01；网络出版时间：2016．10一1709：54网络出版地址：WWW．enki．net／kcms／detail／11．2625．V．20161017．0954．005．html基金项目：国家自然科学基金(61303224，61672433)}通讯作者：E—mail：mudejun@nwpu．edu．en；f用格式：滑维鑫，幕德傻，郭达伟，等．基于目标性权值度量的多示例学习目标跟踪fJJ．北京航空航天大学学报，2017

7、，43(7)：1364—1372．HUAWX，MUDJ，GUODW，eta1．VisualobjeettrackingbasedonobjeetnessmeasurewithmultipleinstancelearningⅣJ．JournalofBeijingUniversityofAeronauticsandAstronautics，2017，43(7)：1364．1372(inChinese)．第7期滑维鑫，等：基于目标性权值度量的多示例学习目标跟踪文提出了一种基于目标性权值学习的多示例目标跟踪算法，其主要特点如下：①利用所跟踪物

8、体的目标性属性对样本的重要性进行度量，根据其目标性测量结果对每个正示例样本赋予相应的权值，从而判别性地计算包概率，提高跟踪精度；②在分类器选择过程中，采用最大化弱分类器与似然函数概率内积的方法从弱分类器池中选择弱分器构造