在线学习多重检测的可视对象跟踪方法-论文.pdf

《在线学习多重检测的可视对象跟踪方法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第5期电子学报V01．42No．52014年5月ACTAEI正l：TRONICASⅡCAMay2014在线学习多重检测的可视对象跟踪方法权伟，陈锦雄，余南阳(1．西南交通大学信息科学与技术学院，I~)JI成都610031；2．西南交通大学机械工程学院，四川成都610031)摘要：为了研究无约束环境下长时间可视跟踪问题，提出了一种在线学习多重检测的对象跟踪方法．该方法以随机蕨作为基础检测器结构，通过在线学习的方式，将目标对象的整体和局部表观，以及由场景学习中发掘的同步对象同时作为检测学习的基础数据，该检测器因而具备了对这多种对象

2、的独立检测能力．由于其各个检测部分发挥了各自不同的作用，本文从测量的角度将检测器对这三种对象检测的结果进行融合，通过计算检测关于目标的配置概率进而确定目标位置，实现对象跟踪任务．基于真实视频序列的实验结果验证了本文方法的有效性和稳定性，以及较现有的跟踪方法在跟踪性能上的提高．关键词：对象跟踪；多重检测；在线学习；随机蕨中图分类号：TP319文献标识码：A文章编号：0372．2112(2014)05—0875．08电子学报URL：http：／／www．eio1朋al-org．caDOI：10．3969／j．issn．0372．2

3、112．2014．05．007OnlineLearningofMultipleDetectorsforVisualObjectTrackingQUANWei，CHENJin．xiong，YUNan．yang~(1．SchoolofInformationScienceandTechnology，SouthwestJiaotongUniversity，嘞，S／chuan610031，China；2．Schoolo／Mechanicalng，SouthwestJiaotongUniversity，，S／chuan610031，Ch／

4、na)Abstract：Inordertostudytheproblemoflong-termvisualtrackinginunconstrainedenvironments，thispaperproposesamethodoflearningmultipledetectorsonlineforvisualobjectwacking．Themethodusestherandomfemsasthebasicdetector．Theentireandthelocalappearancesofthetargetandtheconn

5、ectedobjectswhichaleexploredbythecontextlearningaleusedsyn·chronouslyasthetrainingdatatobuildandupgradetheobjectdetectoronthefly．Thusitisabletodetecttheobjectswithdiferentclassesindependently．Sincediferentdetectionsarerelatedtodiferentobjectclasses，theresultsofobjec

6、tdetectionsalefusedasthemeasurementsandtheprobabilitiesofconfigurationhypothesesforthemeasurementstothetargetarecalculatedtofindthetargetlo—cationforvisualtrackingtask．ExperimentalresultsbasedOilthereal—worldvideosequencesvalidatetheefectivenessandrobusmessofourappr

7、oachanddemonstrateitsbettertrackingperfommcethanseveralstate—of-the-artmethods．Keywords：objecttracking；multipledetectors；onlinelearning；randomferns线学习的跟踪方法本质上更能够适应对象及其环境的1引言变化，有利于完成长时间的跟踪任务．对象跟踪作为智能视频分析的关键问题，在计算机跟踪过程中在线学习的目的在于发掘未知的数据视觉领域具有广泛的应用，如智能监控、人机交互、机器结构，对此已逐步

8、发展出一系列自适应的对象跟踪方人技术以及多媒体应用等．尽管对此研究人员做出了大法．文献_8。。采用自学习的方式，用接近和远离目标的量的工作，但是由于真实世界的复杂性，如背景干扰、表样例更新对象模型，然而，预测目标一旦出错，跟踪则无观和光照变化、低图像分辨率以及帧跳跃等问题，使