基于高效多示例学习的目标跟踪

《基于高效多示例学习的目标跟踪》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、JournalofComputerApplicationsISSN1001-90812015-02-10计算机应用，2015，35(2):466－469，475CODENJYIIDUhttp://www．joca．cn文章编号:1001-9081(2015)02-0466-04doi:10．11772/j．issn．1001-9081．2015．02．0466基于高效多示例学习的目标跟踪*彭爽，彭晓明(电子科技大学自动化工程学院，成都611731)(*通信作者电子邮箱903525089@qq．com)摘要:基于多示例学习(MIL)的跟踪

2、算法能在很大程度上缓解漂移问题。然而，该算法的运行效率相对较低，精度也有待提高，这是由于MIL算法采用的强分类器更新策略效率不高，以及分类器更新速度与目标外观变化速度不一致引起的。为此提出一种新的强分类器更新策略，以大幅提升MIL算法的运行效率;同时提出一种动态更新分类器学习率的机制，使更新后的分类器更符合目标的外观，提高跟踪算法的精度。通过实验将该算法和MIL算法以及基于加权多示例学习的跟踪算法(WMIL)进行对比，实验结果表明，所提出算法的运行效率和跟踪精度都是三者中最好的，在背景中没有与被跟踪目标外观相似的干扰物体存在时有较好的跟

3、踪优势。关键词:目标跟踪;多实例学习;分类器;漂移;样本集中图分类号:TP391．4文献标志码:AObjecttrackingwithefficientmultipleinstancelearning*PENGShuang，PENGXiaoming(SchoolofAutomationEngineering，UniversityofElectronicScienceandTechnologyofChina，ChengduSichuan611731，China)Abstract:ThemethodbasedonMultipleInstan

4、ceLearning(MIL)canalleviatethedriftproblemtoacertainextend．However，MILmethodhasrelativelypoorperformanceinrunningefficiencyandaccuracy，becausetheupdatestrategyefficiencyofthestrongclassifiersislow，andtheupdatespeedoftheclassifiersisnotsamewiththeappearancechangespeedofth

5、etargets．Tosolvethisproblem，anewupdatestrategyforstrongclassifierwasproposedtoimprovetherunningefficiencyofMILmethod．Inaddition，toimprovethetrackingaccuracyoftheMILmethod，anewdynamicmechanisimforlearningraterenewaloftheclassifierwasgiventomaketheupdatedclassifierwouldmor

6、econformtotheappearanceofthetarget．TheexperimentalresultsoncomparisonwithMILmethodandtheWeightedMultipleInstanceLearning(WMIL)methodshowthat，theproposedmethodhasthebestperformanceinrunningefficiencyandaccuracyamongthethreemethods，andhasanadvantageovertrackingwhenthereisn

7、osimilarinterferenceobjectstotargetobjectsinbackground．Keywords:objecttracking;MultipleInstanceLearning(MIL);classifier;drift;sampleset器，并用分类器判断每一个候选样本为正样本的概率，概率最0引言高的即为目标。判别方法显著提升了目标跟踪的性能，获得［6］目标跟踪的应用范围十分广阔，如自动监控、视频索引、了广大研究人员的青睐。Kalal等采用一种P-N学习机制智能交通、人机交互等，这些应用对人类的生产和生活

8、方式产对跟踪器进行更新，该机制通过提高正负学习样本的准确率生了重大的影响。因此，对目标跟踪的研究意义重大。保证了跟踪的精度，然而该算法比较复杂，跟踪不稳定，且不［1］［7］近几十年来，研究人员提出了许多跟踪