在线特征选取的多示例学习目标跟踪

• 作者: 吴迪冲 周志宇 彭小龙 朱泽飞
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 目标跟踪 多示例学习 Fisher线性判别 梯度增强 判别模型
• 年，卷（期）: 2015,（10）
• 所属期刊栏目: 图像理解和计算机视觉
• 页码范围: 1346-1357
• 页数: 12页
• 分类号: TP319.4
• 字数: 8991字
• 语种: 中文
• DOI: 10.11834/jig.20151008

摘要

目的 传统的多示例学习跟踪在跟踪过程中使用了自学习过程,当目标跟踪失败时分类器很容易退化.针对这个问题,提出一种基于在线特征选取的多示例学习跟踪方法(MILOFS).方法 首先,该文使用稀疏随机矩阵来简化视频跟踪中图像特征的构建,使用随机矩阵投影来自高维度的图像信息.然后,利用Fisher线性判别模型构建包模型的损失函数,依照示例响应值直接在示例水平构建分类器的判别模型.最后,从梯度下降角度看待在线增强模型,使用梯度增强法来构建分类器的选取模型.结果 对不同场景的图像序列进行对比实验,实验结果中在线自适应增强(OAB)、在线多实例学习跟踪(MILTrack)、加权多实例学习跟踪(WMIL)、在线特征选取多实例学习跟踪(MILOFS)的平均跟踪误差分别为36像素、23像素、24像素、13像素,本文算法在光照变化、发生遮挡,以及形变的情况下都能准确跟踪目标,且具有很高的实时性.结论 基于在线特征选取的多示例学习跟踪,跟踪过程使用梯度增强法并直接在示例水平构建包模型的判别模型,可以有效克服传统多示例学习中的分类器退化问题.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴迪冲		37	335	9.0	17.0
2	周志宇	浙江理工大学信息学院	12	146	6.0	12.0
3	朱泽飞		13	29	3.0	5.0
4	彭小龙	浙江理工大学信息学院	1	8	1.0	1.0