中国图象图形学报
中國圖象圖形學報
중국도상도형학보
JOURNAL OF IMAGE AND GRAPHICS
2014年
7期
1038-1045
,共8页
目标跟踪%多示例学习%多通道Haar-like特征%弱特征更换
目標跟蹤%多示例學習%多通道Haar-like特徵%弱特徵更換
목표근종%다시례학습%다통도Haar-like특정%약특정경환
object tracking%multiple instance learning%multi-channel Haar-like feature%weak classifier replacement
目的 提出一种基于多通道Haar-like特征的多示例学习目标跟踪算法,克服了多示例跟踪算法在处理彩色视频时利用信息少和弱特征不能更换的缺点.方法 首先,针对原始多示例学习跟踪算法对彩色视频帧采用单通道信息或将其简单转化为灰度图像进行跟踪会丢失部分特征信息的缺点,提出在RGB三通道上生成位置、大小和通道完全随机的Haar-like特征来更好地表示目标.其次,针对多示例学习跟踪算法中Haar-like弱特征不能更换,难以反映目标自身和外界条件变化的特点,提出在弱分类器选择过程中,用随机生成的新Haar-like特征实时替换部分判别力最弱的Haar-like特征,从而在目标模型中引入新的信息,以适应目标外观的动态变化.结果 对8个具有挑战性的彩色视频序列的实验结果表明,与原始多示例学习跟踪算法、加权多示例学习跟踪算法、基于分布场的跟踪算法相比,提出的方法不仅获得了最小的平均中心误差,而且平均跟踪准确率比上述3种算法分别高52.85％,34.75％和5.71％,在4种算法中获得最优性能.结论 通过将Haar-like特征从RGB三通道随机生成,并将判别力最弱的部分Haar-like弱特征实时更换,显著提升了原始多示例学习跟踪算法对彩色视频的跟踪效果,扩展了其应用前景.
目的 提齣一種基于多通道Haar-like特徵的多示例學習目標跟蹤算法,剋服瞭多示例跟蹤算法在處理綵色視頻時利用信息少和弱特徵不能更換的缺點.方法 首先,針對原始多示例學習跟蹤算法對綵色視頻幀採用單通道信息或將其簡單轉化為灰度圖像進行跟蹤會丟失部分特徵信息的缺點,提齣在RGB三通道上生成位置、大小和通道完全隨機的Haar-like特徵來更好地錶示目標.其次,針對多示例學習跟蹤算法中Haar-like弱特徵不能更換,難以反映目標自身和外界條件變化的特點,提齣在弱分類器選擇過程中,用隨機生成的新Haar-like特徵實時替換部分判彆力最弱的Haar-like特徵,從而在目標模型中引入新的信息,以適應目標外觀的動態變化.結果 對8箇具有挑戰性的綵色視頻序列的實驗結果錶明,與原始多示例學習跟蹤算法、加權多示例學習跟蹤算法、基于分佈場的跟蹤算法相比,提齣的方法不僅穫得瞭最小的平均中心誤差,而且平均跟蹤準確率比上述3種算法分彆高52.85％,34.75％和5.71％,在4種算法中穫得最優性能.結論 通過將Haar-like特徵從RGB三通道隨機生成,併將判彆力最弱的部分Haar-like弱特徵實時更換,顯著提升瞭原始多示例學習跟蹤算法對綵色視頻的跟蹤效果,擴展瞭其應用前景.
목적 제출일충기우다통도Haar-like특정적다시례학습목표근종산법,극복료다시례근종산법재처리채색시빈시이용신식소화약특정불능경환적결점.방법 수선,침대원시다시례학습근종산법대채색시빈정채용단통도신식혹장기간단전화위회도도상진행근종회주실부분특정신식적결점,제출재RGB삼통도상생성위치、대소화통도완전수궤적Haar-like특정래경호지표시목표.기차,침대다시례학습근종산법중Haar-like약특정불능경환,난이반영목표자신화외계조건변화적특점,제출재약분류기선택과정중,용수궤생성적신Haar-like특정실시체환부분판별력최약적Haar-like특정,종이재목표모형중인입신적신식,이괄응목표외관적동태변화.결과 대8개구유도전성적채색시빈서렬적실험결과표명,여원시다시례학습근종산법、가권다시례학습근종산법、기우분포장적근종산법상비,제출적방법불부획득료최소적평균중심오차,이차평균근종준학솔비상술3충산법분별고52.85％,34.75％화5.71％,재4충산법중획득최우성능.결론 통과장Haar-like특정종RGB삼통도수궤생성,병장판별력최약적부분Haar-like약특정실시경환,현저제승료원시다시례학습근종산법대채색시빈적근종효과,확전료기응용전경.
