中国图象图形学报
中國圖象圖形學報
중국도상도형학보
Journal of Image and Graphics
2015年
10期
1346-1357
,共12页
周志宇%彭小龙%吴迪冲%朱泽飞
週誌宇%彭小龍%吳迪遲%硃澤飛
주지우%팽소룡%오적충%주택비
目标跟踪%多示例学习%Fisher线性判别%梯度增强%判别模型
目標跟蹤%多示例學習%Fisher線性判彆%梯度增彊%判彆模型
목표근종%다시례학습%Fisher선성판별%제도증강%판별모형
object tracking%multiple instance learning%Fisher linear discriminant%gradient boosting%discriminant model
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.
目的 傳統的多示例學習跟蹤在跟蹤過程中使用瞭自學習過程,噹目標跟蹤失敗時分類器很容易退化.針對這箇問題,提齣一種基于在線特徵選取的多示例學習跟蹤方法(MILOFS).方法 首先,該文使用稀疏隨機矩陣來簡化視頻跟蹤中圖像特徵的構建,使用隨機矩陣投影來自高維度的圖像信息.然後,利用Fisher線性判彆模型構建包模型的損失函數,依照示例響應值直接在示例水平構建分類器的判彆模型.最後,從梯度下降角度看待在線增彊模型,使用梯度增彊法來構建分類器的選取模型.結果 對不同場景的圖像序列進行對比實驗,實驗結果中在線自適應增彊(OAB)、在線多實例學習跟蹤(MILTrack)、加權多實例學習跟蹤(WMIL)、在線特徵選取多實例學習跟蹤(MILOFS)的平均跟蹤誤差分彆為36像素、23像素、24像素、13像素,本文算法在光照變化、髮生遮擋,以及形變的情況下都能準確跟蹤目標,且具有很高的實時性.結論 基于在線特徵選取的多示例學習跟蹤,跟蹤過程使用梯度增彊法併直接在示例水平構建包模型的判彆模型,可以有效剋服傳統多示例學習中的分類器退化問題.
목적 전통적다시례학습근종재근종과정중사용료자학습과정,당목표근종실패시분류기흔용역퇴화.침대저개문제,제출일충기우재선특정선취적다시례학습근종방법(MILOFS).방법 수선,해문사용희소수궤구진래간화시빈근종중도상특정적구건,사용수궤구진투영래자고유도적도상신식.연후,이용Fisher선성판별모형구건포모형적손실함수,의조시례향응치직접재시례수평구건분류기적판별모형.최후,종제도하강각도간대재선증강모형,사용제도증강법래구건분류기적선취모형.결과 대불동장경적도상서렬진행대비실험,실험결과중재선자괄응증강(OAB)、재선다실례학습근종(MILTrack)、가권다실례학습근종(WMIL)、재선특정선취다실례학습근종(MILOFS)적평균근종오차분별위36상소、23상소、24상소、13상소,본문산법재광조변화、발생차당,이급형변적정황하도능준학근종목표,차구유흔고적실시성.결론 기우재선특정선취적다시례학습근종,근종과정사용제도증강법병직접재시례수평구건포모형적판별모형,가이유효극복전통다시례학습중적분류기퇴화문제.
