[發明專利]一種基于排序融合學習的目標跟蹤方法

有效

• 申請號: 201510270176.3
• 申請日: 2015-05-23
• 公開（公告）號: CN104835181B
• 公開（公告）日: 2018-07-24
• 發明（設計）人: 張笑欽;劉飛;樊明宇;王迪;葉修梓
• 申請（專利權）人: 溫州大學蒼南研究院
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 張法高

本發明公開了一種基于排序融合學習的目標跟蹤方法，主要包含以下步驟：計算目標候選區域在各種跟蹤算法的排序、建立后驗概率模型(Extended Mallows Model)、基于EM算法的參數計算、專家度參數與跟蹤算法的自適應更新等模塊。本發明提出一種通用框架來實現了不同跟蹤算法的有效融合，特別有效地實現了判別式跟蹤算法和產生式跟蹤算法的完美互補，從而避免了它們各自的缺點，提高跟蹤算法的魯棒性。實驗結果表明，相對于其他的經典跟蹤算法，該跟蹤算法更具有普適性，即在各種具有挑戰性視頻中也能精確地跟蹤到目標。該算法是一種通用的算法，具有廣泛的應用前景。

技術領域

本發明主要涉及到計算機視覺中的目標跟蹤領域，特別是涉及一種基于排序融合學習的目標跟蹤方法。

背景技術

目標跟蹤在計算機視覺領域中是相當活躍的研究課題，自從上世紀末被提出以后，眾多學者紛紛加入研究行列，是當今國內外研究的前沿問題之一。目標跟蹤在視覺分析領域屬于中層部分，為后續高層視覺分析奠定了基礎，因此具有非常重要的研究價值。

目標跟蹤算法中最為關鍵的組成部分是表觀模型。表觀模型，簡單的說，如何能夠對跟蹤目標物體的表觀進行簡潔有效地表達。一般來說，目標的表觀模型主要可以分為產生式和判別式兩大類。產生式模型從目標本身出發，采用不同的描述模型來提取不同的目標特征，從而構建一個緊致的目標表示。目標區域的顏色直方圖是最常見的基于產生式的表觀模型，但是，它完全忽略了目標表觀顏色的空間分布信息?；诨旌细咚沟谋碛^模型利用混合加權的高斯分布來動態地學習像素顏色的時間統計特性。Ross等人提出了基于增量子空間學習的方法來建模目標表觀的時空統計特性。Mei等人提出了一種基于稀疏表示的目標表觀模型。稀疏表示關心的是如何用盡量少的訓練樣本去重構新來的候選樣本。

判別式模型同時考慮目標(正樣本)和背景信息(負樣本)，它關注的是如何構建一個分類器或者分類界面能夠精準地區分目標和背景，此時，跟蹤問題就可以看成一個二分類問題。Avidan提出基于支持向量機(Support Vector Machine)的分類器來區分目標和背景，并將其融入到基于光流的跟蹤算法中去。Grabner等人采用在線的Adabooting算法來構建強分類器，強分類器由一系列的弱分類器通過Adabooting算法組合而成，每個弱分類器對應于一個區分目標和背景的分類界面，同時通過不斷地更新弱分類器，或者選擇新的分類器來實現在線更新。Saffari等人提出了基于隨機森林的分類器構建方法，在該算法中，首先采用隨機森林算法選擇特征，然后對經過選擇的特征構建分類器。Babenko等人提出了基于多示例學習(multiple instance learning)的表觀模型。在該算法中，在選擇正樣本進行更新分類器的時候，不只把當前幀的跟蹤結果作為正樣本，同時選取了與跟蹤結果非常接近的一些區域，把它們一起形成一個“包”，使用包來更新分類器。通過包的機制，使得該算法對跟蹤誤差具有一定的容錯性，即使當前幀跟蹤結果稍微不精確，也不會使得分類器被錯誤地更新。

盡管到目前為止，在目標視覺跟蹤領域已經有大量的研究成果，但是依然沒有一個算法能夠在全部數據集上都取得比其他算法更為優異的跟蹤結果。一方面，在缺乏先驗知識和目標真實狀態(ground truth)的前提下，算法的性能無法得到有效的保證；另一方面，每個算法都是基于特定的假設，這使得每個算法對其能處理的數據都有特定的要求，無法保證良好的泛化能力。而算法對數據的特定要求無法具體化，待處理數據又缺乏足夠的先驗知識，這使得很難針對數據選擇合適的算法處理。沒有算法能夠在所有的數據集上都取得滿意的跟蹤效果，也無法針對數據選擇合適的算法進行處理，這就使得研究如何將不同跟蹤算法的特性融合以便得到更加穩定的跟蹤效果成為當前的一個研究焦點。

發明內容

為了實現上述目標，本發明提出了一種基于排列融合學習的目標跟蹤方法。該方法可以有效地融合不同跟蹤算法的優點，從而提高跟蹤系統的魯棒性和適應性。

為了實現上述目的，本發明采用了以下的技術方案：