[發明專利]一種基于多特征融合的判別型級聯外觀模型的目標匹配方法

在審

• 申請號: 201710270756.1
• 申請日: 2017-04-24
• 公開（公告）號: CN107194413A
• 公開（公告）日: 2017-09-22
• 發明（設計）人: 張云洲;賈存迪;徐寧;暴吉寧;李奇;付興
• 申請（專利權）人: 東北大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 大連理工大學專利中心21200
• 代理人: 梅洪玉

1.一種基于多特征融合的判別型級聯外觀模型的目標匹配方法，其特征包括如下步驟：

步驟一：基于MIL進行訓練樣本集合的在線獲取，利用正負樣本集合概念對目標模板進行特征學習和特征選擇，并對目標模板提取多種特征融合形成健壯特征描述子；

步驟二：多次實驗組合確定描述子權重，利用改進的B氏距離進行相似性度量，相似性特征向量進行加權求和，由公式(4)得到示例x_ij的判別函數h(x_ij)；使用Top-rank指標對RGB直方圖和HOG融合特征進行匹配性能評估；

h(x_ij)＝β₁s_RGB+β₂s_LBP+β₃s_HOG (4)

在公式(4)中，β_i表示相似性特征向量s的權值；β₁表示相似性特征向量s_RGB的權重，β₂表示相似性特征向量s_LBP的權重，β₃表示相似性特征向量s_HOG的權重；

步驟三：基于Adaboost算法進行不斷學習和訓練，經過理論推導和實驗驗證，分類器的誤差率以指數級下降，直至穩定收斂；

步驟四：對訓練樣本數據集X＝{X_i|X_i∈{X⁺,X^-}}作為輸入進行訓練，對訓練樣本數據集X＝{X_i|X_i∈{X⁺,X^-}}作為輸入進行訓練，其中，正包的樣本空間為X⁺＝{({x_i1,x_i2,...},+1)}，同理，X^-＝{({x_i1,x_i2,...},-1)}為負包的樣本空間，弱判別函數為公式(4)中h(x_ij)，并將強判別函數H(x)初始化為0；

選定m＝1,2,...,M個弱分類器，將每一個分類器進行k＝1,2,...,K次迭代，每一次迭代都使用MIL-Adaboost算法對當前示例的概率，示例所在包的概率以及示例的權重進行更新，更新公式如下：

pijk=σ(H+hk(xij))---(23)]]>

pik=1-Πj(1-pijk)---(24)]]>

ωijk=yi-pikpikpijk---(25)]]>

在當前弱分類器h(x)對數據集內所有樣本都進行了K次迭代之后，基于梯度下降方法獲得能使樣本的判別結果加權最大的弱分類器h_m作為最優分類器，再利用線性搜索方法得到最優代價函數的加權參數α_m，并線性組合后用于更新當前H(x)，然后再對下一個弱分類器進行迭代更新，直至達到分類誤差率的閾值并輸出最終的強分類器H(x)作為最終分類判別函數輸出，也就是判別型外觀模型H(x)，如下公式所示：

hm←hk*=argkmaxΣijωijkhk(xij)---(26)]]>

αm←αk*=argαmaxlog(H+αhm)---(27)]]>

H←H+α_mh_m (28)

H(x)=Σm=1Mαmhm(x)---(29)]]>

在公式(29)中得到跨視角樣本組合的判別型外觀模型H(x)，并且獲得了樣本以及樣本集合的概率置信；

步驟五：在線更新樣本集合的標簽并用于在線學習，再利用得到的示例的概率對粒子濾波的先驗估計結果進行重加權，使用數據集驗證在多對多目標關聯的有效性。

2.根據權利要求1所述一種基于多特征融合的判別型級聯外觀模型的目標匹配方法，其特征在于，根據實驗驗證確定β₁的取值為0.5，β₂的取值為0.2，β₃的取值為0.3。