[发明专利]用于使提升分类器适合于新样本的方法

说明书

技术领域

本发明总体上涉及机器学习，更具体地说，涉及使用提升分类器(boosted classifier)跟踪视频中的对象。

背景技术

对象跟踪在许多计算机视觉应用中使用，参见Stauffer等，“TrainingPatterns of Activity Using Real-Time Tracking”，PAMI，22(8)，747-757页，2000，Avidan，“Support Vector Tracking”，IEEE Trans.Pattern Analysisand Machine Intelligence，2004；以及人机交互，Bobick等，“TheKidsRoom”，Communications of the ACM，43(3)，2000。

要跟踪的对象的宽范围对于任何对象跟踪应用带来了挑战。不同的对象和特征表达(例如颜色直方图、表观模型或关键点)已经被用于对象跟踪。特征选择可使用不同特征空间的集合并且“切换”到最有判别力的特征，Collins等，“On-Line Selection of Discriminative TrackingFeatures”，Proceedings of the International Conference on Computer Vision(ICCV‘03)，2003。

对象跟踪可使用Kalman滤波器、或粒子滤波器(particle filter)。时间积分方法(例如粒子滤波)在时间上对测量结果进行积分，Isard等，“CONDENSATION-Conditional Density Propagation for Visual Tracking”，International Journal ofComputer Vision，卷29(1)，5-28页，1998。滤波对不同的匹配分配了概率。不幸地是，滤波器方法不影响对象的描述。

还可以使用均值位移(mean-shift)方法。均值位移是在分布梯度上进行操作以寻找峰值的模式查找处理。均值位移搜索图像中的具有与给定颜色直方图类似的颜色直方图的区域。为了提高性能，Comanciu等使用了空间平滑，Comanciu等，“Kernel-Based Object Tracking”，IEEE Trans.PatternAnalysis and Machine Intelligence，(PAMI)，25：5，564-575页。此外，在对象外部出现的颜色被用于使在对象上出现的颜色‘权重降低(down-weight)’。

简单对象跟踪在视频的一序列帧中寻找与对象匹配的区域。在机器学习方面，这等效于最近邻居分类。简单的方法忽略了背景的作用。因此，对象分类器可用于对象跟踪，参见Shai Avidan，“Ensemble tracking”，IEEE Conference on Computer Vision and Pattern Recognition，494-501页，2005，Helmut Grabner和Horst Bischof，“On-line boosting and vision”，IEEEConference on Computer Vision and Pattern Recognition，260-267页，2006，以及Avidan在2005年1月24日提交的美国专利申请20060165258，“Tracking objects in videos with adaptive classifiers”。

基于分类器的方法对二值分类器(binary classifier)进行‘训练’，以在场景中从背景中辨别感兴趣的对象。接着，将该分类器应用于图像序列，以定位并跟踪对象的位置。通常，强分类器组合了一组弱分类器。该组合可以是线性或非线性的。例如，已知的AdaBoost处理针对越来越‘困难’的训练数据对一组弱分类器中的每一个分类器进行训练。然后，组合这些弱分类器以产生比任一单独的弱分类器更好的强分类器，Freund等，“A decision-theoretic generalization of on-line training and an applicationto boosting”，Computational Training Theory，Eurocolt’95，23-37页，1995，在此通过引用将其并入。