[发明专利]一种基于多特征融合的判别型级联外观模型的目标匹配方法

摘要

一种基于多特征融合的判别型级联外观模型的目标匹配方法，包括如下步骤基于MIL进行训练样本集合的在线获取，并利用样本进行特征训练和学习；对目标模版提取多种特征融合形成健壮特征描述子，多次实验组合确定描述子权重，利用改进的B氏距离进行相似性度量；使用Top‑rank指标对RGB直方图和HOG等融合特征进行匹配性能评估；基于Adaboost算法进行不断学习和训练，经过理论推导和实验验证，分类器的误差率以指数级下降，直至稳定收敛；对训练样本数据集X＝{Xi|Xi∈{X+,X‑}}作为输入进行训练，得到跨视角样本组合的判别型外观模型H(x)；在线更新样本集合的标签并用于在线学习，再利用得到的示例的概率对粒子滤波的先验估计结果进行重加权。

主权项

一种基于多特征融合的判别型级联外观模型的目标匹配方法，其特征包括如下步骤：步骤一：基于MIL进行训练样本集合的在线获取，利用正负样本集合概念对目标模板进行特征学习和特征选择，并对目标模板提取多种特征融合形成健壮特征描述子；步骤二：多次实验组合确定描述子权重，利用改进的B氏距离进行相似性度量，相似性特征向量进行加权求和，由公式(4)得到示例xij的判别函数h(xij)；使用Top‑rank指标对RGB直方图和HOG融合特征进行匹配性能评估；h(xij)＝β1sRGB+β2sLBP+β3sHOG   (4)在公式(4)中，βi表示相似性特征向量s的权值；β1表示相似性特征向量sRGB的权重，β2表示相似性特征向量sLBP的权重，β3表示相似性特征向量sHOG的权重；步骤三：基于Adaboost算法进行不断学习和训练，经过理论推导和实验验证，分类器的误差率以指数级下降，直至稳定收敛；步骤四：对训练样本数据集X＝{Xi|Xi∈{X+,X‑}}作为输入进行训练，对训练样本数据集X＝{Xi|Xi∈{X+,X‑}}作为输入进行训练，其中，正包的样本空间为X+＝{({xi1,xi2,...},+1)}，同理，X‑＝{({xi1,xi2,...},‑1)}为负包的样本空间，弱判别函数为公式(4)中h(xij)，并将强判别函数H(x)初始化为0；选定m＝1,2,...,M个弱分类器，将每一个分类器进行k＝1,2,...,K次迭代，每一次迭代都使用MIL‑Adaboost算法对当前示例的概率，示例所在包的概率以及示例的权重进行更新，更新公式如下：pijk=σ(H+hk(xij))---(23)]]>pik=1-Πj(1-pijk)---(24)]]>ωijk=yi-pikpikpijk---(25)]]>在当前弱分类器h(x)对数据集内所有样本都进行了K次迭代之后，基于梯度下降方法获得能使样本的判别结果加权最大的弱分类器hm作为最优分类器，再利用线性搜索方法得到最优代价函数的加权参数αm，并线性组合后用于更新当前H(x)，然后再对下一个弱分类器进行迭代更新，直至达到分类误差率的阈值并输出最终的强分类器H(x)作为最终分类判别函数输出，也就是判别型外观模型H(x)，如下公式所示：hm←hk*=argkmaxΣijωijkhk(xij)---(26)]]>αm←αk*=argαmaxlog(H+αhm)---(27)]]>H←H+αmhm   (28)H(x)=Σm=1Mαmhm(x)---(29)]]>在公式(29)中得到跨视角样本组合的判别型外观模型H(x)，并且获得了样本以及样本集合的概率置信；步骤五：在线更新样本集合的标签并用于在线学习，再利用得到的示例的概率对粒子滤波的先验估计结果进行重加权，使用数据集验证在多对多目标关联的有效性。