[发明专利]一种基于排序融合学习的目标跟踪方法

说明书

本发明公开了一种基于排序融合学习的目标跟踪方法，主要包含以下步骤：计算目标候选区域在各种跟踪算法的排序、建立后验概率模型(Extended Mallows Model)、基于EM算法的参数计算、专家度参数与跟踪算法的自适应更新等模块。本发明提出一种通用框架来实现了不同跟踪算法的有效融合，特别有效地实现了判别式跟踪算法和产生式跟踪算法的完美互补，从而避免了它们各自的缺点，提高跟踪算法的鲁棒性。实验结果表明，相对于其他的经典跟踪算法，该跟踪算法更具有普适性，即在各种具有挑战性视频中也能精确地跟踪到目标。该算法是一种通用的算法，具有广泛的应用前景。

技术领域

本发明主要涉及到计算机视觉中的目标跟踪领域，特别是涉及一种基于排序融合学习的目标跟踪方法。

背景技术

目标跟踪在计算机视觉领域中是相当活跃的研究课题，自从上世纪末被提出以后，众多学者纷纷加入研究行列，是当今国内外研究的前沿问题之一。目标跟踪在视觉分析领域属于中层部分，为后续高层视觉分析奠定了基础，因此具有非常重要的研究价值。

目标跟踪算法中最为关键的组成部分是表观模型。表观模型，简单的说，如何能够对跟踪目标物体的表观进行简洁有效地表达。一般来说，目标的表观模型主要可以分为产生式和判别式两大类。产生式模型从目标本身出发，采用不同的描述模型来提取不同的目标特征，从而构建一个紧致的目标表示。目标区域的颜色直方图是最常见的基于产生式的表观模型，但是，它完全忽略了目标表观颜色的空间分布信息。基于混合高斯的表观模型利用混合加权的高斯分布来动态地学习像素颜色的时间统计特性。Ross等人提出了基于增量子空间学习的方法来建模目标表观的时空统计特性。Mei等人提出了一种基于稀疏表示的目标表观模型。稀疏表示关心的是如何用尽量少的训练样本去重构新来的候选样本。

判别式模型同时考虑目标(正样本)和背景信息(负样本)，它关注的是如何构建一个分类器或者分类界面能够精准地区分目标和背景，此时，跟踪问题就可以看成一个二分类问题。Avidan提出基于支持向量机(Support Vector Machine)的分类器来区分目标和背景，并将其融入到基于光流的跟踪算法中去。Grabner等人采用在线的Adabooting算法来构建强分类器，强分类器由一系列的弱分类器通过Adabooting算法组合而成，每个弱分类器对应于一个区分目标和背景的分类界面，同时通过不断地更新弱分类器，或者选择新的分类器来实现在线更新。Saffari等人提出了基于随机森林的分类器构建方法，在该算法中，首先采用随机森林算法选择特征，然后对经过选择的特征构建分类器。Babenko等人提出了基于多示例学习(multiple instance learning)的表观模型。在该算法中，在选择正样本进行更新分类器的时候，不只把当前帧的跟踪结果作为正样本，同时选取了与跟踪结果非常接近的一些区域，把它们一起形成一个“包”，使用包来更新分类器。通过包的机制，使得该算法对跟踪误差具有一定的容错性，即使当前帧跟踪结果稍微不精确，也不会使得分类器被错误地更新。

尽管到目前为止，在目标视觉跟踪领域已经有大量的研究成果，但是依然没有一个算法能够在全部数据集上都取得比其他算法更为优异的跟踪结果。一方面，在缺乏先验知识和目标真实状态(ground truth)的前提下，算法的性能无法得到有效的保证；另一方面，每个算法都是基于特定的假设，这使得每个算法对其能处理的数据都有特定的要求，无法保证良好的泛化能力。而算法对数据的特定要求无法具体化，待处理数据又缺乏足够的先验知识，这使得很难针对数据选择合适的算法处理。没有算法能够在所有的数据集上都取得满意的跟踪效果，也无法针对数据选择合适的算法进行处理，这就使得研究如何将不同跟踪算法的特性融合以便得到更加稳定的跟踪效果成为当前的一个研究焦点。

发明内容

为了实现上述目标，本发明提出了一种基于排列融合学习的目标跟踪方法。该方法可以有效地融合不同跟踪算法的优点，从而提高跟踪系统的鲁棒性和适应性。

为了实现上述目的，本发明采用了以下的技术方案：