[发明专利]一种基于排序融合学习的目标跟踪方法

摘要

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。

主权项

1.一种基于排序融合学习的目标跟踪方法，其特征在于：包括以下步骤:1）选择4种不同的跟踪算法，其中包括3种基于产生式模型的跟踪算法：基于增量子空间学习的跟踪算法、基于协方差特征的跟踪算法、基于空间约束混合高斯模型的跟踪算法，以及1种基于判别式模型的跟踪算法：基于多示例学习的跟踪算法；4种跟踪算法全部采用粒子滤波跟踪框架，依据上一帧的跟踪结果，通过高斯随机扰动产生目标候选区域并按照顺序标记序号；2）每一种跟踪算法根据各自的表观模型对目标候选区域进行评价，然后根据评价结果给每个目标候选区域赋予一个权重，最后按照权重大小对所有目标候选区域进行排序，4种算法对所有的目标候选区域排序获得4种不同排序；3）根据目标候选区域的4种排序，首先定义两种不同排序之间的Kendall’s tau距离：将一种排序通过交换相邻位置的元素，转变成另一种排序所需要的最小交换次数，该距离满足“右不变性”，即对两种排序采用同样的变换操作，不会影响其距离值；4）给定目标候选区域的不同排序，利用定义的距离测度，建立其真实排序的后验概率模型，该模型可以有效的融合目标候选区域的不同排序以及各个排序的可靠性，为了提高实时性，只对不同排序中的前k个序列进行融合，利用期望最大化算法估计该后验概率模型中的参数，并生成最终融合的候选区域排序；其中，选择融合排序的排名第一的候选区域作为跟踪结果，并由此排序对4种不同跟踪算法的表观模型进行更新；5）为了提高模型的鲁棒性和期望最大化算法的迭代收敛速度，对后验概率模型中的专家度参数，即表示每种排序的可靠性参数，进行自适应学习，学习过程中，要计算前一帧模型的专家度，以及计算各算法与跟踪结果的吻合度。