基于在線隱變量支持向量機(jī)的尺度自適應(yīng)視覺(jué)跟蹤.pdf

1、視覺(jué)跟蹤是計(jì)算機(jī)視覺(jué)中一個(gè)研究熱點(diǎn)，它在很多領(lǐng)域都有應(yīng)用，例如人機(jī)交互、安防監(jiān)控、高級(jí)駕駛輔助系統(tǒng)等?；跈z測(cè)的跟蹤是視覺(jué)跟蹤中的一個(gè)流行的框架，它利用機(jī)器學(xué)習(xí)中的各種學(xué)習(xí)方法根據(jù)訓(xùn)練樣本進(jìn)行訓(xùn)練得到可以將跟蹤目標(biāo)和背景分離開(kāi)來(lái)的分類器。訓(xùn)練得到的分類器被用來(lái)對(duì)待跟蹤圖像幀中可能位置處的圖像塊進(jìn)行檢測(cè)，找到最可能的位置。本文通過(guò)分析傳統(tǒng)的基于檢測(cè)的視覺(jué)跟蹤算法，指出其中存在的問(wèn)題并提出相應(yīng)的解決方法。
　　在對(duì)一般目標(biāo)進(jìn)行視覺(jué)跟蹤

2、的過(guò)程中目標(biāo)的外觀可能會(huì)發(fā)生變化，無(wú)法在跟蹤之前訓(xùn)練得到對(duì)目標(biāo)進(jìn)行分類的分類器?；跈z測(cè)的視覺(jué)跟蹤算法利用跟蹤過(guò)程中獲取的圖像幀對(duì)分類器進(jìn)行在線更新。其中大多數(shù)算法利用新的一幀中的訓(xùn)練樣本訓(xùn)練得到一個(gè)新的分類器，并將新分類器與舊分類器的參數(shù)進(jìn)行加權(quán)和得到當(dāng)前的分類器。這種方法讓分類器具有跟蹤目標(biāo)最新外觀的能力，然而存在的一個(gè)問(wèn)題是經(jīng)過(guò)多幀迭代后分類器會(huì)遺忘歷史幀中目標(biāo)的外觀。為了解決這個(gè)問(wèn)題，本文提出利用在線支持向量機(jī)對(duì)關(guān)鍵幀中目標(biāo)的外

3、觀進(jìn)行學(xué)習(xí)。在線支持向量機(jī)可以根據(jù)每一幀中目標(biāo)的外觀和支持向量機(jī)的狀態(tài)進(jìn)行自適應(yīng)關(guān)鍵幀的選擇，并且每一幀的權(quán)重也是通過(guò)優(yōu)化算法計(jì)算得到，這不同于傳統(tǒng)在線跟蹤算法中對(duì)所有幀都學(xué)習(xí)的分類器更新方法。相對(duì)于傳統(tǒng)在線跟蹤算法，在線支持向量機(jī)可以學(xué)習(xí)跟蹤過(guò)程中具有代表性的目標(biāo)外觀，從而使分類器可以處理目標(biāo)外觀多變的問(wèn)題。支持向量機(jī)的大間隔準(zhǔn)則也使得基于在線支持向量機(jī)的視覺(jué)跟蹤算法具有很好的魯棒性。
　　大多數(shù)基于檢測(cè)的視覺(jué)跟蹤算法沒(méi)有考慮跟

4、蹤過(guò)程中目標(biāo)尺度的變化，或者利用窮舉的方法在圖像幀中以不同尺度的窗口來(lái)尋找包含目標(biāo)的窗口。然而，窮舉的方法存在兩個(gè)問(wèn)題。首先，搜索可能的窗口個(gè)數(shù)是不考慮尺度問(wèn)題時(shí)的n倍，其中n是搜索的不同尺度窗口個(gè)數(shù)。在目標(biāo)尺度變化劇烈的場(chǎng)合，需要大量不同尺度的窗口來(lái)進(jìn)行搜索，這顯然會(huì)造成分類器效率的降低。其次，不同尺度窗口中對(duì)應(yīng)圖像的特征可能類似，尤其在跟蹤目標(biāo)的紋理不明顯的情況下。這顯然會(huì)影響分類器的輸出，造成跟蹤窗口尺度的不穩(wěn)定。針對(duì)以上問(wèn)題，本

5、文提出將尺度作為隱變量并利用隱變量支持向量機(jī)來(lái)進(jìn)行尺度更新。在隱變量支持向量機(jī)中，使用上一幀學(xué)習(xí)到的目標(biāo)的尺度在當(dāng)前幀中對(duì)目標(biāo)進(jìn)行位置搜索。搜索到最佳位置后，在最佳位置處進(jìn)行多尺度搜索，搜索最佳尺度。利用最佳位置和尺度處的樣本來(lái)訓(xùn)練支持向量機(jī)，訓(xùn)練好的支持向量機(jī)再被用來(lái)對(duì)尺度進(jìn)行搜索。尺度搜索和支持向量機(jī)的訓(xùn)練迭代進(jìn)行，直到收斂。隱變量支持向量機(jī)將尺度的搜索從檢測(cè)階段轉(zhuǎn)移到學(xué)習(xí)階段，保證了檢測(cè)階段的效率并降低了發(fā)生漂移的可能性。