在线多示例学习目标跟踪方法、终端设备及存储介质技术

本发明专利技术公开了一种在线多示例学习目标跟踪方法，包括如下过程：S1：初始正包和负包中示例的选取；S2：计算初始正包中每个示例的相关相似度；S3：对初始正包进行筛选；S4：更新弱分类器；S5：为筛选后的正包和负包中的示例赋予相应的权重值；S6：对包概率进行加权；S7：获得最优弱分类器；S8：集成强分类器并输出。通过利用本发明专利技术设计出的目标跟踪方法能够提升分类器的性能，提高目标跟踪的鲁棒性。

On-line Multi-Example Learning Target Tracking Method, Terminal Equipment and Storage Media

【技术实现步骤摘要】
在线多示例学习目标跟踪方法、终端设备及存储介质
本专利技术涉及目标跟踪
，具体是一种在线多示例学习目标跟踪方法、终端设备及存储介质。
技术介绍
基于视觉的目标自动跟踪在智能监控、动作与行为分析、自动驾驶等领域都有重要的应用。例如，在自动驾驶系统中，目标跟踪算法要对运动的车、行人、其他动物的运动进行跟踪，对它们在未来的位置、速度等信息作出预判。根据目标跟踪过程是否更新目标外观模型，目标跟踪方法可以分为离线目标跟踪方法和在线目标跟踪方法。离线目标跟踪方法是使用在跟踪前学习好的目标模型来跟踪视频序列中的目标位置，而在跟踪过程中没有进一步更新模型。该类方法的不足之处在于难以准确跟踪复杂场景下的目标。在线学习的跟踪方法则在跟踪过程中不断更新目标外观模型，从而可以更加鲁棒地应对动态变化的目标，在一定程度上可以避免目标漂移(drifting)问题。目前，已经有多种机器学习方法被用于目标跟踪领域，包括多示例学习(MultipleInstanceLearning,MIL)等。区别于传统的机器学习方法，MIL方法是利用正负包进行学习，在训练阶段，样本保存在集合中(这里使用“包”的概念)，然后为包贴本文档来自技高网...

【技术保护点】
1.一种在线多示例学习目标跟踪方法，其特征在于：包括如下过程：S1：初始正包和负包中示例的选取：选取两组视频帧图像块，分别作为初始正包

【技术特征摘要】
1.一种在线多示例学习目标跟踪方法，其特征在于：包括如下过程：S1：初始正包和负包中示例的选取：选取两组视频帧图像块，分别作为初始正包和负包其中||·||表示欧式距离，γ和β是距离中心点的半径，x表示图像块，d(x)表示图像块的位置，表示t时刻目标的位置，s是跟踪器的搜索半径；S2：计算初始正包中每个示例的相关相似度：根据正包中每个示例与目标模板的相似程度来计算其相关相似度；S3：对初始正包进行筛选：将初始正包中与目标模板相关相似度低于某个阈值的示例筛除，得到筛选后的正包；S4：更新弱分类器：利用S3中筛选后的正包和S1中负包中的示例更新所有的弱分类器；S5：为筛选后的正包和负包中的示例赋予相应的权重值：将S2中计算得到的相关相似度作为筛选后的正包中示例的权重；为负包中每个示例赋予一个给定的权重值w；S6：对包概率进行加权：利用筛选后的正包与负包中示例的权重来对示例概率进行加权，进一步估计包概率；S7：获得最优弱分类器：计算包的对数似然函数，并通过最大化包的对数似然函数获得最优弱分类器；S8：集成强分类器并输出：重复步骤S6-S7，选出最优的K个弱分类器集成为强分类器，并利用该强分类器找到搜索区域中响应值最大的样本作为跟踪目标。2.如权利要求1所述的在线多示例学习目标跟踪方法，其特征在于：S2中，根据正包中每个示例与目标模板的相似程度来计算其相关相似度，具体为：S21：将包Xi中每个示例进行归一化，任意两个图像块xij、xik的相似度被计算为：S(xij,xik)＝0.5(NCC(xij,xik)+1)，其中NCC为归一化互相关系数；S22：计算正包中每个示例的正样本最近邻相似度，计算公式为：以及负...

【专利技术属性】
技术研发人员：陈思，朱顺痣，吴芸，王大寒，陈敏，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：福建,35