基于在线多示例提升随机蕨丛的目标跟踪

doi:10.3724/SP.J.1087.2012.03178

计算机应用 ›› 2012, Vol. 32 ›› Issue (11): 3178-3184.DOI: 10.3724/SP.J.1087.2012.03178

基于在线多示例提升随机蕨丛的目标跟踪

黄叶珏¹,郑河荣²

1. 浙江经贸职业技术学院信息技术系,杭州 310018
2. 浙江工业大学软件学院，杭州 310018

收稿日期:2012-05-28 修回日期:2012-07-12 发布日期:2012-11-12 出版日期:2012-11-01
通讯作者: 黄叶珏
作者简介:黄叶珏(1978-), 女, 浙江嵊州人, 讲师，硕士,主要研究方向：计算机图像、信息安全；郑河荣(1971-), 男，浙江温岭人, 教授, 博士, 主要研究方向：计算机视觉、图形图像处理、智能识别。
基金资助:
浙江省自然科学基金资助项目(Y1110781);浙江省供销社项目(12SS02)

Online multiple instance boost random ferns for visual tracking

HUANG Ye-jue¹,ZHENG He-rong²

1. Department of Information Technology,ZheJiang Economic and Trade Polytechnic, Hangzhou Zhejiang 310018, China
2. College of Computer, Zhejiang University of Technology, Hangzhou Zhejiang 310018, China

Received:2012-05-28 Revised:2012-07-12 Online:2012-11-12 Published:2012-11-01
Contact: HUANG Ye-jue

摘要/Abstract

摘要： 为了实现在光线变化、目标形变及背景复杂环境下健壮有效的目标跟踪，提出一种基于在线多示例提升随机蕨丛的目标跟踪方法，通过无限冲激响应（IIR）滤波器实现随机蕨丛分类器的在线增量学习，构建在线随机蕨分类器池，并在在线多示例提升框架下对在线随机蕨进行更新和选取，生成在线多示例提升随机蕨丛分类器，利用该分类器对目标候选区域的采样进行分类以确定目标位置，同时构造正例和负例训练集进行在线增量更新。实验结果表明，复杂环境下，算法具有良好的目标跟踪稳定性。

关键词: 目标跟踪, 在线增量更新, 在线多示例提升, 随机蕨丛, 分类器

Abstract: In order to implement efficient and robust object tracking under the circumstances of variant lighting, changing shape and complicated background, an object tracking algorithm based on online multiple instance boost random ferns was proposed, which used Infinite Impulse Response （IIR） filter to implement online incremental learning for random ferns, the pool of online random fern classifier was constructed, and the random ferns were updated and selected by online multiple instance boosting to generate classifier of online multiple instance boost random ferns. The object was located by classifying samples of object candidate region using the classifier, and positive and negative sets were constructed to online update the classifier. The experiment shows that the proposed method has a good target tracking stability under the complex environment.

Key words: object tracking, online incremental updating, online multiple instance boost, random ferns, classifier

中图分类号:

TP391.41

黄叶珏郑河荣. 基于在线多示例提升随机蕨丛的目标跟踪[J]. 计算机应用, 2012, 32(11): 3178-3184.

HUANG Ye-jue ZHENG He-rong. Online multiple instance boost random ferns for visual tracking[J]. Journal of Computer Applications, 2012, 32(11): 3178-3184.

参考文献

［1］ BIRCHFIELD S. Elliptical head tracking using intensity gradients and color histograms［C］// 1998 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society,1998:232-237. ［2］ ISARD M, MACCORMICK J. BraMBLe: a Bayesian multiple-blob tracker［C］// ICCV 2001:Eighth IEEE International Conference on Computer Vision. Washington, DC: IEEE Computer Society, 2001: 34-41. ［3］祖克举,刘富强,李志鹏.基于多目标检测与跟踪的密集客流检测［J］.中国图象图形学报,2009,14(10):2106-2109. ［4］张秋余,胡建强,张墨逸.基于区域生长的Mean shift动态变形手势跟踪算法［J］.模式识别与人工智能, 23(4):580-585. ［5］郭君斌,郭晓松,雷磊,等.基于改进粒子滤波算法的人眼跟踪方法［J］.仪器仪表学报, 2010, 31(8):1720-1725. ［6］ COMANICIU D, RAMESH V, MEER P. Kernel-based object tracking［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence,2003, 25(5): 564-575. ［7］刘献如,蔡自兴,唐琎.基于SAD与UKF-Mean Shift的主动目标跟踪［J］.模式识别与人工智能,2010, 23(5):646-652. ［8］覃剑,曾孝平,李勇明.基于边界力的Mean-Shift核窗宽自适应算法［J］.软件学报, 2009, 20(7):1726-1734. ［9］王长军,朱善安.基于Meanshift的目标平移与旋转跟踪［J］. 中国图象图形学报, 2007, 12(8):1367-1371. ［10］马雷,田原,苏红旗.一种基于蒙特卡罗方法的小目标视觉跟踪算法［J］.中国图象图形学报, 2008, 13(3):445-449. ［11］左军毅,梁彦,赵春晖,等.Mean Shift跟踪算法中尺度自适应策略的研究［J］.中国图象图形学报, 2008, 13(9):1750-1767. ［12］田纲,胡瑞敏,王中元. 一种基于运动矢量分析的Mean shift目标跟踪算法［J］. 中国图象图形学报,2010, 15(1):85-90. ［13］王欢,王江涛,任明武,等. 一种鲁棒的多特征融合目标跟踪新算法［J］.中国图象图形学报,2009, 14(3):489-498. ［14］孟勃,朱明.采用EM算法对粒子滤波跟踪算法进行改进［J］.中国图象图形学报, 2009,14(9):1745-1749. ［15］孟钢,姜志国,赵丹培,等. 多特征融合的在线更新目标跟踪算法［J］. 计算机辅助设计与图形学报,2010, 22(10):1788-1795. ［16］贾静平,张飞舟,柴艳妹. Adaboost目标跟踪算法［J］. 模式识别与人工智能,2009, 22(3):475-480. ［17］钱诚,徐舒畅,张引,等.一种基于线性判别空间增量更新的跟踪方法［J］.模式识别与人工智能,2010, 23(2):250-255. ［18］罗嘉,韦志辉.基于几何活动轮廓模型的目标跟踪与快速运动估计［J］.中国图象图形学报, 2009, 14(7):1361-1368. ［19］ GRABNER H, GRABNER M, BISCHOF B,et al. Real-time tracking via online boosting［EB/OL］. ［2012-03-18］.http://www.macs.hw.ac.uk/bmvc2006/papers/033.pdf. ［20］ GRABNER H, LEISTNER C, BISCHOF B, et al. Semi-supervised online boosting for robust tracking［EB/OL］. ［2012-03-18］. http://people.ee.ethz.ch/~cleistne/papers/Grabner2008Semi-supervisedOn-lineboosting.pdf. ［21］ BORIS B, YANG MING-HSUAN, SERGE B, et al. Visual tracking with online multiple instance Learning［C］// IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2009:983-990. ［22］ VIOLA P, PLATT J, ZHANG C, et al. Multiple instance boosting for object detection［EB/OL］.［2012-04-18］。http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.70.3725andrep=rep1andtype=pdf.

[1]	姬张建, 任兴旺. 带旋转与尺度估计的全卷积孪生网络目标跟踪算法[J]. 计算机应用, 2021, 41(9): 2705-2711.
[2]	严爱军, 魏志远. 案例推理分类器的权重分配及案例库维护方法[J]. 计算机应用, 2021, 41(4): 1071-1077.
[3]	钟莎, 黄玉清. 基于孪生区域候选网络的无人机指定目标跟踪[J]. 计算机应用, 2021, 41(2): 523-529.
[4]	闫钧华, 侯平, 张寅, 吕向阳, 马越, 王高飞. 基于多尺度多分类器卷积神经网络的混合失真类型判定方法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3178-3184.
[5]	尹春勇, 朱宇航. 基于垂直集成Tri-training的虚假评论检测模型[J]. 计算机应用, 2020, 40(8): 2194-2201.
[6]	肖跃雷, 张云娇. 基于特征选择和超参数优化的恐怖袭击组织预测方法[J]. 计算机应用, 2020, 40(8): 2262-2267.
[7]	张杰, 常天庆, 戴文君, 郭理彬, 张雷. 基于相关滤波与颜色概率模型的目标跟踪算法[J]. 计算机应用, 2020, 40(6): 1774-1782.
[8]	王留洋, 俞扬信, 陈伯伦, 章慧. 基于共识和分类改善文档聚类的识别信息方法[J]. 计算机应用, 2020, 40(4): 1069-1073.
[9]	何祥宇, 李静, 杨数强, 夏玉杰. 基于ET-PHD滤波器和变分贝叶斯近似的扩展目标跟踪算法[J]. 计算机应用, 2020, 40(12): 3701-3706.
[10]	邓天民, 方芳, 周臻浩. 基于改进空间金字塔池化卷积神经网络的交通标志识别[J]. 计算机应用, 2020, 40(10): 2872-2880.
[11]	石国强, 赵霞. 基于联合优化的强耦合孪生区域推荐网络的目标跟踪算法[J]. 计算机应用, 2020, 40(10): 2822-2830.
[12]	杨博, 蔺素珍, 禄晓飞, 李大威, 秦品乐, 左健宏. 基于多特征融合与分层数据关联的空中红外多目标跟踪方法[J]. 计算机应用, 2020, 40(10): 3075-3080.
[13]	俞皓芳, 孙力帆, 付主木. 基于改进K-means++聚类的多扩展目标跟踪算法[J]. 计算机应用, 2020, 40(1): 271-277.
[14]	何祥宇, 于斌, 夏玉杰. 粒子概率假设密度平滑器异常平滑问题的解决方法[J]. 计算机应用, 2020, 40(1): 299-303.
[15]	白东颖, 易亚星, 王庆超, 余志勇. 面向概念漂移问题的渐进多核学习方法[J]. 计算机应用, 2019, 39(9): 2494-2498.

基于在线多示例提升随机蕨丛的目标跟踪

Online multiple instance boost random ferns for visual tracking

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics