基于簇相似的多分类器目标跟踪算法

doi:10.3969/j.issn.0372-2112.2016.04.010

电子学报 ›› 2016, Vol. 44 ›› Issue (4): 821-825.DOI: 10.3969/j.issn.0372-2112.2016.04.010

基于簇相似的多分类器目标跟踪算法

李康, 何发智, 潘一腾, 孙航

武汉大学计算机学院, 湖北武汉 430072

收稿日期:2014-11-15 修回日期:2015-07-31 出版日期:2016-04-25
- 通讯作者:
- 何发智
- 作者简介:
- 李康 男,1986年9月出生,安徽亳州人.武汉大学在读博士研究生,主要研究方向:图像处理、目标跟踪. E-mail:likang@whu.edu.cn
- 基金资助:
- 国家自然科学基金 (No.61472289); 湖北省自然科学基金 (No.2015CFB254)

Multi-Classifier Object Tracking Based on Cluster Similarity

LI Kang, HE Fa-zhi, PAN Yi-teng, SUN Hang

School of Computer Science, Wuhan University, Wuhan, Hubei 430072, China

Received:2014-11-15 Revised:2015-07-31 Online:2016-04-25 Published:2016-04-25
- Supported by:
- National Natural Science Foundation of China (No.61472289); Natural Science Foundation of Hubei Province, China (No.2015CFB254)

摘要/Abstract

摘要：

由于跟踪过程中目标和背景的变化,传统的单分类器跟踪算法学习到大量的非目标信息而导致跟踪精度降低.针对该问题,本文提出使用树形结构保存历史分类器.在每一帧,根据树中路径距离选择分类器集对测试样本分类.提出了一种基于簇相似性比较的分类算法.通过建立以方差为尺度的特征空间,比较测试样本到簇中心的距离计算相似度,快速计算出目标样本.实验表明本算法能够在复杂条件下实现对目标的鲁棒跟踪.

关键词: 目标跟踪, 多分类器, 在线学习, 类哈尔特征

Abstract:

Due to the changes of target and background during tracking,traditional single classifier tracking algorithms learn a lot of non-target information which result in the decrease of tracking accuracy.In this paper,we propose to use tree structure to save former classifiers as a set.In each frame,a subset of classifiers are chosen according to the path in the tree to classify test samples.We propose a classification algorithm based on cluster similarity comparison.A normalized feature space is established according to the variance of the cluster.The target in a new frame could be got by computing the distance between test samples and the center of the cluster.Experiments show that our algorithm could achieve the goal of robust tracking under complicated conditions.

Key words: object tracking, multiple classifiers, online learning, Haar-like feature

中图分类号:

TP391.41

李康, 何发智, 潘一腾, 等. 基于簇相似的多分类器目标跟踪算法[J]. 电子学报, 2016, 44(4): 821-825.

LI Kang, HE Fa-zhi, PAN Yi-teng, et al. Multi-Classifier Object Tracking Based on Cluster Similarity[J]. Acta Electronica Sinica, 2016, 44(4): 821-825.

参考文献

[1] Yang H,Shao L,Zheng F,et al.Recent advances and trends in visual tracking:A review[J].Neurocomputing,2011,74(18):3823-3831.
[2] Yilmaz A,Javed O,Shah M.Object tracking:A survey[J].ACM Computing Surveys,2006,38(4):13.
[3] 权伟,陈锦雄,余南阳.在线学习多重检测的可视对象跟踪方法[J].电子学报,2014,42(5):875-882. QUAN Wei,CHEN Jin-xiong,YU Nan-yang.Online learning of multiple detectors for visual object tracking[J].Acta Electronica Sinica,2014,42(5):875-882.(in Chinese)
[4] 姜明新,王洪玉,王洁,王彪.基于ML和L2范数的视频目标跟踪算法[J].电子学报,2013,41(11):2307-2313. JIANG Ming-xin,WANG Hong-yu,WANG Jie,WANG Biao.Visual object tracking algorithm based on ML and L2-norm[J].Acta Electronica Sinica,2013,41(11):2307-2313.(in Chinese)
[5] Ross D A,Lim J,Lin R S,et al.Incremental learning for robust visual tracking[J].International Journal of Computer Vision,2008,77(1-3):125-141.
[6] Mei X,Ling H.Robust visual tracking using l1 minimization[A].IEEE 12th International Conference on Computer Vision[C].Kyoto,Japan:IEEE,2009.1436-1443.
[7] Zhang K,Zhang L,Yang M H.Real-time compressive tracking[A].Computer Vision-ECCV 2012[C].Berlin Heidelberg:Springer,2012.864-877.
[8] Babenko B,Yang M H,Belongie S.Visual tracking with online multiple instance learning[A].IEEE Conference on Computer Vision and Pattern Recognition[C].Florida,USA:IEEE,2009.983-990.
[9] Mahalanobis P C.On the generalized distance in statistics[J].Proceedings of the National Institute of Sciences (Calcutta),1936,2:49-55.
[10] Sevilla-Lara L,Learned-Miller E.Distribution fields for tracking[A].IEEE Conference on Computer Vision and Pattern Recognition[C].Rhode Island:IEEE,2012.1910-1917.
[11] Kalal Z,Matas J,Mikolajczyk K.Pn learning:Bootstrapping binary classifiers by structural constraints[A].IEEE Conference on Computer Vision and Pattern Recognition[C].San Francisco:IEEE,2010.49-56.
[12] Wu Y,Lim J,Yang M H.Online object tracking:A benchmark[A].IEEE Conference on Computer Vision and Pattern Recognition [C].Portland,Oregon:IEEE,2013.2411-2418.

[1]	李豪, 袁广林, 秦晓燕, 琚长瑞, 朱虹. 基于空间加权对数似然比相关滤波与Deep Snake的目标轮廓跟踪[J]. 电子学报, 2023, 51(1): 105-116.
[2]	谢青松, 刘晓庆, 安志勇, 李博. 基于前景优化的视觉目标跟踪算法[J]. 电子学报, 2022, 50(7): 1558-1566.
[3]	陆克中, 陈超凡, 蔡桓, 吴定明. 面向概念漂移和类不平衡数据流的在线分类算法[J]. 电子学报, 2022, 50(3): 585-597.
[4]	侯利明, 连峰, 谭顺成, 徐从安. 闪烁噪声统计特性未知情况下的鲁棒广义标签多伯努利滤波器[J]. 电子学报, 2021, 49(7): 1346-1353.
[5]	陈丹, 姚伯羽. 运动模型引导的自适应核相关目标跟踪方法[J]. 电子学报, 2021, 49(3): 550-558.
[6]	罗大鹏, 杜国庆, 曾志鹏, 魏龙生, 高常鑫, 陈应, 肖菲, 罗琛. 基于少量样本学习的多目标检测跟踪方法[J]. 电子学报, 2021, 49(1): 183-191.
[7]	马少雄, 邱实, 唐颖, 张晓. 基于工地场景的深度学习目标跟踪算法[J]. 电子学报, 2020, 48(9): 1665-1671.
[8]	田增山, 廉颖慧, 周牧, 李泽, 金悦. 基于Wi-Fi多维参数特征的无源目标跟踪技术[J]. 电子学报, 2020, 48(8): 1572-1579.
[9]	陈辉, 贺忠良, 邓东明, 李国财. 高斯混合多伯努利滤波器基于柯西施瓦兹散度的传感器控制方法[J]. 电子学报, 2020, 48(4): 706-716.
[10]	叶瑾, 许枫, 杨娟, 王佳维. 一种基于多传感器的复合量测IMM-EKF数据融合算法[J]. 电子学报, 2020, 48(12): 2326-2330.
[11]	王树亮, 毕大平, 阮怀林, 杜明洋, 潘继飞. 基于信息熵准则的认知雷达机动目标跟踪算法[J]. 电子学报, 2019, 47(6): 1277-1284.
[12]	陈辉, 贺忠良, 连峰, 黎慧波. 基于高斯混合多目标滤波器的传感器控制策略[J]. 电子学报, 2019, 47(3): 521-530.
[13]	李姝怡, 程婷. 基于量测转换IMM的多普勒雷达机动目标跟踪[J]. 电子学报, 2019, 47(3): 538-544.
[14]	张浩为, 谢军伟, 葛佳昂, 宗彬锋, 路文龙. 基于波形调度的机动目标跟踪算法[J]. 电子学报, 2019, 47(3): 560-567.
[15]	戴忠华, 周穗华, 张宏欣, 单珊. 初值自适应的磁性目标跟踪方法[J]. 电子学报, 2019, 47(12): 2457-2464.

基于簇相似的多分类器目标跟踪算法

Multi-Classifier Object Tracking Based on Cluster Similarity

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