Robust Object Tracking with Online Multiple Instance Learning

《Robust Object Tracking with Online Multiple Instance Learning》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、RobustObjectTrackingwithOnlineMultipleInstanceLearning（多示例学习作用在跟踪过程中的哪个位置）跟踪模块—>外观模型—>自适应外观模型—>同时对目标和背景建模—>多示例学习跟踪分为三个模块：1、外观模型，评估目标在某个位置的可能性2、运动模型，将目标位置与时间关联起来3、搜索策略，在当前帧找到目标最可能的位置本论文重点研究的是第一个模块——外观模型外观模型的表示：1、静态外观模型（人为定义或者通过第一帧训练得到（先验知识））弊端：无法处理外观剧烈变化的情况，如变形、平面外旋转、场景光照变化2、自适应外观模型（在跟踪过程中，随着目标变化，外

2、观模型自己改进）弊端：有很多参数要调节、局部遮挡时会出现漂移本论文研究的是自适应外观模型，想达到的目标是能够跟踪到部分遮挡的物体而不出现明显的漂移，并且只有较少的参数自适应外观模型的建模方式：1、只对目标建模：建模后在后续帧进行模板匹配（产生式方法）2、同时对目标和背景建模：把跟踪当成二分类问题，用目标和背景训练分类器，然后用分类器寻找目标（判别式方法）同时对目标和背景建模，并使用判别式分类器区分前后背景，跟踪效果更好。所以现在主要采用后者，本论文也是采用的后者同时对目标和背景建模，在外观模型更新时如何选择正负样本（目标是正样本、背景是负样本）是一大难题，选择正负样本的方式有：1、把当前跟

3、踪位置作为单个正样本，在其周围采样得到若干负样本这样做，如果跟踪器确定的位置不精确，会导致误差积累，出现漂移。2、从当前跟踪位置附近采样得到多个正样本，在其周围采样得到若干负样本这样做，目标模型会变得混乱(有多个正样本，不知道具体选哪个做下一帧目标位置)，其判别能力会减弱，同时也会出现样本不精确导致的跟踪漂移3、把跟踪位置的确定看作一个多示例问题（即知道目标的大概位置，但是具体位置不知道），用多示例学习解决多示例学习的基本思想：在训练过程中，样本不再是单个图像块，而是将多个图像块放在一个包里，整个包有一个标签。如果包里至少有一个正例，则标记为正。否则，标记为负。即从当前跟踪位置附近采样得到

4、多个样本，放在一个包里，标记为正（至少有一个正样本），在其周围采样得到若干负样本，每个负样本都单独放在一个负包里（也可以把所有负样本都放在一个负包里，结果一样。因为负包里的样本都是负样本）本论文就是使用了多示例学习实现目标的实时鲁棒跟踪总结：研究内容：跟踪问题，即跟踪任意目标，除了知道第一帧的位置，没有其它先验信息（也叫做“model-free”tracking，即无模型跟踪）研究目标：提出一种更鲁棒的自适应外观模型更新方法鲁棒表现在处理局部遮挡时不会发生严重漂移，参数调节最简化解决方法：多示例学习MIL+在线提升OnlineBoosting—>在线多示例学习OnlineMIL论文的创新点

5、：提出了一种在线的基于MIL的外观模型(onlineMIL-basedappearancemodel)用多示例学习MIL和在线提升OnlineBoosting技术训练出了一个MIL分类器，从而对样本进行鲁棒分类MIL跟踪的运动模型：MIL跟踪的流程：1、由前一帧目标位置l*t-1得到当前帧目标可能位置的集合Xs，并计算相应的特征向量（使用Haar-like特征）l(x)表示图像块x的位置，包括坐标(x,y)和尺度；l*t-1表示第t-1帧（前一帧）的目标位置；s为参数，度量图像块与前一帧目标位置的最大距离。2、使用MIL分类器计算集合Xs中所有图像块的概率p(y=1

6、x)（图像块x中包含目

7、标的概率）3、选出概率最大的图像块作为当前帧的目标位置4、得到目标位置以后，扩展样本：扩展正样本，放在一个包里，标签为正；扩展负样本，每个负样本单独放在一个包里，标签为负5、用扩展后的正包和负包更新MIL外观模型同时也可以考虑引入尺度变换参数，这样的好处是结果可以更加的准确；坏处是增加了参数的空间维度。可根据需求决定MIL分类器的在线训练过程一、多示例学习MIL1、用传统算法训练分类器：训练样本：，为单个示例(样本)，为示例标签，用训练样本训练得到分类器H，用分类器对新样本进行分类，p(y

8、x)2、用多示例学习训练分类器：训练样本：，，为包，里面是若干个示例，为包的标签，为示例标签正包：包

9、中至少有一个正例负包：包中所有示例都是反例包的标签与示例标签的关系：在实际训练过程中，示例标签是未知的。本论文MIL分类器在线训练开始阶段，更新弱分类器要用到示例标签(弱分类器是示例分类器，即是对示例进行分类的)，是直接将包的标签复制给示例二、在线提升OnlineBoostingBoosting是改善学习算法准确度的一般方法，即把较弱的学习算法变成较强的学习算法。也即将多个弱分类器h加权线性组合，得到一个强分类器H。三、