一种基于排序融合学习的目标跟踪方法
【技术领域】
[0001] 本发明主要涉及到计算机视觉中的目标跟踪领域，特别是涉及一种基于排序融合 学习的目标跟踪方法。
【背景技术】
[0002] 目标跟踪在计算机视觉领域中是相当活跃的研宄课题，自从上世纪末被提出以 后，众多学者纷纷加入研宄行列，是当今国内外研宄的前沿问题之一。目标跟踪在视觉分析 领域属于中层部分，为后续高层视觉分析奠定了基础，因此具有非常重要的研宄价值。
[0003] 目标跟踪算法中最为关键的组成部分是表观模型。表观模型，简单的说，如何能够 对跟踪目标物体的表观进行简洁有效地表达。一般来说，目标的表观模型主要可以分为产 生式和判别式两大类。产生式模型从目标本身出发，采用不同的描述模型来提取不同的目 标特征，从而构建一个紧致的目标表示。目标区域的颜色直方图是最常见的基于产生式的 表观模型，但是，它完全忽略了目标表观颜色的空间分布信息。基于混合高斯的表观模型利 用混合加权的高斯分布来动态地学习像素颜色的时间统计特性。Ross等人提出了基于增量 子空间学习的方法来建模目标表观的时空统计特性。Mei等人提出了一种基于稀疏表示的 目标表观模型。稀疏表示关心的是如何用尽量少的训练样本去重构新来的候选样本。
[0004] 判别式模型同时考虑目标（正样本）和背景信息（负样本），它关注的是如何构建 一个分类器或者分类界面能够精准地区分目标和背景，此时，跟踪问题就可以看成一个二 分类问题。Avidan提出基于支持向量机（Support Vector Machine)的分类器来区分目标 和背景，并将其融入到基于光流的跟踪算法中去。Grabner等人采用在线的Adabooting算 法来构建强分类器，强分类器由一系列的弱分类器通过Adabooting算法组合而成，每个弱 分类器对应于一个区分目标和背景的分类界面，同时通过不断地更新弱分类器，或者选择 新的分类器来实现在线更新。Saffari等人提出了基于随机森林的分类器构建方法，在该 算法中，首先采用随机森林算法选择特征，然后对经过选择的特征构建分类器。Babenko等 人提出了基于多示例学习 （multiple instance learning)的表观模型。在该算法中，在选 择正样本进行更新分类器的时候，不只把当前帧的跟踪结果作为正样本，同时选取了与跟 踪结果非常接近的一些区域，把它们一起形成一个"包"，使用包来更新分类器。通过包的机 制，使得该算法对跟踪误差具有一定的容错性，即使当前帧跟踪结果稍微不精确，也不会使 得分类器被错误地更新。
[0005] 尽管到目前为止，在目标视觉跟踪领域已经有大量的研宄成果，但是依然没有一 个算法能够在全部数据集上都取得比其他算法更为优异的跟踪结果。一方面，在缺乏先验 知识和目标真实状态（ground truth)的前提下，算法的性能无法得到有效的保证；另一方 面，每个算法都是基于特定的假设，这使得每个算法对其能处理的数据都有特定的要求，无 法保证良好的泛化能力。而算法对数据的特定要求无法具体化，待处理数据又缺乏足够的 先验知识，这使得很难针对数据选择合适的算法处理。没有算法能够在所有的数据集上都 取得满意的跟踪效果，也无法针对数据选择合适的算法进行处理，这就使得研宄如何将不 同跟踪算法的特性融合以便得到更加稳定的跟踪效果成为当前的一个研宄焦点。
【发明内容】
[0006] 为了实现上述目标，本发明提出了一种基于排列融合学习的目标跟踪方法。该方 法可以有效地融合不同跟踪算法的优点，从而提高跟踪系统的鲁棒性和适应性。
[0007] 为了实现上述目的，本发明采用了以下的技术方案：
[0008] 1. 一种基于排序融合学习的目标跟踪方法，其特征在于：包括以下步骤：
[0009] 1)选择4种不同的跟踪算法，其中包括3种基于产生式模型的跟踪算法：基于增 量子空间学习的跟踪算法、基于协方差特征的跟踪算法、基于空间约束混合高斯模型的跟 踪算法，以及1种基于判别式模型的跟踪算法：基于多示例学习的跟踪算法；4种跟踪算法 全部采用粒子滤波跟踪框架，依据上一帧的跟踪结果，通过高斯随机扰动产生目标候选区 域并按照顺序标记序号；
[0010] 2)每一种跟踪算法根据各自的表观模型对目标候选区域进行评价，然后根据评 价结果给每个目标候选区域赋予一个权重，最后按照权重大小对所有目标候选区域进行排 序，4种算法对所有的目标候选区域排序获得4种不同排序；
[0011] 3)根据目标候选区域的4种排序，首先定义两种不同排序之间的Kendall' s tau 距离：将一种排序通过交换相邻位置的元素，转变成另一种排序所需要的最小交换次数，该 距离满足"右不变性"，即对两种排序采用同样的变换操作，不会影响其距离值；
[0012] 4)给定目标候选区域的不同排序，利用定义的距离测度，建立其真实排序的后验 概率模型，该模型可以有效的融合目标候选区域的不同排序以及各个排序的可靠性，为了 提高实时性，只对不同排序中的前k个序列进行融合，利用期望最大化算法估计该后验概 率模型中的参数，并生成最终融合的候选区域排序。
[0013] 其中，本方法选择融合排序的排名第一的候选区域作为跟踪结果，并由此排序对4 种不同跟踪算法的表观模型进行更新；
[0014] 5)为了提高模型的鲁棒性和期望最大化算法的迭代收敛速度，对后验概率模型中 的专家度参数，即表示每种排序的可靠性参数，进行自适应学习，学习过程中，要计算一帧 模型的专家度和各算法与跟踪结果的吻合度。
[0015] 2.根据权利要求1所述的基于排序融合学习的目标跟踪方法，其特征在于：所述 的步骤1)具体为：
[0016] 首先，选取四种不同的跟踪算法作为融合对象，对输入视频序列第一帧中的目标 进行初始化；
[0017] 其次，采用粒子滤波跟踪框架，根据上一帧的跟踪结果，通过高斯随机扰动产生目 标候选区域并按照顺序标记序号。
[0018] 本发明的有益效果是：
[0019] (1)本发明所提出一种基于排列融合学习的目标跟踪算法，在复杂的环境中可以 精确地对目标进行跟踪，对被跟