基于特征融合与分类器在线学习的目标跟踪算法
CSTR:
作者:
作者单位:

(西北工业大学自动化学院,西安710129)

作者简介:

胡秀华(1988-), 女, 博士生, 从事目标跟踪、多传感器信息融合的研究;郭雷(1956-), 男, 教授, 博士生导师, 从事图像处理、模式识别与智能系统等研究.

通讯作者:

E-mail: huxh@mail.nwpu.edu.cn

中图分类号:

TP391

基金项目:

国家自然科学基金项目(61273362);国家自然科学基金重点项目(61333017).


Object tracking algorithm based on feature fusion and classifier online learning
Author:
Affiliation:

(College of Automation,Northwestern Polytechnical University,Xián 710129,China)

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    为了解决目标在复杂环境下表观变化引起的跟踪漂移问题,提出一种基于多特征融合与分类器在线学习的目标跟踪算法.该算法利用不同表观特征训练子分类器,通过构建损失函数求得各子分类器可信度,进而加权融合子预测结果,得到当前帧最佳目标状态估计;同时,依据最近-最远边界原则和协同训练理论粗更新训练样本集,并通过精选择准则得到更具代表性的训练样本集,实现子分类器自适应更新.实验结果表明,所提出的算法在多种典型测试场景中都能取得较鲁棒的跟踪效果.

    Abstract:

    To solve the tracking drift problem caused by object appearance change in complex environments, the paper proposes an object tracking algorithm on the basis of multi-feature fusion and classifier online learning. The algorithm trains the sub-classifier with different apparent features, and calculates the reliability of each classifier by building the loss function, and then the optimum target state estimation by means of the weighted fusion prediction results of each sub-classifier is obtained. Meanwhile, it updates the training sample set coarsely according to the nearest-farthest boundary principle as well as the co-training theory, and gets more representative ones with the refined selection criterion, which further updates the sub-classifier adaptively. Experimental evaluations demonstrate that the proposed algorithm achieves favorable tracking performance against state-of-the-art methods on various typical testing scenarios.

    参考文献
    相似文献
    引证文献
引用本文

胡秀华,郭雷,李晖晖.基于特征融合与分类器在线学习的目标跟踪算法[J].控制与决策,2017,32(9):1591-1598

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2017-09-08
  • 出版日期:
文章二维码