基于混合轴对称信息融合的特征排序分类器

基于混合轴对称信息融合的特征排序分类器

1混合非负性分类方法主要影响了跟踪的结果，但特征部分可以利用分类器进行识别在目标跟踪中，稳定性和时间性是目标跟踪过程中最重要的问题。当前所提出的跟踪算法及其改进算法有很多，如粒子滤波、卡尔曼滤波、mean-shift算法等，这些方法通常是人为地选取某种特征（如颜色、纹理、形状等特征）来表征目标，且在跟踪过程中通常保持不变，在场景变化的情况下，不具有自适应性；选取的特征单一，不具备多样性，不利于稳定跟踪；在特征固定单一的情况下，为了保证跟踪的有效性和精确度，一般来说会导致算法的复杂度增加，从而影响跟踪系统的实时性。近几年，一些学者从模式分类的角度考虑跟踪问题，将跟踪问题看做一个二元分类问题，利用分类器从背景中区分被跟踪目标。Collins等人本文利用分类方法、排序方法结合而形成的一种混合Boosting(HybridBoost）方法来选择特征，建立类似于AdaBoost分类器的特征排序分类器，然后在跟踪的过程中不断更新特征排序分类器，从而自适应地选择特征。为了降低计算量，采用卡尔曼滤波对目标进行粗预测，减少搜索区域，然后利用mean-shif算法及特征排序分类器进行精确跟踪。该算法根据背景信息的不同，自适应地更新特征，且这些特征满足目标与目标之间，目标与背景之间的区分性。当场景中存在遮挡、形变以及干扰等情况，该方法仍然可以较好地对目标进行稳定跟踪。2基于hybridbool在跟踪的过程中，特征提取满足目标之间的区分性是一个多分类问题，文献假定开始时已经检测到了目标区域,如图1,图中矩形框(红色)为目标区域,为了获得更多的目标样本,将目标区域矩形框分别向左右和上下方向移动1～2个像素点,就获得了多个目标样本,随意抽取目标周围相同大小的多个背景区域(蓝色)作为背景样本。假设有L个目标,每个目标有M个样本,由文献和传统Boosting算法一样，HybridBoost对每一个训练样本赋予权重，并通过迭代的方法进行学习。在迭代的每一步，选出一个当前的最优弱排序分类器，并更新样本的权重，最终的强排序分类器是弱排序分类器的线性组合。使用的弱排序分类器定义为：其中f为度量函数（比如相似度），以样本对x为输入，η为阈值。新的损失函数为RankBoost和AdaBoost损失的线性组合：其中HybridBoost算法流程如下：步骤1样本权重初始化：(1）初始化Z对于每一特征k(1£k£n,n为备选特征总数）和阈值η(2)计算当前样本权重下的损失：最终求得最优的弱分类排序器h(3）样本权重归一化。步骤3输出强排序分类器：在迭代的第t步，算法寻找最优的弱排序分类器h由上，根据标定的结果，利用HybridBoost训练便得到了T个特征和相应的T个弱特征排序分类器。3基于实时+实时社会南分子算法的必要性分析在跟踪的过程中，为了能够实时地更新特征排序分类器，因此，需要一个实时的Boosting算法，为此对文献对于每一个xÎX=Rue032B，初始化重要性权值λ=1，和(1）计算h(2）若样本正确划分：λ(3）计算错误率：4实时基本粒子法基于稳定性、实时性的考虑，采用颜色特征(1）初始化(1)标定目标和背景（如图1的图像块）。(2)用第2章的方法得到T个弱特征排序分类器组成强排序分类器：(3)初始化目标运动特征，卡尔曼滤波参数。(1)根据前一帧的结果，利用卡尔曼滤波对该帧运动目标区域进行粗略预测。(2)在上述的预测区域内，计算信度函数L(3)在信度函数L5实验验证和算法运行效率在一台P4-2.4GHz,512MB内存的PC机上进行了仿真实验，所采用的视频为CAVIAR为了获得HybridBoost中β的合适取值，用训练代替更新的方法在该集合的三个视频上进行了测试，结果如图2所示可以看出，当β的取值在0.5和0.75之间时，跟踪效果较为理想，为此，本文取β=0.65。接下来在CAVIAR集上的ThreePastShop2cor视频上对本文的跟踪算法进行了验证，在该场景中，对跟踪的不利因素有光照变化、行人干扰和遮挡、目标互相遮挡、目标形变等。在实验的过程中，与文献在算法的运算量上，由于采用的特征简单，易快速计算，在跟踪上，卡尔曼估计本身的运算量小，利用卡尔曼滤波减小搜索区域，从而减少了mean-shift在跟踪窗内的运算，降低了计算量。本文算法耗时较多的是特征排序分类器的训练和更新，为了验证算法整体的实时性，对三种算法处理每帧的耗时进行了比对，如图4。AKF每帧的平均运行时间为24.225ms,APF为29.987ms，本文的算法（AMS）为31.769ms，可见最快的是AKF，但跟踪的效果较差，虽然AMS耗时较大，但仍然能满足实时性的要求。还对特征的选择进行了分析，如图5所示，从结果中可以看出，在正常情况下，颜色特征（红色线条）作为跟踪的首要特征，所占比例最大，Harr特征（蓝色线条）次之，LBP特征（黑色线条）所占比例较低；在第455～462帧时，目标出现遮挡时，颜色特征开始下降，Harr特征开始上升为主要特征，与此同时LBP特征所占比例也有所提高；在第480～519帧，黑色目标互相遮挡，Harr特征又代替颜色特征成为比例最大的特征，LBP特征上升；颜色特征比例下降到最低。可见，在遮挡时，Harr特征是区分目标之间，目标与背景的主要特征。6算法的关键问题针对跟踪过程中的光照、形变、遮挡、干扰等问题，提出了一种基于自适应特征选择的跟踪算法，该算法首先将RankBoost和AdaBoost合并而形成HybridBoost进行选择特征，使得选择的特征具备目标之间，目标与背景之间的区分性，然后在跟踪的过程中自适应更新特征，可以很好地克服上述问题。在实时性问题上，算法采用简单，易快速计算的特征，并通过在线更新特征及其排序分类器，同时通过卡尔曼滤波粗预测搜索区域，mean-shift再在预测区域内完成精确跟踪，从而减少mean-shift的运算量，上述措施有效地缩短了处理时间，满足了实时性的要求。故而本文提出的算法，既能稳定地跟踪目标，又能满足一