基于支持向量机的多特征选择目标跟踪

被引：4

作者：

胡昭华 ^{[1
,2
]}

徐玉伟 ^{[1
,3
]}

赵孝磊 ^{[1
]}

何军 ^{[1
]}

周游 ^{[4
]}

机构：

[1] 南京信息工程大学电子与信息工程学院

[2] 南京信息工程大学江苏省大气环境与装备技术协同创新中心

[3] 中国人民解放军部队

[4] 苏州电器科学研究院股份有限公司

来源：

应用科学学报 | 2015年 / 33卷 / 05期

关键词：

分类器; 目标跟踪; 支持向量机; 子空间学习; 多特征选择;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

目标判别跟踪方法一般以单一跟踪结果(正样本)和部分负样本训练分类器,并只用单一的特征描述目标,因此在目标发生遮挡、光照变化、形变等情况下很容易导致跟踪的失败.为了克服单一正样本和单一特征训练的分类器导致跟踪不稳定的问题,提出一种基于支持向量机的多特征描述、多个正负样本进行分类器训练的目标跟踪方法,用训练分类器对所有候选粒子的不同特征进行判别和选择,并将具有最大置信概率的粒子确定为跟踪结果.在跟踪过程中,利用子空间学习的方法实现正样本的更新,并以更新后的正负样本训练分类器.实验结果表明,该方法在目标存在遮挡、光照变化、形变等情况下均可以取得较好的跟踪效果.

引用

页码：502 / 517

页数：16

共 8 条

[1] Online Learning 3D Context for Robust Visual Tracking[J] . Bineng Zhong,Yingju Shen,Yan Chen,Weibo Xie,Zhen Cui,Hongbo Zhang,Duansheng Chen,Tian Wang,Xin Liu,Shujuan Peng,Jin Gou,Jixiang Du,Jing Wang,Wenming Zheng. Neurocomputing . 2014
[2] Robust Visual Tracking via Structured Multi-Task Sparse Learning
Zhang, Tianzhu
Ghanem, Bernard
Liu, Si
Ahuja, Narendra
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2013, 101 (02) : 367 - 383
[3] Robust visual tracking with structured sparse representation appearance model[J] . Tianxiang Bai,Y.F. Li. Pattern Recognition . 2011 (6)
[4] Sparse coding based visual tracking: Review and experimental comparison[J] . Shengping Zhang,Hongxun Yao,Xin Sun,Xiusheng Lu. Pattern Recognition . 2012
[5] Incremental Learning for Robust Visual Tracking[J] . David A. Ross,Jongwoo Lim,Ruei-Sung Lin,Ming-Hsuan Yang. International Journal of Computer Vision . 2008 (1)
[6] Object tracking[J] . Alper Yilmaz,Omar Javed,Mubarak Shah. ACM Computing Surveys (CSUR) . 2006 (4)
[7] Maximum-likelihood template matching .2 Olson C F. Proceedings of IEEEConference on Computer Vision and Pattern Recognition . 2000
[8] Visual Tracking with Online Multiple Instance Learning .2 B. Babenko,M. H. Yang,S. Belongie. IEEE Conference on Computer Vision and Pattern Recognition . 2009

← 1 →