基于在线半监督boosting的协同训练目标跟踪算法.docx

基于在线半监督boosting的协同训练目标跟踪算法苏松志李绍滋*吕艳萍陈思曹冬林(厦门大学信息科学与技术学院 厦门 361005)(福建省仿脑智能系统重点实验室(厦门大学)厦门 361005)摘要：基于自训练的判别式目标跟踪算法使用分类器的预测结果更新分类器自身，容易累积分类错误，从而导致漂移问题。为了克服自训练跟踪算法的不足，该文提出一种基于在线半监督boosting的协同训练目标跟踪算法(简称Co-SemiBoost)，其采用一种新的在线协同训练框架，利用未标记样本协同训练两个特征视图中的分类器，同时结合先验模型和在线分类器迭代预测未标记样本的类标记和权重。该算法能够有效提高分类器的判别能力，鲁棒地处理遮挡、光照变化等问题，从而较好地适应目标外观的变化。在若干个视频序列的实验结果表明，该算法具有良好的跟踪性能。关键词：目标跟踪；在线学习；半监督学习；协同训练中图分类号：TP391DOI:10.3724/SP.J.1146.2013.00826文献标识码：A文章编号：1009-5896(2014)04-0888-08ANovelCo-trainingObjectTrackingAlgorithmBasedonOnlineSemi-supervisedBoostingSuSong-zhiLiShao-ziLu??Yan-pingChenSiCaoDong-lin(SchoolofInformationScienceandTechnology,XiamenUniversity,Xiamen361005,China)(FujianKeyLaboratoryoftheBrain-likeIntelligentSystems(XiamenUniversity),Xiamen361005,China)Abstract:Theself-trainingbaseddiscriminativetracking methods usetheclassificationresultstoupdatetheclassifieritself.However,thesemethodseasilysufferfromthedriftingissuebecausetheclassificationerrorsareaccumulatedduringtracking.Toovercomethedisadvantages of self-trainingbasedtracking methods,a novelco-trainingtrackingalgorithm,termedCo-SemiBoost,isproposedbasedononlinesemi-supervisedboosting.Theproposedalgorithmemploysa newonlineco-trainingframework,whereunlabeledsamplesare usedtocollaborativelytraintheclassifiersrespectivelybuiltontwofeatureviews.Moreover,thepseudo-labelsandweightsofunlabeledsamplesareiterativelypredictedbycombiningthedecisionsofapriormodelandanonlineclassifier.Theproposedalgorithmcaneffectivelyimprovethediscriminativeabilityof theclassifier,andis robusttoocclusions,illuminationchanges,etc.Thusthealgorithm canbetteradapt toobjectappearancechanges.Experimentalresultsonseveralchallengingvideosequencesshowthattheproposedalgorithmachievespromisingtrackingperformance.Keywords:Objecttracking;Onlinelearning;Semi-supervisedlearning;Co-training引言目标跟踪是人工智能和计算机视觉的重要研究课题[1]。然而，由于受到场景中各种复杂因素的影响，如光照、旋转、移动和遮挡等，目标跟踪已成为一项极具挑战的任务[2]。目前研究者已经提出诸多目标跟踪算法[3-12]，大致分为生成式算法[3-5]和判别式1算法[6-12]。判别式目标跟踪算法[6-12]将跟踪视为目标和背景的2类分类问题，受到学者的