[发明专利]基于加权多示例学习的加权极限学习机视频目标跟踪方法

摘要

本发明公开了一种基于加权多示例学习的加权极限学习机视频目标跟踪方法,主要解决现有技术中跟踪准确性差的问题，其实现步骤是：1.初始化类哈尔特征模型池并构造多种特征模型块，设置加权极限学习机网络参数；2.在当前帧提取训练样本及其对应于不同特征模型块的特征块；3.计算加权多示例学习权值；4.构建对应于不同特征块的多个网络并选择包的相似性函数值最大的网络与相应的特征模型块；5.计算网络全局输出权值；6.在下一帧提取检测样本及其对应于选择的特征模型块的特征块；7.使用已选择的网络对检测样本进行分类并得到下一帧目标位置；8.重复以上步骤，直到视频结束。本发明提高了跟踪的准确性，可实现对目标的鲁棒跟踪。

主权项

一种基于加权多示例学习的加权极限学习机视频目标跟踪方法，包括：(1)初始化：(1a)构建包含M种特征模型的特征模型池Φ；(1b)对特征模型池Φ中的特征模型进行随机分配，得到总的E组特征模型块V；(1c)选择加权极限学习机作为分类器，并确定它的隐层激励函数g(·)与隐层节点个数L；(1d)随机产生加权极限学习机的输入权值A与隐层偏置R；(2)提取训练样本：(2a)读入第k帧视频图像Ik，判断是否满足k＝1，若满足，则直接利用已知的目标位置或者利用目标检测方法得出的跟踪目标位置否则，利用第(k‑1)帧预测第k帧的目标位置其对应的置信度为confk；(2b)在目标位置周围采集带标签的训练正样本与训练负样本，分别放入正包与负包中，并计算训练样本的权重矩阵W，同时构造训练样本标签集合Tk；(2c)根据总的E组特征模型块V，提取正包与负包中训练正负样本对应的总的E组归一化特征块Fk；(3)计算加权多示例学习中的正权值ω1i与负权值ω0j；(4)构建分类器：(4a)利用隐层激励函数g(·)、输入权值A、隐层偏置R、总的E组归一化特征块Fk、训练样本的权重矩阵W以及作为期望输出的训练样本标签集合Tk，采用加权极限学习机算法对E个网络进行训练，得到E个加权极限学习机网络的总输出权值βk；(4b)根据E个加权极限学习机网络的总输出权值βk，得到总的E组训练输出Yk；(4c)根据总的E组训练输出Yk，采用加权多示例学习方法中包的相似性函数从E个加权极限学习机网络中选择函数值最大的加权极限学习机网络与对应的特征模型块V*；(5)判断是否满足k＝1，若是，则此时网络总输出权值βk即为总全局输出权值Pk，否则，根据目标位置的置信度confk，采用分段函数确定自适应更新参数μk，使用μk与网络总输出权值βk计算，得到第k帧的E个网络的总全局输出权值Pk：Pk＝(1‑μk)×Pk‑1+μk×βk，其中Pk‑1表示第(k‑1)帧的E个网络的总全局输出权值；(6)读入第(k+1)帧视频图像Ik+1，在Ik+1图像中的第k帧目标位置附近提取检测样本，并根据选中的特征模型块V*提取相应的归一化特征块(7)分类检测样本：(7a)在得到总全局输出权值Pk后，将选择的加权极限学习机网络作为检测网络，并把提取的归一化特征块输入到检测网络中，采用加权极限学习机算法计算得到检测网络输出值TYk+1；(7b)寻找检测网络输出值TYk+1中最大值所对应的位置，即为第(k+1)帧的目标位置(8)检查第(k+1)帧的视频图像是否为最后一帧，若是，则目标跟踪过程结束，否则，令k＝k+1，返回步骤(2)。