[发明专利]目标跟踪中基于多示例学习思想的训练样本选择方法

摘要

目标跟踪中基于多示例学习思想的训练样本选择方法，涉及计算机视觉领域的目标跟踪技术。本发明是为了解决目标跟踪中传统监督学习算法面临的“弱标记”样本的缺陷，导致无法保证准确对样本进行标记的问题。本方法：将所有正样本放入一个正样本包中，将对关于包的对数似然函数贡献较小的样本视为较差的样本。采用迭代的方式，每次迭代从正样本包中移除最差的样本，直到正样本包中剩余足够数量的样本。本发明在跟踪准确性方面优于其他评估算法，同时具有较高的帧率，满足实时性要求。

主权项

1.目标跟踪中基于多示例学习思想的训练样本选择方法，它包括以下步骤：步骤一、在目标跟踪过程中，在当前帧的跟踪目标的周围设定区域内采集图像块，并提取每个图像块的Haar‑like特征，作为正负样本；并将所有的正样本放入到一个正样本集合中，将每个负样本分别放入一个负样本集合中，最终得到样本集合X，X＝{X₁，...，X_n}；其中，X₁＝{x₁₁，...，x_1M}是一个正样本包，{X₂，...，X_n}是负样本包；步骤二、将X＝{X₁，...，X_n}＝{x₁，...，x_m}作为训练集，对训练集中的每个样本进行检测，得到特征向量集合{v₁，...，v_m}，其中m表示正负样本的总个数；在传统监督学习中，给每个样本x_i分配一个类别标签y_i，y_i的取值集合为{0，1}，y_i＝0表示样本x_i为负样本，即：背景；y_i＝1表示样本x_i为正样本，即：目标；在多示例学习中，类别标签y_i表示的是一个包的类别；则整个训练集表示为：{(X₁，y₁)，...，{X_n，y_n)}，此时n表示包的个数；步骤三、采用负样本包{(X₂，y₂)，...，(X_n，y_n)}训练朴素贝叶斯分类器，更新y＝0时的特征的均值和方差步骤四、迭代步骤，每次迭代从正样本包中移除最差的样本，直到正样本包中剩余K个样本，K＜M；完成标跟踪中基于多示例学习思想的训练样本选择；其特征在于步骤四中，每次迭代从正样本包中移除最差的样本，直到正样本包中剩余K个样本，具体为：步骤四一、令最优正样本集合用训练朴素贝叶斯分类器，更新y＝1时的分类器参数步骤四二、迭代过程，每次的迭代过程为：步骤四二一、计算正样本集合中每个样本的似然函数并找到最大值将最大值对应的样本加入集合R；如果集合R为空集，将步骤四二一中找到的样本加入集合R，作为r₁，计数值C加1；如果集合R为非空集，则以为正样本包，{X₂，...，X_n}为负样本包，计算似然函数然后用r_C替换步骤四二一中找到的样本，重新计算似然函数比较和的大小，如果将r_C从集合R中移除，然后步骤四二一中找到的样本添加到R中，作为r_C；否则，将r_C从中移除，将步骤四二一中找到的样本添加到R中，作为r_C+1；步骤四三、完成迭代后，得到最优正样本集合