基于在線多示例學習的協同訓練目標跟蹤算法

李 飛，王從慶，周 鑫，周大可

(南京航空航天大學自動化學院，南京210016)

0 引 言

目標跟蹤是人工智能和計算機視覺的重要研究課題，在智能監控、自動駕駛儀、交通監控和人機交互等領域均有重要的應用［1］。目標跟蹤過程中會經常遇到光照、外觀及形狀變化，運動模糊以及部分甚至完全遮擋等問題，因此魯棒的目標跟蹤系統的設計依然是一項極具挑戰性的研究課題。

近年來，基于檢測的目標跟蹤算法(Tracking-by-Detection)一直是研究熱點［2-5］，它將檢測器與跟蹤器相結合，利用跟蹤器跟蹤目標，同時利用跟蹤結果不斷更新檢測器［6］。文獻［2，6］以Online Boosting算法為框架首先提出了基于檢測的目標跟蹤算法，此后學者們提出了半監督跟蹤算法(SST:Semi-Supervised Tracking)［7］、超半監督跟蹤算法(BSST:Beyond Semi-Supervised Tracking)［8］、在線多示例學習跟蹤算法(OMILT:Online Multiple Instance Learning Tracking)［9，10］以及協同訓練目標跟蹤算法［11-13］等目標跟蹤算法。

在多示例學習中，訓練樣本是多個示例組成的包，通過估計包的概率去預測目標位置，大大提高了跟蹤的魯棒性。但該方法是利用分類器自身的結果更新分類器，這種基于自訓練(self-training)的更新方法導致分類誤差累積和跟蹤精度下降。因此，筆者在多示例學習跟蹤算法的框架下，結合協同訓練，提出一種新的目標跟蹤算法，該算法利用協同訓練克服分類器自訓練帶來的誤差積累問題，同時結合在線多示例學習提高了跟蹤效果的魯棒性。

1 改進在線多示例學習目標跟蹤算法

1.1 在線多示例學習目標跟蹤算法

多示例學習與傳統機器學習的不同在于，訓練數據集中每個數據作為一個包(Bag)，每個包由多個示例(Instance)構成，每個包有一個可見的標簽。……