先进制造技术

本发明公开了一种基于分块多示例学习算法的目标跟踪方法，包括：将目标图像分为若干个分块图像片；通过多示例学习算法得出每个分块图像片的弱分类器池，并从弱分类器池中选出分类能力强的若干个弱分类器构成强分类器；目标跟踪过程中，结合所有分块图像片的强分类器计算目标图像的综合分类器分数，并根据计算出的综合分类器分数确定目标位置。上述基于分块多示例学习算法的目标跟踪方法目标跟踪性能较高、跟踪过程稳定，能够解决严重的光照、位姿变化及遮挡等问题。本发明还公开一种基于分块多示例学习算法的目标跟踪系统。

目标跟踪技术是机器视觉领域备受关注的课题之一。近年来，许多国内外的学者致力于目标跟踪技术的研究并取得了一些引人瞩目的成果。然而，目标跟踪仍面临诸多挑战，如：噪声、光照、位姿改变、运动突变和遮挡等问题。为解决上述问题，Babenko提出基于多示例学习(Multiple Instance Learning，MIL)算法的目标跟踪方法。该方法将样本表示为由多个示例组成的带标记的包(正包或负包)。当一个包中至少有一个示例为正时，该包被标记为正包。反之，当一个包中所有示例均为负时，该包被标记为负包。多示例学习算法结合目标和背景信息(正包和负包中的示例)训练获得判别分类器，并利用所得判别分类器将目标从背景中分离出来。

采用上述技术方案所产生的有益效果在于：将目标图像分为多个分块图像片，针对每个分块图像片应用多示例学习算法训练判别分类器，而目标跟踪过程中结合所有分块图像片的综合分类器分数确定目标位置，从而能够进一步提高目标跟踪性能。进一步，根据每个分块图像片的分类器分数及所有分块图像片的综合分类器分数还能够检测并区分跟踪过程中的光照、位姿变化及遮挡问题。而且设置不同的学习更新率，分类器能够根据不同情况实现自适应更新，从而实现持续、稳定的目标跟踪。