融合遮擋感知的在線Boosting跟蹤算法

王亞文，陳鴻昶，李邵梅，高超

（國家數字交換系統工程技術研究中心，河南 鄭州 450002）

融合遮擋感知的在線Boosting跟蹤算法

王亞文，陳鴻昶，李邵梅，高超

（國家數字交換系統工程技術研究中心，河南 鄭州 450002）

提出融合遮擋感知的在線Boosting跟蹤算法，該算法對跟蹤結果實時進行遮擋檢測，根據檢測結果自適應調整分類器更新策略。該方式能夠有效維護分類器特征池的純凈，提高算法在遮擋環境下的頑健性。實驗結果表明，與傳統的在線Boosting跟蹤算法相比，改進的算法能有效解決目標遮擋問題。

在線Boosting；遮擋感知；ORB特征；目標跟蹤

1 引言

目標跟蹤的目的是在圖像序列中實時提取興趣目標的運動軌跡[1]。目標跟蹤在行為分析、智能監控、交通監管等領域都扮演著重要的角色。目標跟蹤作為計算機視覺領域的研究熱點，近年來有了較大的發展，但同時仍然面臨著復雜背景、遮擋、目標形變等許多挑戰。

為了適應跟蹤過程中目標外觀的變化，研究人員提出了一系列的在線學習跟蹤算法，主要有基于向量子空間學習的跟蹤算法、基于稀疏子空間學習的跟蹤算法以及基于分類器學習的跟蹤算法等[2]。基于分類器學習的跟蹤算法主要包括基于SVM分類器的跟蹤算法[3]和基于Boosting分類器的跟蹤算法[4]。由于基于Boosting分類器的跟蹤算法具有對訓練數據需求量小、實時性更好的優點，所以研究更為廣泛。

Grabner[4]最先將Boosting算法應用到目標跟蹤中，該方法首先從特征池中挑選訓練誤差最小的特征，然后利用它們訓練弱分類器，并按照各自的權重線性組合成強分類器來進行目標跟蹤。跟蹤過程中，不斷根據跟蹤結果采集正負樣本來更新Boosting分類器以適應目標外觀變化。該算法的優點在于其較強的適應能力，能夠有效跟蹤外觀不斷變化的目標。但是該算法在進行模型更新過程中，對跟蹤結果高度依賴，如果跟蹤結果發生偏差，如目標受到遮擋，那么目標區域會包含背景信息，并且這些背景信息會被當成正樣本，用于對目標外觀模型進行更新，從而污染分類器特征池，影響后續跟蹤。為了解決此問題，文獻[5]提出基于離線Boosting分類器和在線Boosting分類器融合的跟蹤算法，通過給離線分類器和在線分類器分配合理的權重來平衡算法的適應性和抗遮擋性，但是該算法對權重的選擇缺乏理論指導。文獻[6]將分塊跟蹤[7]的思想引入到在線Boosting跟蹤算法中來解決遮擋問題。該方法將目標分成多個子區域，對每個子區域分別利用在線Boosting算法進行跟蹤評價。該算法的缺點在于子區域的劃分會降低分類器特征池中特征的數量，影響分類器性能。文獻[8]引入非線性遞歸最小二乘法來構建自適應非線性弱分類器，然后利用Boosting算法將弱分類器加權組合成強分類器進行跟蹤。文獻[9]提出MKB（multiple kernel Boosting）跟蹤算法，該算法構建一組SVM分類器，每個分類器對應不同的核函數和特征，并將每一個SVM分類器作為一個弱分類器，然后利用Boosting算法將所有弱分類器加權組合成強分類器，用于目標跟蹤。文獻[10]將半監督學習引入到Boosting框架中來改善更新機制，該方法僅對第一幀樣本進行標記，并用有標記的樣本對新采樣得到的樣本進行監督，一定程度上緩解了漂移問題，但隨著跟蹤過程中目標外觀的變化，監督機制將逐漸失去作用。文獻[11]提出一種協同訓練框架來提高Boosting分類器性能，但該框架至少需要2個Boosting分類器才能生效。文獻[12]提出一種多實例學習跟蹤算法，該方法用樣本包的形式代替了單個樣本進行標記，提高了樣本標記的質量，但在遮擋環境下，該算法依然存在跟蹤漂移的問題。

針對目標受到遮擋時，在線Boosting跟蹤算法頑健性差的問題，本文提出一種融合遮擋感知的在線Boosting跟蹤算法，有效感知跟蹤過程中可能發生的遮擋，從而自適應調整分類器的更新策略，提高算法在遮擋環境下的頑健性。

2 遮擋感知器

為了提高在線Boosting跟蹤算法在遮擋環境下的頑健性，一個合理的思路是引入遮擋感知機制，在未感知到遮擋時，采集目標區域的正樣本進行分類器更新；在感知到遮擋后，自適應調整分類器更新策略，暫不進行基于正樣本的分類器更新。

本節將從遮擋感知方法、局部特征選擇、模糊特征過濾以及感知器更新4個方面進行介紹。

2.1 遮擋感知方法

如圖1所示，遮擋物對目標進行遮擋是一個時變的過程，假設在第k幀，遮擋物即將遮擋目標，遮擋物一般會先出現在背景域RB（圖 1中白框以內，黑框以外的回形區域），然后出現在目標域RT（圖 1中黑框以內的區域）。遮擋感知的具體實現是通過記憶特定幀數中（如圖1中的m）背景域出現的局部特征，形成感知特征池 PB。

其中，||?||表示特征集合中特征數量，λO表示遮擋判決閾值，其設置規則如4.2節所述。如果感知出目標受到遮擋，則不采集受污染的正樣本來更新分類器。

本文提出的遮擋感知方法是建立在局部特征匹配基礎之上，因此，選擇合適的局部特征是一個關鍵問題，下面將介紹局部特征選擇依據。

2.2 局部特征選擇

目前，應用最廣泛的局部特征是 SIFT及其各種變換特征，如SURF、PCA-SIFT等。但是這些特征普遍具有處理速度慢的特點，難以滿足本文實時處理的需求。綜合處理精度和速度，本文采用Rublee[13]提出的ORB算法，它改進了FAST角點和BRIEF描述子無方向性的缺點，提出了方向oFAST角點和旋轉BRIEF描述子并將其結合，使特征具備了旋轉不變性[14]。更值得關注的是，由于旋轉BRIEF是一種二值描述方法，因此基于ORB特征進行相似性匹配時，用漢明距離代替了SIFT特征匹配中的歐式距離，從而大大減少了匹配時間。因此本文以ORB局部特征為基礎，構建遮擋感知器。

2.3 基于雙分類器判決的模糊特征過濾

目標區域和背景區域可能存在顏色、紋理相近的局部區域，如圖2所示，目標域（圖2中黑框以內的區域）中的R1區域與背景域（圖2中白框以內，黑框以外的回形區域）中的R2區域外觀近似，因此在利用2.1節內容進行遮擋感知的時候，會造成遮擋誤判。本文將這種存在于背景中且與目標外觀高度相似的局部特征定義為模糊特征[15]（ambiguous feature），用Fambiguous表示。模糊特征不僅自身不具有對目標與背景的區分能力，并且會在目標特征集合和背景特征集合之間構建過渡橋梁來弱化和之間的區分性，如式(4)。

其中，符號“～”表示匹配關系。

為了避免這類模糊特征對遮擋感知的影響，本文提出基于雙分類器判決的模糊特征過濾方法。該方法需要增加一個與背景特征分類器CB相對的目標特征分類器CT。初始化時，它們分別由首幀中的目標區域和背景區域的 ORB特征訓練得到。后續根據各幀的跟蹤結果，不斷進行特征池更新。

圖2 模糊特征說明

利用雙分類器進行模糊特征過濾，對于新獲得的目標域特征集合

其中，λT表示分類器CT的判決門限，表示能被分類器CT接受的最大漢明距離；λB表示分類器CB的判決門限，表示能被分類器CB接受的最大漢明距離。本文將λT和λB均設為45，這樣那些既屬于ST又屬于SB的特征就是模糊特征，然后通過過濾模糊特征的方式來對臨時特征集合提純，獲得遮擋特征集合FO。

其中，“”符號表示差集。最后根據式(3)進行遮擋判決。

2.4 遮擋感知器的更新

為了提高遮擋感知器的適應能力，感知器需要不斷更新，即豐富分類器CT和CB的特征池，因此，在每幀圖像完成遮擋感知后，需要對CT和CB的特征池進行更新。

理論上，為了保證遮擋感知的效果，感知器記憶的特征越多越好，但是受存儲空間和算法效率的約束，遮擋感知器記憶的ORB特征不可能無限制地增長，因此就需要限定遮擋感知器的記憶容量為l。這樣，分類器CT和CB的更新方式如式(11)、式(12)。

很明顯，記憶容量的限定在一定程度上會影響遮擋感知器的判決準確度。如假設分類器只有 10幀的記憶，那么當遮擋持續 10幀之后，背景分類器CB中能有效區分遮擋的特征就會逐漸被遺忘，隨著時間的推移，遮擋感知器將失去對遮擋情況的正確感知，從而跟蹤器再次面臨漂移問題。實驗部分將會詳細分析遮擋感知器的記憶容量對于算法性能的影響，并給出其設置依據。

整個遮擋感知器的結構如圖3所示。

3 遮擋感知器與跟蹤器融合

本文提出了一種遮擋感知方法，利用該方法來監督在線Boosting跟蹤算法中分類器的更新機制，避免采集受污染的正樣本對分類器進行錯誤的更新，保證Boosting分類器特征池的純凈，從根本上解決在線Boosting跟蹤算法面對目標遮擋時產生的漂移問題。

改進的算法分別構建遮擋感知器和跟蹤器，針對每幀圖像，將跟蹤器的跟蹤結果作為感知區域，并利用遮擋感知器對區域圖像進行檢測，根據返回的遮擋感知結果監督跟蹤器的更新。改進的算法步驟如算法1所示。

算法1 改進的跟蹤算法

target=人為標記要跟蹤的目標；

對在線Boosting分類器進行初始化；

對目標特征分類器CT和背景特征分類器CB初始化；

while 獲得一幀新的圖像do

sample[ ]=采集樣本；

target=Boosting(sample[ ])；

F[ ]=從target中提取ORB特征；

CT和CB對 F[ ]分類并過濾模糊特征得到FO[]；

只采集負樣本更新Boosting分類器；

圖3 遮擋感知器結構

采集正負樣本更新Boosting分類器；

end

更新遮擋感知器；

end

遮擋感知器與跟蹤器是相互依賴的關系，遮擋感知域的構建依賴跟蹤器的跟蹤結果，而同時跟蹤器的更新策略依賴于遮擋感知器的遮擋檢測結果。并且遮擋感知器與跟蹤器也是相互促進的關系，有效的遮擋感知能優化分類器的更新策略，提高跟蹤器的跟蹤精度，而同時準確的目標定位又會幫助遮擋感知器構建準確的感知域，保證遮擋感知器的有效應用。

4 實驗結果及分析

因為本文的核心思想是對在線Boosting跟蹤算法引入遮擋感知機制以提高其在遮擋環境下的頑健性，所以實驗部分首先對遮擋感知器進行性能測試，其中包括遮擋漏檢率和誤檢率的統計、記憶容量的確定；隨后挑選了傳統在線Boosting跟蹤算法[4]（OAB）、半監督 Boosting跟蹤算法[10]（SBT）、多實例學習跟蹤算法[12]（MIL）以及一種靜態抗遮擋跟蹤算法[7]（Frag）進行遮擋環境下的跟蹤對比實驗，評估本文算法面對遮擋問題的頑健性；最后利用12幅圖片序列對本文算法與文獻[16]中提到的 10種現階段著名跟蹤算法進行綜合性能對比，并深入分析本文算法的適應性。實驗中用到的標準測試序列來源于文獻[16]。

4.1 實驗參數

1) Boosting算法參數

參考已有的在線Boosting跟蹤算法，選擇器數量為30，每個選擇器包含的弱分類器個數為100，采樣區域覆蓋率為0.95，搜索系數為2。

2) ORB算法參數

ORB算法中基于 oFAST角點檢測來定位興趣點，為了能使 oFAST算法在跟蹤窗口中檢測出盡可能多的角點，本文采用FAST-9進行角點檢測，其原理是對每一個候選點周圍的16個像素點進行檢測，如果存在連續9個像素點比候選點像素值加上數值T后（T為任意整數）還大或是比候選點像素值減去數值T后還小，則該候選點就是角點，參數T設為25。

3) 實驗環境

電腦配置為3.2 GHz CPU，7.86 GB內存，實驗平臺為VS2010。

4.2 遮擋感知器性能測試

本節實驗利用標準測試序列 faceOcc1和faceOcc2來測試遮擋感知器性能，其方法是利用已標記好的真實目標區域構建感知區域，利用不同的遮擋閾值λO來測試遮擋感知器的效果。統計在不同遮擋閾值條件下，遮擋感知器的漏檢率（目標區域實際受到遮擋，但未觸發遮擋感知器）和誤檢率（目標區域實際未受遮擋，但觸發了遮擋感知器），其結果如表1所示。

從表1結果來看，對于序列faceOcc1，當遮擋閾值λO定為50時，其感知結果較為理想，對于序列faceOcc2，當遮擋閾值λO定為35時，其感知結果較為理想。但是本節實驗是利用標記好的真實跟蹤區域來測試，實際跟蹤中，由于窗口與目標會產生一定偏差，因此實際感知結果要弱于表1結果。

因為從一幅圖片的某個區域提取出的 ORB特征數量與該區域的大小有著直接關系，在對faceOcc1序列進行測試的時候，跟蹤窗口大小為114× 162像素，而在對faceOcc2序列進行測試的時候，跟蹤窗口大小為82×98像素。因此后續實驗中，遮擋閾值λO大小的設置依據為

4.3 評估遮擋感知器記憶容量對算法性能影響

前面已經討論過遮擋感知器的更新是一個兩難選擇，從遮擋感知準確度的角度來考慮，感知器記憶的 ORB特征一定是越多越好，但是從存儲空間和算法效率來考慮，感知器記憶的 ORB特征不宜太多。本節實驗利用遮擋持續時間最長的faceOcc1來測試。測試過程中，分別限定遮擋感知器的記憶容量為10幀、20幀、30幀和40幀，并統計每幀圖像的定位誤差（定位誤差用跟蹤窗口位置和目標實際位置間的距離來衡量），其結果如圖4(a)所示。從圖中可以看出，前50幀時4條曲線基本吻合，50幀之后，遮擋情況出現，由于遮擋感知器記憶的特征數量不一樣導致判決結果不一致，從而使Boosting分類器維護的特征池發生變化，所以4條曲線逐漸分離。4條曲線的分布表明，遮擋感知器記憶容量的不同會對跟蹤器的定位產生較大影響，隨著遮擋感知器記憶的特征數量的減小，跟蹤器的定位誤差會逐漸上升。但同時，根據圖4 (b)結果可以發現，記憶容量的限定有助于提高算法效率。如圖4 (b)所示，當記憶容量為40幀時，每秒只能處理5.5幀圖像；當記憶容量降到10幀時，每秒能處理至少9幀圖像。

表1 遮擋感知器性能測試

綜合考慮算法性能和效率，后續實驗中，設置遮擋感知器的記憶容量為 30幀，即每次保存最新的30幀圖像的ORB特征。

4.4 遮擋環境下跟蹤算法性能比較

本文挑選了傳統在線Boosting跟蹤算法（OAB）、半監督 Boosting跟蹤算法（SBT）、多實例學習跟蹤算法（MIL）以及一種靜態抗遮擋跟蹤算法（Frag）與本文算法進行比較，利用6種包含遮擋內容的序列coke、tiger2、faceOcc1、faceOcc2、walking2和woman進行測試（粗略定義遮擋情況為目標被遮擋的區域超過）。每幀圖像定位誤差（定位誤差用跟蹤窗口位置和目標實際位置間的距離來衡量）和跟蹤結果分別如圖5和圖6所示。

標準測試序列 coke在第 39、165、220、253幀處出現遮擋情況，其中，在第220和253幀處出現嚴重遮擋（目標被遮擋的區域超過），但從圖5中可以看出在第 39、165、220幀處，本文算法的定位誤差維持在較小數值上，而在第253幀處，雖然本文算法的定位誤差有所增加，但依然保持在可控范圍之內，沒有丟失目標。

圖4 遮擋感知器的記憶容量對算法性能的影響

標準測試序列tiger2不僅包含有遮擋內容，同時目標外觀還在不斷發生變化，因此跟蹤難度較大。其中，在第 97、253、337幀等處出現遮擋情況，同時在第41、125、273、316幀等處目標外觀發生較大程度的改變。本文算法由于增加了遮擋感知器，能有效降低遮擋問題對算法的影響。此外在線Boosting跟蹤算法本身具有較強的在線學習適應能力，能有效跟蹤外觀變化的目標，因此在 tiger2序列中，本文算法能對目標進行有效地跟蹤。

faceOcc1和 faceOcc2是用來測試跟蹤算法面對遮擋問題頑健性的標準測試序列，其中，faceOcc1在115、177、308、496、828幀等處出現遮擋情況，由于在該序列中，遮擋持續時間較長，超出了遮擋感知器的記憶容量，導致定位誤差出現局部波動，但本文算法自始至終沒有出現窗口漂移現象。faceOcc2在141、420、702幀等處出現遮擋情況，在 343、594幀等處目標外觀發生變化，但無論是遮擋情況還是目標外觀變化，本文算法始終保持準確的目標定位。

圖5 定位誤差定量分析

標準測試序列walking2在204幀處出現目標遮擋情況，并且目標尺度發生變化，本文算法雖然不具備尺度調節功能，但是由于目標尺度是緩慢變化的，因此跟蹤算法能夠通過在線學習的方式有效適應這種變化，不會出現丟失目標的情況。

標準測試序列woman在133、390幀等處出現目標遮檔情況，此外目標還發生一定程度的形態和尺度變化，但是從圖6結果來看，本文算法能有效克服目標遮擋以及目標形態、尺度變化對跟蹤算法的影響。

為了檢驗遮擋感知器在實際跟蹤過程中的性能，本文統計遮擋感知器在實際跟蹤過程中的誤檢率和漏檢率，結果如表2所示，可以看出在實際跟蹤過程中，遮擋感知器能夠正常應用，但依然存在著一定程度的漏檢和誤檢，下面將分析遮擋漏檢和誤檢對跟蹤算法的影響。

在線 Boosting跟蹤算法產生窗口漂移的原因是不正確的樣本訓練產生誤差累積，因此遮擋感知器的作用就是延緩Boosting分類器的誤差累積過程，即使一些遮擋情況被漏判，也不會對跟蹤器產生嚴重后果。對于遮擋誤判的情況，會限制跟蹤器的學習能力，降低算法適應性，但是從表2結果看出，誤檢率普遍較低，不會對跟蹤算法的適應性產生根本影響。

圖6 6種測試序列的跟蹤結果

表2 遮擋感知器實際漏檢率和誤檢率統計

4.5 與其他頑健跟蹤算法的跟蹤性能比較

4.4節實驗說明本文算法對遮擋問題具有較好的頑健性，為了進一步評估本文算法全方位的性能，根據文獻[16]的研究成果挑選了10種現階段性能較好的跟蹤算法（TLD、MIL、CT、DFT、IVT、SCM、VTD、ASLA、Struck、CSK）做對比，在 12幅圖片序列（deer、girl、mountainBike、singer2、fish、soccer、doll、liquor、matrix、motorRolling、shaking、walking1）上進行測試，測試序列包括目標形變、光照變化、復雜背景、運動模糊等挑戰內容。每種算法在所有測試序列中的平均定位誤差記錄在表3中，其中，定位誤差用跟蹤窗口位置與目標真實位置之間的距離來表示，單位是像素。表格中最右列的數據是利用本文跟蹤算法獲得的平均定位誤差，括號內的數值表示本文算法就定位準確度而言，在11種跟蹤算法中的排名。

下面就目標外觀變化、運動模糊、目標尺度變化、復雜背景干擾等方面對算法進行適應性分析。

目標外觀變化。當利用包含有目標外觀變化的標準測試序列motorRolling和girl進行測試時，本文算法的表現較好，在 11種跟蹤算法比較中分別排第1、第2。出現這樣的情況是因為在線Boosting跟蹤算法是一種在線學習跟蹤算法，該算法通過不斷地采集正負樣本來訓練分類器使分類器能夠較好地適應目標外觀的變化。

運動模糊。由于本文算法采用的是Haar-like特征，對圖像模糊頑健性較好，因此本文算法在面對運動模糊問題時表現較好，如利用標準測試序列fish、deer和mountainBike進行測試時，在11種跟蹤算法比較中分別排第1、第2、第2。

目標尺度變化。由于本文算法無法自適應調節跟蹤窗口大小，因此在跟蹤尺度發生變化的目標時表現一般，如利用標準測試序列walking1、doll和singer2進行測試的時候，在11種跟蹤算法比較中分別排第5、第4、第3。

復雜背景干擾。從表3可以看出，當利用標準測試序列matrix、soccer和shaking進行測試的時候，本文算法的表現很不理想，在 11種跟蹤算法比較中分別排第 6、第 6、第 4。matrix、soccer以及 shaking都是包含有復雜背景干擾的標準測試序列，其中，序列matrix背景中灑落的雨水以及閃電帶來的亮度變化、序列 soccer背景中漂浮的紅色煙花、序列shaking背景中燈光的變化都屬于復雜背景干擾的范疇。由于跟蹤窗口中除了跟蹤目標外，不可避免的會包含一定量的背景信息，因此復雜的背景變化依然會對分類器特征池產生一定量的污染，導致產生窗口漂移現象，所以本文算法在復雜背景下跟蹤的頑健性較差。

4.6 算法處理效率測試

為了評估本文算法的處理效率，分別統計了本文算法與OAB、SBT、MIL和Frag在6個測試序列（coke、tiger2、faceOcc1、faceOcc2、walking2、woman）上的處理速度，如表 4所示，表中數據記錄的是5種算法分別在6個測試序列上處理速度的平均值，單位為每秒處理的幀數，表中最右側數據為本文算法的處理速度。可以看出，由于本文改進在線Boosting跟蹤算法增加了遮擋感知器，所以運算復雜度有所增加，因此和OAB算法相比，本文算法在效率方面有所下降，但和SBT以及Frag算法相比，本文算法在運算速率方面依然具有一定優勢。另外需要說明的是，表 4結果是在遮擋感知器記憶容量為30幀特征的條件下測得的，如果想要進一步提高算法速度，可以通過減小遮擋感知器的記憶容量來實現。

表3 與現有跟蹤算法在定位準確度（像素）方面的比較

表4 跟蹤算法運算速度比較

5 結束語

本文針對傳統在線Boosting跟蹤算法在目標發生遮擋時易造成窗口漂移的缺點，引入遮擋感知機制，對目標是否受到遮擋進行檢測，并根據檢測結果調整分類器更新策略，避免了采集受污染的正樣本進行訓練，從而維護分類器特征池的純凈。為了提高遮擋感知的精度，對遮擋感知中的特征選擇、過濾、匹配及更新等各個環節進行了設計，保證了算法的應用效果。本文在實驗部分對遮擋感知器的性能和算法的整體跟蹤性能進行了測試，并對跟蹤算法的適應性進行了深入分析和討論，實驗結果表明，本文算法在遮擋條件下具有較好的頑健性。值得一提的是，本文提出的遮擋感知算法還可以與其他的在線自適應跟蹤算法相結合，提高這些算法應對遮擋問題的頑健性。

[1] 羅會蘭, 杜芳芳, 孔繁勝. 像素點特征加權的尺度自適應跟蹤算法[J].通信學報, 2015, 36(10): 200-211.LUO H L, DU F F, KONG F S. Pixel feature-weighted scale-adaptive object tracking algorithm[J]. Journal on Communication, 2015, 36(10):200-211.

[2] 張煥龍, 胡士強, 楊國勝. 基于外觀模型學習的視頻目標跟蹤方法綜述[J]. 計算機研究與發展, 2015, 52(1): 177-190.ZHANG H L, HU S Q, YANG G S. Video object tracking based on appearance models learning[J]. Journal of Computer Research and Development, 2015, 52(1):177-190.

[3] BAI Y, TANG M. Robust tracking via weakly supervised ranking SVM[C]//The IEEE Conference on Computer Vision and Pattern Recognition. 2012: 1854-1861.

[4] GRABNER H, BISCHOF H. On-line boosting and vision[C]//The IEEE Conference on Computer Vision and Pattern Recognition. 2006:260-267.

[5] 程有龍, 李斌, 張文聰, 等. 融合先驗知識的自適應行人跟蹤算法[J]. 模式識別與人工智能, 2009, 22(5): 704-708.CHENG Y L, LI B, ZHANG W C, et al. An adaptive pedestrian tracking algorithm with prior knowledge[J]. PR amp; AI, 2009, 22(5): 704-708.

[6] 顏佳, 吳敏淵. 遮擋環境下采用在線Boosting的目標跟蹤[J]. 光學精密工程, 2012, 20(2): 439-446.YAN J, WU M Y. On-line boosting based target tracking under occlusion[J]. Optics and Precision Engineering, 2012, 20(2): 439-446.

[7] ADAM A, RIVLIN E, SHIMSHONI I. Robust fragments-based tracking using the integral histogram[C]//The IEEE Conference on Computer Vision and Pattern Recognition. 2006: 798-805.

[8] HU H, MA B, WU Y, et al. Kernel regression based online boosting tracking[J]. Journal of Information Science and Engineering, 2015,31(1): 267-282.

[9] YANG F, LU H, YANG M H. Robust visual tracking via multiple kernel boosting with affinity constraints[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2014, 24(2): 242-254.

[10] GRABNER H, LEISTNER C, BISCHOF H. Semi-supervised on-line boosting for robust tracking[C]//The European Conference on Computer Vision. 2008: 234-247.

[11] 陳思, 蘇松志, 李紹滋, 等. 基于在線半監督 Boosting的協同訓練目標跟蹤算法[J]. 電子與信息學報, 2014, 36(4): 888-895.CHEN S, SU S Z, LI S Z, et al. A novel co-training object tracking algorithm based on online semi-supervised Boosting[J]. Journal of Electronics amp; Information Technology, 2014, 36(4): 888-895.

[12] BABENKO B, YANG M H, BELONGIE S. Robust object tracking with online multiple instance learning[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(8): 1619-1632.

[13] RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: an efficient alternative to SIFT or SURF[C]//The International Conference on Computer Vision. 2011: 2564-2571.

[14] 唐劍琪, 謝林江, 袁慶生, 等. 基于 ORB 的鏡頭邊界檢測算法[J].通信學報，2013，34(11): 184-190.TANG J Q, XIE L J, YUAN Q S, et al. Shot boundary detection algorithm based on ORB[J]. Journal on Communication, 2013, 34(11):184-190.

[15] PERNICI F, DEL B A. Object tracking by oversampling local features[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(12): 2538-2551.

[16] WU Y, LIM J, YANG M H. Online object tracking: a benchmark[C]//The IEEE Conference on Computer Vision and Pattern Recognition. 2013: 2411-2418.

Online Boosting tracking algorithm combined with occlusion sensing

WANG Ya-wen, CHEN Hong-chang, LI Shao-mei, GAO Chao
(National Digital Switching System Engineering amp; Technology Ramp;D Center, Zhengzhou 450002, China)

Online Boosting tracking algorithm combined with occlusion sensing was presented. In this method, occlusion sensor was introduced to check the tracking results, and classifier updating strategy was adjusted depending on the occlusion checking results. By this way, the feature pool of the classifier can be kept pure, which will improve the tracking robustness under occlusion. Experimental results show that compared with traditional Boosting tracking algorithm, improved algorithm can solve the problem of occlusion very well.

online Boosting, occlusion sensing, ORB feature, object tracking

s：The National Natural Science Foundation of China (No.61379151, No.61521003), The National Science and Technology Support Program of China (No.2014BAH30B01), The Henan Province Science Found for Distinguished Young Scholars of China (No.144100510001)

TP391.41

A

10.11959/j.issn.1000-436x.2016181

2016-01-25；

2016-08-10

國家自然科學基金資助項目（No.61379151, No.61521003）；國家科技支撐計劃基金資助項目（No.2014BAH30B01）；河南省杰出青年基金資助項目（No.144100510001）

王亞文（1990-），男，河南鄭州人，碩士，國家數字交換系統工程技術研究中心博士生，主要研究方向為多媒體技術、模式識別、計算機視覺等。

陳鴻昶（1964-），男，河南新密人，國家數字交換系統工程技術研究中心教授、博士生導師，主要研究方向為電信網安全防護技術。

李邵梅（1982-），女，湖北鐘祥人，博士，國家數字交換系統工程技術研究中心講師，主要研究方向為多媒體技術、模式識別、計算機視覺等。

高超（1982-），男，河南新鄭人，博士，國家數字交換系統工程技術研究中心講師，主要研究方向為多媒體技術、模式識別、計算機視覺等。