22、图像分类与多相机目标检测跟踪技术解析

图像分类与多相机目标检测跟踪技术解析

1. 图像分类方法

在视觉识别领域，许多问题可归结为图像子窗口的分类问题。需要对每个可能的子窗口（跨越像素和尺度）进行评估，以确定其是否包含感兴趣的对象。由于子窗口数量庞大，因此需要高效的分类方法。下面介绍几种相关的分类技术。

1.1 MCBoost 多分类器提升方法

提出了一种新颖的图像和特征的判别式共聚类问题，并通过同时学习多个提升分类器，给出了名为 MCBoost 的解决方案。在该方法中，每个提升分类器相互协作又相互竞争，专注于图像的一个子集。MCBoost 方法能够产生有意义的图像和特征共聚类，显著优于传统的单分类器或多分类器提升设计。

1.2 MCBQ 在线目标跟踪方法

MCBoost 方法被扩展为在线版本，用于对象跟踪，即 MCBQ 方法。它采用输入空间的软划分，并在 MCBoost 框架中引入了加权函数 Q，以确保形成连贯的聚类。与现有的单分类器跟踪器倾向于适应单一外观模式并遗忘先前模式不同，MCBQ 方法能够捕捉多个外观，从而在目标快速姿态变化时实现跟踪。该方法也可视为 MIL 跟踪器的多类扩展。

1.3 提升分类器转换为决策树

为了加速分类过程，提出了一种将标准提升分类器转换为决策树的新方法。此转换问题被形式化为布尔优化问题，并针对大量弱学习器提出了新的优化方法。从提升分类器的决策区域生长出的树，称为超级树，具有许多短路径，能够加快评估时间，同时保留提升分类器的决策区域，保证了相同的准确性。实验表明，超级树在速度上优于标准提升分类器、快速退出方法及其级联，且能达到与输入提升分类器相同的精度。

1.4 方法扩展总结