基于在線半監(jiān)督boosting的協(xié)同訓(xùn)練目標(biāo)跟蹤算法

陳 思 蘇松志 李紹滋呂艷萍 曹冬林

(廈門大學(xué)信息科學(xué)與技術(shù)學(xué)院 廈門 361005)(福建省仿腦智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室(廈門大學(xué)) 廈門 361005)

1 引言

目標(biāo)跟蹤是人工智能和計(jì)算機(jī)視覺的重要研究課題[1]。然而，由于受到場(chǎng)景中各種復(fù)雜因素的影響，如光照、旋轉(zhuǎn)、移動(dòng)和遮擋等，目標(biāo)跟蹤已成為一項(xiàng)極具挑戰(zhàn)的任務(wù)[2]。目前研究者已經(jīng)提出諸多目標(biāo)跟蹤算法[312]-，大致分為生成式算法[35]-和判別式算法[612]-。判別式目標(biāo)跟蹤算法[612]-將跟蹤視為目標(biāo)和背景的2類分類問題，受到學(xué)者的廣泛關(guān)注?，F(xiàn)有的大多數(shù)判別式目標(biāo)跟蹤算法[68]-，例如在線boosting[6,7]和在線半監(jiān)督 boosting算法[8]，利用分類器的預(yù)測(cè)結(jié)果更新分類器自身，即稱為自訓(xùn)練(self-training)[13,14]。此類方法對(duì)類別噪聲比較敏感，容易累積分類錯(cuò)誤。

為了克服自訓(xùn)練目標(biāo)跟蹤算法的不足，本文提出一種基于在線半監(jiān)督boosting的協(xié)同訓(xùn)練目標(biāo)跟蹤算法(Co-training based on online Semisupervised Boosting，簡(jiǎn)稱Co-SemiBoost)。本文的主要?jiǎng)?chuàng)新點(diǎn)如下：(1)提出了一種新的在線協(xié)同訓(xùn)練框架，利用未標(biāo)記樣本協(xié)同訓(xùn)練不同視圖中的弱分類器，能夠在克服目標(biāo)漂移的同時(shí)保持對(duì)目標(biāo)外觀的自適應(yīng)更新；(2)基于半監(jiān)督技術(shù)，結(jié)合目標(biāo)先驗(yàn)?zāi)Ｐ秃驮诰€分類器迭代預(yù)測(cè)未標(biāo)記樣本的偽類別標(biāo)記和權(quán)重。本文算法能夠魯棒地處理目標(biāo)遮擋、光照變化、快速運(yùn)動(dòng)和復(fù)雜背景等問題。若干具有挑戰(zhàn)性的視頻序列實(shí)驗(yàn)結(jié)果表明，本文提出的算法具有良好的目標(biāo)跟蹤性能。

2 基于在線半監(jiān)督 boosting的協(xié)同訓(xùn)練目標(biāo)跟蹤算法

2.1 目標(biāo)跟蹤流程

Co-SemiBoost算法是一種基于檢測(cè)的跟蹤算法(tracking-by-detection)[10]。Co-SemiBoost目標(biāo)跟蹤算法的具體流程如圖1所示。

跟蹤過程中，Co-SemiBoost算法迭代執(zhí)行以下兩個(gè)步驟：(1)分類器更新：在第t幀目標(biāo)位置周圍區(qū)域內(nèi)獲取若干圖像塊作為未標(biāo)記樣本，并依次利用在線協(xié)同訓(xùn)練框架更新強(qiáng)分類器；(2)目標(biāo)檢測(cè)：利用更新后的強(qiáng)分類器預(yù)測(cè)第t+1幀中搜索區(qū)域內(nèi)各個(gè)圖像塊的置信度，置信度最高的圖像塊被視為新的目標(biāo)位置。其中，分類器更新是目標(biāo)跟蹤算法的關(guān)鍵步驟。Co-SemiBoost算法采用一種有效的基于在線半監(jiān)督boosting的協(xié)同訓(xùn)練框架來更新強(qiáng)分類器，從而克服自訓(xùn)練跟蹤算法的不足。

2.2 在線協(xié)同訓(xùn)練

協(xié)同訓(xùn)練算法[15,16]首先利用少量有標(biāo)記樣本訓(xùn)練兩個(gè)初始分類器，然后在學(xué)習(xí)過程中，這些分類器挑選若干個(gè)置信度高的未標(biāo)記樣本進(jìn)行標(biāo)記并用于更新對(duì)方分類器，此過程不斷迭代，從而有效提高分類性能。理論已證明[16]，當(dāng)數(shù)據(jù)集有兩個(gè)充分冗余的視圖，即兩個(gè)滿足下述條件的特征集：(1)如果訓(xùn)練樣本足夠，在每個(gè)特征集上都足以學(xué)到一個(gè)強(qiáng)分類器；(2)在給定類別標(biāo)記時(shí)，每個(gè)特征集都條件獨(dú)立于另一個(gè)特征集，那么協(xié)同訓(xùn)練算法可以有效地利用未標(biāo)記樣本提升分類器的性能。本文利用Haar[17]特征和LBP[18]特征分別描述灰度圖像，獲得兩個(gè)充分冗余的視圖，并在這兩個(gè)視圖上進(jìn)行協(xié)同訓(xùn)練，從而有效提高分類性能。Haar和LBP特征具有不同的目標(biāo)辨別能力。Haar特征主要關(guān)注局部紋理變化信息(即對(duì)目標(biāo)的姿態(tài)、形變等變化比較魯棒)，而LBP特征更多關(guān)注邊緣變化信息(即對(duì)光照等變化比較魯棒)。因此，對(duì)Haar特征難以區(qū)分的樣本，LBP特征可能擁有較好的區(qū)分能力，反之亦然。

Co-SemiBoost算法所采用的在線協(xié)同訓(xùn)練框架如圖2所示，其中視圖1和視圖2分別表示Haar和LBP特征視圖。本文使用了“選擇器”[6]的概念，其定義如下：給定一個(gè)M個(gè)弱分類器的集合，一個(gè)選擇器根據(jù)某一優(yōu)化準(zhǔn)則從中選出一個(gè)最優(yōu)弱分類器。訓(xùn)練一個(gè)選擇器意味著M個(gè)弱分類器被更新并從中選出一個(gè)最優(yōu)弱分類器。假設(shè)每個(gè)特征視圖包含N個(gè)選擇器，每個(gè)選擇器包含M個(gè)弱分類器，則第j個(gè)視圖中第n個(gè)選擇器包含的M個(gè)弱分類器記為，其中每個(gè)弱分類器對(duì)應(yīng)該特征視圖下的一個(gè)隨機(jī)特征。

圖1 Co-SemiBoost目標(biāo)跟蹤算法流程圖

圖2 Co-SemiBoost算法的在線協(xié)同訓(xùn)練框架

如圖2所示，Co-SemiBoost算法采用在線學(xué)習(xí)方式[6]將當(dāng)前幀目標(biāo)周圍區(qū)域的未標(biāo)記樣本依次作為協(xié)同訓(xùn)練的輸入樣本，即每次利用一個(gè)未標(biāo)記樣本更新所有選擇器。該算法的在線協(xié)同訓(xùn)練過程具體描述如下：首先，隨機(jī)初始化每個(gè)特征視圖的 N個(gè)選擇器。假設(shè)第1幀的目標(biāo)位置已知，則從第1幀中獲取有標(biāo)記數(shù)據(jù)，即目標(biāo)區(qū)域作為正樣本，非目標(biāo)區(qū)域作為負(fù)樣本。初始時(shí)，在兩個(gè)特征視圖上分別利用有標(biāo)記數(shù)據(jù)訓(xùn)練先驗(yàn)分類器和，這里采用boosting方法進(jìn)行訓(xùn)練。其次，在兩個(gè)視圖中分別利用先驗(yàn)?zāi)Ｐ皖A(yù)測(cè)未標(biāo)記樣本的類別和權(quán)重，并用于更新對(duì)方視圖的選擇器1, 2)中的M個(gè)弱分類器。然后，當(dāng)選擇器中的M個(gè)弱分類器被更新后，利用半監(jiān)督技術(shù)預(yù)測(cè)該未標(biāo)記樣本的偽類別標(biāo)記和權(quán)重，并用于更新對(duì)方視圖的下一個(gè)選擇器中的M個(gè)弱分類器，此步驟不斷迭代，直到更新完第N個(gè)選擇器為止。同時(shí)在上述步驟中，兩個(gè)視圖中的每個(gè)選擇器依次選出最優(yōu)弱分類器并計(jì)算相應(yīng)的投票權(quán)重。最后將各最優(yōu)弱分類器及其權(quán)重集成為最終的強(qiáng)分類器。

2.3 類別預(yù)測(cè)與權(quán)重估計(jì)

基于在線半監(jiān)督 boosting算法[8]，Co-SemiBoost算法通過衡量未標(biāo)記樣本與有標(biāo)記樣本的相似度來判斷未標(biāo)記樣本的類別標(biāo)記。為了更新第j個(gè)特征視圖(j = 1, 2)中的每個(gè)選擇器，該算法首先利用第3 j- 個(gè)特征視圖的分類信息來預(yù)測(cè)未標(biāo)記樣本x屬于正類和負(fù)類的置信度，具體計(jì)算如下：

2.4 不同視圖的弱分類器構(gòu)建

本文使用閾值法[6]構(gòu)建Haar特征對(duì)應(yīng)的弱分類器。將每個(gè)樣本上隨機(jī)位置和大小的Haar值作為一個(gè)特征值，并構(gòu)建對(duì)應(yīng)的弱分類器：

本文使用最近鄰方法[6]構(gòu)建LBP特征對(duì)應(yīng)的弱分類器。對(duì)隨機(jī)圖像區(qū)域里的每個(gè)像素點(diǎn)計(jì)算其4個(gè)鄰點(diǎn)的LBP值，并對(duì)該圖像區(qū)域生成16-bin的LBP直方圖特征，然后構(gòu)建該特征 ,()jn mf x對(duì)應(yīng)的弱分類器：

Co-SemiBoost算法的偽代碼描述如表1所示。

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)分為兩部分：(1)對(duì)比在線半監(jiān)督boosting算法分別在Haar和LBP特征視圖進(jìn)行自訓(xùn)練，以及本文提出的Co-SemiBoost算法在Haar和LBP特征視圖上進(jìn)行協(xié)同訓(xùn)練的跟蹤性能。(2)對(duì)比Co-SemiBoost算法和3種新近跟蹤算法的性能。3種跟蹤算法分別為在線半監(jiān)督b o o s t i n g算法(SemiBoost)[8]，在線boosting算法(OAB)[6]和在線多示例跟蹤器(MIL)[10]。4種方法均使用Haar和LBP兩種特征進(jìn)行訓(xùn)練。本文選擇4個(gè)具有挑戰(zhàn)性的公共視頻序列[20]進(jìn)行實(shí)驗(yàn)，分別為Coupon Book,Cola Can,Tiger 1和Tiger 2。實(shí)驗(yàn)使用統(tǒng)一的參數(shù)設(shè)置。選擇器的個(gè)數(shù)N設(shè)為25。對(duì)于Haar特征和LBP特征，弱分類器的個(gè)數(shù)M均設(shè)為100。搜索區(qū)域?yàn)樯弦粠繕?biāo)窗口區(qū)域的2倍。SemiBoost[8],OAB[6]和MIL算法[10]的其余參數(shù)均使用默認(rèn)參數(shù)設(shè)置。所有視頻序列僅僅已知第1幀中目標(biāo)位置。實(shí)驗(yàn)平臺(tái)為Windows XP系統(tǒng)，3.01 GHz處理器和3.25 GB內(nèi)存的個(gè)人計(jì)算機(jī)。

表1 Co-SemiBoost算法的偽代碼

實(shí)驗(yàn)記錄了視頻序列的目標(biāo)中心位置的平均誤差值，即所有幀的目標(biāo)中心位置誤差值之和與視頻幀數(shù)的比值。此外，實(shí)驗(yàn)也采用了“目標(biāo)跟蹤精確度圖”[10]來驗(yàn)證跟蹤性能。該圖記錄了隨著閾值的變化，算法跟蹤到的目標(biāo)中心和實(shí)際目標(biāo)中心之間距離小于給定閾值的幀數(shù)百分比。本文閾值區(qū)間定為[0,100]。本文還給出閾值為20時(shí)目標(biāo)跟蹤的精確度，其相當(dāng)于算法跟蹤到的目標(biāo)窗口和實(shí)際目標(biāo)窗口有至少50%覆蓋面積的幀數(shù)百分比[10]。此外，實(shí)驗(yàn)還對(duì)比了各算法的運(yùn)行速度，即在4個(gè)視頻序列上每秒平均運(yùn)行的幀數(shù)。

表2列出了對(duì)比算法的目標(biāo)中心位置的平均誤差值和運(yùn)行速度(平均幀數(shù)/s)，其中最小平均誤差值用粗體字表示。由表2可知，本文的Co-SemiBoost算法的平均誤差值明顯低于SemiBoost(Haar)和SemiBoost(LBP)算法。由于SemiBoost(Haar)和SemiBoost(LBP)包含的弱分類器個(gè)數(shù)是Co-SemiBoost算法的一半，故其運(yùn)行速度略快于Co-SemiBoost算法。但SemiBoost(Haar)和SemiBoost(LBP)容易累積分類錯(cuò)誤，其目標(biāo)位置誤差值遠(yuǎn)大于Co-SemiBoost算法?？梢?，本文的在線協(xié)同訓(xùn)練機(jī)制是有效的，克服了自訓(xùn)練的不足。

表2 SemiBoost(Haar), SemiBoost(LBP)與本文算法的目標(biāo)中心位置平均誤差值(像素)和運(yùn)行速度(平均幀數(shù)/s)

本實(shí)驗(yàn)對(duì)比了Co-SemiBoost算法與SemiBoost算法(同時(shí)使用Haar和LBP特征視圖)，OAB算法和MIL算法的跟蹤性能。表3給出了SemiBoost, OAB,MIL和Co-SemiBoost算法的平均誤差值和運(yùn)行速度(平均幀數(shù)/s)，表3表明Co-SemiBoost算法的平均誤差值明顯低于其它3種對(duì)比算法。從運(yùn)行速度看，當(dāng)同時(shí)使用Haar和LBP特征且弱分類器個(gè)數(shù)相同時(shí)，OAB算法運(yùn)行速度最快，MIL算法次之，SemiBoost和Co-SemiBoost算法的運(yùn)行速度相當(dāng)。由于SemiBoost和Co-SemiBoost算法需要迭代地更新弱分類器，因此增加了時(shí)間復(fù)雜度?？梢?，Co-SemiBoost算法具有魯棒的跟蹤性能和良好的跟蹤速度。

圖3所示為對(duì)比算法在閾值區(qū)間[0,100]的目標(biāo)跟蹤精確度。從圖3可知，Co-SemiBoost算法在較低閾值處具有較高的精確度。表4具體給出了閾值為20時(shí)的目標(biāo)跟蹤精確度，其中最高精確度用粗體字表示。例如Coupon Book視頻有約90%視頻幀的目標(biāo)中心位置距離實(shí)際中心位置在20個(gè)像素以內(nèi)。然而當(dāng)閾值為20時(shí)，其它3種算法在4個(gè)視頻中的精確度均明顯低于Co-SemiBoost算法。因此，實(shí)驗(yàn)結(jié)果表明Co-SemiBoost算法采用的協(xié)同訓(xùn)練機(jī)制是有效可行的，能夠自適應(yīng)目標(biāo)外觀的變化，同時(shí)較好地克服目標(biāo)漂移問題。

表3 4種對(duì)比算法的目標(biāo)中心位置平均誤差值(像素)和運(yùn)行速度(平均幀數(shù)/s)

圖4給出了4個(gè)視頻中有代表性的目標(biāo)跟蹤效果圖。如圖4(a)所示，Coupon Book視頻在第52幀時(shí)被跟蹤的票券被折起，從而目標(biāo)外觀發(fā)生變化。在第133幀和第303幀，被跟蹤的票券不斷受到旁邊一張假票券的影響。OAB算法由于沒有保存先驗(yàn)?zāi)Ｐ?，發(fā)生了嚴(yán)重的目標(biāo)漂移。SemiBoost算法由于迭代過程中分類錯(cuò)誤不斷加強(qiáng)，也慢慢地漂離跟蹤目標(biāo)。而MIL算法由于在學(xué)習(xí)過程中沒有區(qū)分正包中不同樣本的重要性，因此MIL算法的跟蹤性能不穩(wěn)定。Co-SemiBoost算法由于在協(xié)同訓(xùn)練過程中不斷提升分類器的判別能力，并且融入了目標(biāo)先驗(yàn)知識(shí)，因此能夠較好地區(qū)分相似對(duì)象，更穩(wěn)定地跟蹤到目標(biāo)。

表4 閾值為20時(shí)的目標(biāo)跟蹤精確度(%)

圖3 4種對(duì)比算法的目標(biāo)跟蹤精確度圖

圖4 4個(gè)視頻中4種對(duì)比算法的目標(biāo)跟蹤結(jié)果示例圖

圖4(b)給出了Cola Can視頻中第13，第81和第245幀的目標(biāo)跟蹤結(jié)果。受到光照、快速移動(dòng)和旋轉(zhuǎn)的影響，SemiBoost和MIL算法在迭代過程中的分類錯(cuò)誤不斷累積，分類器性能下降，均發(fā)生目標(biāo)漂移。OAB算法跟蹤到的目標(biāo)位置不精確，導(dǎo)致獲取到的正樣本不準(zhǔn)確。Co-SemiBoost算法能夠更準(zhǔn)確地跟蹤到目標(biāo)，因?yàn)槠淅梦礃?biāo)記樣本協(xié)同訓(xùn)練分類器，克服了自訓(xùn)練的不足，提高了分類器的性能。

如圖4(c)所示，在Tiger 1視頻中，玩具老虎在光照變化和復(fù)雜背景下被旋轉(zhuǎn)和快速移動(dòng)。例如第121幀目標(biāo)被快速移動(dòng)并且出現(xiàn)部分遮擋。在第215幀時(shí)，目標(biāo)被快速移動(dòng)而使圖片中目標(biāo)區(qū)域變得模糊，并且出現(xiàn)較嚴(yán)重的遮擋現(xiàn)象。第282幀老虎面部外觀發(fā)生明顯變化。在這些幀中，Co-SemiBoost算法均能夠準(zhǔn)確地跟蹤到目標(biāo)，而其它算法都漂移到了周圍的物品。

圖4(d)給出了Tiger 2視頻在光照條件和復(fù)雜背景下第77，第126和第270幀的跟蹤結(jié)果，例如第77幀目標(biāo)被快速移動(dòng)出現(xiàn)模糊，第126幀目標(biāo)外觀出現(xiàn)顯著變化，以及第270幀目標(biāo)被旋轉(zhuǎn)和部分遮擋。Co- SemiBoost算法能夠穩(wěn)定地跟蹤到玩具老虎，而其它算法都出現(xiàn)漂移問題。

綜上所述，Co-SemiBoost算法采用的在線協(xié)同訓(xùn)練框架是有效可行的，明顯優(yōu)于基于自訓(xùn)練的在線boosting和在線半監(jiān)督boosting算法。并且與新近提出的在線多示例跟蹤器相比，Co-SemiBoost算法總體上具有更優(yōu)的跟蹤性能。因此，在復(fù)雜的跟蹤環(huán)境下，Co-SemiBoost算法既具有自適應(yīng)能力，又在一定程度上有效地抑制了目標(biāo)漂移問題。

4 結(jié)束語(yǔ)

本文提出了一種魯棒的基于在線半監(jiān)督boosting的協(xié)同訓(xùn)練目標(biāo)跟蹤算法(Co-SemiBoost)。該算法采用一種有效的在線協(xié)同訓(xùn)練框架，利用未標(biāo)記樣本協(xié)同訓(xùn)練不同視圖中的弱分類器，克服了自訓(xùn)練目標(biāo)跟蹤算法的不足，從而提高了分類器的判別能力。同時(shí)，Co-SemiBoost算法保持了在線半監(jiān)督boosting算法的優(yōu)勢(shì)，結(jié)合目標(biāo)先驗(yàn)?zāi)Ｐ秃驮诰€分類器來預(yù)測(cè)未標(biāo)記樣本的偽類別標(biāo)記和權(quán)重，能夠有效處理目標(biāo)遮擋和光照變化等問題。實(shí)驗(yàn)結(jié)果表明，Co-SemiBoost算法具有魯棒的跟蹤性能。另外，由于該算法主要解決單目標(biāo)的在線跟蹤問題，沒有考慮多目標(biāo)之間的關(guān)聯(lián)性以及多目標(biāo)運(yùn)動(dòng)軌跡估計(jì)等問題，因此不適用于多目標(biāo)跟蹤問題；如何擴(kuò)展本文算法用以解決多目標(biāo)跟蹤將是我們重點(diǎn)研究的方向。此外，由于不同的特征視圖可能適合于不同的跟蹤場(chǎng)景，因而我們將進(jìn)一步研究在各種場(chǎng)景下不同特征視圖的適用性問題。

[1] Yang Han-xuan, Shao Ling, Zheng Feng, et al.. Recent advances and trends in visual tracking: a review[J].Neurocomputing, 2011, 74(18): 3823-3831.

[2] Yilmaz A, Javed O, and Shah M. Object tracking: a survey[J].ACM Computing Surveys, 2006, 38(4): 1-45.

[3] 孫景樂, 唐林波, 趙保軍, 等. 基于瑞利分布的粒子濾波跟蹤算法[J]. 電子與信息學(xué)報(bào), 2013, 35(4): 763-769.Sun Jing-le, Tang Lin-bo, Zhao Bao-jun, et al.. A new particle filter tracking algorithm based on Rayleigh distribution[J]. Journal of Electronics ＆amp; Information Technology, 2013, 35(4): 763-769.

[4] 董文會(huì), 常發(fā)亮, 李天平. 融合顏色直方圖及 SIFT特征的自適應(yīng)分塊目標(biāo)跟蹤方法[J]. 電子與信息學(xué)報(bào), 2013, 35(4):770-776.Dong Wen-hui, Chang Fa-liang, and Li Tian-ping. Adaptive fragments-based target tracking method fusing color histogram and SIFT features[J]. Journal of Electronics ＆amp;Information Technology, 2013, 35(4): 770-776.

[5] Jia Xu, Lu Hu-chuan, and Yang Ming-hsuan. Visual tracking via adaptive structural local sparse appearance model[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Rhode Island, 2012: 1822-1829.

[6] Grabner H and Bischof H. On-line boosting and vision[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, New York, 2006: 260-267.

[7] Grabner H, Grabner M, and Bischof H. Real-time tracking via on-line boosting[C]. Proceedings of British Machine Vision Conference, Edinburgh, 2006: 47-56.

[8] Grabner H, Leistner C, and Bischof H. Semi-supervised on-line boosting for robust tracking[C]. Proceedings of European Conference on Computer Vision, Marseille, 2008:234-247.

[9] Tang Feng, Brennan S, Zhao Qi, et al.. Co-tracking using semi-supervised support vector machines[C]. Proceedings of the IEEE International Conference on Computer Vision,Brazil, 2007: 1-8.

[10] Babenko B, Yang Ming-hsuan, and Belongie S. Robust object tracking with online multiple instance learning[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2011, 33(8): 1619-1632.

[11] Zhang Kai-hua, Zhang Lei, and Yang Ming-hsuan. Real-time compressive tracking[C]. Proceedings of European Conference on Computer Vision, Florence, 2012: 866-879.

[12] Yu Qian, Dinh T B, and Medioni G. Online tracking and reacquisition using co-trained generative and discriminative trackers[C]. Proceedings of European Conference on Computer Vision, Marseille, 2008: 678-691.

[13] Zhu Xiao-jin. Semi-supervised learning literature survey[R].Computer Sciences TR-1530, USA: University of Wisconsin-Madison, 2007.

[14] Mallapragada P K, Jin Rong, Jain A K, et al.. SemiBoost:Boosting for semi-supervised learning[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(11):2000-2014.

[15] Lewandowski M and Orwell J. Co-training on multi-view unlabelled data[C]. Proceedings of the 27th Conference on Image and Vision Computing, New Zealand, 2012: 423-428.

[16] Blum A and Mitchell T. Combining labeled and unlabeled data with co-training[C]. Proceedings of the Eleventh Annual Conference on Computational Learning Theory, Madison,1998: 92-100.

[17] Viola P and Jones M. Rapid object detection using a boosted cascade of simple features[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,Kauai, 2001: 511-518.

[18] Ahonen T, Hadid A, and Pietikainen M. Face description with local binary patterns: application to face recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(12): 2037-2041.

[19] Oza N. Online ensemble learning[D]. [Ph.D. dissertation],University of California, 2001.

[20] Babenko B, Yang Ming-hsuan, and Belongie S. Visual tracking with online multiple instance learming[OL]. http://vision.ucsd.edu/~bbabenko/project_miltrack.shtml. 2009.