基于檢測的數(shù)據(jù)關聯(lián)多目標跟蹤算.pdf

1、視頻序列的多目標跟蹤研究是計算機視覺領域的一個重要內容，已經(jīng)廣泛應用于國防、視頻監(jiān)控、智能導航/輔助駕駛、智能機器人、行為分析、視頻檢索、生物醫(yī)學等領域。視頻多目標跟蹤的目的是在視頻序列中標定出各個目標的運動軌跡。然而，受成像質量下降、噪聲和背景干擾、目標外觀和運動模式的變化、被跟蹤目標數(shù)目的不確定性、復雜多變的遮擋等諸多因素的影響，多目標跟蹤算法研究是一個頗具挑戰(zhàn)性的課題，還面臨大量的理論和技術問題有待解決。近十年來，隨著目標檢測器性

2、能的不斷提升，基于檢測的目標跟蹤方法引起了廣泛的關注，已成為當前主流的多目標跟蹤方法。這類方法將檢測器輸出的檢測響應作為輸入，通過數(shù)據(jù)關聯(lián)技術將屬于同一目標的檢測響應逐一連接、最終獲得各個目標的運動軌跡。關聯(lián)模型設計是基于檢測的數(shù)據(jù)關聯(lián)技術的關鍵，一個好的關聯(lián)模型應該盡可能的融合那些反映目標軌跡內在屬性的觀測信息，在噪聲和復雜場景下提供可靠的軌跡關聯(lián)。
　　本研究主要內容包括：⑴在逐級關聯(lián)框架下，提出了一種基于霍夫森林分類器的多目

3、標跟蹤算法。首先通過保守關聯(lián)算法生成可靠的短小軌跡片；隨后以逐級處理方式從跡片集上提取具有判別性能的外觀和運動特征，生成訓練樣本并構建霍夫森林；在測試階段，利用森林葉子節(jié)點中存儲的有效碼元信息去估計軌跡片間的連接概率，最終將軌跡關聯(lián)轉化為最大后驗概率準則（Maximum-A-Posterior，MAP）下的求解問題。實驗證明了基于霍夫森林的軌跡片關聯(lián)模型的有效性：與一些國外同行的近期算法相比較，該方法取得了與之相當?shù)母櫺Ч?。⑵由于運動

4、場景的復雜性、頻繁發(fā)生的遮擋等，即便是目前最先進的檢測器也存虛檢、漏檢、檢測不精確等問題；可靠軌跡片生成階段所采取的保守關聯(lián)策略也會遺漏一些檢測響應。上述問題都將導致在最后的跟蹤結果中，出現(xiàn)不能和任何軌跡相關聯(lián)的孤立響應點，從而使得目標軌跡間隙增大、平滑性下降。針對此問題，本文提出一種新的遮擋推理模型，以此推斷出遮擋目標的被遮擋區(qū)域和非遮擋區(qū)域；在此基礎上設計被遮擋目標的融合特征描述，提出孤立響應點與目標軌跡間的匹配策略，有效解決了孤立

5、響應點的目標歸屬問題。作為一種填補軌跡間隙的后處理技術，本章方法對于采用軌跡片關聯(lián)的跟蹤算法具有普適性。⑶提出霍夫森林條件隨機場模型（Hough Forest Conditional Random Field, HFRF），該方法通過SW-cuts算法計算MH跳轉接受概率以實現(xiàn)狀態(tài)推理求解，而利用霍夫森林提供CRF推理所需要的概率參數(shù)；HFRF將CRF模型參數(shù)學習和推理嵌入到同一個框架中，從而規(guī)避了傳統(tǒng)CRF跟蹤方法中的難題。此外，與傳

6、統(tǒng)的CRF圖模型不同，HFRF對每條邊額外定義了一個二元指示隱變量，將傳統(tǒng)CRF中的二元組結構關系擴展到三元，可以考慮更多運動目標的時空域關系，利用該三元組結構有助于跟蹤算法的優(yōu)化和性能提升。⑷在傳統(tǒng)CRF圖模型下，提出了一種基于數(shù)據(jù)聯(lián)合分布建模的多目標跟蹤算法。該方法構造二元勢函數(shù)表征軌跡片間的相關性，構造高階類別損失函數(shù)（正則項）用以約束求解的目標個數(shù)，在此基礎上得到代價方程，最終通過代價最小化實現(xiàn)CRF模型下的類別標定。其中軌跡片