多目标跟踪的序贯分层抽样信任传播算法

多目标视觉跟踪除了具有单目标跟踪中观测模型与目标状态后验概率分布的非线性、非Gauss的困难外,目标数目可变、数量众多以及目标之间的相互作用(如遮挡、交错)使得跟踪问题更为困难.基于三个耦合的Markov随机场(MRFs)导出了描述多目标跟踪问题的动态Markov网络(DMN),然后提出序贯分层抽样信任传播算法在DMN中求解多目标状态.首先用三个耦合MRFs表示每一时刻目标的配置情况,即表示目标联合状态的连续随机场、表示目标存在与否的二值随机过程和表示相邻两个目标之间是否存在遮挡的二值随机过程;其次,引入两个鲁棒函数来消除其中的两个二值随机过程,从而得到与耦合MRFs等价的Markov网络;最后提出序贯分层抽样信任传播算法求解该图模型,从而得到目标联合状态的最大后验概率估计.提出的序贯分层抽样信任传播算法集成了自底向上通过学习得到的目标检测器信息和来自目标节点的信任信息,从而能获得较好的跟踪结果.进一步,其他底层视觉线索也可以很容易嵌入本文的多目标跟踪框架中.实验结果表明,在多种测试序列情况下,与其他多目标跟踪算法相比,本文的方法均可以获得较好的跟踪效果.