全局分层关联网络流在多目标跟踪中的应用

整体上将多目标跟踪问题转化为图的问题。首先采用经典的分层思想,建立两层跟踪框架,并将目标的运动特征和外观特征融入权值,可以较精确地模拟真实的跟踪场景。接着,加入虚拟结点以处理目标缺失的问题,并给出其加速版:聚合虚拟结点。最后利用最大二值整数规划求解无向图以同时获得一系列团。实验在公共数据集上进行,结果表明,该算法可以实现实时跟踪,且跟踪结果较好。

全局多极团的分层关联多目标跟踪

目的由于背景的复杂性,光照的多变性以及目标的相关性等因素的影响,使得多目标跟踪算法的鲁棒性相对较差。目前,在多目标跟踪问题中面临的主要挑战包括:遮挡、误检、目标运动的复杂性以及由于目标具有相似的外观特征所引起的模糊性。针对以上问题,提出一种基于全局多极团的分层关联多目标跟踪算法。方法该方法以数据关联中的全局关联为依托,基于分层和网络流思想,跟踪采用两层框架,每一层中均利用较短的轨迹片段形成更长的轨迹,根据网络流思想,首先构建网络的无向图,其中无向图的结点是由几个轨迹片段构成的,无向图权值的确定是利用目标的运动模型和外观模型的线性组合得到,然后借助聚合虚拟结点处理目标之间的遮挡问题,接着重点加入空间约束以解决身份转换的问题。最后利用最大二值整数规划在叠加片段上求解无向图,同时得到多个极大团。结果实验在公共数据集上进行,通过在TUD-Stadmitte、TUD-Crossing、PETS2009、Parking Lot 1、Parking Lot 2、Town Center这6个数据集上验证,该方法对各个数据集跟踪准确度均有提高,其中针对数据集TUDStadmitte提高了5%以上,针对数据集Town Center处理的身份转换数量减少了12个。结论本文依据数据关联思想,提出一种全局多极团的分层关联多目标跟踪算法,其中重点加入的空间约束能有效地处理多目标跟踪问题,尤其涉及遮挡问题,效果更佳。在智能视频监控领域中该方法具有实际应用价值。