优先出版 计 算 机 应 用 研 究 第32卷
--------------------------------
基金项目：国家“八六三“高技术研究发展计划(2011AA110501)
作者简介：李艳萍(1976 -)，女，陕西岐山人，讲师，硕士，主要研究方向为信息检索、视频处理(lyp_swj@)；林建辉(1964 -)，男，福建莆田人，教授，博士，主要研究方向为图像处理、数据挖掘．
一种基于能量最小化的多目标跟踪算法研究
李艳萍1，林建辉2
(1．西南交通大学 机械工程学院，成都 610031；2．西南交通大学 牵引动力国家重点实验室，成都 610031)
摘 要：现有的多目标跟踪算法只关注生成所有目标的区分性运动和外观模型，如果目标的场景拥挤，掩蔽频繁，外观
相似，则很难找到合适的描述符将这些目标区分开。
鉴于此，本文基于一种在线学习条件随机场模型对跟踪问题进行建
模，并将其转化为能量最小化问题。
最后提出一种近似算法，可用于高效确定能量成本低、质量高的跟踪问题的解。
基
于3种公共数据集对本文算法进行评估，实验结果表明，本文算法相对其他几种最新算法，具有很大的性能提升，无论
在区分外观相似且空间距离较近的目标方面，还是在处理摄像机运动方面，本文算法的性能均很优异。
关键词：多目标跟踪；外观模型；描述符；能量函数；踪迹碎片；近似算法
中图分类号：TP391 文献标志码：A
Research on multi-target tracking algorithm based on energy minimization
LI Yan-ping 1, LIN Jian-hui 2
(1. School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China; 2. Traction Power State Key
Laboratory of Southwest Jiaotong University, Chengdu 610031, China)
Abstract: Multi-target tracking is an important but difficult project in computer vision field, the existing multi-target tracking
algorithm which only focus on producing discriminative motion and appearance models for all targets, it is difficult to find
descriptors to distinguish targets in crowded scenes with frequent occlusions and similar appearances. In order to this problem,
the tracking problem is modeled by using an online learned CRF model, and is transformed into an energy minimization
problem. Finally, an approximation algorithm is proposed for efficiently finding good tracking solutions with low energy costs.
We evaluate our approach on three public data sets, and the simulation results show significant improvements compared with
several state-of-art methods. The proposed algorithm is more powerful at distinguishing spatially close targets with similar
appearances, as well as in dealing with camera motions.
Key Words: multi-target tracking; appearance models; descriptors; energy functions; tracklets; approximation algorithm
0 引言
多目标跟踪是计算机视觉领域研究难度较大的一个重要课
题。
它需要在保持所有目标身份的前提下，确定所有目标的轨
迹。
人们提出了多种基于关联的跟踪算法[1,2]，这些算法往往根
据检测响应或踪迹碎片间的多种信息来确定合适的链接亲和力
(linking affinity)，然后通过匈牙利算法、MCMC 等算法确定概
率最大的全局解。
然而，如何更好地将不同目标区分开，仍然
是一个关键问题，这影响到基于关联的跟踪算法的性能。
如果
目标的场景拥挤，掩蔽频繁，外观相似，则很难找到合适的描
述符来将这些目标区分开。
本文提出一种在线学习有条件随机
场模型(CRF)来更好地将不同的目标尤其是空间距离较近、外观
类似的高难度目标区分开。
图1给出了应用本文算法时的部分
跟踪示例。
图1应用本文算法时的目标跟踪结果示例 为了确定每一个目标的身份，经常使用运动和外观信息来生成区分性描述符。
运动描述符经常基于速度和踪迹碎片间的距离，而外观描述符为了区分不同的目标往往基于全局或局部颜色直方图。
另外，线性运动模型在目标跟踪研究中得到了广
泛研究[3,4]。
踪迹碎片间的链接概率往往基于两个踪迹碎片对线
性运动假设的满足程度。
然而，如果摄像机运动导致观测角度
文章预览已结束
获取全文请访问
/article/02-2015-03-056.html。