论文部分内容阅读
基于视觉的多目标跟踪是计算机视觉领域的研究热点,在视频监控、自动驾驶辅助、移动机器人导航、交通安全等领域都有广泛的应用。由于受到复杂的环境、变化的目标外观、目标数目的随机变化及遮挡等众多因素的影响,视觉多目标跟踪问题变得非常复杂和有挑战性。尤其是在相机运动的情况下,相机本身的运动造成背景的变化,使得运动目标与背景难以区分,增加了多目标跟踪问题的复杂性。论文针对运动单目摄像头下的多目标跟踪问题,在基于检测的跟踪方法框架下,对基于Bayes后验估计的多目标跟踪方法进行了研究。主要研究内容包括:(1)对相机运动估计方法进行了研究。通过估计静态地标点的运动估计相机运动,在每个时刻的相机状态下建立目标在三维空间与二维图像平面的对应关系,为计算目标运动模型和观测似然度做准备。(2)研究了融合多个检测线索以适应目标外观变化和复杂的环境变化的方法。检测线索由基于可变形部件模型(Deformable Part Model,DPM)检测器和基于颜色的Mean Shift跟踪器提供,同时可以按照需要增加和删除观测线索。(3)提出了一种三维空间中的相对运动网络方法来解决由于漏检和遮挡产生的轨迹片段和跟踪漂移。相互运动网络描述了目标之间的实际3D运动关系,相比图像平面的2D运动网络要直观准确,能适应目标的复杂运动的同时减少了跟踪算法对检测结果的依赖性。(4)采用可逆跳跃马尔科夫蒙特卡洛(Reversible Jump Markov Chain Monte Carlo,RJMCMC)求解Bayes后验估计问题,该算法通过随机跳跃动作可以随机的增加或移除目标,可以适应目标数目随机变化的情况。为了验证所提出方法的有效性,分别在三个标准数据集(ETH-Bahnhof,ETH-Linthescher和ETH-Sunnyday)和现场采集的视频集上进行了实验对比。实验表明,所提出的方法在处理由于漏检和遮挡产生的轨迹片段方面有较大改进。