论文部分内容阅读
目前,多目标跟踪技术已经广泛的应用在我们生活中的各个方面。多目标跟踪任务涉及的场景具有复杂性:存在目标的进入和消失、目标被频繁遮挡等现象。多目标跟踪算法运行时会由于目标被遮挡时,造成跟踪错误的现象;由于目标被漏检,导致目标假消失,再次跟踪目标时,造成跟踪错误的现象。因此如何在复杂场景下实现多目标之间的正确关联仍然是一个难题。为此,本文从如何在复杂环境中,正确实现多目标之间的跟踪问题出发,提出了一个新的面向行人的多目标跟踪算法,主要的研究内容如下:1.针对行人被遮挡时,算法性能降低的问题,提出了面向遮挡的多目标跟踪算法(OOMOT)。首先,针对现有的运动估计方法,不能有效的学习到运动信息之间更复杂的信息的问题,提出了基于卷积网络的运动估计算法。其卷积层使用扩张卷积,能够保证神经元仅学习当前时刻之前的数据信息,不依赖于未来信息,考虑了数据输入的时序关系。然后,针对现有的度量方法,忽略了外观模型与运动模型度量结果之间的权重关系的问题,不能有效的权衡外观特征的度量结果与运动特征的度量结果,提出了自适应特征度量算法。最后,在数据集MOT16上进行了实验,并且实验结果可以反映出本文提出的面向遮挡的多目标跟踪算法,能够实现行人在遮挡情况下的正确关联。2.针对目标漏检之后,不能达到长时间一致性跟踪的问题,提出了基于轨迹核查的长时间多目标跟踪算法(LTMOT)。长时间多目标跟踪算法以轨迹核查算法为核心。提出的轨迹核查算法主要是对新增轨迹进行核查,防止目标漏检之后再次识别时,跟踪当前目标的轨迹编号发生变化。在数据集MOT16的结果中可以发现,轨迹核查算法与面向遮挡的多目标跟踪算法相结合,能够实现目标在漏检之后再次识别时,轨迹编号不发生变化,从而实现对目标的长时间的跟踪。3.实现了多行人跟踪监控系统。该系统首先根据接收到的视频数据进行数据预处理,接着根据预处理得到的数据,进行多帧图像的目标检测,然后基于目标检测的结果,通过目标跟踪算法实现目标之间的关联,最后将多目标跟踪的结果反馈给用户并且在前端界面中展示。