多目标跟踪中基于结构化学习的目标身份感知网络流量技术研究

摘要：

多目标跟踪问题是计算机视觉领域的关键研究问题之一.现有的目标跟踪算法严重依赖于目标检测器的性能,如果目标检测器的虚警率或漏警率较高,数据关联将会失败,导致目标跟踪精度不足.为此,本文提出一种基于结构化学习策略的目标身份感知网络流量技术,可在目标检测和数据关联并行化框架下有效地实现多目标跟踪.文中首先通过结构化学习为每个对象训练一个模型,并将目标跟踪问题建模为拉格朗日松驰优化问题,然后提出一种目标身份感知网络流量(TINF)技术进行结构化学习的推理.在学习期间,通过搜索使目标身份感知网络流量代价函数最小化的一组轨迹,确定最被违反约束和序列在下个时间段的最优轨迹,推断出视频片断中所有目标的最佳位置.最后,利用多种高难度数据集进行仿真实验,结果表明本文方法的性能优于其他最新算法.

关键词：多目标跟踪、数据关联、结构化学习策略、拉格朗日松驰、轨迹

所属期刊栏目：13

分类号：TP393(计算技术、计算机技术)

资助基金：河南省科技攻关计划项目162102110119

在线出版日期：2018-08-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：284-290