MOT中改进的目标身份感知网络流量技术

摘要：

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,通过结构化学习为每个对象训练一个模型,将目标跟踪问题建模为拉格朗日松驰优化问题,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,推断视频片断中所有目标的最佳位置.利用多种高难度数据集进行仿真实验,实验结果表明,所提方法的性能优于其它较新算法.

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：39

分类号：TP393(计算技术、计算机技术)

资助基金：国家开放大学教学研究中心首批研究课题基金项目Q0081A-215Z;广州市青少年科技教育基金项目2017-501;国家自然科学基金项目61472288

在线出版日期：2018-07-19（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：1579-1585