基于CRF模型和标签代价的群组多目标跟踪算法.pdfVIP

第54卷第3期 大 连 理 工 大 学 学 报 VO1．54， No．3 2014年 5月 JournalofDalianUniversityofTechnology May 2 0 1 4 船 常电子与信息工程 文章编号 ：1000—8608 2O14 O3—0345—10 蒂 带 帚 带 带 带 带 基于 CRF模型和标签代价的群组多 目标跟踪算法 高 洪 波 ， 王 洪 玉 ， 刘 晓 凯 ， 王 洁 大连理工大学 信息与通信工程学院，辽宁 大连 116024 摘要 ：目标身份切换现象在 目前的视频多目标跟踪算法中普遍存在，特别是在遮挡严重的 场景 中．针对这一 问题，提 出一种结合 了CRF eonditionrandomfield 模型和标签代价函数 的 多 目标跟踪算法。该算法将多 目标跟踪问题转化为求解统一能量函数的最小解 问题；同时，将 目标 的群组状态融合到跟踪器 中，减少 了目标发生身份切换的概率，提高了算法 的鲁棒性．在 多个公共数据集中对该算法进行仿真，实验结果显示，在多个性能指标特别是 目标发生身份 切换次数指标 中，该算法优于 目前主流的跟踪算法． 关键词 ：计算机视觉；多 目标跟踪；CRF模型；标签代价 ；群组状态 中图分类号 ：TN911．73 文献标识码 ：A doi：10．75ll／dIIgxb2O14O3Ol3 O 引 言 热点．该方法的本质是数据关联，首先进行 目标检 测 ，然后对相邻帧之间的检测结果进行数据关 在计算机视觉中多 目标跟踪是一个重要的课 联[1引，但是，这种方法在干扰下容易发生身份切 题 ，它在视频监控 、机器人和人机交互等领域具有 换．后来 ，时间窗被引入到多 目标跟踪算法中，通 广泛的应用．但是在拥挤的场景中，因为 目标之间 过在多帧中求全局最优解 ，提高了跟踪算法的精 相互频繁的遮挡 ，保持 目标身份的一致性并不是一 度n ]．随着 目标检测技术的提高，不同于帧一帧 件容易的工作．因为相似 目标 的干扰，当前的多 目 方法 ，许多学者把关联度很高的检测结果连接成 标跟踪算法经常发生身份切换现象 IDswitch ． 为解决这个问题 ，本文提出一种基于群组状态 的 一 个不可分割的单元——轨迹片段 tracklet ，将 多 目标跟踪算法 ，该算法的基本思想来 自于一份 其与时间窗结合 ，减少了计算复杂度并且提高了 统计报告[1]：在现实场景中，大约 94％的人会和 算法的鲁棒性 [1zozz]． 一 起进入场景的同伴同时离开 ，即组 内的 目标具 为了得到轨迹片段之间或者检测结果与 目标 有保持组状态的意愿．利用群组的状态有助于提 之间最可靠 的亲近度，Nevatia等利用 CRF图对 高多 目标跟踪算法的鲁棒性 ，通过惩罚改变初始 轨迹片段集合建立关联模型，根据 目标的外貌和 组状态的身份分配，有效地避免身份切换的发生． 运动特征确定 CRF图中顶点的亲近度和边的相 目前 ，根据跟踪方法不同，多 目标跟踪方法分 关度，将多 目标跟踪问题转换为求解 CRF图中顶 为基于粒子滤波的多 目标跟踪方法[2。和基于检 点和边的能量最小 问题．文献E83将基于部分的检 测的多目标跟踪方法[8。．基于粒子滤波 的方法 测加入到轨迹片段的外貌学习中，增强了训练样 将多 目标跟踪问题看成多 目标状态的后验概率估 本的纯净性 ，从而加强 了算法处理 目标遮挡 的能 计 问题．然而该方法中，粒子数 目随目标个数的增 力．文献[9]提出了在线学习CRF模型的方法，该 加而急剧增加，故在实际应用中难以实现．最近几 方法对 目标的外貌和运动变化 、光照具有更强 的 年 ，基于检测的方法逐渐成为多 目标跟踪领域 的 鲁棒性．文献 [10]利用 RankBoost算法在特征池 收稿 日期 ：2013-06-08； 修回月期 ：2014一Ol一09． 基金项 目：国家 自然科学基金资助项 目 座机电话号码 ；高等学校博士学科点专项科研基金资助项 目 2o120o4l1100l1 ；中央高校基本 科研业务费专项资金资助项 目 DUT13JS09 ． 作者简介 ：高洪波 1979一 ，男，博士生，E-mail：ghbghbll0@163．comet洪玉 1968一 ，男，教授，博士生导师，E—mail：whyu@dlut．edu．cn． 大 连 理 工 大 学 学 报 第54卷 中选取有效特征来估计 CRF模型中的亲近度．相 方法，将两者合并到一个统一的能量函数中，如此 比于颜色直方图，文献[11]提出了一种在线非线性 便将多 目标跟踪问题转换为最小能量函数问题． 运动模型的学习方法，提高了CRF模型处理非线 E @，r 一argmin ：U