多目标跟踪的序贯分层抽样信任传播算法.pdfVIP

中国科学 E 辑 信息科学 2005, 35(10): 1049~1063 1049 * 薛建儒 郑南宁 钟小品 (西安交通大学人工智能与机器人研究所, 西安 710049) 摘要 多目标视觉跟踪除了具有单目标跟踪中观测模型与目标状态后验概率 分布的非线性、非Gauss 的困难外, 目标数目可变、数量众多以及目标之间的相 互作用(如遮挡、交错)使得跟踪问题更为困难. 基于三个耦合的Markov 随机场 (MRFs)导出了描述多目标跟踪问题的动态Markov 网络(DMN), 然后提出序贯分 层抽样信任传播算法在DMN 中求解多目标状态. 首先用三个耦合MRFs 表示每 一时刻目标的配置情况, 即表示目标联合状态的连续随机场、表示目标存在与否 的二值随机过程和表示相邻两个目标之间是否存在遮挡的二值随机过程; 其次, 引入两个鲁棒函数来消除其中的两个二值随机过程, 从而得到与耦合MRFs 等价 的 Markov 网络; 最后提出序贯分层抽样信任传播算法求解该图模型, 从而得到 目标联合状态的最大后验概率估计. 提出的序贯分层抽样信任传播算法集成了 自底向上通过学习得到的目标检测器信息和来自目标节点的信任信息, 从而能 获得较好的跟踪结果. 进一步, 其他底层视觉线索也可以很容易嵌入本文的多目 标跟踪框架中. 实验结果表明, 在多种测试序列情况下, 与其他多目标跟踪算法 相比, 本文的方法均可以获得较好的跟踪效果. 关键词 多目标跟踪 序贯分层抽样 信任传播算法 动态 Markov 网络 多目标的视觉跟踪一直是计算机视觉中极富挑战性的问题在智能视频监 控、基于视觉的人与计算机接口和智能会议室等领域有着广泛的应用背景 传统的雷达多目标跟踪中, 跟踪问题被划分为数据关联与状态估计两个基 本任务[1,2]: 首先将测量数据分配给目标, 即数据关联, 然后根据分配给该目标的 测量进行状态估计. 由于数据关联中假设数目会随目标个数的增加呈指数级增 长, 从而出现组合爆炸, 因此数据关联是一个NP 问题[3]. 研究者们对此进行了大 量的工作, 提出了多种能在多项式时间内产生k个最好假设的算法[3,4], 但这些算 2004-11-18 收稿, 2005-07-28 收修改稿 * 国家自然科学基金资助项目(批准号: SCIENCE IN CHINA Ser. E Information Sciences 1050 中国科学 E 辑 信息科学 第 35 卷 法几乎都是以牺牲最优性为代价的. 与传统跟踪问题相比, 多目标视觉跟踪中更是充满了背景的嘈杂、遮挡以及 目标混淆等许多不确定因素, 需要引入概率统计的方法. Bayes 统计推断为多目 标跟踪问题提供了较好的框架, 它将跟踪问题看作一个寻找“最佳猜测”的估计 问题, 数据相关与状态估计可以联合求解. 大多数的 Bayes 跟踪方法采用最大后 验估计(MAP)解决目标状态估计问题.