如何使用連續(xù)離散問(wèn)題聯(lián)合求解和群組分析進(jìn)行多目標(biāo)跟蹤技術(shù)研究

　　多目標(biāo)跟蹤技術(shù)通過(guò)對(duì)不同目標(biāo)之間的相互社會(huì)關(guān)系進(jìn)行建模，改善單個(gè)目標(biāo)的跟蹤性能，并且快速檢測(cè)和預(yù)判場(chǎng)景中可能發(fā)生的群體類突發(fā)事件?，F(xiàn)有的多目標(biāo)跟蹤技術(shù)雖在數(shù)據(jù)關(guān)聯(lián)和軌跡估計(jì)上取得平衡，但依然存在諸多問(wèn)題。本文介紹通過(guò)背景建模提取出的場(chǎng)景信息分析并識(shí)別目標(biāo)來(lái)約束多目標(biāo)跟蹤，將數(shù)據(jù)關(guān)聯(lián)和軌跡估計(jì)這兩個(gè)連續(xù)和離散的經(jīng)典子問(wèn)題結(jié)合到統(tǒng)一的框架中求解；與此同時(shí)，還提出了基于群組聚類的行為建模策略，得到的語(yǔ)義信息提供相鄰目標(biāo)和軌跡之間的約束，有助于改善跟蹤結(jié)果。實(shí)驗(yàn)表明，本文提出的策略相比經(jīng)典的多目標(biāo)跟蹤算法準(zhǔn)確性更高。

　　目標(biāo)跟蹤技術(shù)是一種能在視頻序列中檢測(cè)出具有某種特征的目標(biāo)，并確定其大小位置以及運(yùn)動(dòng)軌跡的技術(shù)。近年來(lái)，隨著監(jiān)控技術(shù)的不斷發(fā)展，多目標(biāo)跟蹤技術(shù)在民用和軍事方面都有著非常廣泛的應(yīng)用。該技術(shù)不僅能夠?qū)蝹€(gè)目標(biāo)的社會(huì)行為和運(yùn)動(dòng)規(guī)律進(jìn)行分析，而且還能夠?qū)Σ煌繕?biāo)之間的相互社會(huì)關(guān)系進(jìn)行建模，從而在改善單個(gè)目標(biāo)的跟蹤性能基礎(chǔ)上，快速檢測(cè)和預(yù)判場(chǎng)景中可能發(fā)生的群體突發(fā)事件，對(duì)于提高智慧安防監(jiān)控的自動(dòng)化和智能化水平具有重要意義。

　　多目標(biāo)跟蹤是這幾十年來(lái)計(jì)算機(jī)視覺(jué)領(lǐng)域的一大熱門研究課題，其相關(guān)研究在近些年里取得了顯著的進(jìn)步。許多現(xiàn)有的多目標(biāo)跟蹤方法較為依賴于目標(biāo)檢測(cè)的結(jié)果，即目標(biāo)在每一幀中通過(guò)目標(biāo)模型獨(dú)立地進(jìn)行表示，并在某些情況下結(jié)合在線模型來(lái)處理光照和外觀變化。當(dāng)跟蹤單個(gè)目標(biāo)時(shí)，目標(biāo)跟蹤相當(dāng)于擬合一條滿足時(shí)域一致性的目標(biāo)運(yùn)動(dòng)軌跡。當(dāng)同時(shí)跟蹤多個(gè)目標(biāo)時(shí)則因?yàn)樾枰紤]數(shù)據(jù)關(guān)聯(lián)的問(wèn)題而變得更加困難，這不僅需要給每個(gè)目標(biāo)分配一個(gè)ID，而且還需要對(duì)所有目標(biāo)的運(yùn)動(dòng)模式以及目標(biāo)檢測(cè)結(jié)果的分配同時(shí)進(jìn)行估計(jì)。將每個(gè)檢測(cè)結(jié)果進(jìn)行類別標(biāo)注是在離散域進(jìn)行的，并且相同的檢測(cè)結(jié)果僅能有一個(gè)標(biāo)簽。然而，在時(shí)域上的目標(biāo)位置描述則是在連續(xù)狀態(tài)空間中進(jìn)行描述的，其還包含了目標(biāo)的顏色，紋理，尺寸和速度等先驗(yàn)信息?？梢?jiàn)，多目標(biāo)跟蹤中的數(shù)據(jù)關(guān)聯(lián)和軌跡估計(jì)這兩個(gè)不同的子問(wèn)題是緊密耦合的。

　　現(xiàn)有的多目標(biāo)跟蹤技術(shù)根據(jù)其發(fā)展可以大致分為兩大類。第一類方法僅依賴于過(guò)去圖像幀的信息來(lái)對(duì)當(dāng)前的狀態(tài)進(jìn)行遞歸式估計(jì)。早期的卡爾曼濾波方法僅能對(duì)目標(biāo)的線性運(yùn)動(dòng)進(jìn)行建模，近期越來(lái)越多基于采樣的濾波器，比如粒子濾波器等能夠求解更為復(fù)雜的多模態(tài)后驗(yàn)概率。然而，當(dāng)在精確地近似復(fù)雜條件下后驗(yàn)概率的粒子數(shù)目快速增加時(shí)算法則將會(huì)變得難以求解。第二類方法允許某種程度的延遲并且在一個(gè)給定的時(shí)間窗口中來(lái)全局地預(yù)測(cè)所有的目標(biāo)軌跡。在這種情況下，會(huì)將最優(yōu)化問(wèn)題約束到一個(gè)有限狀態(tài)空間中進(jìn)行求解，即對(duì)所有可能的目標(biāo)位置集合施加約束，比如要求所有軌跡均穿過(guò)一個(gè)個(gè)單獨(dú)的目標(biāo)檢測(cè)結(jié)果或者預(yù)先計(jì)算得到的Track let 集合。那么，最優(yōu)解能夠在將目標(biāo)檢測(cè)結(jié)果和Track let 進(jìn)行連接基礎(chǔ)上通過(guò)能量最小化的方式得到。在一類略微不同的方法中，候選的目標(biāo)軌跡集被預(yù)先計(jì)算，那么可在軌跡層通過(guò)求解二次布爾問(wèn)題將其精簡(jiǎn)到一個(gè)最優(yōu)的軌跡子集。另一類降低復(fù)雜度的方法則是將跟蹤區(qū)域劃分成一個(gè)個(gè)不連續(xù)的且局部全連接的單元。目標(biāo)的運(yùn)動(dòng)通過(guò)二進(jìn)制變量對(duì)上述單元進(jìn)行描述，并通過(guò)LP 松弛法來(lái)獲得全局最優(yōu)解。與上述方法均不同的是，有的方法雖然同屬于非遞歸的方法，但是將所有的離散變量松弛到一個(gè)完全的連續(xù)狀態(tài)空間中。不過(guò)，其將導(dǎo)致能量最小化的問(wèn)題變成高度非凸的優(yōu)化問(wèn)題，從而容易陷入局部最小值中。