基于數(shù)據(jù)關聯(lián)的多目標跟蹤關鍵技術研究.pdf

1、隨著智能視頻分析需求的飛速增長，多目標跟蹤在交通監(jiān)控、流量統(tǒng)計等計算機視覺領域發(fā)揮著越來越重要的作用。多目標跟蹤旨在視頻序列中定位具有顯著特征的目標，并且給每個目標賦予唯一的標號以估計它們的軌跡。但是跟蹤背景的復雜性、目標因自身運動產(chǎn)生的形變、目標外觀特征間的相似程度、目標的遮擋等都給多目標跟蹤帶來很大的困難。近年來，由于目標檢測算法的顯著提高逐漸發(fā)展出了基于數(shù)據(jù)關聯(lián)的多目標跟蹤算法，把跟蹤算法和檢測算法結合在一起，將檢測結果關聯(lián)到跟蹤

2、過程進而形成軌跡，很大程度上可以解決目標在跟蹤過程中發(fā)生的形變和部分遮擋等問題，但仍然不能處理具有相似外觀特征或被嚴重遮擋的目標。
　　本課題對數(shù)據(jù)關聯(lián)算法、目標特征表達和遮擋處理算法進行了深入研究，提出了一種新型的多目標跟蹤系統(tǒng)框架，提高了多目標跟蹤的準確度，主要研究內(nèi)容包括：
　　1.簡單概述了多目標檢測算法，選用可變部件模型實現(xiàn)目標的檢測，可以為跟蹤系統(tǒng)提供準確度更高的輸入。
　　2.總結比較了幾種常見的數(shù)據(jù)關聯(lián)

3、算法，其中網(wǎng)絡流模型綜合性能較好，適用于較復雜的跟蹤場景，是本課題研究的重點。
　　3.研究了網(wǎng)絡流跟蹤模型中的最小費用流算法，經(jīng)比較發(fā)現(xiàn)動態(tài)規(guī)劃算法的復雜度更低，可實現(xiàn)耗時更短的數(shù)據(jù)關聯(lián)。
　　4.研究了目標的特征表達方法，提出了基于全局特征與局部特征相結合的特征方法，有效地解決了跟蹤中目標容易發(fā)生身份切換、誤警等問題。
　　5.對遮擋的處理方法進行了深入研究，提出了Extended Kalman Filter-Ex