1518.
目的 多目标跟踪是计算机视觉一个重要的研究方向,为了解决多目标跟踪中错跟和漏跟导致跟踪精度低的问题,提出一种融合目标相似性和作用力的多目标跟踪算法。
方法 首先将多目标跟踪问题转化为一个最大后验概率问题,其次将最大后验概率问题映射到网络流中,利用最小代价流寻找最优路径,这样获得的最优路径就是目标轨迹。为了计算网络流中目标节点之间的代价,从以下两方面考虑:1)将目标的外观、运动和位置信息三者结合,计算目标间的相似度;2)考虑目标与目标的相互影响,参考社会力模型中个体之间的吸引力来计算目标节点之间的作用力。
结果 在 MOT15、MOT16 和 MOT17 共 3 个公开数据集进行实验评估并与 12 种方法进行比较,实验结果表明,本文算法在 MOTA(multiple object tracking accuracy)、MT(mostly tracked tracklets)、ML(mostly lost tracklets)、FP(false positives)、FN(false negatives)等指标上明显优于 OACDASM(online association by continuous-discreteappearance similarity measurement)、STURE (spatial-temporal mutual representation learning)、IQHMOT (identityquantity harmonic multi-object tracking)和 GCNNMatch(graph convolutional neural network match)等典 型算 法 。 在MOT15 数据集中选取 ETH-Bahnhof、TUD-Stadtmitte 与 PETS09-S2L1 3 个视频序列进行消融实验,验证增加目标作用力之后的数据关联结果,消融实验结果表明,增加目标作用力之后可以改善目标跟踪的精度和其他指标,尤其在遮挡不明显的视频序列中。
结论 本文在目标多特征的基础之上增加目标节点间作用力,加强了目标间的数据关联,减少错跟的目标数量,有效地提高了目标跟踪的精度。… …
相似文献