多种信息融合的实时在线多目标跟踪.pdf

ＤＯＩ：１０．１３８７８／ ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０１７．０６．０１０ 刘忠耿 　 练智超 　 冯长驹１ １ １ 多种信息融合的实时在线多目标跟踪 摘要 ０　 引言 多目标跟踪算法在目标发生遮挡、 目标快速运动时容易跟踪失败，而且无 　 　 多目标追踪在计算机视觉领域有着重要的应用，例如视频监控、 法从失败中恢复跟踪．针对该问题，首先 运动分析、机器人导航以及自动驾驶等．多目标追踪的任务可以分解 利用目标的外观信息、运动信息和形状 信息多种信息融合的目标特征表示，准 为２个部分，每个部分处理各自独立的问题．第 １部分是目标检测，在 确地计算目标间的相似性，使同一目标 每一帧中独立地进行检测目标数目和目标位置；第２部分是依赖目标 之间相似性距离尽量小，不同目标间的 外观信息和运动信息匹配检测和跟踪．文献［１⁃２］等说明目标检测在 相似性距离尽量大；其次，基于判别能力 ［３⁃４］ 强大的相关滤波器和卡尔曼预估器结合 多目标追踪算法中起着重要的作用．传统的目标检测算法 使用滑 的单目标跟踪器可以在目标遮挡、快速 动窗口在不同尺度的输入图像中选定某一个候选区域，然后提取 运动中准确地跟踪目标．实验结果表明， ｈａａｒ⁃ｌｉｋｅ、ｈｏｇ等特征，使用传统的机器学习方法训练分类器，比如Ａｄ⁃ 多目标跟踪算法能够实时准确地跟踪被 遮挡的目标和快速运动的目标． ａｂｏｏｓｔ、ＳＶＭ等，最后对候选区域进行分类，区分目标和背景．传统方法 关键词 使用滑动窗口采样，样本数目巨大，为了平衡检测速率，一般采用计 多目标追踪；多信息融合；相关滤波 算简单的图像特征，这些特征的表现能力非常有限，比如模板匹配特 器；卡尔曼滤波器 征（ｈｏｇ特征）在目标发生形变时，将无法检测到目标．近年来，随着深 中图分类号 ＴＰ３９１４１ 度学习技术的发展，深度卷积网络进行分类时能够学习到描述能力 文献标志码 Ａ 强大的特征．文献［５］中，ＲＣＮＮ通过ｓｅｌｅｃｔｉｖｅ ｓｅａｒｃｈ算法从输入图像 中提取可能存在目标的候选区域，提取候选区域的深度卷积特征，最 后将特征送入分类器进行分类，区分目标和背景．之后，众多文献［６⁃８］ 对其进行改进：文献［６，８］提出了ＲＯＩ ｐｏｏｌｉｎｇ层来解决重复的卷积计 算问题，文献［７］引入候选区域生成网络（ｒｅｇｉｏｎ ｐｒｏｐｏｓａｌ ｎｅｔｗｏｒｋ）替 代ｓｅｌｅｃｔｉｖｅ ｓｅａｒｃｈ算法实现了端到端的深度学习训练算法．文献［５⁃８］ 均是采用对候选区域分类的方法解决目标检测问题，速度较慢．最近， ［９］ 文献［９⁃１０］通过深度学习端到端的回归方法检测目标．ＹＯＬＯ 和 ［１０］ ＹＯＬＯ９０００ 速度快、效果好，因此，本文采用ＹＯＬＯ９０００作为目标检 收稿日期 ２０１７⁃０８⁃２８ 资助项目 江苏省自然科学青年基金（ＢＫ２０１５ 测算法． ０７８４）；中国博士后基金面上项目（２０１５Ｍ５８１８ 多目标追踪算法主要基于通过检测实现跟踪，然后将每一帧的 ００）；中央高校基本科研业务费专项资金 （３０９