用于鲁棒在线多目标跟踪的混合数据关联框架
计算机视觉与模式识别
2017-10-11 v1
摘要
全局优化算法在基于数据关联的多目标跟踪中展现出了优异的性能，但处理在线数据仍然是一个难以克服的障碍。在本文中，我们提出了一种基于最小费用多商品网络流的混合数据关联框架，用于鲁棒的在线多目标跟踪。我们构建了局部特定目标模型，并将其与跨多个视频帧的最优数据关联的全局优化交替进行。更具体地说，在最小费用多商品网络流中，在线学习特定目标的相似性以增强局部一致性，从而降低全局数据关联的复杂度。同时，考虑多个视频帧的全局数据关联缓解了相邻帧之间局部数据关联造成的不可恢复错误。为了确保在线跟踪的效率，我们针对所提出的最小费用多商品流问题给出了一种高效的近优解，并提供了其次优性的经验证明。在真实数据上的综合实验表明，我们的方法在各种具有挑战性的场景下均具有优越的跟踪性能。
关键词
引用
@article{arxiv.1703.10764,
title = {A Hybrid Data Association Framework for Robust Online Multi-Object Tracking},
author = {Min Yang and Yuwei Wu and Yunde Jia},
journal= {arXiv preprint arXiv:1703.10764},
year = {2017}
}