用于极度拥挤场景中数百人在线跟踪的二元二次规划

多目标跟踪已被研究数十年。然而，当涉及到在极度拥挤的场景中跟踪行人时，我们的工作仅限于少数几篇。这是一个重要问题，带来了若干挑战。预训练的目标检测器在拥挤序列中无法定位目标。这进而限制了基于数据关联的多目标跟踪方法的使用，此类方法依赖于目标检测器的输出。此外，目标表观尺寸小使得提取特征以区分目标与其周围环境具有挑战性。最后，目标数量庞大极大地增加了计算复杂度，这又使得现有多目标跟踪方法难以扩展到高密度人群场景。在本文中，我们提出了一种跟踪器，解决了上述问题，并能够高效地跟踪数百人。我们将在线人群跟踪表述为二元二次规划（Binary Quadratic Programing）。我们的公式利用目标的个体信息（以表观和运动形式）以及上下文线索（以邻域运动、空间邻近性和分组约束形式），并同时求解检测与数据关联。为了高效求解所提出的二次优化问题（最先进的商业二次规划求解器无法在合理时间内给出答案），我们提议使用最新版本的改进 Frank-Wolfe 算法，该算法利用 SWAP-steps 加速优化。我们表明，所提出的公式能够高效跟踪数百个目标，并在十一个具有挑战性的高密度人群序列上以显著幅度改进了最先进的结果。