面向多目标跟踪的非均匀超图学习
计算机视觉与模式识别
2018-12-11 v1
摘要
大多数基于检测跟踪（tracking-by-detection）方案的多目标跟踪（MOT）算法未利用目标或航迹间的高阶依赖关系，导致其在处理复杂场景时效果欠佳。本文提出一种基于非均匀超图的近在线MOT算法，可在统一目标中对航迹间不同程度的依赖关系进行建模。超图中的节点对应航迹，具有不同阶数的超边编码了它们之间的各类依赖。具体而言，不同于凭经验设定不同阶数超边的权重，本文使用结构支持向量机算法（SSVM）自动学习这些权重。我们在多个具有挑战性的数据集（即PETS09、ParkingLot序列、SubwayFace和MOT16基准）上进行了若干实验，结果表明我们的方法相较于当前最优的MOT方法取得了更优的性能。
引用
@article{arxiv.1812.03621,
title = {Learning Non-Uniform Hypergraph for Multi-Object Tracking},
author = {Longyin Wen and Dawei Du and Shengkun Li and Xiao Bian and Siwei Lyu},
journal= {arXiv preprint arXiv:1812.03621},
year = {2018}
}
备注
11 pages, 4 figures, accepted by AAAI 2019