基于跨多帧随机渐进关联（SPAAM）的广域运动图像车辆跟踪

广域运动图像（WAMI）中的车辆跟踪依赖于在多个 WAMI 帧之间关联车辆检测结果，以形成对应于单个车辆的航迹。时间窗长度，即关联被共同估计的连续帧数 $M$，在准确性和计算复杂度之间构成了权衡。更大的 $M$ 能提升性能，因为增加的时间上下文使得运动模型得以使用，并能更好地处理遮挡和虚假检测。然而，总的假设航迹数随着 $M$ 的增加呈指数增长，使得较大的 $M$ 值在计算上极具挑战性。在本文中，我们引入了 SPAAM，这是一种迭代方法，在每次迭代中逐步增大 $M$，通过利用扩大的时间上下文来改进估计的航迹，同时通过两种新颖的关联假设剪枝方法将计算量保持在可控范围内。首先，在精确配准到 WAMI 帧的道路网络的引导下，我们忽略与道路网络不一致的不可能关联。其次，随着 $M$ 在每次迭代中逐步增大，通过仅重新访问由前一次迭代中随机确定的解除关联所开启的关联可能性子集，来限制关联假设的相应增加。每次迭代中的随机解除关联根据置信度的估计概率（通过概率模型获得）维持每个估计的关联。然后，通过（近似）求解一个用于选择一组兼容航迹的二元整数规划问题，在 $M$ 帧上全局估计每次迭代的关联。在测试 WAMI 数据集上获得的车辆跟踪结果表明，我们提出的方法相比三种替代方法提供了显著的性能提升。