论文翻译：Multi-camera Multi-object Tracking

最新推荐文章于 2024-10-29 11:43:45 发布

原创

最新推荐文章于 2024-10-29 11:43:45 发布 · 3.7k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#多视角匹配

本文提出了一种全局图模型的多摄像机多目标跟踪算法，结合外观和动态运动的相似性，利用LOMO特征和IHTLS算法进行目标识别与跟踪。在EPFL Terrace和Duke MTMC数据集上进行了评估。

文章链接（年份2017）

Abstract

在本文中，我们提出了一种多摄像机系统下的多目标视觉跟踪流水线。对于多摄像机系统跟踪问题，跨摄像机的高效数据关联以及跨帧的数据关联变得比单摄像机系统跟踪更重要。然而，大多数多摄像机跟踪算法强调单个摄像机跨帧数据关联。因此，在我们的工作中，我们将跟踪问题建模为全局图，并采用通用最大多团优化问题作为核心算法，将跨帧和跨相机数据相关性考虑在一起。此外，为了计算好的相似度分数作为我们的图模型的输入，我们提取外观和动态运动的相似性。针对外观特征，进行了ReID的局部最大出现表示（LOMO）特征提取算法。在捕获动态信息时，我们为目标的每个轨迹建立Hankel矩阵，并用迭代Hankel最小二乘（IHTLS）算法对其进行秩估计。我们对来自EPFL CVLAB的具有挑战性的Terrace序列以及最近公布的Duke MTMC数据集进行评估。

1. Introduction

回到2009年，在纽约发生严重恐怖袭击事件之后，人们解读出了更有效的方式来侦测恐怖分子。随着监控摄像机进入日常生活，政策可以通过查看电脑屏幕来监控社会安全。研究的目的是提出有用的算法和工具来支持人类检测可疑目标，识别所需目标，甚至跟踪目标。如今，随着高质量的高帧率监视摄像机的广泛使用，需要更高效的方法来产生更高的精度。

在十年内，提出了许多具有竞争性能的定义明确的探测器和跟踪器。但是，他们大部分都是专注于单镜头的情况。多摄像头场景的另一个热门话题是人物识别。通过从不同的摄像头查看同一个人的不同检测，reID算法需要提取目标的代表性特征，并在出现相同的目标时识别它。
在我们的论文中，我们正