基于自适应表观建模的在线自动多目标跟踪方法研究

In this project, we address the problem about adaptive appearance modeling for online automatic multi-object tracking and focus on the tasks that how to express the appearance effectively and how to model the interaction among targets. The main research topics include that: 1) we plan to design an object detection algorithm that integrates region covariance descriptor and some other features to improve the detection accuracy. Also, the offline-trained detector can be used as the appearance prior for the object tracking; 2) We plan to propose an adaptation algorithm for the detector so that the effective week classifiers can be extracted from the strong classifier. Then we use the online learning techniques to update the week classifiers adapting to the appearance variation for each target; 3) The probabilistic graphical model will be used to model the interaction among targets. We will extract the context information for each target to enhance the representation power to improve the tracking performance; 4) We plan to use the group sparse representation to model the occlusion problem of the muliti-object tracking and then propose a tracking approach that can handle the occlusion.

本项目旨在研究在线自动多目标跟踪中的自适应表观建模问题，主要研究如何有效表征目标表观和建模目标间的关系。主要研究内容包括：设计一种融合黎曼流形上协方差描述子及其它表观模型的目标检测算法，能够有效融合多种视觉特征，提高检测的精度，并为后续的目标跟踪提供先验表观模型；提出一种检测器的自适应算法，从离线强分类器中提取出有效弱分类器，并运用在线学习进行更新，使得检测器能够适应各个目标的表观变化，增强表观模型的灵活性，提高跟踪器的鲁棒性；运用概率图模型来刻画多目标间的相互影响，挖掘每个目标的上下文信息，增强自身表观模型的判别力，从而提高跟踪器的性能；运用群稀疏表示对多目标跟踪中的遮挡问题建模，期望得到一种能有效解决遮挡问题的多目标跟踪方法。

为实现目标的在线鲁棒跟踪，我们从如何有效表征被跟踪目标出发，围绕基准数据库的构建、目标表观的自适应建模、目标特征的在线自适应选择等方面展开深入研究，并取得了一系列的研究成果。构建了目标跟踪基准平台OTB-2015，已成为国际上目标跟踪的基准之一；将非负矩阵分解引入目标跟踪用于目标表观的建模；将群稀疏表示用于跟踪中模糊目标的表观建模；提出了采用双群组稀疏表示的目标跟踪方法等等。项目组共发表论文17篇，其中发表国际知名期刊8篇，包括模式分析与机器智能会刊、图像处理会刊、控制论会刊等；发表高水平国际会议论文9篇，包括ICCV、AAAI等重要国际会议。在项目的资助下，项目组成员积极开展国内外学术交流。本项目在理论方法研究成果基础上，积极应用，项目组成员从2015年开始参加有计算机视觉领域“奥林匹克”之称的ImageNet竞赛，连续三年在多个目标检测单项上取得了世界第一的成绩，在国际上得到了同行的认可。