基于遮挡分层模型的遮挡目标跟踪技术研究

As to the multiple objects tracking under occlusion, we proposed the occlusion layer model to describe the occlusion relation among the objects and build a probability model about the object position,scale and object occlusion relation so as to transform the multiple object tracking problem into an optimal estimation problem about this probability model. In order to make full use of the complementarity of different image features to adapt to the varying scene, we proposed to utilize the object appearance and optical flow to represent the objects jointly, moreover, the weights of the different features are adjusted dynamically. For the dimension changing with the number of object and various object status types, we proposed to optimize the maxmimum a posteriori estimatioin(MAP) using Markov Chain Mento Carlo(MCMC) sampling technique including the transformtion mode of jump and diffuse to obtain the global optimal solution. In oder to optimize the velocity of the convergence, the historical information about the scale and domain knowledge are employed to construct the status transfer functions. Base on the above fact, we introduced the predicting technique so that our tracking system can track the occluded objects under different situation and further be applied into the video surveillance, the precision guidance of missile and so on.

本项目针对多个运动目标相互遮挡情况下的跟踪问题，提出采用遮挡分层模型为遮挡目标建模，建立起关于目标位置、尺度及目标间遮挡关系等状态的概率模型，从而将多目标跟踪问题转化为该概率模型下的目标状态最优估计问题。为充分利用不同特征之间的互补性，以更好地适应跟踪过程中场景的变化，提出利用目标外观与光流特征的动态组合来描述目标，构造反映目标状态的似然概率。针对目标状态空间维数随跟踪过程中目标数量的变化而变化，且状态空间中参数类型多样的特点，提出利用包含跳跃和扩散两种状态转移方式的马尔可夫链蒙特卡罗（MCMC）方法进行目标状态最大后验概率寻优，以获得全局最优的跟踪结果。为了加快优化函数的收敛速度，提出利用目标历史状态信息和领域知识来构造MCMC状态转移函数。在此基础上，与目标状态预测技术相结合，以实现各种遮挡条件下的多目标跟踪，为地空/空空导弹精确制导、智能视频监控等应用提供技术支撑。

本项目围绕多目标跟踪领域前沿发展动态，着重对多个运动目标相互遮挡情况下的跟踪问题，以及基于检测的关联算法进行了深入研究，包括：. (1)提出采用遮挡分层模型为遮挡目标建模，建立起关于目标位置、尺度及目标间遮挡关系等状态的概率模型，从而将多目标跟踪问题转化为该概率模型下的目标状态最优估计问题，为地空/空空导弹精确制导、智能视频监控等应用算法处理目标遮挡提供技术支撑。.（2）提出了一种基于霍夫森林分类器的多目标跟踪算法，利用森林叶子节点中存储的有效码元信息去估计轨迹片间的连接概率，最终将轨迹关联转化为最大后验概率准则下的求解问题。实验证明算法有效性，该方法取得了与之相当的跟踪效果。.（3）提出一种新的遮挡推理模型，以此推断出遮挡目标的被遮挡区域和非遮挡区域；在此基础上设计被遮挡目标的融合特征描述，提出孤立响应点与目标轨迹间的匹配策略，有效解决了孤立响应点的目标归属问题，为轨迹间隙填补的后处理技术提供技术支撑。.（4）提出霍夫森林条件随机场模型，通过SW-cuts算法计算MH跳转接受概率以实现状态推理求解，而利用霍夫森林提供CRF推理所需要的概率参数；HFRF将CRF模型参数学习和推理嵌入到同一个框架中，从而规避了传统CRF跟踪方法中的难题。此外，与传统的CRF图模型不同，HFRF对每条边额外定义了一个二元指示隐变量，将传统CRF中的二元组结构关系扩展到三元，可以考虑更多运动目标的时空域关系，利用该三元组结构有助于跟踪算法的优化和性能提升。.(5)提出了一种基于随机场框架下数据联合分布建模的多目标跟踪算法。该方法构造二元势函数表征轨迹片间的相关性，构造高阶类别损失函数用以约束求解的目标个数。其中轨迹片间的势函数建模为两个假设条件下的数据联合分布，通过建立关联数据的相容性、相斥性概率，完成CRF模型的推理过程。在多个数据库上进行的仿真实验证明了本文方法的有效性；该方法所提出的关联数据相容性、相斥性建模思想，为多目标跟踪算法设计提供了一种新的途径。