基于检测关联的在线多目标跟踪方法研究

With the developments of object detection, detect association based multi-target tracking has drawn more and more attentions, and made some progress. But in real scenarios, the performance of detect association based multi-target tracking is not satisfactory, due to factors of severe occlusion between the targets, complicated background, similar appearance of nearby targets. This project intends to develop multi-target tracking methods with high reliability and robustness. The main contents of this project include: the representation learning in multi-target tracking by deep learning and structured learning, online discriminative appearance learning, distance metric learning between detection and trajectory, offline and online associated multi-target tracking. Based on the research results of this project, we can develop core technologies of intelligent surveillance system in the ear of big data, which can play a more important role in protecting public safety and maintaining social harmony.

随着物体检测技术的发展，基于检测关联的多目标跟踪技术得到了越来越多研究者的关注，并取得了很多进展。但是在真实场景中，由于存在目标之间的遮挡导致漏检严重、背景复杂多变导致误检频繁、多个目标的表观相似导致容易彼此混淆等问题，造成基于检测关联的多目标跟踪性能还不令人满意。本项目针对上述问题，研究真实场景中可靠性高、鲁棒性强的多目标跟踪方法。主要研究内容包括：利用深度学习、结构化学习探索多目标跟踪中的表观学习问题，发展在线判定式的表观学习模型，建立检测图像与轨迹图像集合之间的距离度量学习及关联理论，实现融合全局优化和在线关联的多目标跟踪。基于对本项目的研究成果，可以研制大数据时代智能监控系统的核心技术，更好地在保障公共安全、维护社会和谐方面发挥作用。

随着物体检测技术的发展，基于检测关联的多目标跟踪技术得到了越来越多研究者的关注，并取得了很多进展。但是在真实场景中，由于存在目标之间的遮挡导致漏检严重、背景复杂多变导致误检频繁、多个目标的表观相似导致容易彼此混淆等问题，造成基于检测关联的多目标跟踪性能还不令人满意。本项目针对上述问题，研究真实场景中可靠性高、鲁棒性强的多目标跟踪方法。主要研究内容包括:利用深度学习、结构化学习探索多目标跟踪中的表观学习问题，发展在线判定式的表观学习模型，建立检测图像与轨迹图像集合之间的距离度量学习及关联理论，实现融合全局优化和在线关联的多目标跟踪。基于对本项目的研究成果，可以研制大数据时代智能监控系统的核心技术，更好地在保障公共安全、维护社会和谐方面发挥作用。