Near-Online Multi-target Tracking with Aggregated Local Flow Descriptor

本文主要是介绍Near-Online Multi-target Tracking with Aggregated Local Flow Descriptor，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

来源:ICCV2015

创新点：

①在数据关联方面，设计一种准确的相似度测量（affinity measure）来关联检测结果。

介绍一种新颖的汇总本地流描述器（a novel Aggegated Local Flow Descriptor，ALFD），用长期的兴趣点轨迹（IPTs）来编码一对时间距离检测之间相应的运动模式。使用IPTs，ALFD就提供了一种鲁棒的相似性度量来估计匹配检测结果的可能性。

②提出一种有效的，精准的，接近在线（near online）的MOT算法。

提出一种接近在线的多目标跟踪算法（NOMT），跟踪问题本质上就是在一个时间窗口内，目标和检测结果之间的数据关联，这个过程在每一帧重复执行。NOMT在提高效率的同时，通过整合包括ALFD指标、目标动态、外观相似性和长期轨迹正则化在内的多条线索实现鲁棒性。

在MOT中，鲁棒的数据关联和成对的相似性度量（pairwise affinity measure）都很重要。本文解决了MOT的两个关键挑战：①如何准确地衡量两个检测之间的相似性。②如何有效地把全局跟踪的算法思想用至在线应用中。

贡献：

①提出了一种新颖的汇总本地流描述器（a novel Aggegated Local Flow Descriptor，ALFD），在不同的时间帧中，编码相应的两个检测框间的运动模式。通过汇总多个本地本地兴趣点轨迹（IPTs），这一描述器可以编码在一个检测中IPTs关于另一个检测框是如何运动的。运用学到的模型，ALFD可以提供一种强大的相似性度量。

②提出了一种有效的接近在线的MOT算法。将鲁棒的ALFD描述器和长期的运动/外观模型相结合，这一算法能够产生一种非常精准的轨迹，并且能达到实时性。在每帧中，算法在一个大小为的时间窗口中求解目标（targets）和所有检测（detections）之间的全局数据关联问题。值得一提的是，该算法可以一种潜力：当有更多的检测被提供时，在一个时间窗口内可以修复过去任意错误的关联。为同时实现精确度和效率，算法用ALFD驱动的轨迹产生候选的假设轨迹，并且用一个并行的连接树算法解决关联问题。