基于深度学习的分层关联多行人跟踪

doi:10.3778/j.issn.1002-8331.2001-0286

计算机工程与应用 ›› 2021, Vol. 57 ›› Issue (8): 96-102.DOI: 10.3778/j.issn.1002-8331.2001-0286

基于深度学习的分层关联多行人跟踪

牛通，卿粼波，许盛宇，苏婕

四川大学电子信息学院，成都 610065

出版日期:2021-04-15 发布日期:2021-04-23

Multiple Target Tracking Using Hierarchical Data Association Based on Deep Learning

NIU Tong, QING Linbo, XU Shengyu, SU Jie

College of Electronics and Information, Sichuan University, Chengdu 610065, China

Online:2021-04-15 Published:2021-04-23

摘要/Abstract

摘要：

由于连续帧之间数据关联的不确定性和所提取外观特征的鉴别力不足，多目标跟踪容易受目标外观变化、运动状态变化、相似目标以及目标消失再出现等干扰因素的影响，出现轨迹ID变换的问题，从而限制基于轨迹分析的行为检测、姿态识别等研究的性能。为了提高数据关联的可靠性从而减少轨迹ID变换，提出了一种基于轨迹置信度的分层数据关联方式。同时，为了提高用于数据关联的外观特征的鉴别力，提出融合了过程层的特征提取网络。在公开的MOT16测试数据集上验证表明，该算法在保证跟踪准确度和精确度的同时，有效降低了轨迹ID变换的次数，提高了跟踪性能。

关键词: 多行人跟踪, 数据关联, 外观特征, ID变换

Abstract:

Due to the uncertainty of data association between continuous frames and the insufficient discrimination of extracted appearance features, multi-pedestrian tracking is susceptible to target appearance changes, motion state changes, interference from similar objects, and the disappearance and reappearance of targets, and the problem of track ID switch occurs, which limits the performance of action detection and posture recognition based on pedestrian tracking. In order to improve the reliability of data association to reduce track ID transformation, a hierarchical data association based on track confidence is proposed. Meanwhile, the features of process layer are integrated to improve the discrimination of appearance features used for data association. Verification on the open MOT16 test data set shows that the algorithm in this paper can not only guarantee the tracking accuracy and precision, but also effectively reduce the number of track ID transformation and improve the tracking performance.

Key words: multi-pedestrian tracking, data association, appearance feature, ID switch

牛通，卿粼波，许盛宇，苏婕. 基于深度学习的分层关联多行人跟踪[J]. 计算机工程与应用, 2021, 57(8): 96-102.

NIU Tong, QING Linbo, XU Shengyu, SU Jie. Multiple Target Tracking Using Hierarchical Data Association Based on Deep Learning[J]. Computer Engineering and Applications, 2021, 57(8): 96-102.

[1]	张瑶，卢焕章，张路平，胡谋法. 基于深度学习的视觉多目标跟踪算法综述[J]. 计算机工程与应用, 2021, 57(13): 55-66.
[2]	张维华1，2，孙启臣1，张丽静1. 新的分布交互式多模型广义概率数据关联算法[J]. 计算机工程与应用, 2018, 54(4): 44-49.
[3]	路红1，2，汤皓1，费树岷2. 类数目自适应的目标外观特征聚类[J]. 计算机工程与应用, 2016, 52(24): 194-199.
[4]	董微，闻育. 基于数据关联性聚类的数据布局算法[J]. 计算机工程与应用, 2014, 50(3): 117-120.
[5]	尹玉萍1，刘万军2，魏林3. 基于改进蚁群算法的多目标跟踪数据关联方法[J]. 计算机工程与应用, 2014, 50(16): 16-20.
[6]	陈春风，骆文成. 复杂条件下MHT方法的滤波器选择[J]. 计算机工程与应用, 2013, 49(15): 229-233.
[7]	郭剑辉，张荣涛. 弹道导弹防御中的群目标跟踪算法[J]. 计算机工程与应用, 2012, 48(35): 243-248.
[8]	高倩1，邹海林1，柳婵娟1，2，周莉1. 融合多特征信息的联合概率数据关联算法[J]. 计算机工程与应用, 2012, 48(3): 111-113.
[9]	周同驰1，艾斯卡尔·艾木都拉1，王荣栓2，黄冬梅3. 多源测量信息融合的弱点动目标跟踪算法[J]. 计算机工程与应用, 2012, 48(2): 182-184.
[10]	艾斯卡尔·艾木都拉，王保柱. 弱点状多运动目标实时跟踪技术研究[J]. 计算机工程与应用, 2010, 46(17): 204-207.
[11]	康玲，艾斯卡尔·艾木都拉，贾振红. 基于改进PDA的弱点状多目标交叉运动跟踪算法[J]. 计算机工程与应用, 2010, 46(11): 145-147.
[12]	王保柱,艾斯卡尔·艾木都拉. 几种典型的微弱点状多运动目标跟踪算法对比研究[J]. 计算机工程与应用, 2009, 45(5): 164-166.
[13]	刘元魁，樊养余，王凤琴. 跟踪尾流目标的概率数据关联方法[J]. 计算机工程与应用, 2009, 45(24): 1-3.
[14]	廉兴科，艾斯卡尔·艾木都拉. 点状交叉运动目标的概率关联复合跟踪算法[J]. 计算机工程与应用, 2009, 45(20): 175-178.
[15]	石守东,徐德民. 图形相似性匹配在多机器人地图中的应用[J]. 计算机工程与应用, 2009, 45(18): 198-200.

基于深度学习的分层关联多行人跟踪

Multiple Target Tracking Using Hierarchical Data Association Based on Deep Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics