1绪论
基于计算机视觉的视频目标跟踪在近些年来越来越受到计算机视觉领域的重视。目标跟踪的目的虽然很简单，就是保持同一目标在视频序列中的同一身份标识，但是，它是整个计算机视觉领域中不可或缺的一个重要环节。计算机视觉的首要任务是希望计算机能够通过视觉传感器（光学摄像机等）理解和感知外界环境，获取外界环境的语义信息，进而弥补人眼在特定环境下的不足，例如：容易视觉疲劳，视觉死角等。在这些需要进行高层语义分析的计算机视觉领域中，例如：人体行为分析，手势分析等，都需要先对待分析目标进行检测，然后追踪该目标，最后通过在连续巾贞当中对该目标提取相应的行为分析特征进行语义分析。从这个角度来说，目标跟踪技术对整个基于计算机视觉的视频语义分析有着至关重要的作用。它将每一倾的目标检测结果关联起来，形成对该目标的唯一标识，然后确保语义分析阶段的特征提取及分析都是针对该目标进行。若没有目标跟踪技术，在复杂场景，目标遮挡等情况下，我们无法确保持续唯一的目标身份标识，从而也就无法对该目标在视频序列上进行有效的特征提取和语义分析。而在当前的研究热点也正是集中在场景内的多目标跟踪，场景内的多目标之间互相遮挡是一个很棘手的问题，它不仅影响了目标跟踪的准确性，同时也会影响后续的视频智能分析理解方法的应用。
.........
2基于小轨迹关联的多人跟踪方法概述
2.1研究框架
本文中的基于小轨迹关联的多人跟踪方法的总体研究框架如图所示。在这个图2.1中，大致包括四个模块，行人检测阶段，小轨迹构建阶段，小轨迹特征提取阶段，以及最后的小轨迹关联阶段。其中，行人检测可以由前人已有的方法解决，将检测结果作为本文的数据输入。行人检测是多人跟踪中必不可少的一个环节。因为在多人跟踪中，随着行人的运动，视频序列中的行人可能随时走出场景，而新的行人可能随时走进场景，即场景内的行人的数量是随时变化的，通过行人检测技术，随时获取场景内的可见目标的数量，以便跟踪算法可以适应目标数量的改变。下面，我们将对本文重点研究的三个模块进行介绍。其中图2.1中黑色框的部分就是本文的工作。
2.2多人跟踪测试集简介
CLEAR-MOT准则是基于整个视频计算所有轨迹中所有目标的平均出错率，而不是针对每一个跟踪轨迹单独计算其完整程度。如果目标轨迹较长，即持续的倾数较多，其在整个跟踪样本中所占比重就会比较大，一旦跟踪出现错误，就会对整个系统的评价产生较大的影响，而轨迹较短的目标由于帧数较少，即使完全跟丢，对于整个数据集来讲影响也是很小的。但是这样的评判标准不一定符合客观规律。对于每一条轨迹，不论长短应该一是同仁，即在结果中所占比重相同。文献提出了一种以轨迹为单位的评判标准，通过评价每条待跟踪轨迹相对于轨迹真值的完整程度以及每条轨迹在跟踪过程中出现的跟踪错误，来评价整体的多人跟踪方法的性能。每个轨迹在最后的评价结果中，不论轨迹长短，对最终的性能贡献一样。这个评价标准主要包括以下个方面.
3基于粒子滤波的自适应小轨迹构建方法……………31
3.1粒子滤波原理……….31
3.2小轨迹构建…………37
3.3实验结果…….43
4小轨迹的时空表观模型…………..45
4.1引言………….45
4.2时空表观模型……47
5基于运动特征和时空表观特征的小轨迹关联方法…………59
5.1引言…………59
5.2基于目标运动预测的模糊搜索策略….60
5.3时空表观模型的自适应选择算法……….66
6基于小轨迹关联的多人跟踪方法的实现与性能分析
6.1基于小轨迹关联的多人跟踪方法的实现
我们采用文献所使用的检测结果，这些检测结果也被广泛的应用于文献对于S2L1数据集，我们釆用文献所使用的检测结果。之所以使用这些检测结果，而不是自己训练行人检测分类器，是因为在后续的性能对比实验中，采用相同的行人检测结果作为输入数据，使得比较结果更加公平合理，从而避免了由于行人检测器性能的良善不齐导致的多人跟踪方法在性能上的变化。
6.2实验设置
本节将展示实验所使用的视频数据库，验证方案，评价标准等内容。最后是S2L1数据集，它的视频时长和真值轨迹数量，都明显小于上述的三个数据集，但是该数据集的特点是，场景中的行人在视域内的运动时间较长。由于长时间的运动，其表观相对于摄像机视角也是在不断变化，例如先面向摄像机，再背向摄像机等等。并且由于长时间在场景内徘徊，同一个目标也往往会经历多次的遮挡过程，包括半遮挡，全遮挡等情况。所以虽然S2L1数据集的轨迹真值总数不多，但是由于其运动轨迹的持续时间较长，会导致同时出现在场景内的行人数量也会达到至多7到8人的数量，并且存在多次的互相遮挡，其对多人跟踪算法也是有一定挑战的。这些方法都是基于小轨迹关联的多人跟踪方法，并且是近年来发表的顶级学术论文中的方法，代表了当前学术界在小轨迹跟踪方向上的前沿成果，他们的算法内容己在研究现状中进行了描述，这里不再重复。这里我们将用本文所提出的方法的最佳性能与研宄现状的方法中的最佳性能进行对比。
............
7总结与展望
目标跟踪是计算机视觉领域中一个热点研宄问题。它的主要任务是对视频序列中的同一目标进行连续追踪，保持其身份标识在视频序列中不变。通过目标跟踪的结果可以对目标的运动模式等进行语义分析。在本文中，我们主要介绍了针对行人的多人跟踪算法的研究。因为人首先是非刚性物体，加之其又是具有智能的生物，导致其在场景内的运动变化多样，而多人跟踪又需要处理复杂的遮挡问题，故跟踪也更加复杂。由于近年来行人检测技术的快速发展，以行人检测为基础的基于小轨迹关联的多人跟踪理论框架迅速发展起来，并成为一种同时跟踪多个行人个体的行之有效的办法。本文针对基于小轨迹关联的多人跟踪理论框架中的三个重要模块进行了研究，包括小轨迹构建，行人表观模型表示，小轨迹关联方法，并提出了区别于前人方法的新思路。本文的工作内容及创新贡献如下：
1. 针对小轨迹构建的问题，本文提出了基于粒子滤波的自适应小轨迹构建方法。将粒子滤波方法融入到小轨迹构建中，相对于传统的基于相邻顿检测结果关联的小轨迹构建方法，可以改善由于行人检测器的漏检或错检等情况导致的小轨迹构建中断，避免小轨迹不必要的断裂。我们用粒子滤波的后验分布描述小轨迹构建的可靠性，当小轨迹没有检测结果更新，并且粒子滤波后验分布的表观偏离最近一次的表观更新后所描述的表观分布时，小轨迹就会被终止。由于加入粒子滤波的小轨迹构建方法使构建的小轨迹更加稳定可靠，使得在小轨迹关联中，避免了一些容易混淆的关联匹配，从而在一定程度上提高了多人跟踪的性能。
...........
参考文献（略）