多目标视觉跟踪的遮挡推理方法研究

本研究论文聚焦于"occlusion reasoning for multiple object tracking"，针对在不受控制环境中的视觉对象跟踪问题提出了创新性解决方案。在复杂的场景中，特别是当存在大量难以区分且频繁交互导致遮挡的物体时，处理多目标跟踪中的遮挡问题极具挑战性。作者Zheng Wu，拥有浙江大学计算机科学硕士学位，致力于解决这一难题。 首先，论文介绍了一种名为"reconstruction-tracking"的方法，这是一套在线多摄像头空间-时间数据关联算法，专为跟踪低分辨率图像中大型群体对象设计。它利用多个摄像头视角可能的遮挡观测，实时在三维空间中定位物体，并进行时空数据关联，有效处理遮挡情况。 其次，"track linking"是一种针对长期遮挡的离线批处理算法系列。该方法构建了一个图表示，用于描绘遮挡事件，并开发了高效的基于图的组合算法来解决遮挡问题。这种方法需要综合分析整个跟踪序列的观测信息，做出决策。 最后，论文提出了一种新颖的贝叶斯框架，将检测和数据关联合并为一个模块，同时解决，打破了传统方法中先检测后跟踪、依赖于检测可靠性的局限。这种设计利用了检测与关联两个子问题的互补性，避免了错误传递的问题，并通过模型整个图像的可能性，避免了诸如“非极大值抑制”等常用启发式方法。 论文详尽地描述了多项实验，涉及具有挑战性的模拟和真实数据集，包括红外和可见光数据，这些数据集由作者自己录制或来自公开可用的数据。实验视频中，每帧包含的对象数量从几十到上百不等，既有一体视图也有多视角。实验结果表明，提出的算法在性能上与最先进的方法相当，展示了在复杂遮挡环境下跟踪多目标的能力。 总体来说，这篇论文不仅提供了实用的多目标跟踪策略，还探讨了理论框架和方法的创新，为解决实际监控场景中的多目标遮挡问题提供了有价值的研究成果。通过这些研究，作者对多目标视觉跟踪中遮挡问题的理解和应对策略有显著贡献。