0 引言

    多目標跟蹤按照攝像頭數量，可分為兩大類：單目跟蹤方法與多目跟蹤方法。

    (1)單目跟蹤方法

    傳統方法^[1-2]多是在目標區域建立簡單目標特征，但復雜背景大大提高了目標特征的提取難度，且遮擋魯棒性低。對此，Chu Chunte^[3]提出多核的目標跟蹤算法，解決了局部遮擋下的目標跟蹤；段沛沛^[4]等人則是通過稀疏算法，壓縮樣本數據提高運算速度。

    神經網絡算法在目標跟蹤中同樣有較為廣泛的應用^[5-7]，但樣本與真實目標間的差異往往導致跟蹤效果不佳，因此HYEONSEOB N^[8]開始在線調整訓練樣本。對于目標的運動估計，通常使用粒子濾波算法，但重采樣過程運算時間較長。對此，Li Peihua^[9]就圖像顏色信息重新構建了粒子濾波跟蹤算法，POJALA C^[10]將自適應加權算法引入重采樣過程。

    (2)多目跟蹤方法

    在多攝像機情況下，融合不同攝像機下的光學遮擋結構，可以有效解決遮擋問題^[11-12]，但無法有效剔除局部的虛假目標。對此，OTSUKA K^[11]引入了遞歸貝葉斯估計，而MITTAL A^[12]通過卡爾曼濾波器來約束目標。UTASI A^[13]與BENEDEK C^[14]則側重于多視角下的目標特征提取。前者旨在提取目標像素級特征，而后者旨在構建三維對象模型。FLEURET F^[15]等人首次提出一種概率占用圖(POM)模型，計算目標在場景平面網格圖上的占用概率，但算法運行時間較長。LIN Y S等人提出一種根據消失點的快速人員定位方法^[16]。JEROME B等人利用前后幀目標關系，通過k-shortest路徑算法快速優化軌跡^[17]。

    多目跟蹤方法盡管有著測量精度高、目標信息豐富等優點，但高緯度的信息往往會占據較大的運行時間，不利于算法實時性。本文將提出一種基于單目攝像機的背景建模方法，并根據消失點變化情況估補償目標運動模型。所提出的算法將具有以下特點：(1)準確表現場景三維信息；(2)檢測場景變化情況并反饋給目標模型。

本文詳細內容請下載：http://m.jysgc.com/resource/share/2000002963

作者信息：

何  嘉1，奚崢皓1，2，闞  秀1

(1.上海工程技術大學 電子電氣工程學院，上海201620；

2.清華大學 計算機系 智能技術與系統國家重點實驗室，北京100091)