一體化多目標(biāo)跟蹤算法研究綜述

化多目標(biāo)跟蹤算法研究綜述多目標(biāo)跟蹤(MultipleObjectTracking)是計(jì)算機(jī)視覺領(lǐng)域的一個重向，涵蓋了目標(biāo)檢測、跟蹤、識別等多個子領(lǐng)域，其目的是通過計(jì)算機(jī)技術(shù)對移動目標(biāo)進(jìn)行自動化跟蹤和識別。在實(shí)際生產(chǎn)和科研中，景都需要對多個目標(biāo)進(jìn)行實(shí)時跟蹤，因此研究多目標(biāo)跟蹤算述。廣泛應(yīng)用于跟蹤問題的、對線性動態(tài)系統(tǒng)進(jìn)行狀計(jì)的方法?；诳柭鼮V波的多目標(biāo)跟蹤算法主要用于線性系統(tǒng)下標(biāo)跟蹤。該算法通過觀測數(shù)據(jù)和先驗(yàn)知識對目標(biāo)狀態(tài)進(jìn)行預(yù)測和估能夠?qū)崿F(xiàn)數(shù)據(jù)關(guān)聯(lián)和姿態(tài)估計(jì)。但如果目標(biāo)的運(yùn)動不是線性的，則作為一種基于概率的自適應(yīng)多模型估計(jì)算法，能夠有效解和非高斯問題。該算法通過蒙特卡洛采樣方法將目標(biāo)狀態(tài)表示子的集合，通過測量區(qū)分出其對應(yīng)的目標(biāo)。但是，該算法需要最近幾年成為了計(jì)算機(jī)視覺領(lǐng)域的一個研究熱點(diǎn)。在多目標(biāo)跟蹤中，基于深度學(xué)習(xí)的算法主要采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)等方法特征提取和分類。該算法可以在大數(shù)據(jù)集上進(jìn)行訓(xùn)練，具有較控領(lǐng)域，多目標(biāo)跟蹤算法可以用于實(shí)時監(jiān)測大型公共場所 (如車站、機(jī)場、商場等)中的人流量和行為。通過建立行為模型和識駛領(lǐng)域，多目標(biāo)跟蹤算法可以用于實(shí)時識別并跟蹤周圍的行人和路標(biāo)等，以及提高自動駕駛系統(tǒng)的魯棒性，從而增強(qiáng)整個互領(lǐng)域，多目標(biāo)跟蹤算法可以用于改善交互體驗(yàn)和提高系化程度，如通過根據(jù)手勢識別控制游戲，或掃描目標(biāo)進(jìn)行自動標(biāo)跟蹤算法而言，精確的目標(biāo)檢測和特征提取是非常關(guān)鍵提高算法的準(zhǔn)確性和魯棒性。目前，對于目標(biāo)檢測和特征提取研究者們主要采用深度學(xué)習(xí)方法，設(shè)計(jì)更加精細(xì)的網(wǎng)絡(luò)結(jié)構(gòu)和系統(tǒng)的多目標(biāo)跟蹤而言，數(shù)據(jù)關(guān)聯(lián)和軌跡預(yù)測也是非常重究方向。目前，基于深度學(xué)習(xí)的目標(biāo)跟蹤算法在軌跡預(yù)測、運(yùn)動標(biāo)跟蹤任務(wù)中數(shù)據(jù)來源多樣的問題，研究者們開始利用多合的方法來完成目標(biāo)跟蹤任務(wù)，如結(jié)合激光雷達(dá)、攝像頭等傳感數(shù)據(jù)融合和互補(bǔ)，并嘗試將深度學(xué)習(xí)算法和傳統(tǒng)跟蹤算法等進(jìn)行勢目標(biāo)跟蹤算法將越來越注重基于深度學(xué)習(xí)的多模態(tài)融合方，也會積極研究多層次數(shù)據(jù)的融合方式，以提高算法的準(zhǔn)確性目標(biāo)跟蹤算法也將越來越注重基于自適應(yīng)學(xué)習(xí)的方法，這以適應(yīng)不同的環(huán)境和應(yīng)用場景，提高算法在復(fù)雜環(huán)境下的適應(yīng)目標(biāo)跟蹤算法也將越來越強(qiáng)調(diào)端到端優(yōu)化，這種方法可以知識，將多個模塊融合為一個整體進(jìn)行優(yōu)化，提高算法的效率綜述、應(yīng)用領(lǐng)域、研究現(xiàn)狀、發(fā)展趨勢等方面對一體化標(biāo)跟蹤算法進(jìn)行了綜述。多目標(biāo)跟蹤算法作為計(jì)算機(jī)視覺領(lǐng)域的一要研究方向