齊美彬，潘龍飛，蔣建國

(合肥工業(yè)大學(xué)計算機與信息學(xué)院，合肥230009)

改進(jìn)的離散連續(xù)優(yōu)化多目標(biāo)跟蹤

齊美彬，潘龍飛，蔣建國

(合肥工業(yè)大學(xué)計算機與信息學(xué)院，合肥230009)

針對多目標(biāo)跟蹤中，目標(biāo)瞬間丟失、目標(biāo)交錯或重疊時目標(biāo)跟蹤失敗等情況，本文提出了一種改進(jìn)的離散連續(xù)優(yōu)化多目標(biāo)跟蹤算法。該方法根據(jù)離散連續(xù)優(yōu)化多目標(biāo)跟蹤算法原理，采用增加速度約束項能量函數(shù)以及改進(jìn)原能量函數(shù)的策略，以達(dá)到約束軌跡形態(tài)的目的。采用在全局優(yōu)化后進(jìn)行聚類處理的策略，以達(dá)到區(qū)分不同目標(biāo)運動軌跡的目的。實驗結(jié)果表明，該算法具有較好的魯棒性，能夠很好地實現(xiàn)復(fù)雜圖像序列中的多目標(biāo)跟蹤。關(guān)鍵詞：多目標(biāo)跟蹤；離散連續(xù)優(yōu)化；能量函數(shù)

0 引言

多目標(biāo)跟蹤一直是計算機視覺領(lǐng)域熱門研究方向之一，廣泛應(yīng)用于視頻監(jiān)控、交通控制等領(lǐng)域。文獻(xiàn)[1]對Camshift與卡爾曼濾波進(jìn)行改進(jìn)和組合，算法根據(jù)目標(biāo)大小自適應(yīng)地調(diào)整搜索窗口尺寸，通過卡爾曼濾波實現(xiàn)對運動目標(biāo)位置的估計，提高了對重疊目標(biāo)跟蹤的準(zhǔn)確性。文獻(xiàn)[2]提出一種基于粒子濾波的多目標(biāo)跟蹤方法，該算法首先通過粒子濾波對每一個目標(biāo)在下一幀可能出現(xiàn)的范圍進(jìn)行預(yù)測，通過建構(gòu)基于最新觀測信息的重要性密度函數(shù)，提高算法在目標(biāo)交叉情況下跟蹤的準(zhǔn)確性和魯棒性。文獻(xiàn)[3]提出了一種多特征融合匹配的目標(biāo)跟蹤算法。算法將目標(biāo)特征顏色、質(zhì)心位置、運動速度等特征進(jìn)行融合，避免了單一特征匹配的局限性。文獻(xiàn)[1-3]的核心跟蹤思想為相鄰幀目標(biāo)之間的局部匹配，如果局部匹配出錯，將造成后續(xù)跟蹤失敗。針對上述問題，眾多學(xué)者正在探索新的目標(biāo)跟蹤算法，以克服傳統(tǒng)目標(biāo)跟蹤算法的局限性。

文獻(xiàn)[4]提出一種基于連續(xù)能量函數(shù)最小化的多目標(biāo)跟蹤算法，算法設(shè)計了一個盡可能表達(dá)真實問題的

能量函數(shù)，并通過構(gòu)造一個合適的優(yōu)化框架來得到能量函數(shù)的局部極小值，從而獲得最優(yōu)的跟蹤結(jié)果。文獻(xiàn)[4]將能量函數(shù)應(yīng)用到了多目標(biāo)跟蹤領(lǐng)域，但核心思想仍為局部匹配。AntonAndriyenko等[5]提出了一種基于離散連續(xù)優(yōu)化的多目標(biāo)跟蹤算法，該算法摒棄了基于目標(biāo)外觀模型的特征匹配與局部匹配，基于目標(biāo)的位置和大小信息將多目標(biāo)跟蹤問題轉(zhuǎn)化為一個全局能量函數(shù)最小化問題，并采用離散連續(xù)優(yōu)化方法進(jìn)行求解，在復(fù)雜場景中較傳統(tǒng)跟蹤方法有更好的魯棒性。在部分復(fù)雜場景中，文獻(xiàn)[5]算法出現(xiàn)了部分跟蹤錯誤問題，其魯棒性仍有待提高。

針對文獻(xiàn)[5]中出現(xiàn)的跟蹤丟失、跟蹤分裂、身份轉(zhuǎn)換和軌跡合并等問題，本文對算法中能量函數(shù)加以改進(jìn)及通過聚類方法對合并軌跡進(jìn)行優(yōu)化，提高了目標(biāo)跟蹤的準(zhǔn)確度和精確度。

1 相關(guān)工作

設(shè)D為所有目標(biāo)集合，定義部分描述D的離散變量。第t幀第j個樣本表示為的位置信息與置信度分別為為三次B-樣條函數(shù)[6]，并表示為所有目標(biāo)軌跡集合，即：

式中：Φ為異常樣本集合。

1.1 離散數(shù)據(jù)關(guān)聯(lián)

離散數(shù)據(jù)關(guān)聯(lián)即為分配樣本標(biāo)簽并建立初始目標(biāo)軌跡。樣本標(biāo)簽分配實現(xiàn)方法為最小化如下能量代價函數(shù)：

式中：Ud為數(shù)據(jù)項，Sd,d'為平滑項[7]，式(3)的最小化方法為基于圖割的α-膨脹算法[8]。其中數(shù)據(jù)項為

其中：δ為克羅內(nèi)克函數(shù)，懲罰標(biāo)簽不同的鄰居樣本。

1.2 軌跡預(yù)測

數(shù)據(jù)關(guān)聯(lián)建立了目標(biāo)初始軌跡，軌跡預(yù)測則為更新初始軌跡。軌跡預(yù)測實現(xiàn)方法為最小化如下能量函數(shù)：

式中：hf(Γ)為標(biāo)簽代價能量，主要由以下五項組成。

1)動態(tài)學(xué)項。通常，目標(biāo)的運動速度受物理約束的限制。文獻(xiàn)[5]用三次B-樣條函數(shù)最大的三次項系數(shù)來表示動態(tài)學(xué)能量。

2)持續(xù)性項。一般來說，目標(biāo)都是從圖像邊緣進(jìn)入，從圖像邊緣消失。該項獎勵長的、持續(xù)性的軌跡，懲罰短的、間斷的軌跡。

式中：si為軌跡的起點，ei為軌跡的終點，表示軌跡端點到圖像邊緣的距離，v·(e-s)-1懲罰較短的ii軌跡。

3)高階數(shù)據(jù)保真度項。該項獎勵軌跡靠近檢測樣本，懲罰軌跡遠(yuǎn)離檢測樣本。

式中：Mk為軌跡缺失樣本的時間跨度。圖1(a)軌跡長時間遠(yuǎn)離樣本，圖1(b)軌跡靠近樣本。

圖1 軌跡的時間跨度Fig.1The time spans of trajectory

4)相互排斥項

5)正則項。正則項懲罰軌跡的數(shù)目，文獻(xiàn)[5]中正則項設(shè)為常數(shù)1。

2 改進(jìn)的離散連續(xù)優(yōu)化多目標(biāo)跟蹤算法

主要介紹了離散連續(xù)優(yōu)化多目標(biāo)跟蹤算法中的能量函數(shù)及優(yōu)化過程。其中，標(biāo)簽項能量對最終軌跡的生成影響較大。同時，針對文獻(xiàn)[5]在部分跟蹤場景中存在的問題，提出如下三點改進(jìn)：

2.1 高階數(shù)據(jù)保真度項修改

高階數(shù)據(jù)保真度項鼓勵軌跡靠近樣本，懲罰軌跡長時間遠(yuǎn)離樣本。該項的定義如式(10)所示，式(10)首先對時間跨度求三次方，而后求加權(quán)的所有時間跨度的三次立方和。時間跨度指數(shù)為對時間跨度的懲罰力度，即鼓勵軌跡少出現(xiàn)或不出現(xiàn)時間跨度。因此，適當(dāng)增大時間跨度指數(shù)能進(jìn)一步迫使軌跡靠近檢測樣本，從而得到更為準(zhǔn)確的軌跡。權(quán)重系數(shù)ξ為高階數(shù)據(jù)保真度項在標(biāo)簽項中所占的比重，若ξ過大，則影響同一目標(biāo)軌跡片段的融合；若ξ過小，軌跡則將忽略式(10)的懲罰而隨機地生成，從而達(dá)不到約束軌跡形態(tài)的目的。實驗表明，在一定范圍內(nèi)，增大指數(shù)，減小系數(shù)，可提高目標(biāo)跟蹤準(zhǔn)確度，但所耗時間也會增大。綜合考慮，本文指數(shù)設(shè)為5，系數(shù)設(shè)為0.03。高階數(shù)據(jù)保真度指數(shù)和系數(shù)取值適宜、系數(shù)過大、指數(shù)過小的跟蹤效果分別如圖2(a)、(b)、(c)所示。圖2實驗結(jié)果表明：當(dāng)高階數(shù)據(jù)保真度項指數(shù)與系數(shù)取值適宜時，得到的跟蹤結(jié)果較為理想；當(dāng)該項系數(shù)過大時，軌跡出現(xiàn)了分裂現(xiàn)象；當(dāng)該項指數(shù)偏小時，軌跡偏離檢測樣本較遠(yuǎn)，跟蹤效果較差。

2.2 速度變化約束項

圖2 高階數(shù)據(jù)保真度系數(shù)和指數(shù)對跟蹤結(jié)果的影響Fig.2The influence of coefficientand exponentof high-orderdata fidelityfor tracking results

所有目標(biāo)的運動都是受物理限制約束的，對于場景中的大部分運動目標(biāo)，其軌跡是趨于光滑的，即目標(biāo)的運動速度不會在短時間內(nèi)發(fā)生突變。為了抑制目標(biāo)的速度發(fā)生突變，本文加入了目標(biāo)速度變化約束項能量函數(shù)。線速度與角速度是兩個能較好地描述軌跡速度的物理變量，線速度與角速度的變化率則能直觀地反映出軌跡物理形態(tài)的變化。對于速度發(fā)生突變的軌跡，其線速度與角速度的變化率則較大，能量函數(shù)懲罰力度較大；而運動符合常理的目標(biāo)，其線速度與角速度的變化率則較小，能量函數(shù)懲罰力度較小。因此，本文在標(biāo)簽項能量中加入軌跡線速度與角速度變化率懲罰的能量函數(shù)，進(jìn)一步約束軌跡的形態(tài)。

設(shè)x=x(t)，y=y(t)為軌跡在第t幀的坐標(biāo)，則軌跡在時間t的角速度[9]定義如下：

角速度變化率定義為

角速度變化率能量函數(shù)為

目標(biāo)在時間t的線速度定義為

線速度的變化率為

線速度變化率能量函數(shù)為

角速度與線速度變化率能量函數(shù)獎勵速度趨于穩(wěn)定或變化平緩的軌跡，懲罰速度發(fā)生突變的軌跡。通過實驗得出當(dāng)線速度與角速度變化率能量函數(shù)系數(shù)分別取0.001和0.005時，能取得較為理想的跟蹤效果。圖3(a)為未加入速度約束項的跟蹤結(jié)果，圖3(b)為加入了速度約束項的跟蹤結(jié)果，顯然，圖3(b)的跟蹤結(jié)果較為理想。

圖3 速度約束項對跟蹤結(jié)果的影響Fig.3The influence of velocity constraintitemfor tracking results

2.3 優(yōu)化后的聚類

對于存在目標(biāo)粘連的場景，算法易將不同目標(biāo)誤認(rèn)為同一目標(biāo)而得到錯誤的軌跡。如圖4(a),(c)所示，通常，錯誤軌跡出現(xiàn)在粘連目標(biāo)之間。對于粘連的目標(biāo)，需要通過一定的處理，將粘連目標(biāo)區(qū)分開來，進(jìn)而得到正確的軌跡。對于圖4(a)情況，錯誤軌跡出現(xiàn)在粘連目標(biāo)上下之間，本文計算曲線上下樣本x坐標(biāo)與中間錯誤曲線y坐標(biāo)之差，曲線之上樣本坐標(biāo)差值為正，曲線之下樣本坐標(biāo)差值為負(fù)，并按差值符號(正或負(fù))進(jìn)行聚類，圖4(b)上方灰色樣本和下方黑色樣本各為一類。對于圖4(c)情況，錯誤軌跡出現(xiàn)在粘連目標(biāo)左右之間，本文則計算中間錯誤曲線左右樣本x坐標(biāo)與中間曲線y坐標(biāo)之差，曲線左邊樣本坐標(biāo)差值為負(fù)，曲線右邊樣本坐標(biāo)差值為正，并按差值符號(正或負(fù))進(jìn)行聚類，圖4(d)左邊灰色樣本和右邊黑色樣本各為一類。

對于聚類后得到的同一類樣本，我們認(rèn)為是同一個目標(biāo)，分別對其擬合成三次B-樣條曲線，得到目標(biāo)的運動軌跡，如圖4(b)、(d)所示。

圖4 聚類前后的跟蹤效果Fig.4The tracking effects before and after clustering

在多個標(biāo)準(zhǔn)測試視頻的對比實驗結(jié)果表明，本文改進(jìn)后算法與原算法相比，可以達(dá)到更高的跟蹤精度。

3 實驗結(jié)果與分析

為了驗證本文所改進(jìn)算法的有效性，分別選用了標(biāo)準(zhǔn)測試視頻PETS2009中的四個序列S2L1、S3MF1、S2L2與S1L1進(jìn)行實驗，其幀數(shù)分別為795、107、436和220。為了更好地對比，本文分別只選取四個序列中更具挑戰(zhàn)性的100幀進(jìn)行實驗，選擇的幀號分別為651～750、1～100、1～100和1～100，并在AMD X4 640、主頻3.00 GHz、內(nèi)存4.00 GB的PC機上進(jìn)行實驗，運行平臺為Matlab R2012b。

本文算法參數(shù)設(shè)置：高階數(shù)據(jù)保真度項系數(shù)ξ和指數(shù)分別為0.03和4，原算法對應(yīng)數(shù)據(jù)分別為1和3；相互排斥項能量代價較大，本文與原算法一樣不予考慮，系數(shù)設(shè)為0；線速度變化率和角速度變化率能量函數(shù)系數(shù)分別為0.001和0.005；動態(tài)學(xué)項、持續(xù)性項、正則項系數(shù)與原算法保持一致，各項系數(shù)都為1。

3.1 算法效果的定性分析

對于S2L1和S3MF1序列，本文給出最終的跟蹤結(jié)果并作定性對比分析；對于S2L2與S1L1序列，由于序列場景復(fù)雜度較高，目標(biāo)之間的交叉、粘連、遮擋情況出現(xiàn)過于頻繁，本文改進(jìn)后算法與原算法的跟蹤準(zhǔn)確度都較低，故不給出跟蹤結(jié)果和定性分析。

在測試序列S2L1中，該測試序列的特點是場景復(fù)雜，目標(biāo)之間的遮擋、交叉較多。遮擋和交叉容易造成檢測信息的丟失，從而出現(xiàn)跟蹤丟失、跟蹤分裂、和身份轉(zhuǎn)換等現(xiàn)象。文獻(xiàn)[5]算法與本文改進(jìn)后算法跟蹤結(jié)果如圖5所示。

三維坐標(biāo)系的z軸、x軸、y軸分別表示序列的幀數(shù)、樣本x方向坐標(biāo)、樣本y方向坐標(biāo)，軌跡的顏色區(qū)分不同的目標(biāo)。圖5(a)為文獻(xiàn)[5]的跟蹤結(jié)果，原算法出現(xiàn)了跟蹤分裂(圖中空心正方形標(biāo)記的軌跡和實心正方形標(biāo)記的軌跡)與身份轉(zhuǎn)換(圖中空心三角形標(biāo)記的軌跡和實心三角形標(biāo)記的軌跡)等現(xiàn)象。圖5(b)為本文改進(jìn)后算法的跟蹤結(jié)果，本文減小了高階數(shù)據(jù)保真度能量函數(shù)項系數(shù)，保證了同一目標(biāo)的軌跡片段融合后的標(biāo)簽項能量不會大于未融合之前的總能量，使得同一目標(biāo)軌跡片段能夠融合，從而得到正確的軌跡(圖5(b)空心正方形標(biāo)記的軌跡)，且消除了身份轉(zhuǎn)換問題(圖5(b)空心三角形標(biāo)記的軌跡)。

在測試序列S3MF1中，該序列目標(biāo)數(shù)目較多，且目標(biāo)之間的距離較小，易產(chǎn)生軌跡合并現(xiàn)象。文獻(xiàn)[5]與本文改進(jìn)后算法在S3MF1序列最終的跟蹤結(jié)果如圖6所示。

圖6(a)為文獻(xiàn)[5]算法的跟蹤結(jié)果，從圖中可以看出，跟蹤結(jié)果非?；靵y，跟蹤器出現(xiàn)了在兩個目標(biāo)之間“跳躍式”跟蹤(圖6(a)空心正方形標(biāo)記的軌跡)、軌跡合并(圖6(a)空心圓形標(biāo)記的軌跡)以及身份轉(zhuǎn)換(圖6(a)空心三角形與實心三角形標(biāo)記的軌跡)等現(xiàn)象。“跳躍式”跟蹤結(jié)果產(chǎn)生的原因為軌跡速度發(fā)生了突變，

軌跡合并產(chǎn)生的原因為目標(biāo)距離較近，跟蹤器錯誤地將兩個目標(biāo)當(dāng)作成了一個目標(biāo)。圖6(b)為本文改進(jìn)后算法的跟蹤結(jié)果，本文加入了軌跡角速度和線速度變化率懲罰的能量函數(shù)，迫使軌跡速度不能發(fā)生突變，從而解決了“跳躍式”跟蹤問題(圖6(b)空心正方形標(biāo)記的軌跡和實心正方形標(biāo)記的軌跡)。聚類處理區(qū)分了中間錯誤軌跡兩邊的目標(biāo)(圖6(b)空心圓形標(biāo)記的軌跡和實心圓形標(biāo)記的軌跡)，解決了軌跡合并現(xiàn)象問題。調(diào)整了高階數(shù)據(jù)保真度能量函數(shù)項系數(shù)和指數(shù)，使同一目標(biāo)的軌跡能夠融合在一起，從而解決了目標(biāo)身份轉(zhuǎn)換的現(xiàn)象(圖6(b)空心三角形標(biāo)記的軌跡)。

圖5 S2L1序列的跟蹤結(jié)果Fig.5The tracking results on S2L1 sequence

圖6 S3MF1序列的跟蹤結(jié)果Fig.6The tracking results on S3MF1 sequence

表1 S2L1、S3MF1、S2L2、S1L1序列各項指標(biāo)對比Table 1The indicators comparison on S2L1,S3MF1,S2L2 and S1L1 sequence

圖7 本文算法在S2L1與S3MF1數(shù)據(jù)集上的跟蹤示例Fig.7Example frames from our approach on S2L1 and S3MF1 datasets

3.2 算法效果的定量分析

采用目標(biāo)跟蹤的準(zhǔn)確度(MOTA)和目標(biāo)跟蹤的精確度(MOTP)來定量評估算法性能[10]。MOTA包括目標(biāo)丟失、錯誤警告、身份轉(zhuǎn)換。MOTP為重疊度，即計算跟蹤結(jié)果區(qū)域與目標(biāo)的真實區(qū)域之間的比值。此外，本文還加入了幾項指標(biāo)，分別為：大部分跟蹤上的軌跡數(shù)(MT)，大部分丟失的軌跡數(shù)(ML)，跟蹤分裂次數(shù)(FM)，身份轉(zhuǎn)換次數(shù)(IDs)，跟蹤錯誤位置個數(shù)(FP)。FM、IDs與FP直接影響目標(biāo)跟蹤準(zhǔn)確度，F(xiàn)P影響目標(biāo)跟蹤精確度。表1為兩種算法在不同測試序列上跟蹤結(jié)果的對比，表中粗體代表最佳結(jié)果。圖7為本文

算法在S2L1與S3MF1[11]數(shù)據(jù)集上的跟蹤示例。

由表1可以看出，在四個測試序列中，本文改進(jìn)后算法與文獻(xiàn)[5]相比，大部分指標(biāo)有不同程度的提高。在S2L1序列中，本文沒有出現(xiàn)跟蹤分裂與身份轉(zhuǎn)換現(xiàn)象，跟蹤準(zhǔn)確度與跟蹤精確度有小幅度提高。在S3MF1序列中，消除了目標(biāo)速度突變和軌跡合并的現(xiàn)象，本文改進(jìn)后算法各項指標(biāo)有相當(dāng)明顯的提高，其中，跟蹤準(zhǔn)確度提高尤為明顯。在S2L2序列中，雖然部分指標(biāo)有所降低，但總體跟蹤效果仍有提高。在S1L1序列中，本文解決了部分由目標(biāo)粘連引起的軌跡合并問題，跟蹤準(zhǔn)確度提高幅度較大。大量實驗結(jié)果驗證了本文改進(jìn)后算法在應(yīng)對不同復(fù)雜場景時，較原算法具有更好的魯棒性。

4 結(jié)論

本文針對離散連續(xù)優(yōu)化多目標(biāo)跟蹤算法中存在的問題，提出了一種改進(jìn)算法。通過增加新的能量函數(shù)、改進(jìn)原能量函數(shù)、以及增加全局優(yōu)化后的聚類，解決了部分目標(biāo)跟蹤中常見的問題。在多個實驗測試序列中，與文獻(xiàn)[5]的對比實驗結(jié)果表明，本文算法具有更高的跟蹤準(zhǔn)確度和跟蹤精確度。然而，面對更為復(fù)雜的場景，本文算法的魯棒性還有待提高。在以后的工作中，將加入更多的能量函數(shù)來適應(yīng)不同的跟蹤場景，進(jìn)一步提高算法的魯棒性。

[1]孫凱，劉士榮.多目標(biāo)跟蹤的改進(jìn)Camshift/卡爾曼濾波組合算法[J].信息與控制，2009，38(1)：9-14. SUN Kai，LIU Shirong.Combined Algorithm with Modified Camshift and Kalman Filter for Multi-object Tracking[J]. Information and Control，2009，38(1)：9-14.

[2]高世偉，郭雷，楊寧，等.一種新的粒子濾波目標(biāo)跟蹤算法[J].上海交通大學(xué)學(xué)報，2009，43(3)：485-489. GAO Shiwei，GUO Lei，YANG Ning，et al.A New Particle Filter Object Tracking Algorithm[J].Journal of Shanghai JiaoTong University，2009，43(3)：485-489.

[3]王歡，王江濤，任明武，等.一種魯棒的多特征融合目標(biāo)跟蹤新算法[J].中國圖象圖形學(xué)報，2009，14(3)：489-498. WANG Huan，WANG Jiangtao，REN Mingwu，et al.A New Robust Object Tracking Algorithm by FusingMulti-features[J]. Journal of Image and Graphics，2009，14(3)：489-498.

[4]Andriyenko A，Schindler K.Multi-target Tracking by Continuous Energy Minimization[C]//Computer Vision and Pattern Recognition(CVPR)，Colorado Springs，CO，USA，June 21-23，2011：1265-1272.

[5]Andriyenko A，Schindler K，Roth S.Discrete-continuous optimization for multi-target tracking[C]//Computer Vision and Pattern Recognition(CVPR)，Providence，RI，June 16-21，2012：1926-1933.

[6]施錫泉，趙巖.雙三次B樣條曲面的G～1連續(xù)條件[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，2002，14(7)：676-682. SHI Xiquan，ZHAO Yan.G1 Continuity Conditions of Bicubic B-Spline Surfaces[J].Journal of Computer-Aided Design& Computer Graphics，2002，14(7)：676-682.

[7]Boykov O，Veksler Y，Zabih R.Fast Approximate Energy Minimization Via Graph Cuts[C]//Computer Vision，The Proceedings of the Seventh IEEE International Conference on，Kerkyra，Sept 20-27，1999：1222-1239.

[8]Delong A，Osokin A，Isack H N，et al.Fast Approximate Energy Minimization With Label Costs[C]//Computer Vision and Pattern Recognition(CVPR)，San Francisco，CA，June 13-18，2010：2173-2180.

[9]Milan A，Schindler K，Roth S.Detection-and Trajectory-Level Exclusion in Multiple Object Tracking[C]//Computer Vision and Pattern Recognition(CVPR)，Portland，OR，June 23-28，2013：3682-3689.

[10]Milan A，Schindler K，Roth S.Challenges of Ground Truth Evaluation of Multi-target Tracking[C]//IEEE Conference on Computer Vision and Pattern Recognition Workshops(CVPRW)，Portland，OR，June 23-28，2013：735-742.

[11]http://motchallenge.net/data/3D_MOT_2015/.

The Improved Discrete Continuous Optimization for Multi-target Tracking

QI Meibin，PAN Longfei，JIANG Jianguo
(School of Computer and Information,Hefei University of Technology,Hefei 230009,China)

Aiming at several problems occurred in multi-target tracking,such as the moving targets interleaving or overlapping,and the target losing momentarily,an improved discrete continuous optimization for multi-target tracking algorithm is proposed.The method according to the principle of discrete continuous optimization for multiple target tracking,added speed constraints and ameliorated the original energy function,so as to achieve the purpose of constraint the trajectories form.Clustering strategies after global optimization is used to achieve the purpose of distinguishing different trajectories.The experimental results show that the algorithm has better robustness and can well realize multi-target tracking in complex image sequences.

multi-target tracking;discrete continuous optimization;energy function

1003-501X(2016)07-0009-07

TP301.6

A

10.3969/j.issn.1003-501X.2016.07.002

2015-08-11；

2015-11-20

國家自然科學(xué)基金項目(61371155)；安徽省科技攻關(guān)項目(1301B042023)

齊美彬(1969-)，男(漢族），安徽東至人。教授，博士，主要研究智能視頻監(jiān)控、DSP技術(shù)及應(yīng)用。E-mail:qimeibin@163.com。

潘龍飛(1991-)，男(漢族)，江西贛州人。碩士研究生，主要研究工作是目標(biāo)跟蹤。E-mail:feifei_lengleng@sina.com。