李明華，劉正熙

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都 610065）

1 問題的提出

多目標(biāo)跟蹤系統(tǒng)的目的是在監(jiān)控場景中能估計(jì)出多個(gè)運(yùn)動(dòng)目標(biāo)的連續(xù)平滑的軌跡，它在視頻監(jiān)控，事件檢測以及行為識別中都有重要的應(yīng)用。因此，研究多目標(biāo)跟蹤技術(shù)是計(jì)算機(jī)視覺領(lǐng)域的重要課題之一。

由于目標(biāo)檢測技術(shù)[1-3]的快速發(fā)展，tracking-by-detection成為了一種廣泛使用的多目標(biāo)跟蹤框架。在tracking-by-detection框架中，目標(biāo)檢測器通過線下訓(xùn)練，可以在視頻的每一幀提供出跟蹤目標(biāo)的包圍框，然后通過數(shù)據(jù)關(guān)聯(lián)技術(shù)把這些包圍框分別匹配已存在的跟蹤目標(biāo)，從而產(chǎn)生連續(xù)的運(yùn)動(dòng)軌跡。按照數(shù)據(jù)關(guān)聯(lián)算法的不同，多目標(biāo)跟蹤技術(shù)分為在線的[4-7]和離線的[8-11]。然而，在一些復(fù)雜的場景，由于跟蹤目標(biāo)的相互遮擋和背景的遮擋，這些先進(jìn)的目標(biāo)檢測技術(shù)仍然解決不了目標(biāo)丟失的問題。

因此，許多學(xué)者提出離線的多目標(biāo)跟蹤方法用于解決這些由于長時(shí)間的遮擋而造成的目標(biāo)丟失問題。連接概率數(shù)據(jù)關(guān)聯(lián)算法（JPDA）[8-9]在視頻的每一幀中基于當(dāng)前幀提供的目標(biāo)包圍框和已存在的跟蹤目標(biāo)的連接概率相似度進(jìn)行數(shù)據(jù)關(guān)聯(lián)。多假設(shè)跟蹤算法（MHT）[10-11]為每一個(gè)跟蹤目標(biāo)所有可能的軌跡假設(shè)建立一棵關(guān)系樹，計(jì)算跟蹤軌跡的概率并選擇最大概率的軌跡組合。這些離線的多目標(biāo)跟蹤算法不僅要使用當(dāng)前幀的信息，而且要考慮未來一段時(shí)間窗口內(nèi)視頻幀的信息，所以這些離線方法都有一定的時(shí)間延遲，不適用于實(shí)時(shí)的視頻監(jiān)控系統(tǒng)。

SORT跟蹤算法提出了一個(gè)簡單的在線trackingby-detection跟蹤框架，該框架使用線性卡爾曼濾波作為運(yùn)動(dòng)模型預(yù)測目標(biāo)的運(yùn)動(dòng)，使用匈牙利算法匹配相鄰幀之間的目標(biāo)。使用這樣一種簡單的在線跟蹤框架卻能夠在公開的多目標(biāo)跟蹤數(shù)據(jù)集上獲得卓越的性能效果，并且這個(gè)框架的幀率能達(dá)到260Hz，速度上超越了絕大部分在線跟蹤方法。該框架的缺點(diǎn)是只使用了目標(biāo)的運(yùn)動(dòng)特征，而沒有使用目標(biāo)的外觀特征，并且沒有考慮到目標(biāo)之間的遮擋問題。

本文提出了一種改進(jìn)版的tracking-by-detection框架。該框架采用了基于深度學(xué)習(xí)的外觀特征，并且采用了分層的數(shù)據(jù)關(guān)聯(lián)方法。該方法根據(jù)卷積特征的相似度把數(shù)據(jù)關(guān)聯(lián)分成兩個(gè)步驟。第一層關(guān)聯(lián)只考慮高相似度的目標(biāo)匹配對，因?yàn)楦呦嗨贫鹊膬蓚€(gè)待匹配的候選對象屬于同一個(gè)目標(biāo)的概率非常大。第二層關(guān)聯(lián)處理剩余的低相似度的目標(biāo)匹配對，相似度低說明目標(biāo)可能發(fā)生形變或者被其他跟蹤對象遮擋。

2 算法實(shí)現(xiàn)

本文提出的多目標(biāo)跟蹤框架采用Faster R-CNN檢測器[3]檢測出候選目標(biāo)，使用卡爾曼濾波迭代地預(yù)測目標(biāo)的運(yùn)動(dòng)狀態(tài)，接著使用卷積神經(jīng)網(wǎng)絡(luò)提取出目標(biāo)的深度外觀特征，根據(jù)目標(biāo)的外觀相似度和運(yùn)動(dòng)相似度使用匈牙利算法匹配候選目標(biāo)和目標(biāo)軌跡。本節(jié)著重介紹特征提取和分層數(shù)據(jù)關(guān)聯(lián)。

2.1 特征提取

特征提取用于數(shù)據(jù)關(guān)聯(lián)的相似度計(jì)算。本文融合了強(qiáng)特征和弱特征來進(jìn)行數(shù)據(jù)關(guān)聯(lián)。強(qiáng)特征是用卷積神經(jīng)網(wǎng)絡(luò)提取的深度外觀特征，而弱特征則使用了目標(biāo)的運(yùn)動(dòng)特征。每種特征都有其優(yōu)點(diǎn)以及作用。當(dāng)目標(biāo)連續(xù)可見并且沒有顯著的外觀變化時(shí)，深度外觀特征能夠較好地區(qū)分兩個(gè)候選對象是不是同一個(gè)目標(biāo)。而當(dāng)目標(biāo)的外觀發(fā)生改變或者遇到遮擋問題時(shí)，運(yùn)動(dòng)特征和形狀特征結(jié)合了跟蹤目標(biāo)上下文的時(shí)空信息輔助數(shù)據(jù)關(guān)聯(lián)。

本文提出了一種深度外觀描述子用于描述跟蹤目標(biāo)的外觀，該描述子采用類似于AlexNet[12]的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)微調(diào)而成。首先我們用ImageNet數(shù)據(jù)集的預(yù)訓(xùn)練模型初始化卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值，然后使用行人重識別數(shù)據(jù)集[13]離線微調(diào)該神經(jīng)網(wǎng)絡(luò)，該數(shù)據(jù)集包含32000個(gè)標(biāo)注的行人標(biāo)簽。我們的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型包含5層卷積結(jié)構(gòu)和3層全連接層，在全連接層后面接上一個(gè)Softmax層用于目標(biāo)的分類。在特征提取階段我們僅提取第5個(gè)卷積層輸出的4096維特征，我們用 feati來表示第i個(gè)目標(biāo)的特征，深度外觀特征相似度定義為：

運(yùn)動(dòng)特征的使用基于這么一個(gè)假設(shè)，即當(dāng)視頻的幀率足夠高時(shí)，現(xiàn)實(shí)場景中的目標(biāo)在連續(xù)幀中的運(yùn)動(dòng)軌跡是連續(xù)平滑的。運(yùn)動(dòng)特征充分利用了運(yùn)動(dòng)目標(biāo)的時(shí)空上下文信息，我們使用速度和方向來表述跟蹤目標(biāo)的運(yùn)動(dòng)屬性。由于余弦相似度只能描述運(yùn)動(dòng)目標(biāo)的方向一致性，本文考慮使用調(diào)整余弦相似度來描述運(yùn)動(dòng)目標(biāo)的方向一致性和速度一致性。運(yùn)動(dòng)特征相似度表示如下：

2.2 分層數(shù)據(jù)關(guān)聯(lián)

數(shù)據(jù)關(guān)聯(lián)是tracking-by-detection多目標(biāo)跟蹤框架的核心內(nèi)容，大部分跟蹤算法把數(shù)據(jù)關(guān)聯(lián)問題看成一個(gè)全局最優(yōu)匹配問題。但是這種方法有一個(gè)缺點(diǎn)，就是當(dāng)目標(biāo)發(fā)生外觀變化或者目標(biāo)被遮擋時(shí)，會(huì)導(dǎo)致目標(biāo)錯(cuò)誤匹配的情況。本文提出了一種分層的數(shù)據(jù)關(guān)聯(lián)策略，假設(shè)這樣一個(gè)場景：當(dāng)目標(biāo)在連續(xù)的視頻幀中出現(xiàn)，并且外觀沒有發(fā)生比較大的變化，且沒有被其他物體遮擋時(shí)，相鄰幀中屬于同一個(gè)目標(biāo)的候選對象外觀相似度值會(huì)非常大，這時(shí)我們僅使用目標(biāo)的深度外觀相似度用于數(shù)據(jù)關(guān)聯(lián)能取得非常好的效果。當(dāng)目標(biāo)遇到遮擋情況或者自身的外觀發(fā)生了嚴(yán)重變化時(shí)，相鄰幀中的同一個(gè)目標(biāo)的外觀相似度可能會(huì)變得很小，這時(shí)我們就要引入運(yùn)動(dòng)特征來輔助判斷相鄰幀目標(biāo)的相似性。

考慮第t幀的數(shù)據(jù)關(guān)聯(lián)問題，當(dāng)前幀t通過目標(biāo)檢測器得到一系列的目標(biāo)檢測框Dt，另外已知第t-1幀的目標(biāo)軌跡Tt-1，我們采用匈牙利算法[14]分別把這些檢測出的候選對象安排到不同的目標(biāo)軌跡中，就得到了當(dāng)前幀t的目標(biāo)軌跡Tt，匈牙利算法所使用的代價(jià)矩陣定義如下：

為了減少目標(biāo)遮擋和目標(biāo)形變的帶來的數(shù)據(jù)關(guān)聯(lián)錯(cuò)誤問題，我們把數(shù)據(jù)關(guān)聯(lián)分成兩層進(jìn)行，不同層的數(shù)據(jù)關(guān)聯(lián)采用不同的相似度函數(shù)。在第一層關(guān)聯(lián)我們只考慮外觀相似度高于閾值Ta的匹配項(xiàng)，外觀相似度高說明目標(biāo)沒有發(fā)生較大的形變或者被其他物體遮擋，因此，第一層關(guān)聯(lián)的相似度函數(shù)的外觀影響因子ω1設(shè)為1，運(yùn)動(dòng)影響因子ω2設(shè)為0。第二層數(shù)據(jù)關(guān)聯(lián)的匹配對的外觀相似度較低，說明目標(biāo)發(fā)生了外觀變化或者遭遇遮擋。此時(shí)單純依靠外觀特征不能做出正確的匹配決策，而需要引入運(yùn)動(dòng)特征來輔助判斷，經(jīng)實(shí)驗(yàn)驗(yàn)證把外觀影響因子ω1設(shè)為0.4運(yùn)動(dòng)影響因子ω2設(shè)為0.6能達(dá)到較好的效果。本文整體框架的工作流程如下所示：

輸入：當(dāng)前幀的檢測框：Dt={d1,d2,...,dn}，上一幀的目標(biāo)跟蹤軌跡：Tt-1={tr1,tr2,...,trm}

1：使用神經(jīng)網(wǎng)絡(luò)提取檢測框的卷積特征

2：使用卡爾曼濾波預(yù)測跟蹤目標(biāo)的運(yùn)動(dòng)狀態(tài)

3：根據(jù)目標(biāo)的卷積特征和運(yùn)動(dòng)特征計(jì)算相似度矩陣At=Affinity(Dt,Tt-1)

4：根據(jù)外觀相似度閾值Ta把相似度矩陣分為高相似度矩陣和低相似度矩陣

表1 該跟蹤程序在MOT16數(shù)據(jù)集上的性能估計(jì)

8：根據(jù)時(shí)間閾值Tt保留或者刪除匹配失敗的目標(biāo)跟蹤軌跡

輸出：根據(jù)6,7,8步得到當(dāng)前幀的目標(biāo)跟蹤軌跡Tt={tr1,tr2,...,trk}。

3 實(shí)驗(yàn)結(jié)果評估

該多目標(biāo)跟蹤系統(tǒng)在MOT16[15]公開的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)估計(jì)，該數(shù)據(jù)集包含靜止的和運(yùn)動(dòng)的相機(jī)鏡頭下的監(jiān)控場景，適用于多目標(biāo)跟蹤的分析。實(shí)驗(yàn)結(jié)果如表1所示，評價(jià)指標(biāo)解釋如下：MOTA（↑）估計(jì)多目標(biāo)跟蹤的精確度，MT（↑）表示跟蹤軌跡和真實(shí)軌跡至少有80%重疊的概率，ML（↓）表示跟蹤軌跡和真實(shí)軌跡最多有20%重疊的概率，F(xiàn)P（↓）表示誤報(bào)的次數(shù)，F(xiàn)N（↓）表示漏檢的次數(shù)，IDS（↓）表示目標(biāo)ID轉(zhuǎn)變的次數(shù)，F(xiàn)rag（↓）表示軌跡斷裂的次數(shù)。（↑）說明該項(xiàng)指標(biāo)越大越好，（↓）說明該項(xiàng)指標(biāo)越小越好。

圖1 MOT16公開數(shù)據(jù)集的MOT16-06測試視頻圖像序列

其中JPDA_m是連接概率數(shù)據(jù)關(guān)聯(lián)跟蹤方法，MHT_DAM是多假設(shè)跟蹤方法，SORTwHPD16是sort跟蹤方法，從表1中可以看出本文提出的多目標(biāo)跟蹤系統(tǒng)在MOT16數(shù)據(jù)集上的表現(xiàn)效果要遠(yuǎn)遠(yuǎn)高于上述跟蹤方法。

4 程序運(yùn)行效果

該程序運(yùn)行的效果如圖1所示，分別展示了跟蹤程序在視頻序列第55幀，第75幀以及第95幀的運(yùn)行結(jié)果。

5 結(jié)語

本文提出了一種分層的數(shù)據(jù)關(guān)聯(lián)方法用于多目標(biāo)跟蹤框架，并結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)的深度外觀特征和跟蹤目標(biāo)本身的運(yùn)動(dòng)信息，在MOT16多目標(biāo)跟蹤公開數(shù)據(jù)集上取得了較好的結(jié)果，該程序的實(shí)現(xiàn)使用C++語言編寫，并依賴于OpenCV視覺庫和Caffe深度學(xué)習(xí)框架，該算法可用于解決實(shí)際監(jiān)控場景中的目標(biāo)跟蹤問題，具有一定的實(shí)際意義。

參考文獻(xiàn)：

[1]N.Dalal and B.Triggs.Histograms of Oriented Gradients for Human Detection.In Proc.CVPR,2005.

[2]P.F.Felzenszwalb,R.B.Girshick,D.McAllester,and D.Ra-manan.Object Detection with Discriminatively Trained Part Based Models.PAMI,32（9）:1627-1645,2010.

[3]Ren,S.,He,K.,Girshick,R.B.,Sun,J.:Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks.In:NIPS（2015）.

[4]J.Zhang,L.Lo Presti,S.Sclaroff.Online Multi-Person Tracking by Tracker Hierarchy.In Proceeding of the IEEE Conference on Advanced Video and Signal Based Surveillance（AVSS）,2012.

[5]Z.Wu,J.Zhang,and M.Betke.Online Motion Agreement Tracking.In Proc.BMVC,2013.

[6]A.Bewley,G.Zongyuan,F.Ramos,and B.Upcroft.Simple online and Realtime Tracking.in ICIP,2016：3464-3468.

[7]F.Yu,W.Li,Q.Li,Y.Liu,X.Shi,J.Yan.POI:Multiple Object Tracking with High Performance Detection and Appearance Feature.In BMTT,SenseTime Group Limited,2016.

[8]T.E.Fortmann,Y.Bar-Shalom,and M.Scheffe.Sonar Tracking of Multiple Targets Using Joint Probabilistic Data Association.IEEE J.Ocean.Eng.,vol.8,no.3,pp.173-184,1983.

[9]S.H.Rezatofighi,A.Milan,Z.Zhang,Qi.Shi,An.Dick,I.Reid.Joint Probabilistic Data Association Revisited.in ICCV,2015：3047-3055.

[10]D.B.Reid.An Algorithm for Tracking Multiple Targets.IEEE Trans.Autom.Control,vol.24,no.6,pp.843-854,1979.

[11]C.Kim,F.Li,A.Ciptadi,J.M.Rehg.Multiple Hypothesis Tracking Revisited.inICCV,2015：4696-4704.

[12]B.Alexe,T.Deselaers,V.Ferrari.Measuring the Objectness of Image Windows.IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）,2012.

[13]L.Zheng,L.Shen,L.Tian,S.Wang,J.Wang,Q.Tian.Scalable Person Re-identification:A Benchmark.In CVPR,2015.

[14]J.Munkres.Algorithms for the Assignment and Transportation Problems.J.of the Society of Industrial and Applied Mathematics,5（1）:32-38,March 1957.

[15]A.Milan,L.Leal-Taixé,I.Reid,S.Roth,K.Schindler.MOT16:A benchmark for Multi-Object Tracking.CoRR,2016.