0 引言

多目标跟踪按照摄像头数量，可分为两大类：单目跟踪方法与多目跟踪方法。

(1)单目跟踪方法

传统方法^[1-2]多是在目标区域建立简单目标特征，但复杂背景大大提高了目标特征的提取难度，且遮挡鲁棒性低。对此，Chu Chunte^[3]提出多核的目标跟踪算法，解决了局部遮挡下的目标跟踪；段沛沛^[4]等人则是通过稀疏算法，压缩样本数据提高运算速度。

神经网络算法在目标跟踪中同样有较为广泛的应用^[5-7]，但样本与真实目标间的差异往往导致跟踪效果不佳，因此HYEONSEOB N^[8]开始在线调整训练样本。对于目标的运动估计，通常使用粒子滤波算法，但重采样过程运算时间较长。对此，Li Peihua^[9]就图像颜色信息重新构建了粒子滤波跟踪算法，POJALA C^[10]将自适应加权算法引入重采样过程。

(2)多目跟踪方法

在多摄像机情况下，融合不同摄像机下的光学遮挡结构，可以有效解决遮挡问题^[11-12]，但无法有效剔除局部的虚假目标。对此，OTSUKA K^[11]引入了递归贝叶斯估计，而MITTAL A^[12]通过卡尔曼滤波器来约束目标。UTASI A^[13]与BENEDEK C^[14]则侧重于多视角下的目标特征提取。前者旨在提取目标像素级特征，而后者旨在构建三维对象模型。FLEURET F^[15]等人首次提出一种概率占用图(POM)模型，计算目标在场景平面网格图上的占用概率，但算法运行时间较长。LIN Y S等人提出一种根据消失点的快速人员定位方法^[16]。JEROME B等人利用前后帧目标关系，通过k-shortest路径算法快速优化轨迹^[17]。

多目跟踪方法尽管有着测量精度高、目标信息丰富等优点，但高纬度的信息往往会占据较大的运行时间，不利于算法实时性。本文将提出一种基于单目摄像机的背景建模方法，并根据消失点变化情况估补偿目标运动模型。所提出的算法将具有以下特点：(1)准确表现场景三维信息；(2)检测场景变化情况并反馈给目标模型。

本文详细内容请下载：http://www.chinaaet.com/resource/share/2000002963

作者信息：

何 嘉1，奚峥皓1，2，阚 秀1

(1.上海工程技术大学 电子电气工程学院，上海201620；

2.清华大学 计算机系 智能技术与系统国家重点实验室，北京100091)