一體化多目標跟蹤算法研究綜述

化多目標跟蹤算法研究綜述多目標跟蹤(MultipleObjectTracking)是計算機視覺領(lǐng)域的一個重向，涵蓋了目標檢測、跟蹤、識別等多個子領(lǐng)域，其目的是通過計算機技術(shù)對移動目標進行自動化跟蹤和識別。在實際生產(chǎn)和科研中，景都需要對多個目標進行實時跟蹤，因此研究多目標跟蹤算述。廣泛應用于跟蹤問題的、對線性動態(tài)系統(tǒng)進行狀計的方法。基于卡爾曼濾波的多目標跟蹤算法主要用于線性系統(tǒng)下標跟蹤。該算法通過觀測數(shù)據(jù)和先驗知識對目標狀態(tài)進行預測和估能夠?qū)崿F(xiàn)數(shù)據(jù)關(guān)聯(lián)和姿態(tài)估計。但如果目標的運動不是線性的，則作為一種基于概率的自適應多模型估計算法，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狀態(tài)表示子的集合，通過測量區(qū)分出其對應的目標。但是，該算法需要最近幾年成為了計算機視覺領(lǐng)域的一個研究熱點。在多目標跟蹤中，基于深度學習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)集上進行訓練，具有較控領(lǐng)域，多目標跟蹤算法可以用于實時監(jiān)測大型公共場所 (如車站、機場、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，多目標跟蹤算法可以用于實時識別并跟蹤周圍的行人和路標等，以及提高自動駕駛系統(tǒng)的魯棒性，從而增強整個互領(lǐng)域，多目標跟蹤算法可以用于改善交互體驗和提高系化程度，如通過根據(jù)手勢識別控制游戲，或掃描目標進行自動標跟蹤算法而言，精確的目標檢測和特征提取是非常關(guān)鍵提高算法的準確性和魯棒性。目前，對于目標檢測和特征提取研究者們主要采用深度學習方法，設(shè)計更加精細的網(wǎng)絡(luò)結(jié)構(gòu)和系統(tǒng)的多目標跟蹤而言，數(shù)據(jù)關(guān)聯(lián)和軌跡預測也是非常重究方向。目前，基于深度學習的目標跟蹤算法在軌跡預測、運動標跟蹤任務中數(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跟蹤任務，如結(jié)合激光雷達、攝像頭等傳感數(shù)據(jù)融合和互補，并嘗試將深度學習算法和傳統(tǒng)跟蹤算法等進行勢目標跟蹤算法將越來越注重基于深度學習的多模態(tài)融合方，也會積極研究多層次數(shù)據(jù)的融合方式，以提高算法的準確性目標跟蹤算法也將越來越注重基于自適應學習的方法，這以適應不同的環(huán)境和應用場景，提高算法在復雜環(huán)境下的適應目標跟蹤算法也將越來越強調(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行優(yōu)化，提高算法的效率綜述、應用領(lǐng)域、研究現(xiàn)狀、發(fā)展趨勢等方面對一體化標跟蹤算法進行了綜述。多目標跟蹤算法作為計算機視覺領(lǐng)域的一要研究方向