Multiple Object Tracking Using Local PCA.docx

使用局部PCA的多目标跟踪摘要跟踪多个交互的对象是计算机视觉中的一个具有挑战性的领域。跟踪问题一般可以归结为恢复数目不详对象在任意时间的出现和消失的时空轨迹的任务。观察是嘈杂的，他们的起源是未知的，由真正的检测或虚假的警报产生。数据关联和目标状态估计是在这种情况下要解决的两个关键任务。本工作描述了一种新的计算有效的跟踪，以产生一致的轨迹的方法。首先，轨迹部分由采用局部主成分分析来分析时空的数据分布创造。随后，进行轨迹段之间的联系依赖于空间接近性和运动平滑约束。跟踪结果在人体跟踪的背景下被证实，并且和一种基于框架的跟踪结果进行了比较。1.引言多目标跟踪是视觉监督领域的一个广泛研究的课题。其主要的复杂性源于事实上，观察到的数据通常是伴随着噪声污染，目标失踪或杂波。在这种情况下的典型的例子可以遇到例如基于BLOB对象的检测方法依赖于背景减法，其中欠分割，过分割和错误的检测是频繁的问题而最终导致跟踪的失败。分区观测，在分区属于一个单一的跟踪对象的每个观察需要先进的技术进行数据关联和状态估计。基于帧对帧的联合后续的目标的方法是最简单的方法，但是，由于噪声的存在它会迅速导致跟踪失败。多假设跟踪随着时间的推移评估所有关联的假设。它处理嘈杂的数据更好，它也能够启动和终止轨迹，然而，它的计算复杂度给出了优化组合使得它在实时应用中不切实际。联合概率数据互联滤波器（JPDAF）去除每次不关联的假设，但它假定一个固定数量的目标不能初始化新的轨迹或终止现有的。最近，大量利用蒙特卡罗法的各种概率的方法展现了在合理的计算成本下维护多个假设的能力。我们提出了一个跟踪的方法通过分析观测数据的时空空间进行有效率计算的稳定跟踪。T时间内对N个目标进行均匀取样的任务得到的观察数据可以被表示为在时空特征空间的多结构分布。这样的数据形成细长结构。空间上的重叠和随后的分离目标产生的分支结构。线的斜率代表图像中的空间运动物体的速度。所提出的跟踪框架操作比实时更快，能接受噪声数据而且可以启动，停止和重新连接破碎的轨迹。我们的做法如“递延逻辑”方案，这里跟踪过程被延迟直到获得足够的观察数据。时空分析窗口通常跨越数十帧，因此轨迹可以延迟数秒进行更新，进程可以离线完成。2.基于局部PAC的跟踪主成分分析是一种行之有效的对分布假设接近高斯分布的多元数据进行降维的方法。一个真实世界的目标的运动通常是受运动学约束的，如有限的加速或减速。在跟踪的情况下这意味着运动数据需要给定的目标在连续的时间实例有很强的相关性。因此，我们可以预期，相关数据的局部邻域内可以通过PCA算法的局部变量描述。局部PCA是PCA的一个延伸，它应用于数据点的一个子集而且其分布在线性子空间是局部近似的。5描述了主曲线生成的一个类似的方法。我们通过时空坐标来描述被检测的目标：。x表示在图像空间的质心位置的像素坐标，T代表为视频序列的全方位所有N个检测到的对象的时间坐标。许多检测器提供一个数据点的检测概率，代表一个可能的措施，观察数据是由一个真正的检测产生。一个对象模型尺寸是通过标准化目标的水平投影获得。一条轨道表示一个目标坐标的时间层序，这里Z代表的是持续的时间。一个分段线性轨迹近似是通过反复重新分析窗口沿第一主成分和随后围绕数据的局部分布得到的。1.选择一个初始点。2均值漂移迭代从点开始执行直到整个集合，得到附近局部密度最大值。被添加到轨迹坐标集合。均值漂移过程使用一个大小为的叶帕涅奇尼科夫内核然后结合内核的权重和数据权重。3.LPCA通过窗的大小运行。表示出得到的特征向量，和，按特征值的大小降序排列。如果数据的局部分布是细长的形状，比和大很多。相互作用的目标可能会产生同一个分布，正如图2a中的数据所表示出来的两条相交的轨道一样，这里没有可以局部评估的主方向。系数用来做局部各向异性的测量。如果这一测量方法接近单值，轨迹分段估计程序就会停止。因此，轨迹段只有在特征空间的区域产生，这里数据用来对主方向进行可靠评估。4.分析窗口通过沿第一主成分到新的位置。5.第2步从点开始执行。如果没有更多的数据可用，程序停止，轨迹终止。特征向量被解释为一个速度估计。一种速度模型在跟踪的过程中进行初始化和传播：，这里表示一个小于1的正常数。在连续的LPCA步骤中，速度模型是用来利用数据局部加权PCA来补偿局部主成分更具鲁棒性的评估。速度模型在每一个局部最大密度提供了一个局部运动评估。权重反比于数据点和使用高斯加权核分配给数据的局部运动评估之间的距离。随后，得到了基于运动的权重和检测概率的结果是为了偏向数据点，这些数据点能对应于真正的检测，同时支持局部运动评估。出发点集最初被定义为所有的点集。跟踪程序在数据点在时空特征空间中具有最小可用时间坐标时启动。利用LPCA分析的数据点从起始点集合中移除。3. 轨迹段连接通过主成分分析的局部逼近产生一组轨迹。一些所产生的轨迹可能是不连续的。连接算法的目标可以被定义为通过插入一个关联L连接两个轨迹段的和，L在这两条轨迹的终点因此其最小化了所有连接段的成本函数。成本函数被定义为： （1）这里是指插入连接的长度，其由目标高度模型进行标准化。第二个系数是一个惩罚系数其通过已经连接的轨迹段的平稳度进行评估，该轨迹段等于连接和被连接段的角度和。是一个加权因子减弱轨迹段之间的方向变化。轨迹段通过一个贪心策略成对连接直到达到成本界限。4.结果和结论运动检测依赖于一个两个视频序列间进行的自适应背景相减技术。序列A描绘俯视的场景(2430帧，320240像素大小)，序列B(1940帧，360288像素大小)展示了一个火车站的场景，里面有大量正在移动的人和一些站着的人(如图3a和3b所示)。移动对象使用基于模型的聚类技术从差分图像中描绘出来。在时空特征空间数据点的典型分布如图3的上部分所示。特征空间中包含许多垂直结构其对应由噪声或者无规律运动所产生的最初的观测结果。使用基于LPCA的跟踪方法对为了序列A和序列B获得的数据进行处理。将获得的轨迹放到特征空间中将背投影在图片中描绘出来，如图3所示。序列A中人的密度低。由于摄像机的角度跟踪对象之间没有显着的重叠。因此，获得的轨迹与底层的数据高度一致。序列B中的人频繁产生重叠，这些重叠大多数在序列中是局部可见的而且这里有大量的运动杂波。大多数所得到的轨迹观察到的数据的分布相吻合，然而，在含有多个观测对象和附加噪声的地方，轨迹段的局部估计偶尔产生误差。LPCA跟踪方法的质量在对一个选中序列进行跟踪的稳定性和正确性方面进行了检验。在序列B中一组三人同时在图像上移动。一个组的运动路径(通过图4a中的方框表示)是用手动的注释的。注释轨迹的跟踪精度通过所提到的基于LPCA的跟踪器和基于帧对帧的跟踪器分别进行了计算。基于帧对帧的跟踪器是6中工作的基础。为了计算跟踪精确率，对每一帧计算地面实况坐标和获得的序列之间的欧氏距离。该距离通过目标高度模型进行归一化获得了序列在一个时间时序j之间的归一化方差D： (2)这里和分别表示测量的和地面实况的轨迹坐标。计算的和地面实况序列之间的归一化偏差的时间的短暂重叠的演变如图4b所示。帧到帧的跟踪（亮线）暂时失去跟踪因为失去了目标（两个箭头之间的位置）。此外，附近的几个人的存在导致关联模糊和跟踪结果强烈偏离地面实况（图表4b的右半边）。基于LPCA的跟踪方法（表示为图4中暗线）跟踪对象，直到它消失。它能够克服失去目标这一困难而基于帧对帧的跟踪不行，然而，失去跟踪目标只是暂时的不安。通过LPCA获得的轨迹会偏离局部人高度参考轨迹约10%。在序列B中前