首發(fā)：AI公園公眾號(hào)
作者：Deval Shah
編譯：ronghuaiyang

導(dǎo)讀

對(duì)監(jiān)控領(lǐng)域的目標(biāo)跟蹤方法以及面臨的挑戰(zhàn)進(jìn)行了一個(gè)介紹，是一個(gè)很好的了解目標(biāo)跟蹤領(lǐng)域的“是什么”和“為什么”問題的文章。、

在我們深入到目標(biāo)跟蹤的世界之前，我們必須理解監(jiān)控世界的“為什么”和“是什么”。全球各國都安裝了數(shù)百萬個(gè)攝像頭，但幾乎沒有人監(jiān)控它們。人與攝像機(jī)的比例很小。

由于深度學(xué)習(xí)技術(shù)在監(jiān)控領(lǐng)域的廣泛應(yīng)用，智能軟件在過去十年中接管了監(jiān)控領(lǐng)域。復(fù)雜的問題，如人員跟蹤，交通密度估計(jì)，盜竊保護(hù)等，已經(jīng)被世界各地的杰出研究人員解決了，并顯示了巨大的前景。

本文將向你介紹智能監(jiān)控中最重要的主題之一 —— 目標(biāo)跟蹤。

介紹

目標(biāo)跟蹤是指根據(jù)之前的信息估計(jì)場景中目標(biāo)物體的狀態(tài)。

在high level的抽象中，主要有兩個(gè)層次的物體跟蹤。

單目標(biāo)跟蹤(SOT)

多目標(biāo)跟蹤(MOT)

目標(biāo)跟蹤不局限于二維序列數(shù)據(jù)，可以應(yīng)用于三維領(lǐng)域。

在本文中，我們將深入研究目標(biāo)跟蹤范式的一個(gè)子領(lǐng)域，即使用深度學(xué)習(xí)的二維視頻序列中的多目標(biāo)跟蹤(MOT)。

深度神經(jīng)網(wǎng)絡(luò)(DNN)的強(qiáng)大之處在于它們能夠?qū)W習(xí)豐富的表示，并從輸入中提取復(fù)雜和抽象的特征。

多目標(biāo)跟蹤(MOT)，也稱為多目標(biāo)跟蹤(MTT)，是一種計(jì)算機(jī)視覺任務(wù)，旨在分析視頻，以識(shí)別和跟蹤屬于一個(gè)或多個(gè)類別的對(duì)象，如行人，汽車，動(dòng)物和無生命的物體，沒有任何先驗(yàn)的目標(biāo)外觀和目標(biāo)數(shù)量。

在單目標(biāo)跟蹤中，目標(biāo)的出現(xiàn)是預(yù)先知道的，而在多目標(biāo)跟蹤中，需要一個(gè)檢測步驟來識(shí)別出進(jìn)入或離開場景的目標(biāo)。同時(shí)跟蹤多個(gè)目標(biāo)的主要困難來自于各種各樣的遮擋以及物體之間的相互重疊，有時(shí)物體間也會(huì)有相似的外觀。因此，僅僅使用SOT模型直接解決MOT問題，往往會(huì)導(dǎo)致較差的結(jié)果，往往會(huì)導(dǎo)致目標(biāo)漂移和大量的ID切換錯(cuò)誤，因?yàn)榇祟惸Ｐ屯y以區(qū)分外觀相似的類內(nèi)物體。

近年來，由于深度學(xué)習(xí)方法的研究呈指數(shù)級(jí)增長，檢測和跟蹤方法在準(zhǔn)確性和性能方面取得了巨大的進(jìn)步。

大多數(shù)先進(jìn)的跟蹤方法遵循“檢測跟蹤”的方案，他們首先在場景中找到對(duì)象，然后找到對(duì)象對(duì)應(yīng)的tracklets(它在下一幀的位置)。

如今，這種探測器的性能異常出色，能夠適應(yīng)不同的場景。因此，它定義了跟蹤算法的標(biāo)準(zhǔn)輸入。

還有其他的方法，比如Lucas Kanade的光流，基于排序的跟蹤等，它們?cè)趥鹘y(tǒng)的計(jì)算機(jī)視覺方法的基礎(chǔ)上表現(xiàn)也都很出色。

挑戰(zhàn)

在解決目標(biāo)跟蹤問題時(shí)，會(huì)出現(xiàn)一些問題，這些問題會(huì)導(dǎo)致糟糕的結(jié)果。多年來，算法試圖解決這些問題，但到目前為止，我們還沒有找到一個(gè)被充分證明的解決辦法，這仍然是一個(gè)開放的研究領(lǐng)域。

由于幾何變化導(dǎo)致的多樣性，如：姿態(tài)，關(guān)節(jié)，物體的尺度

由于光學(xué)因素的差異。例如：照明、外觀

非線性運(yùn)動(dòng)

有限的分辨率，如從低端手機(jī)采集的視頻

場景中有相似的物體，例如：相同顏色的衣服，配飾等

高度擁擠的場景，如街道，音樂會(huì)，體育館，市場。

跟蹤起始和終止。在開始任何跟蹤算法之前，你需要想要跟蹤的物體的先驗(yàn)信息。但是并不是一定可以使用目標(biāo)對(duì)象初始化算法。

跟蹤軌跡可能由于運(yùn)動(dòng)的突然變化導(dǎo)致合并和切換，比如相機(jī)成像質(zhì)量的急劇變化等。

由于相似的特征，如相似的衣服，面部結(jié)構(gòu)，眼鏡，膚色，身高等，目標(biāo)物體的ID可能被切換。

目標(biāo)模型更新錯(cuò)誤導(dǎo)致漂移。一次錯(cuò)誤的更新可能會(huì)導(dǎo)致在錯(cuò)誤的方向上持續(xù)的更新，從而在整個(gè)視頻中遺忘掉正確的目標(biāo)。

綜述文章

現(xiàn)在你已經(jīng)了解了這個(gè)問題的廣泛性，讓我們深入研究對(duì)象跟蹤領(lǐng)域中一些最令人興奮的研究工作。

在目標(biāo)跟蹤領(lǐng)域領(lǐng)先的研究方法的篩選標(biāo)準(zhǔn)是基于5關(guān)鍵指標(biāo)：

主要會(huì)議(如:CVPR, NeurIPS, ICCV, ICML, ECCV等)

基準(zhǔn)測試結(jié)果(例如，MOT, Kitti, VOT, CVPR19挑戰(zhàn))

支持論文結(jié)果的公開代碼(由作者/第三方提供)。

引用

新的想法

有太多令人興奮的研究工作。但是，如果作者不能提供代碼(可能是由于一些原因)來重現(xiàn)論文中的結(jié)果，那么我們不得不對(duì)文檔中提到的結(jié)果持保留態(tài)度。

我們已經(jīng)提到了與2D MOT相關(guān)的論文，但有些想法也可以外推到3D版本。

—END—

審核編輯 黃昊宇