多目标跟踪算法解读

目录
一、多目标跟踪背景介绍
        1.问题定义
        2.难点
        3.应用场景
二、相关方法
        1.Model free 方法
        2. Tracking by detection 方法
             1）离线方法
              2）在线方法
三、基准

多目标跟踪背景介绍

问题定义

多目标跟踪是将视频中每一帧的物体都赋予一个id，并且得到每个id的行为轨迹，如图1所示。
从代码的层次考虑，其输入为视频序列，输出为物体的行为轨迹和id。从是否有模型上考虑，可以分为model free的方法和tracking by detection的方法，其中后者又可以分为离线学习的方法和在线学习的方法。
有多目标跟踪算法就有单目标跟踪方法，不同之处就在于匹配问题，举例说明，如果在前一帧检测到两个物体a，b，在后一帧检测到两个物体c，d，怎么知道前一帧的a在后一帧所对应的是c或者d的哪一个物体呢？匹配问题在单目标跟踪领域就不存在，因为前后两帧只存在一个目标。

难点

多目标跟踪的难点在于ID switch, 如图2所示，当骑自行车的人与步行的人相遇的时候，步行的人发生了遮挡，这是对于电脑来说，认为是此id的跟踪已经结束，过了一段时间，步行的人重新出现在了视野，但是电脑会认为是一个新的物体出现，因此赋予一个新的id，这种情况下，就发生了id交换，同理当物体被其他物体例如电线杆遮挡时也是一样。因此针对这种id交换的情况，学术界提出了很多的解决方案，这个我们后面再看。

应用场景

多目标跟踪是一种通用的算法，几乎应用在视觉领域的各个方面，例如安防领域、自动驾驶领域以及医疗领域。如图3，4，5所示，在安防领域，我们通常需要跟踪来得到在特定区域的人数统计。在自动驾驶领域，我们通常需要跟踪来预估行人或者车辆的轨迹。在医疗领域，我们通常需要跟踪来得到细胞的运动情况。

相关方法

多目标的跟踪方法在这里我们分为两类，model-free的方法和tracking by detection的方法。

model-free的方法

model-free的方法核心思想是在第一帧给定初始的检测框，在后续帧中跟踪这些框，这种方法是早期的算法，缺点是如果有些目标在后续帧中才出现，这些目标并不会被跟踪。如图6所示。

tracking by detection的方法

离线学习

离线学习的方法缺点在于无法实时处理视频，通过比较相邻帧之间的相似度生成短的轨迹，之后再将短的轨迹合成长的轨迹。如图7所示。

在线学习

Learning to Track: Online Multi-Object Tracking by Decision Making (2015,ICCV)
该论文第一次将强化学习加入到跟踪这个领域，将目标的跟踪周期建模成马尔可夫过程进行优化。如图8所示。当物体被检测到之后，被认为是active的状态。在active的状态下如果下一帧也检测到了，状态由active转换为tracked，如果没有检测到，状态转换为inactive状态。在tracked状态下如果如果继续检测到该目标，则持续为tracked状态，如果没检测到，则状态转换为lost。在lost状态下如果被检测到了，则状态恢复为tracked，如果持续没检测到，则还保持lost状态，当lost的时间超过了一定的阈值后，状态切换为inactive，inactive状态下的目标会保持inactive直到视频结束。

Online Multi-Object Tracking via Structural Constraint Event Aggregation (2016,CVPR)
该论文将目标跟踪中的匹配问题加入了结构约束，举个例子，前一帧如果检测到的目标连结起来呈现的是三角形，那么通过速度预测每个目标的位置，从而调整三角形的形态，并且认为后面的帧就是呈现这样的结构。如图9所示

Tracking The Untrackable: Learning to Track Multiple Cues with Long-Term Dependencies (2017, ICCV)
该论文首次将深度学习加入到跟踪中，通过神经网络提取三种特征，外表特征、运动特征、交互特征，将三种特征连接到一起，再经过全连接层，得到相似度分数。相邻帧得到相似分数后，利用匈牙利匹配得到最大匹配。匈牙利匹配的概念见《带你入门多目标跟踪（三）匈牙利算法&KM算法》

Simple Online and Real-time Tracking with a D eep Association Metric
这个系列有两个算法，sort和deep sort，这里先介绍sort。sort的思路很简单，首先通过检测器例如faster rcnn把每一帧的物体检测出来，之后通过卡尔曼滤波器预测物体在下一帧的位置，将预测的位置与下一帧实际检测到的位置做IOU的计算，得到相邻两帧物体的相似度，最后利用匈牙利匹配得到相邻帧的对应id。由于这里只是计算框的重叠面积，因此如果两个物体发生遮挡，会出现id交换的情况，所以作者为了降低id交换，提出了deep sort算法。deep sort之所以可以把id交换降低45%，是因为它将面积匹配修改为了特征匹配。在匹配之前作者利用resnet50先将特征里取出来，由于一般情况下很少会遇到外观特征完全相同的两个物体，因此这种改进是有效的。deep dort由于很简单，因此没有在顶会上发表成功，但是由于其可以保证在高速度的情况下的高准确度，所以广泛应用在了工程实践的过程中。相关的demo

Chained-Tracker: Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking
论文有两个贡献1）提出了一种链式跟踪算法，业内首创将相邻两帧输入网络，可以将目标检测、特征提取、数据关联三个模块集成到单个网络中，实现端到端联合检测跟踪。2）相邻帧检测框对回归。论文将数据关联问题转换为相邻帧中检测框对的回归问题。这两个贡献主要是针对现存的两个问题：1）算法不能端到端的优化。2）过度依赖于检测的质量

基准

目前在MOT7数据集上所能达到的效果如下图所示。MOTbenchmark

参考：高旭 《多目标跟踪》