Detection Free Tracking: Exploiting Motion and Topology论文阅读

 写在前面：最近入门多目标追踪，参考了多目标追踪的综述(Multiple Object Tracking: A Literature Review)，里面将多目标追踪方法分为TBD（Tracking based Detection）和TFD（Tracking free Dection）, 但是搜索到的TFD方法很少，就这篇写写论文阅读，记录一下。（若有不当之处，敬请指教）

Motivation：

       在agent的紧密交互下，行人检测器往往会失效，这限制了基于检测的跟踪方法的性能。运动信息往往不能将相似的运动主体分开，或将明显运动的有遮挡的身体部位分组。

Contribution：

我们提出了一个无检测系统来分割一个视频中多个互动和变形的人。

How to conduct（From Abstract）?

我们将视频分割定义为轨迹域的图分割并实现追踪的目的。流程如下：我们根据轨迹的显著性将轨迹分为前景和背景，并使用前景轨迹作为图节点。 我们将对象连通性约束纳入基于前景拓扑的轨迹权重矩阵中: 我们对不同连接分量的轨迹在其时间相交的任何帧之间设置了排斥权重（repulsive weights）；对具有相似运动的轨迹设置了吸引权重（attractive weights）。【前景拓扑结构+运动信息-->生成前景轨迹之间的排斥和吸引权重】 来自前景拓扑的信息完善补充了运动信息，我们的时空片段可以被解释为连接的运动实体，而不仅仅是具有相似运动的轨迹组。 我们算法的关键在于轨迹和自然地编码大的时间背景，这对解决局部时间歧义至关重要。

How to conduct（From Experiment）?

如图是在figment数据集上的视频分割追踪可视化流程。【行代表对于某一帧的操作，列表是不同帧。】第一行是某一帧的图像；第二行表示目标检测结果（参考“Object Detection with discriminatively trained part-based models. ”中检测方法）；第三行表示Brox（“Object segmentation by long term analysis of point trajectories”）方法的分割结果；第四行没有考虑排斥的我们的算法；第五行我们的算法。

可以看出：agents之间的自由空间导致前景轨迹之间的标准化吸引力亲和力的突然下降。 对背景或agent之间的边缘模糊得到控制。 在困难的情况下，运动相似度和自由空间分隔仍然不够。 斥力仍然可以将相近且移动相似的agent分开:注意最后一行方框中的修正。 白色表示背景集群。 本算法最好应用于彩色的图像。