下载本文档
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
目标身份感知网络流量技术的结构化学习方法
0总结多目标跟踪(mot)。1基于定常性的目标身份感知网络流量的求解假设已知前几帧中进入场景的目标初始边界框(通过标注或利用目标检测算法获得),本文方法首先通过结构化学习为每个对象训练一个模型,并将目标跟踪问题建模为拉格朗日松驰优化问题,然后提出一种目标身份感知网络流量技术(targetidentity-awarenetworkflow,TINF)进行结构化学习的推理。在学习期间,通过搜索使目标身份感知网络流量代价函数最小化的一组轨迹,确定最被违反约束和序列在下个时间段的最优轨迹,推断出视频片断中所有目标的最佳位置。具体过程如图1所示,其中,图1(a)表示本文方法对多个视频帧采用的密集候选窗口的并集;图1(b)表示传统方法2中边界框基模型已知包括τ个训练图像的一组图像集式中:w={w根据真实标签Y和估计值珚Y之间的重叠度,可确定如下损失函数由于Υ中边界框的可能组合呈几何数量级,所以对式(2)中的约束进行穷尽搜索不具有可行性。然而,文献3ow,tinf已知模型参数w和每个视频帧的密集重叠边界框后,本文的目标是为每个目标寻找可使式(1)最大化的一个候选窗口序列(称为轨迹)。该问题属于一种全局数据关联问题,本文首先通过对连续帧中的候选施加某种时域一致性约束来降低其指数级的搜索空间,然后提出一种目标身份感知网络流量技术(targetidentity-awarenetworkflow,TINF),如图2所示,并通过拉格朗日松驰策略对TINF进行高效优化,最终实现对轨迹的准确推断。在图2中,大的圆圈表示每个帧中的所有候选位置(密集分布在整个帧内)。通过k条观察边相连的一对节点可表示各个候选位置,一条观察边对应一种身份。网络中有k个源节点和k个汇点,每个源节点或汇点属于一个目标。每个身份用一种单独颜色表示。进入各个节点的流量只能取3条观察边中的某一条,具体视其所隶属的源节点(身份)而定。与其它帧的节点相连的过渡边表示一个目标从某一位置到另一位置的可能移动,且每次移动均关联一个转移成本。在起始/汇节点和图中其它每个节点之间存在一条边,这是为了考虑人体进入或离开场景这一情况。出于简便考虑,我们只给出了部分进入/离开边。网络流量是一个二元指示量,当节点为轨迹一部分时为1,否则为0。利用每个源节点推入单位流量,通过使分配给流量的成本最小化来确定所有目标的轨迹。此外,我们将稍后证明,如果为经过边界框观察边的流量设置上限,便可保证一个候选位置最多只属于一条轨迹。在下面小节中,我们首先将上述问题建模为拉格朗日松驰优化问题,然后给出用于代替目标检测算法非最大贪婪抑制策略的空间约束。3.1确定同边分配成本首先构建图形G(V,E)。对帧t中的每个候选窗口,考虑通过k条不同观察边相连的一对节点,这些观察边分别对应于一种身份。对帧t中的每个节点v根据跟踪期间目标的不同特征,为图中的不同边分配成本。利用k个目标模型,为表示候选窗口的每对节点分配k个不同成本。将w对于将连续帧中的两个候选窗口y式中:构建完G(V,E)后,我们的目标是通过每个源节点推入单位流量,进而确定k个流量(轨迹),使下面代价函数最小化,便可确定f经过这些边的流量必须满足一定约束,才可以切实保证它可以表示真实世界中的轨迹。针对G(V,E)定义的一组约束如下式(8)中的约束为供应/需求约束,要求到达节点的流量之和等于离开该节点的流量之和。式(10)中的约束将经过各个节点的流量之和的上限设置为1,来规定不同身份的轨迹不会共享同一节点。依据文献3.2拉格朗日乘子的确定本文采用的拉格朗日松驰方法的核心思想是对硬性约束进行放松,并将其放到目标函数中,进而获得一种简单近似。我们首先对式(10)中的约束条件进行松弛,引入非负拉格朗日乘子λ对其进一步简化后,我们有条件为对各种拉格朗日乘子来说,式(12)中的第2项均是常数,因此可将其忽略。新的目标函数中,每个流量变量f(1)对拉格朗日乘子的固定值,我们可以求解成本系数为c(2)根据式(15)更新拉格朗日乘子式中:λ3.3行人轨迹混淆的消除本文跟踪算法与其它数据关联跟踪算法的主要区别在于,本文跟踪算法的输入是密集候选窗口,而不是人体检测结果。当外观和运动特征类似的行人并肩行走时,跟踪结果很可能出现ID混淆问题。同时,当行人被部分遮挡时,针对该行人的跟踪算法有可能选择与周围其它行人严重重叠的候选人体,如图3所示,在上面一行中,两个行人由于外观相似,导致轨迹发生混淆。文献式中:y我们发现,对高度重叠的两个节点进行惩罚,有时会导致某一轨迹边界框的精度较低。因此,我们根据式(1)中的得分函数,只对轨迹得分较低的观察节点进行惩罚。综上所述,集成了空间约束的拉格朗日松驰方法如算法1所示。算法1:TINF的拉格朗日松驰解4实验结果与分析本文采用目前常用的ParkingLot1-2序列、TUDCrossing序列、PET序列、以及目标发生大幅关节运动的两个新型数据序列(Running序列和Dancing序列)等利用目前典型的CLEARMOT指标(MOTA-MOTP)为了明确展示本文空间约束的影响,我们分别对包含空间约束和不包含空间约束的数据集运行本文算法,实验结果见表2。从表2可以看到,当包含空间约束时,本文算法在几种数据集中的性能都有不同程度地提升。对于目标发生重叠的数据序列,算法增益更为明显。在初始化时,除了人工标注外,我们还可以采用文献[8]中的预训练人体检测算法进行目标的自动初始化。对每个视频段,如果连续视频帧中发生至少4次严重重叠的高置信度检测并且未与任何其它轨迹相关联,则对新轨迹初始化。我们采用人体检测效果显著的ParkingLot1-2序列和TUDCrossing序列测试了目标自动初始化情况下的本文算法性能,实验结果见表3。从表3可以看到,采用自动初始化策略时,本文方法的性能并没有显著变化,MOTA、MOTP和MT等性能反而略有下降。这主要是因为,与人工标注方法相比,部分序列的部分轨迹起始时间较晚,由于虚警现象增加,MOTA等性能出现下降。最后,为了比较采用IP或LP时本文拉格朗日松驰方法的复杂性,我们分别部署了本文方法的IP和LP版本。采用文献5实验结果与分析针对现有的目标跟踪算法的不足,本文提出了一种综合了结构化学习和全局数据关联的跟踪算法。本文方法的核心是为每个目标学习一个模型的结构化学习过程。将推理
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 《物理光学》课程教学大纲
- 2024年低价乡下小院出租合同范本
- 2024年出售东电楼房合同范本大全
- 2024年承接土方业务合同范本
- IMF报告:亚太地区经济展望报告
- 浙江省强基联盟2024-2025学年高二上学期11月联考物理试题(含解析)
- 2024新版企业招标承包经营合同
- 2024店面出租合同范本
- 2024个人借款合同范本的模板
- 2024至2030年中国移动感应器数据监测研究报告
- 中国铁路国际有限公司招聘考试试卷2022
- DB34∕T 2290-2022 水利工程质量检测规程
- 国开(河北)2024年《公文写作》形考作业4答案
- 电信行业移动通信网络质量提升方案
- 2021年山东省职业院校技能大赛导游服务赛项-导游英语口语测试题库
- 古代小说戏曲专题-形考任务2-国开-参考资料
- 文印竞标合同范本
- 2024至2030年中国汽车EPS无刷电机行业市场前景预测与发展趋势研究报告
- 人教版道德与法治五年级上册全册单元测试卷课件
- 2024-2030年中国聚醚醚酮树脂行业市场发展趋势与前景展望战略分析报告
- 2019版外研社高中英语必选择性必修一-四单词
评论
0/150
提交评论