面向单摄像头下多目标追踪算法分析与研究文献综述

文献综述（或调研报告）：

1．多目标追踪算法分类

按照不同的基准可对目标追踪算法进行分类。

1. 初始化方法^[1]：按照初始化方法的不同可将追踪算法分为基于检测的跟踪和无检测的跟踪算法。初始化是由目标检测开始，再将不同帧的检测值连接到轨迹上的，是基于检测的跟踪。其可以自动发现新目标；初始手动标注一定数量的目标再进行后续跟踪是无检测的追踪。
2. 处理模式^[1]：按照处理模式的不同可将追踪算法分为基于检测的跟踪和无检测的跟踪算法。按照初始化方法的不同可分为在线跟踪和离线跟踪。只利用当前检测帧之前的信息作为在线跟踪，根据全部的或一部分的视频数据生成轨迹的算法为离线跟踪算法。
3. 输出类型^[1]：按照输出类型的不同可将追踪算法分为确定输出追踪和概率跟踪算法。每次跟踪结果恒定的是确定输出跟踪，而每次运行结果可能不同的是概率跟踪。

2．多目标追踪算法组成成分

目前国内外的多目标追踪算法按其组成成分不同可分为不同的模型。

1. 外观模型^[1]：由描述目标的视觉表示和判断目标间相似性的统计测量两部分组成。

其中视觉表示有本地特征、区域特征和一些辅助特征之分。统计测量有单线索也和多线索融合之分，通常是利用线索间的距离来判断目标间相似性。

1. 运动模型^[1]：以目标的运动信息估计其在未来帧的潜在位置。大多数情况下使用线性模型，某些特定或特殊情况下使用非线性模型。
2. 交互模型^[1]：典型的交互模型有社会力模型和人群运动模型。社会力模型考虑到环境因素和其他目标对该目标的影响。人群运动模型侧重于在人群密集的环境中目标很小的情况。
3. 排斥模型^[2]：排斥模型在解决目标追踪问题时，为了避免物理碰撞采取了一些约束。排斥模型具体可分为检测层面和轨迹层面两种排斥模型.。前者是指两个同时间出现的目标不会被分到同一轨迹。后者是指排斥两条过度接近的轨迹。

3．具体的多目标追踪算法简单介绍

1. 基于运动检测的多目标追踪算法

卡尔曼滤波器^[3]：用于时变线性系统的递归滤波器，用包含正交状态变量的微分方程模型来描述，将过去的测量估计误差合并到新的测量误差中来估计将来的误差。

匈牙利算法^[3]：寻找增广路径，通过增广路径来求二分图最大匹配。

基于运动检测的多目标追踪的算法思路：先利用卡尔曼滤波器得到由前面帧检测目标产生的状态预测和协方差预测，再计算跟踪器所有目标状态预测与本帧检测的目标的IOU，通过匈牙利指派算法得到IOU最大的唯一匹配（数据关联部分），然后去掉匹配值小于阈值匹配对。