抽象
マルチターゲットトラッキング（データの関連付け）のための関連付けのためのデータは、流れ（ネットワークフロー）を最適化するネットワークベースの方法を提案しています。最大事後確率（最大事後：MAP ） 非重複トラック（非オーバーラップ）フローネットワークコストの制約（コストフローネットワーク）を満たすようにマッピング・データ関連の問題。コストネットワークフローアルゴリズム（最小費用流アルゴリズム）を最小限にすることにより 、 あなたは最適な関連データを見つけることができます。ネットワーク拡張：シャッターは、オブジェクト間の閉塞（オブジェクト間の閉塞）トラッキング現象長い（長期）の存在を処理するために使用することができ、明示的なモデル（EOM）を含みます。反復EOMベースのネットワークにより解決することができる独自のアルゴリズムに基づいて。初期化と終了軌跡とモデル化された内部フレームによって電位偽観察（潜在的な偽の観察）。高効率の方法、及びプルーン（仮説剪定）を仮定を必要としません。二つのデータに開示されているが、以前の研究方法の説明を向上させる効果の性能結果と比較することにより、歩行者を設定します。
1.はじめに
堅牢性ターゲットの検出と追跡は、多くのコンピュータビジョンのタスクのために非常に重要です。入力として、各対象フレーム画像の検出結果と目標トラックを検索し、検出結果を関連付ける：我々の議論の方法があります。すべてのターゲットは、各フレームで検出することができ、エラー検出があるかもしれない、いくつかのターゲットが他の目標によって隠されてもよいがあり、これらの要因は、困難な課題になりつつに関連付けられたデータを作ります。
このような[1,2]、試みとして、いくつかの方法は、各フレームにおける曖昧さを解決します。このような[9、10]などの他のものは、よりグローバルな情報を使用することです。しかし、これらの選択肢の厳密に検索窓と仮定プルーニングを制限する必要が指数関数的な成長のフレーム数の増加とともに探索空間。彼らはまた、通常、すべてのテスト結果が正しいことを前提としていますが、実際には常に正しい保証するものではありません。
我々は提案する、それが（ウィンドウ）の多くの長いシーケンスのための最適なソリューションを見つけることができ、従来の方法に比べて、効率的なグローバルデータ連携方法を。我々の方法では、データは、MAP推定入力観測として与えられた目標の検出結果に対して定義されたグループに関連付けられています。モデルが想定非重複トラックは、コスト相をされていないネットワーク（ばらばら流路）における電流の流路を交互に、観測尤度および遷移確率（観測尤度および遷移確率）が流れ費用としてモデル化されます。最小費用流アルゴリズムを持つグローバル最適トラック協会を取得します。ブロッキング制約ノード及びネットワークを追加することによってブロックされた長尺の場合のようにプロセスを追跡し、明示的な閉塞モデル（EOM）の確立（ターゲットとの間の唯一のオブジェクト間の閉塞閉塞を考慮して）。元の最小コストフローアルゴリズムでは、最小コスト流（最小コスト流）ベースのネットワークEOM反復法を用いて解きます。トレースの初期化は、この方法の終了と推論オブジェクト閉塞固有挙動は、相関結果情報から推論することができます。追跡結果からブロックされ、未検出推論の例は、図1に示されています。
次のようにこの論文の残りは構成されています。関連作品は、第2節で議論されます。第3節では、MAP製剤とそのグローバルな最適解を説明しています。セクション4は、明示的な閉塞モデル（EOM）と反復解法を説明しています。第5節では、実装の詳細を与えられました。結果は、セクション6を参照してください。結論第7節。
2.関連作品
フレームによって複数のターゲット、プロセスフレームを追跡する（または時間の小さなウィンドウ内）の決定に関連するデータを作成するために、[1,2]とします。このアプローチは、良好なパフォーマンスを示したが、たが、より良いあいまいさを克服し、長いによる誤検出に隠されたり見逃しために役立つはずです通常それに関連付けられた意思決定をする前に、より多くのフレームを検討します。
グローバルメソッドを使用しての多くのより多くの情報がエラーを検出克服するために試みられています。1つの戦略は、時間を通して軌跡の全体の配列を最適化することである[5,6]説明したように、これは、動的計画法に基づく処理に採用されています。その後、追跡し、潜在的な紛争に対処するには、これらの貪欲な戦略を組み合わせて使用します。シングルトラックは別に、これらの方法を最適化するので、閉塞をモデル化することは困難です。別の方法は、複数のトラックを最適化することである、複数の仮説は、トラッキング（MHT：多重仮説追跡） [3] と同時確率データ関連付けフィルタ（JPDAF：ジョイント確率データ協会フィルタ ）[4] 2人の代表であります例。さらに、[10]、ブール次計画と組み合わせた軌跡推定と仮説検出します。サーチスペース（組合せ）の組合せであると仮定されるので、限られた時間窓も剪定想定しなければならないため、そのような方法は、最適化することができます。このような[9] MCMCなどのサンプリング方法はまた、同様の問題を解決するために使用されます。これらの方法では、シャッターは、通常（マージと軌道の分裂）マージと軌跡を分割するようにモデル化されます。
トラックレットステッチ[8]線形計画に基づいて（LP）トラッキング[7]他の2つの方法は、同時にすべてのトラックの全配列の最適化上求められています。[8]検出応答（検出応答）保守的なパケットトラックセグメント（トラックの断片）から形成された第1世代のトラックレット、。ハンガリー分割アルゴリズムは、トラックレットが接続されています。この方法は、すべてのトラックレットは、実際の目標トラックに対応することを前提とし、元の検出結果に適用することは困難である、すなわち、可能な誤警報（偽アラーム）各フレームの数。[7]各オブジェクトのトラックのグラフのサブセットの構造を、サブ図（エッジ）との間のエッジは相互作用オブジェクト（オブジェクトの相互作用）を表します。そして、アトラス社のマルチパスサーチサブ線形計画問題を解くと約丸めます。目標位置ニーズ（オブジェクト間の位置）との間に、固定された標的の数は比較的安定であることが想定されます。
3.当社のアプローチ
私たちは、MAP上の問題に関連するデータを定義します。次にコスト（コストフローネットワーク）のMAPネットワークフロー問題をマッピングし、最小コストフローアルゴリズム（最小コストフローアルゴリズム）によって解決されます 。そのようなマッピングに基づいて目標軌跡と類似の図面でエッジ互いに素な経路（エッジばらばらパス）との間に存在する非重複を見つけるために探して、後者が効果的ネットワークフローアルゴリズムによって解くことができます。私たちは、最初のアイデアを提案し、その後、最小費用流ソリューションを提供しています。
非重複制約で3.1 MAP
3.2最小費用流ソリューション
図の一例。3つの時間を含む2フローネットワークコストが、図9及び観察ステップ
• Construct the graph G(V, E, C, f) from observation set X
• Start with empty flow
• WHILE ( f(G) can be augmented )
– Augment f(G) by one.
– Find the min cost flow by the algorithm of [12].
– IF ( current min cost < global optimal cost )
Store current min-cost assignment as global optimum.
• Return the global optimal flow as the best association hypothesis
Algorithm 1:Find MAP trajectories by min-cost flow
算法1为数据关联提供了一个通用框架。该方法不同于单独优化各轨迹的方法，也不受困于假设空间组合激增的方法，它能够有效率地找到全局最优解。接下来，我们扩展我们的方法来处理长时间遮挡的跟踪。