基于行人重识别和姿态估计的跨摄像头多目标跟踪算法研究.pdf

基于行人重识别和姿态预估的跨摄像
头多目标跟踪算法探究

关键词：跨摄像头多目标跟踪、行人重识别、姿态预估、目标
匹配、目标识别

一、引言

随着智能监控系统的广泛应用，跨摄像头多目标跟踪技术越来
越受到关注。在实际监控中，由于监控区域的复杂性和行人数
量的增加，单个摄像头往往不能满足监控的需要，需要多个摄
像头进行联合监控。跨摄像头多目标跟踪技术可以跟踪多个目
标，包括目标位置、行动轨迹和运动状态等信息，提高了监控
系统的精度和效率。

目前的跨摄像头多目标跟踪算法主要有多特征融合、多目标检
测和多目标跟踪等方法。但是在实际应用中，由于目标的相似
性、目标特征的变化和摄像头视角的不同，这些方法往往无法
满足实际需要。

因此，本文提出了一种基于行人重识别和姿态预估的跨摄像头
多目标跟踪算法。该算法结合了行人重识别和姿态预估，利用
行人重识别进行跨摄像头目标匹配，利用姿态预估援助提高目
标识别准确率，有较好的好用性和鲁棒性。在试验中对不同场
景下的视频进行了测试，结果表明该算法能够有效跟踪多个目
标，在目标交叉、遮挡和姿态变化等状况下仍具有较好的跟踪
效果。

二、相关探究

目前的多目标跟踪算法主要分为两类：基于检测和基于跟踪。
基于检测的算法先使用目标检测器，再使用滤波器进行目标跟
踪。基于跟踪的算法则不使用目标检测器，直接使用前一帧的
跟踪结果进行目标跟踪。

多目标跟踪算法中比较常用的方法有多特征融合和多目标检测。
多特征融合方法主要是将多个特征进行融合，以提高识别准确
率和鲁棒性。多目标检测方法则是利用先进的目标检测器进行
目标检测，再依据检测结果进行跟踪。

当前的多目标跟踪探究中，行人重识别和姿态预估技术也得到
了广泛的应用。行人重识别技术主要是在多摄像头环境下，通
过进修前后两帧中行人特征的变化来实现行人的身份跟踪。姿
态预估技术则是利用深度进修等技术，对目标在挪动过程中发
生的形变进行猜测和修正，提高目标的识别准确率。

三、算法设计

本文提出的跨摄像头多目标跟踪算法主要分为三步：预处理、
目标匹配和目标跟踪。其中，预处理主要是对输入的视频进行
预处理，去除背景和噪音等影响因素；目标匹配主要是利用行
人重识别技术进行目标匹配，确定当前目标和历史目标是否为
同一人；目标跟踪则是依据前一帧的跟踪结果，预估当前的目
标位置和运动状态。

算法流程图如图1所示。


图1算法流程图

详尽步骤如下：

1.预处理：对输入视频进行预处理，去除背景和噪音等影响
因素。

2.目标匹配：利用行人重识别技术进行目标匹配，确定当前
目标和历史目标是否为同一人。详尽步骤如下：

（1）行人检测：使用高精度行人检测器（如FasterR-
CNN等）对图像进行行人检测，得到行人的位置和大小。

（2）姿态预估：使用姿态预估网络对行人进行姿态预估。
对于每个行人，我们可以通过预估身体的旋转矩阵和平移向量
确定其在三维空间中的位置和姿态。

（3）特征提取：在得到行人姿态后，我们利用卷积神经
网络（CNN）对行人区域进行特征提取，以得到行人的特征向
量。

（4）目标匹配：以欧氏距离为器量，将当前帧的行人特
征向量与历史帧中的行人特征向量进行匹配，以确定当前目标
和历史目标是否为同一人。

3.目标跟踪：依据前一帧的跟踪结果，预估当前的目标位置
和运动状态。详尽步骤如下：

（1）猜测：对于当前未匹配到历史目标的行人，我们使
用运动模型进行位置猜测。

（2）关联：将当前帧中匹配到的历史目标和猜测的新目
标联系起来，形成关联干系。

（3）更新：依据前一帧的跟踪结果和当前帧的关联干系，
更新当前目标的位置和运动状态。

（4）删除：删除离开监控区域或被遮挡的目标。

四、试验结果分析

本文通过试验方法对跨摄像头多目标跟踪算法进行了测试，测
试视频是在不同场景下采集的。测试中使用的计算机硬件
为:IntelCorei73.4GHzCPU，NVIDIAGeforceRTX2080Ti
GPU，Windows10操作系统。

测试结果如下：


图2跨摄像头多目标跟踪算法试验结果

可以看到，本文提出的跨摄像头多目标跟踪算法在不同场景下
均能正常运行，能够有效跟踪多个目标，在目标交叉、遮挡和
姿态变化等状况下仍具有较好的跟踪效果。

五、结论

本文提出了一种基于行人重识别和姿态预估的跨摄像头多目标
跟踪算法。使用行人重识别技术进行目标匹配，在较大程度上
解决了目标相似性和特征变化的问题；同时，利用姿态预估技
术提高了目标识别的精度和鲁棒性。试验结果表明，本文提出
的