视频多目标跟踪是目标跟踪领域的一个重要分支,作为经典的计算机视觉问题,多目标跟踪在智能视频监控、智能交通管制及无人驾驶等领域有着广泛的应用。复杂环境下视频多目标跟踪应用中,除了光照变化、目标形变和目标遮挡等问题,目标数目未知、新生目标不确定、图像模糊及杂波干扰等复杂问题,也一直是多目标跟踪领域中研究的难点。本文主要围绕多伯努利滤波在视频多目标跟踪中的应用,结合目标检测展开深入研究,取得如下研究成果。1.针对多伯努利滤波方法在多目标跟踪中,难以检测新生目标,且当目标出现互相遮挡等干扰时,跟踪精度下降,甚至出现目标漏跟,以及当漏跟目标被重新跟踪后,与之前运动轨迹难以关联等问题,本文在多伯努利滤波框架下,结合YOLOv3检测结果,并采用卷积特征对目标进行描述,计算相邻帧目标的相似度矩阵,设计新生目标识别和漏跟目标的重识别策略,以实现对目标新生的判别和漏跟目标的连续估计;此外,在模板更新时,融合高置信度检测,提出遮挡目标处理机制,有效提高目标跟踪精度。最后,采用标准数据集中具有挑战性的视频序列进行算法测试,验证了提出算法的有效性。2.针对目标检测器在实际应用中,受目标遮挡、背景复杂、目标视频模糊等问题影响时,部分检测框的缺失和检测框的不准确导致跟踪精度下降,出现大量的轨迹碎片和标签跳变的情况。本文在检测框交并比(Intersection Over Union,IOU)关联的目标跟踪框架下,融合可视化的多伯努利跟踪方法,在目标轨迹未寻找到匹配的高质量检测框时,采用多伯努利滤波方式对目标继续跟踪,解决因为检测框缺失而导致的轨迹碎片问题。同时,根据IOU阈值判断和相似性比较,关联目标轨迹与目标再次被检测到的高质量检测框,防止目标发生标签跳变。实验结果表明,提出算法能有效减少轨迹碎片和标签跳变,提高多目标跟踪精度。3.针对多伯努利滤波进行视频目标跟踪时,利用采样粒子近似后验概率密度分布,粒子数目过少,难以包含真实目标;粒子数目过大,将会增加计算压力。本文在多伯努利滤波框架下,引入相关滤波器作为弱滤波器来采样粒子。首先提取泛化能力较强的VGG19网络卷积特征训练多个相关滤波器,利用训练好的相关滤波器,得到多个目标状态估计,最后对得到的目标状态集进行扩充作为采样的粒子集。提出的双滤波器目标跟踪算法,采用弱滤波器采样能有效包含目标真实状态,从而提高多伯努利滤波的跟踪精度。