[论文解读] Tracking Multiple Moving Objects Using Unscented Kalman Filtering Techniques

Xi Chen, Xiao Wang+1 more|arXiv (Cornell University)|Feb 5, 2018

Video Surveillance and Tracking Methods参考文献 15被引用 31

一句话总结

本文提出了一种基于无迹卡尔曼滤波（UKF）的新型多目标跟踪框架，以应对非线性运动和遮挡情况下的多目标跟踪挑战。通过结合块匹配法进行初始检测与UKF进行精确状态估计（包括速度），即使在复杂遮挡情况下，跟踪依然保持鲁棒性，且在非线性场景下优于传统卡尔曼滤波。

ABSTRACT

It is an important task to reliably detect and track multiple moving objects for video surveillance and monitoring. However, when occlusion occurs in nonlinear motion scenarios, many existing methods often fail to continuously track multiple moving objects of interest. In this paper we propose an effective approach for detection and tracking of multiple moving objects with occlusion. Moving targets are initially detected using a simple yet efficient block matching technique, providing rough location information for multiple object tracking. More accurate location information is then estimated for each moving object by a nonlinear tracking algorithm. Considering the ambiguity caused by the occlusion among multiple moving objects, we apply an unscented Kalman filtering (UKF) technique for reliable object detection and tracking. Different from conventional Kalman filtering (KF), which cannot achieve the optimal estimation in nonlinear tracking scenarios, UKF can be used to track both linear and nonlinear motions due to the unscented transform. Further, it estimates the velocity information for each object to assist to the object detection algorithm, effectively delineating multiple moving objects of occlusion. The experimental results demonstrate that the proposed method can correctly detect and track multiple moving objects with nonlinear motion patterns and occlusions.

研究动机与目标

• 解决在非线性运动和遮挡导致跟踪性能下降的情况下，可靠跟踪视频监控中多个运动目标的挑战。
• 克服传统卡尔曼滤波（KF）在非线性运动场景中无法提供最优估计的局限性。
• 通过在跟踪流程中集成速度估计，提升目标检测与跟踪的准确性。
• 开发一种鲁棒系统，能够在长时间遮挡期间保持目标身份和位置的一致性。
• 通过结合块匹配法与无迹卡尔曼滤波的混合方法，实现在多目标场景下的持续跟踪。

提出的方法

• 使用块匹配技术进行运动目标的初始检测，以获得粗略的位置估计。
• 采用无迹卡尔曼滤波（UKF）在非线性运动环境中高精度估计每个目标的状态（位置、速度）。
• UKF利用无迹变换，比扩展卡尔曼滤波或标准卡尔曼滤波更有效地捕捉运动模型中的非线性特性。
• 估计速度信息并反馈给检测算法，以在遮挡期间解决歧义问题。
• 通过维护轨迹片段并利用UKF进行状态预测与校正，实现遮挡期间的目标身份保持。
• 系统在检测与跟踪之间建立反馈回路，从而在动态和杂乱条件下提升鲁棒性。

实验结果

研究问题

• RQ1 如何在存在非线性运动和遮挡的情况下可靠地跟踪多个运动目标？
• RQ2 在非线性跟踪场景中，UKF相较于传统卡尔曼滤波的性能提升程度如何？
• RQ3 速度估计是否能够提升遮挡期间的目标检测与跟踪准确性？
• RQ4 块匹配技术作为复杂场景中目标检测的预处理步骤，其有效性如何？
• RQ5 所提出的方法能否在长时间遮挡期间保持一致的目标身份？

主要发现

• 所提出的基于UKF的跟踪方法在非线性运动模式下成功保持了对多个运动目标的精确跟踪。
• 速度估计的集成显著提升了系统在遮挡期间解决歧义的能力。
• 由于无迹变换在非线性逼近方面具有优越性能，该方法在非线性场景中优于传统卡尔曼滤波。
• 实验结果证实，即使在长时间遮挡期间，系统仍能正确检测并跟踪多个目标。
• 块匹配技术提供了高效且可靠的初始检测，为后续UKF优化奠定了坚实基础。
• 整体框架在具有动态目标交互的复杂监控环境中表现出鲁棒性和一致性。