Discrete-Continuous Optimization for Multi-Target Tracking翻译（里面的公式由于无法粘贴，大家参照paper结合看）

多目标跟踪的离散连续优化

摘要：多目标跟踪的问题由两个不同的、但紧密耦合的挑战组成：（1）数据相关的自然离散问题，即将图像观测分配给适当的目标；（2）轨迹估计的自然连续问题，即恢复所有目标的轨迹。为了优化数据相关的简单贪婪解决方案，最近的方法经常使用离散优化执行多目标跟踪。这有一个缺点，轨迹需要预先计算或离散，从而限制了精度。在本文中，我们将多目标跟踪作为一种讨论其自然领域中各个方面的优化问题，并允许利用强大的方法进行多模型拟合。数据相关采用离散优化的标签成本，接近最优。轨迹估计是一种简单的封闭解的连续拟合问题，该方法用于更新标签成本。我们在几个标准数据集上展示了我们的方法的准确性和鲁棒性。

关键字：多目标跟踪，离散，连续，轨迹估计，数据相关，优化。

1. 引言

多目标跟踪研究近年来取得了显著的进展。然而，目前的算法在相对简单的条件下，只有很少的目标才能达到合理的性能。目前许多最成功的跟踪方法都是通过检测来进行跟踪的，即目标是由一个可以在每个帧中独立检测的对象模型来表示的^[20,25]，在某些情况下，结合一个在线模型来处理光照和外观变化^[11]。使用对象检测器的优点是，如果目标丢失，它自然会重新初始化，避免过多的模型漂移^[7]。探测器为当前目标提供每帧的证据。因此，在处理单一目标时，跟踪实际上是拟合一个单一的时间一致的轨迹，这样它就能最优地解释这一证据。在多目标情况下，任务的难度要大得多，因为数据相关的问题必须同时处理。从直觉上讲，必须为每一个目标建立一个独特的身份，然后同时估计所有目标的运动模式和对目标的探测任务。

1.1问题引出

这带来了许多艰难的挑战。首先，目标的数量通常是未知的，随着时间的推移可能会有所不同。

此外，探测器的输出只有部分可靠，因此必须解释到丢失的证据(漏警性)，以及错误的证据(假警报)。

除非目标始终保持良好的分离，否则可能的轨迹空间会随着时间呈指数增长，这一事实进一步复杂化了这项任务。此外，轨迹应遵循一定的约束条件：

例如两个目标不能同时处于同一位置。解决这些挑战需要处理两个不同的、但紧密耦合的建模问题。将每个检测标记为属于某个目标或者是一个假警报，本质上属离散域。对于所观察到的场景的合理解释，同样的检测只能有一个标签。然而，随着时间的推移，目标位置自然会被描述为一个连续的状态空间(这也可能包括诸如尺寸、速度等深层次的维度)。

现有技术以不同的方式在两项任务之间取得平衡。最近的大量工作集中在数据相关上，并使用强大的离散优化算法来解决这个NP难题。然而，轨迹估计在连续方面遇到的问题，要么是因为轨迹必须在没有任何数据相关的情况下预先计算^[26,27]，要么是空间离散化的轨迹^[2,4]。其他技术将重点放在连续状态空间的轨迹估计上，但是将数据相关限制在一组预先计算的可能的标签中^[17]。基于采样的方法^[14,19]尝试在离散和连续两方面之间建立一个桥梁，但在底层模型的表达性方面仍然相对有限。

1.2 方法引入

在本文中，我们将数据相关和轨迹估计联合起来，作为离散连续能量的最小化，并对其自然领域的各个方面进行了处理。为此，我们建立了Delong等人引入的多模型拟合的最新进展^[9]。展示了如何在该框架中制定多目标跟踪，并相应地扩展推理算法。轨迹建模：轨迹由分段多项式建模，分段多项式是用一组闭合形式的目标假设集合来拟合的。数据相关更新：鉴于这些轨迹，考虑到全局的轨迹特性，例如通过单个标签成本移动对象的动态（dynamic）和持久性（persistence），因此数据相关由α-expansion更新。这两个步骤交替进行，以最小化单个离散的目标，这样，轨迹估计可以利用数据相关，反之亦然。（图1）

 

图1：a）无标记的目标检测；b）可能的轨迹假设；c）文中方法标记的所有探测；d）利用加错离散连续方法重新估计的估计。

因此，目前的工作作出如下贡献：(1)制定多目标跟踪，尽量减少统一的离散连续能量；(2)论证了实验成本架构对跟踪问题的适用性；(3)扩展这个方案，考虑问题的细节，轨迹估计优于几何拟合（导致过拟合）。根据我们的知识，本文是第一个采用标签成本进行离散连续优化的方法。正如我们在各种标准数据集上的实验表明的那样，这大大增加了跟踪的准确性，同时保留了执行非贪婪数据相关的好处。

2.相关工作

几十年来，跟踪一直是计算机视觉和其他领域的一个活跃的研究课题。在这篇综述中，我们将重点关注视觉多目标跟踪的最新进展。多目标跟踪方法可分为两类。

第一类，依赖于序列中前面帧的信息，通过递归地方式估计当前状态。虽然早期的卡尔曼滤波方法^[21]只是模型的线性目标运动，但最近的基于样本的滤波器，如粒子滤波^[6,14]，可以处理更复杂的多模态后验。然而，在复杂的情况下，需要精确地近似于后部的粒子增长很快，在实际操作中很难处理。