（MWIS）Multiobject Tracking as Maximum Weight Independent Set

pdf: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5995395

我们的方法是:使用对象检测来构建检测对的图，称为tracklets。跟踪被表述为找到图的最大权值独立集(MWIS)，并由我们新的MWIS算法求解。在线学习轨迹间的相似度检测和上下文约束。通过反复应用MWIS将较小的轨迹合并为较长的轨迹，可以解决长期的遮挡问题.

步骤1:我们将一组对象类的检测器应用于所有视频帧。每个检测都由一个记录相关边界框的以下属性的描述程序来描述:位置、大小、颜色直方图、强度梯度和光流。

步骤2:最佳匹配检测通过视频传递连接到不同的轨道，其总数字是未知的先验。这是在严格的条件下完成的，没有两个轨道可以共享同一检测，以防止不合理的视频解释。此外，轨道间的时空关系为连接提供了信息，从而提供了软约束。为此，我们构建一个图，其中节点表示来自每两个连续帧的候选匹配，称为tracklets;节点权值对对应匹配项的相似性进行编码;边缘连接节点，节点对应的轨迹线违反硬约束。给出了该属性图，将数据关联问题表示为最大权值独立集(MWIS)问题。MWIS是属性图中非相邻节点的最重子集。方便地说，整个图的MWIS等价于独立子图的MWIS解的并集。这使得我们可以在线进行多目标跟踪。提出了一种保证收敛到最优解的MWIS新算法。

步骤3:第二步中使用的内在目标属性和两两配对的上下文，是在线学习的，因为轨迹会不断提供目标的统计证据。为了使同一轨道内探测到的马氏距离最小化，并使不同轨道探测到的马氏距离最大化，我们学习了每条轨道的这些性质的相对意义。

步骤4:为了解决长期的遮挡，我们迭代步骤2和步骤3来合并或分割轨迹，以增加MWIS的总权重，直到收敛。

贡献：

针对多目标跟踪问题，提出了一种多目标跟踪算法。MWIS允许对软约束和硬约束进行并行和直接的推理，而先前的工作通常将硬约束放宽到可处理的连续域(例如，[24])。重要的是，MWIS格式提供了一种将整个候选轨迹图划分为独立子图的原则方法，这将我们的数据关联问题简化为每个子图的许多更小的MWIS问题。

MWIS也被用于[20]的跟踪，有很多不同之处。他们构建了一个图，其中每个节点代表一个完整的轨迹假设，而我们的节点是轨迹let。我们的图被分解成更小的独立凹痕子图，这在[20]中不是这样。他们将多元线性规划重新表述为半定规划，并用秩约束近似法求解，而我们直接求解精确的多元线性规划。在[24]中，将全局最优调度问题转化为最小成本流问题。

MWIS是一个研究广泛的组合优化问题，具有np -困难和难以近似的特点。存在许多启发式方法。例如，迭代禁忌搜索[17]在可能的解的空间中使用试错、贪婪搜索，乐观复杂度估计为O(n 3)。MWIS经常被重新表述为使用原始[18]的对偶图的最大imum权簇(MWC)问题。但是，原始图的边捕获的重要硬约束可能在此转换中丢失。

我们推导了一种新的MWIS算法，该算法使用一阶动态迭代优化求解。同时，我们证明了它的收敛性，复杂度为O(n 2)，其中n是图中节点的个数。本文的其余部分将详细介绍我们的方法的每个步骤，从第1步开始。