摘要：

近几年Tracking-by-detection逐渐成为目标跟踪中常用的方法之一。但由于使用这个框架得到的目标检测结果是以点的形式传输的，导致特别是在拥挤人群场景中数据关联有歧义。为了解决这个问题，本文结合多假设跟踪方法，提出一种新型增强目标检测模型，包括检测目标-场景分析和检测目标-检测目标分析；前者利用密集置信度检测以及处理错误轨迹的方法对场景建模，后者计算每个检测目标间的关系并且改善对在拥挤场景中目标假设的邻近问题的处理。本文方法在MOT16数据集上取得了state-of-the-art效果。

1、介绍：（略）
2、相关工作：（略）

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记

3、多假设跟踪：

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：检测目标集
：第i帧中的第j个检测目标，(x,y)是目标位置坐标，(w,h)是宽度和高度，(a,c)是appearance和detection置信度
：假设集
：跟踪目标（一系列检测目标）

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：假设H的score，其中sm和sa分别是motion和appearance的置信度，wm和wa是各自的权重

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：假设的形成（Hypothesis formation）关键点在于寻找在当前约束下与轨迹最相近的轨迹集，也就是k维的分配问题。其中这里的约束是每个observation最多只能属于一个track。

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：（2）（3）式可转化为求解最大独立权重集（Maximum Weighted Independent Set）。其中E是相斥集，即中的Hi和Hj不能被同时选中。如图所示：

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记

总结：多假设跟踪将跟踪问题转化为假设的生成和选取问题，并且提供一个弹性框架来对复杂情况建模。细节将在第5节提到。

4、增强检测目标模型：

在本文中使用目标检测框最底下正中点作为目标位置。

4.1 目标检测-场景分析

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：通过该分析得到位置映射高度的关系

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：数据预处理，将置信度小于thcon阈值的都当做噪点筛除

将当前帧分割成M * N个块，每个块大小都是Wp * Hp，然后建立新目标检测式子 CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记，如图所示：

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：x’和y’就是新目标检测的位置，其他属性保持相同

由于复杂的场景和摄像头的状态（静止或移动），不适合使用多项式函数对尺度变换进行建模，因此本文将使用含有k个隐藏层，以sigmoid函数为**函数的神经网络进行处理，然后使用LM迭代算法来优化多元函数，最终可以得到目标映射关系，如图所示：

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记

4.2 目标检测-目标检测分析

由于非最大化抑制策略（non maximum suppression）的局部决策性质，这种目标选取方法往往在稀疏场景中表现良好，而在拥挤场景中则会造成低召回甚至分段的现象。因此本文提出detection-detection分析，一方面有助于使产生重叠的不同目标开，一方面抑制错误的检测被选取。这种分析是基于detection-scene分析的。

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：基于贝叶斯公式得到两真目标检测在都被检测到的同时都属于轨迹T的概率

其中：

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：D1和D2都是真目标检测的概率

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：D1和D2被同时检测到的概率

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：D1和D2都属于轨迹T的同时都被检测到的概率

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记

5. 使用增强目标检测模型的MHT：

5.1 使用Detection-scene模型进行假设更新

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：假设分数式子多加了detection-scene的分数及权重计算

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记
：D是H真的目标检测的概率，N是正态分布
：D是H的false positive的概率，V是一帧中的像素数

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记
：D是H当前的observation的概率，S(D,H)由Multi-output Regularized Least Squares(MORLS)得到

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：由式（12）得该式，其中(x,y)由式（8）得到

5.2 使用Detection-detection模型进行假设形成：

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：unique-detection相斥集

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：detection-detection相斥集，由4.2节得到的两目标检测间的概率低于阈值thdd时才能被选用

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：找出满足以上约束的同时使得当前分数最大的目标检测集

5.3 使用Detection-detection模型进行假设剪枝：

随着帧数的增加，假设的数目也呈指数级增长，这时就需要进行剪枝以提高算法速度和减小内存损耗。除了标准的N-scan剪枝方法，本文还设计了新的剪枝算法：

CVPR 2017 Enhancing Detection Model for Multiple Hypothesis Tracking 阅读笔记：relative height of detection
：relative height of hypothsis，Di是H的第i个observation，N是H所含observation的数目
：剪枝后的假设集