● 摘要
多目标跟踪作为视频处理的一项前端基础工作，一直以来都是计算机视觉研究的热点，受到了国内外计算机视觉、生物医学以及其他领域研究者的广泛关注。近年来，低空对地多目标跟踪凭借其平台移动性高、监控范围大等特点，广泛应用于航空监视、勘察以及智能交通系统等领域中，为应急救援和道路安全等关键领域提供了技术保证。
基于视觉的多目标跟踪问题具有诸多难点: (1) 目标本身特征不明显、与周围环境相比差异度低、存在遮挡等特点导致目标的外观信息缺乏; (2) 由于需要跟踪的目标往往是自主的，其运动方式各异、运动变化不规则（称之为运动异质性），导致目标的运动信息存在缺失。而在空基多目标跟踪中，由于相机拍摄的视角相对较高、视野范围较大，使得跟踪的目标数目相对较多、目标特征的显著度将进一步减弱。面对空基多目标跟踪的上述特点，如何实现空基高异质目标的有效跟踪是目标跟踪研究领域的一个新的技术挑战。
针对空基高异质多目标跟踪问题，本文提出了一种动态逐层跟踪框架，通过充分挖掘目标间的关联，来有效的提高目标运动高异质情况下的跟踪性能。首先，具有较多特征信息的一组目标被优先选择出来，作为跟踪的初始层；因为自身特征丰富，该组目标的跟踪位置信息相对准确。然后，剩余目标依据和已跟踪目标的关联密切程度，依次被选入后续各层进行跟踪；在逐层跟踪的过程中，优先完成跟踪的目标可以通过目标间的关联对剩余未跟踪的目标进行辅助。同时，为了进一步提高分层跟踪结构的合理性，我们引入表征运动异质度的运动熵来确定初始层中的目标数目，利用关联的密度分布函数对后续层的规模进行自适应调整。这种动态调整的分层跟踪结构能够有效地应对目标的运动变化，实现对高异质目标较为可靠的跟踪。为了验证所提逐层跟踪框架与方法的有效性，我们在国际公认的标准车辆视频库DAPAR VIVID中进行了系统的跟踪实验；此外，我们还引入了一个目标运动异质性较高的数据库HF-Dataset，进一步验证了所提逐层跟踪框架与方法的跟踪性能。
论文的主要工作及特色如下：
1. 提出了一种基于目标间关联的多目标动态逐层跟踪框架。该跟踪框架利用各目标目标间的位置、速度信息的关联，实现目标间的跟踪辅助，适合于解决在较高异质度情况下的多目标跟踪问题；
2. 改变了基于状态估计的跟踪方法中依靠固定的运动模型进行目标位置预测的限制，根据目标间的关联对目标的位置进行预测。这种做法能够有效地处理目标运动不规则时目标位置预测的问题。
3. 引入运动熵对跟踪场景的混杂程度进行更为准确的描述，根据跟踪场景运动熵的不同，上述跟踪过程中的初始层可以进行自适应调整。