一种基于视频的多目标追踪与分割算法

黄 涛，苏松源，杜长青，诸雅琴，陈 勇

(1.国网江苏省电力工程咨询有限公司，江苏 南京 210024；2.教育部网络与信息集成重点实验室(东南大学)，江苏 南京 210096;3.东南大学 网络空间安全学院，江苏 南京 210000)

0 引 言

在计算机视觉领域中多目标检测和追踪发展很快，在很大程度上，这些进步是由强大的深度学习驱动的，比如Fast/Faster RCNN[1]和MDNet[2]算法等用于目标检测和目标追踪，这些方法在概念上很直观，并且具有灵活性以及快速的检测时间。

实例分割在目前来说具有很大的挑战性，因为它需要将图像中的所有对象正确地检测出来，对每个对象也需要精准的分割。因此需要结合计算机视觉中的对象检测、目标分类、边界框定位以及语义分割。基于以上要求，人们可能会认为需要复杂的方法才能获得良好的结果。目前现有的目标追踪算法只是将目标框起来进行追踪。因此，该文介绍一种检测精度更高的、灵活快速的模型，可以将视频中的目标轮廓识别出来并进行追踪。

该文介绍的为基于改进的Mask-RCNN[3]目标追踪算法，是在Mask-RCNN[3]的基础上进行了改进。由于Mask-RCNN[3]在每个感兴趣的区域(RoI)上添加一个用于预测分割掩码[4]的分支，与现有的用于分类和边界盒回归的分支并行，并且RoIAlign[5]在候选区域的每个单元中计算出四个坐标位置，然后用双线性内插的方法[6]计算出这四个位置的值，最后进行最大池化操作。虽然提高了精度，但对一张图片分割需要耗费很长时间，无法对视频目标进行实时追踪。……