On Pairwise Costs for Network Flow Multi-Object Tracking

来源：CVPR2015

创新点：

多目标跟踪可以使用最小成本网络流（min-cost network flow）优化技术来实现。这种方法能够同时解决在一个视频中多个目标的跟踪轨迹，并且能够在多条轨迹间建模依赖关系。在tracking-by-detection的方法中，物体检测器常会因为遮挡等原因导致检测失败。为解决这一问题，提出在min-cost network flow 框架中添加使用pairwise costs。为了不把问题变得NP-hard，设计了一种凸松弛解决方案，以确保次优。

贡献：

①提出一种新的非贪婪方法在一个min-cost网络流框架中优化pairwise terms。该解决方法是通用的，允许同时优化任意类型的pairwise costs。

②提出一种凸松弛的全局优化策略，允许使用线性优化的方法来最小化pairwise costs。

③提出两个pairwise costs的例子。第一个阻止了不同轨迹间的重叠。第二个给不同类型检测结果的空间相互遮挡进行建模。这允许更好地为具有部分遮挡和大量混杂的复杂动态场景进行建模。

④提出了一种新的可以评估跟踪结果的策略，更好的测量了跟踪输出的轨迹与真实轨迹gt之间重叠的长度。

其实，MOT可以看成是一种selection and clustering of corresponding object detections over time。这样的选择和聚类问题可以在be solved in an optimization framework using carefully designed cost functions。对于跟踪问题，能量最小化方法能够产生全局最优解，avoid early and error-prone local decisions。

关于交互，交互模型可以改善拥挤环境下的行人跟踪和解决歧义跟踪。之前的方法要么求助于local non-convex optimization，要么使用greedy methods to enforce interactions。本文提出在min-cost network flow tracking approach中建模交互关系。把pairwise cost引进目标函数（objective function）中，设计一种凸松弛的解，确保了次优。

Our framework allows addition of terms without any modification to the underlying optimization framework.