多目標跟蹤技術通過對不同目標之間的相互社會關系進行建模，改善單個目標的跟蹤性能，并且快速檢測和預判場景中可能發生的群體類突發事件。現有的多目標跟蹤技術雖在數據關聯和軌跡估計上取得平衡，但依然存在諸多問題。本文介紹通過背景建模提取出的場景信息分析并識別目標來約束多目標跟蹤，將數據關聯和軌跡估計這兩個連續和離散的經典子問題結合到統一的框架中求解；與此同時，還提出了基于群組聚類的行為建模策略，得到的語義信息提供相鄰目標和軌跡之間的約束，有助于改善跟蹤結果。實驗表明，本文提出的策略相比經典的多目標跟蹤算法準確性更高。

　　目標跟蹤技術是一種能在視頻序列中檢測出具有某種特征的目標，并確定其大小位置以及運動軌跡的技術。近年來，隨著監控技術的不斷發展，多目標跟蹤技術在民用和軍事方面都有著非常廣泛的應用。該技術不僅能夠對單個目標的社會行為和運動規律進行分析，而且還能夠對不同目標之間的相互社會關系進行建模，從而在改善單個目標的跟蹤性能基礎上，快速檢測和預判場景中可能發生的群體突發事件，對于提高智慧安防監控的自動化和智能化水平具有重要意義。

　　多目標跟蹤是這幾十年來計算機視覺領域的一大熱門研究課題，其相關研究在近些年里取得了顯著的進步。許多現有的多目標跟蹤方法較為依賴于目標檢測的結果，即目標在每一幀中通過目標模型獨立地進行表示，并在某些情況下結合在線模型來處理光照和外觀變化。當跟蹤單個目標時，目標跟蹤相當于擬合一條滿足時域一致性的目標運動軌跡。當同時跟蹤多個目標時則因為需要考慮數據關聯的問題而變得更加困難，這不僅需要給每個目標分配一個ID，而且還需要對所有目標的運動模式以及目標檢測結果的分配同時進行估計。將每個檢測結果進行類別標注是在離散域進行的，并且相同的檢測結果僅能有一個標簽。然而，在時域上的目標位置描述則是在連續狀態空間中進行描述的，其還包含了目標的顏色，紋理，尺寸和速度等先驗信息。可見，多目標跟蹤中的數據關聯和軌跡估計這兩個不同的子問題是緊密耦合的。

　　現有的多目標跟蹤技術根據其發展可以大致分為兩大類。第一類方法僅依賴于過去圖像幀的信息來對當前的狀態進行遞歸式估計。早期的卡爾曼濾波方法僅能對目標的線性運動進行建模，近期越來越多基于采樣的濾波器，比如粒子濾波器等能夠求解更為復雜的多模態后驗概率。然而，當在精確地近似復雜條件下后驗概率的粒子數目快速增加時算法則將會變得難以求解。第二類方法允許某種程度的延遲并且在一個給定的時間窗口中來全局地預測所有的目標軌跡。在這種情況下，會將最優化問題約束到一個有限狀態空間中進行求解，即對所有可能的目標位置集合施加約束，比如要求所有軌跡均穿過一個個單獨的目標檢測結果或者預先計算得到的Track let 集合。那么，最優解能夠在將目標檢測結果和Track let 進行連接基礎上通過能量最小化的方式得到。在一類略微不同的方法中，候選的目標軌跡集被預先計算，那么可在軌跡層通過求解二次布爾問題將其精簡到一個最優的軌跡子集。另一類降低復雜度的方法則是將跟蹤區域劃分成一個個不連續的且局部全連接的單元。目標的運動通過二進制變量對上述單元進行描述，并通過LP 松弛法來獲得全局最優解。與上述方法均不同的是，有的方法雖然同屬于非遞歸的方法，但是將所有的離散變量松弛到一個完全的連續狀態空間中。不過，其將導致能量最小化的問題變成高度非凸的優化問題，從而容易陷入局部最小值中。