Multiple Object Tracking for Similar, Monotonic Targets （相似，单调目标的多目标跟踪）
出处：
摘要
文章针对结构简单、特征单调、甚至没有明显学习特征的微观非荧光标记目标，提出了一种基于两步检测的多目标跟踪算法。具体操作为:首先对视频中的每个图像进行阈值分割，从背景中提取目标，并对得到的图象进行形态学运算，分离轻微粘附的目标，避免错误跟踪，然后利用卡尔曼滤波估计目标状态，并使用匈牙利算法进行数据关联，最终达到多目标跟踪的目的。
本文研究的对象是假定在一个二维平面上，所以不考虑遮挡和覆盖情况…
一、介绍
目前的大多数多目标跟踪算法可以分为两个部分：检测+跟踪，这些算法针对于具有纹理、颜色等明显特征的目标，这些特征可以通过深度学习进行学习。就像人脸检测中人眼的纹理和轮廓和车辆跟踪中的车架和角点一样。当面对一些简单的目标时，例如显微镜下的细菌，他们结构简单，颜色和纹理单一，没有明显的特征可供学习。如果我们继续使用深度学习作为检测算法完成多目标跟踪，可能会遇到一些问题。
在生物学中，对于细菌、病毒、微粒等的跟踪，常用的检测算法是spot enhanced filter，基于此的相关算法均采用荧光显微镜标记后跟踪，降低了图像的各种噪声，而对于非荧光标记目标，spot enhanced filter的检测性能不理想。
文章首先采用初级阈值分割作为粗检测，从背景中提取目标，然后采用形态学操作分离多目标轻微接触，实现精细检测。然后通过卡尔曼滤波估计目标状态，并使用匈牙利算法关联两帧之间的检测。
二、阈值分割
对于轻度黏连的目标，采用形态学运算来分离目标
三、跟踪与数据关联
- 卡尔曼滤波
- 匈牙利算法
四、实验结果
