多目标跟踪 综述(三)

多目标跟踪常用的数据集：

1477969643722.jpg

公开代码的方法：

1477969661474.jpg

还是公用的数据集比较好，这样可以直接对比别人的实验结果，不用自己重复实验了。

Future directions

1. MOT with video adaptation. 大多数基于检测的MOT方法，往往适用范围依赖于离线学习获得的检测器，所以找到一个通用性更好，即适用于任何数据，的MOT方法是一个研究热点。

2. Balance between crowd density and completeness of objection representation. 往往在密集环境中目标都很小，以至于传统的表观表示方法鉴别能力很弱，如何才能找到一个对于小目标物体依然具有较强鉴别能力的表示方法仍是个研究方向。

3. MOT under multiple cameras. 多视角的数据能够恢复立体视觉，更加符合生物视觉，我更喜欢这个方向，一定可以挖到点什么东西。

4. Multiple 3D object tracking. 3D目标追踪，这个和3还是不一样的，多目视觉能构建3D环境，但构建不了3D目标

5. MOT with scene understanding. 结合场景理解的目标跟踪问题，比如场景的语义信息。

6. MOT with other computer vision tasks. 多个视觉任务相互结合，相辅相成。比如步态识别，姿势识别和目标跟踪放在一起处理，信息共享，效果可能也不错。

个人觉得吧，人类对于多目标跟踪处理的就很不错，先别说机器超过人类，如果能保证机器具有和人类相同的处理机制，凭借其运算的精确性，结果就会比人类好。所以我更倾向于双目视觉和结合场景理解的MOT方法，另外，人类在处理多个目标跟踪时好像并不是同时的，应该类似于时间片的方式，我觉得也是值得借鉴的。