摘要：
在本文中，我们提出了一种多目标过滤和跟踪算法，该算法可以同时为所有目标学习运动模型。它通过隐式表示的状态图并执行时空数据预测来实现。为此， 在连续的假设目标空间上对多目标状态进行建模，使用随机有限集和高斯混 合概率假设密度公式（PHD）。使用具有长短期记忆架构的深度卷积递归神经网络递归执行预测步骤，该网络被训练为回归块，在运行中，概率密度差地图（PDD）。我们的方法在广泛使用的行人跟踪基准上进行了评估，显着优于最先进的多目标过滤算法，同时与其他跟踪方法相比提供了有竞争力的结果：所提出的方法分别在 MOT15 和 MOT16/17 数据集上生成平均 40.40 和 62.29 的最佳子模式的分配错误，同时，当使用公开可用的探测器，在 MOT16/17、PNNL 停车场和 PETS09 行人跟踪数据集上分别产生 62.0%、70.0% 和 66.9% 的多目标跟踪精度。 阅读全文