إطار تتبع متعدد الأهداف عبر الإنترنت باستخدام مرشح GMPHD وإدارة مجموعات الإخفاء

في هذه الورقة، نقترح إطار عمل فعّال لتتبع الأهداف المتعددة عبر الإنترنت يعتمد على مرشح GMPHD وخطة إدارة مجموعات الإخفاء حيث يستخدم مرشح GMPHD ترابط البيانات التسلسلي لخفض الأخطاء السلبية الناجمة عن الفقدان في الكشف. يتكون ترابط البيانات التسلسلي من خطوتين: ترابط الكشف مع المسار وترابط المسارات مع بعضها البعض، مما يمكن من استعادة المسارات المفقودة وتحديد هوياتها المتبادلة. بالإضافة إلى ذلك، يتم تجهيز الإطار المقترح بخطة إدارة مجموعات الأهداف التي تعالج مشاكل الإخفاء بمكونين رئيسيين. الأول هو "دمج المسارات" الذي يمكن من دمج المسارات الإيجابية الخاطئة الناجمة عن كشف إيجابي خاطئ بسبب الإخفاء، حيث تكون المسارات الإيجابية الخاطئة عادةً مخفية بقيمة قياسية. يكون هذا القياس نسبة الإخفاء بين الأجسام المرئية، وهو مجموع تقاطع على المنطقة (SIOA) الذي عرّفناه بدلاً من مؤشر تقاطع على الاتحاد (IOU). الجزء الثاني هو "تصغير طاقة مجموعة الإخفاء (OGEM)" الذي يمنع دمج المسارات الحقيقية الإيجابية المخفية بشكل خاطئ. نعرّف كل مجموعة من الأجسام المخفية كدالة طاقة ونجد فرضية مثلى تجعل الطاقة أدنى ما يمكن. نقيم المُتابِع المقترح في مجموعات بيانات مقاييس مثل MOT15 وMOT17 التي تم بناؤها لتتبع عدة أشخاص. دراسة الاستبعاد في مجموعة البيانات التدريبية تظهر أن "دمج المسارات" و"OGEM" يكمل كل منهما الآخر وأن طريقة التتبع المقترحة لديها أداء أكثر متانة وأقل حساسية للبارامترات مقارنة بالطرق الأساسية. كما أن SIOA يعمل بشكل أفضل من IOU لأحجام مختلفة من الاكتشافات الخاطئة. تظهر النتائج التجريبية أن المُتابِع المقترح يتعامل بكفاءة مع حالات الإخفاء ويحقق أداءً تنافسيًا مقارنة بالطرق الأكثر حداثة. وبشكل خاص، فإن طريقتنا تُظهِر أفضل دقة لتتبع الأهداف المتعددة بين الطرق القابلة للتنفيذ عبر الإنترنت وفي الوقت الحقيقي.