随着监控在维持社会安定方面发挥着越来越重要的作用,监控视频的数量呈“爆炸”式增长,面对海量的视频数据,多目标关联与跟踪方法在计算复杂度、实时性要求等方面面临挑战。关联与跟踪系统是一个动态估计问题,利用的是目标在时间上的连续性和空间上的相关性,然而当视频存在破坏造成数据不完整或者需要跨摄像机、跨视频进行目标关联时,目标在时间上和空间上不再连续,此时基于视频时间线索和连续帧间目标位移信息的关联方法可能失效。针对以上视频多目标关联中所存在的问题,论文提出基于在线学习的视频多目标关联技术,主要内容包括以下几个方面:(1)针对大规模数据处理问题提出在线学习方法。在线学习是解决大规模数据训练复杂度高的有效方法,视频数据以流的方式到达,符合在线学习的数据特征,每到达一个数据学习算法就对当前模型做一次更新,而不用等到数据全部获得,以提高运算效率,并且分类器的实时更新能更好地适应数据特征变化;(2)设计和实现了在线支持向量机及其预测器稀疏化。基于核的SVM算法在解决非线性分类问题上表现突出,论文利用凸优化理论中的Fenchel对偶,将其转变为在线形式,并通过对偶提升分析设计一种基于窗函数方法的分类器更新机制。对分类器进行选择性地更新,提高了分类器的稀疏性;对对偶提升进行限制,增强了分类器对噪声的鲁棒性,从而保证数据分类的准确性。多个数据集上的实验结果验证了算法的有效性;(3)设计并实现了融入目标分类的多目标关联技术。以在线支持向量机作为分类器的多目标关联技术,并不以目标在时间上和空间上的连续性作为关联线索,因此在视频数据不完整、丢失帧、甚至帧顺序打乱的情况下仍然能够有效地关联目标。另外,此目标关联技术亦适用于跨视频、跨摄像机进行目标关联,而不用重新构造关联模型;(4)针对是实时性要求提出并行化检测关联结构。论文提出将多目标跟踪中的目标检测和目标关联分离,作为两个单独的模块来并行化处理视频,即多个视频帧同时进行多目标检测关联,这种结构可以有效解决一般多目标检测关联方法中实时性与准确性不能同时提高的矛盾。论文在多个数据集上分别进行了关联实验和结果分析,实验验证了论文所提方法的效果与性能。