一種魯棒的Multi-Egocentric視頻中的多目標(biāo)檢測(cè)及匹配算法

李龍，尹輝,2，許宏麗，歐偉奇

(1.北京交通大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，北京 100044； 2. 北京交通大學(xué) 交通數(shù)據(jù)分析與挖掘北京市重點(diǎn)實(shí)驗(yàn)室，北京 100044)

?

一種魯棒的Multi-Egocentric視頻中的多目標(biāo)檢測(cè)及匹配算法

李龍1，尹輝1,2，許宏麗1，歐偉奇1

(1.北京交通大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，北京 100044； 2. 北京交通大學(xué) 交通數(shù)據(jù)分析與挖掘北京市重點(diǎn)實(shí)驗(yàn)室，北京 100044)

針對(duì)視頻中的背景變化劇烈、目標(biāo)尺度差異明顯和視角時(shí)變性強(qiáng)的特點(diǎn)，提出一種魯棒的針對(duì)multi-egocentric視頻的多目標(biāo)檢測(cè)及匹配算法。首先，構(gòu)建基于boosting方法的多目標(biāo)檢測(cè)模型對(duì)各視頻序列中的顯著目標(biāo)進(jìn)行粗檢測(cè)，并提出一種基于局部相似度的區(qū)域優(yōu)化算法對(duì)粗檢測(cè)顯著目標(biāo)的輪廓進(jìn)行優(yōu)化，提高Egocentric視頻中顯著目標(biāo)輪廓檢測(cè)和定位的準(zhǔn)確性。在顯著目標(biāo)檢測(cè)基礎(chǔ)上，對(duì)不同視角中的顯著目標(biāo)構(gòu)建基于HOG特征的SVM分類(lèi)器，實(shí)現(xiàn)多視角的多目標(biāo)匹配。在Party Scene數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了本文算法的有效性。

Multi-Egocentric視頻；多目標(biāo)檢測(cè)；多目標(biāo)匹配

Egocentric視頻是通過(guò)固定在拍攝者頭、肩、手等部位或由拍攝者手持的穿戴式攝像機(jī)，在拍攝者自由運(yùn)動(dòng)過(guò)程中所拍攝的。Egocentric視頻具有背景變化劇烈、目標(biāo)尺度差異明顯和視角時(shí)變性強(qiáng)的特點(diǎn)，同時(shí)存在拍攝視頻不平順、運(yùn)動(dòng)模糊、噪聲大等問(wèn)題，為基于此的計(jì)算機(jī)視覺(jué)任務(wù)帶來(lái)極大的挑戰(zhàn)。Multi-Egocentric視頻是由處于同一場(chǎng)景中的多個(gè)個(gè)體所拍攝的不同視角、不同運(yùn)動(dòng)軌跡的視頻，研究基于multi-egocentric視頻的目標(biāo)檢測(cè)和匹配對(duì)于后續(xù)的場(chǎng)景理解等高級(jí)視覺(jué)任務(wù)具有重要的意義。

由于場(chǎng)景的復(fù)雜性和運(yùn)動(dòng)的多樣性，基于視頻的顯著目標(biāo)檢測(cè)一直都是計(jì)算機(jī)視覺(jué)研究領(lǐng)域的難點(diǎn)問(wèn)題之一?；趩我暯且曨l的目標(biāo)檢測(cè)主要有基于單幀圖像通過(guò)特征提取訓(xùn)練目標(biāo)檢測(cè)器的方法，如Pedro Felzenszwalb等[1]提出的可變性組件模型(deformable part model,DPM)，基于目標(biāo)成員的可變形部位，結(jié)合邊界敏感的方法挖掘負(fù)樣本，訓(xùn)練隱性支持向量機(jī)(latent,SVM)分類(lèi)器檢測(cè)目標(biāo)，但對(duì)于視頻中距離鏡頭較遠(yuǎn)的目標(biāo)有漏檢的情況；Lubomir Bourdev等[2]提出Poselet模型用帶標(biāo)注的三維人體動(dòng)作關(guān)節(jié)點(diǎn)數(shù)據(jù)集訓(xùn)練SVM分類(lèi)器，以檢測(cè)人的頭、軀干、背部等部位，該算法在清晰圖像上取得較好的效果，但對(duì)于低質(zhì)圖像漏檢率較高；利用時(shí)空特征和表面特征相結(jié)合的訓(xùn)練方法，如Philippe Weinzaepfel[3]提出運(yùn)動(dòng)邊模型(motion boundary,MB)將圖像局部區(qū)域的顏色、光流以包的形式訓(xùn)練隨機(jī)森林模型，得到的支持向量機(jī)(SVM)分類(lèi)器可檢測(cè)精確的目標(biāo)邊緣，但當(dāng)目標(biāo)無(wú)明顯運(yùn)動(dòng)時(shí)，邊緣檢測(cè)結(jié)果不佳；基于多視角視頻的目標(biāo)檢測(cè)利用多個(gè)不同視角的監(jiān)控視頻跟蹤目標(biāo)，檢測(cè)目標(biāo)行為，如KSusheel Kumar等[4]提出的實(shí)時(shí)多視角視頻跟蹤算法，應(yīng)用在安全系統(tǒng)中。

Egocentric視頻的分析和處理是近年來(lái)的研究熱點(diǎn)之一，目前的研究主要集中于估計(jì)拍攝者所關(guān)注的顯著區(qū)域，例如Hyun Soo Park[5]提出利用群體模式的幾何關(guān)系得到成員交互關(guān)系，經(jīng)訓(xùn)練后得到分類(lèi)器預(yù)測(cè)顯著區(qū)域，但此類(lèi)方法無(wú)法獲得顯著區(qū)域中成員的精確位置；Lin等[6]在多個(gè)視頻中利用不同運(yùn)動(dòng)模式對(duì)成員做匹配，然后利用條件隨機(jī)場(chǎng)尋找時(shí)空一致性最高的成員，即為當(dāng)前最顯著成員，但此類(lèi)方法需要每個(gè)成員同一時(shí)刻的動(dòng)作具有差異性；通過(guò)多個(gè)視頻尋找匹配點(diǎn)利用透視圖原理計(jì)算出多個(gè)成員的位置和姿態(tài)，如Hyun Soo Park等[5]通過(guò)SfM[7]方法，恢復(fù)三維場(chǎng)景及成員位置和姿態(tài)，實(shí)現(xiàn)場(chǎng)景理解；利用多個(gè)視頻間的相互運(yùn)動(dòng)關(guān)系進(jìn)行成員檢測(cè)，如Ryo Yonetani等[8]利用一對(duì)成員互相拍攝的視頻，根據(jù)超像素分割單位區(qū)域的局部相對(duì)運(yùn)動(dòng)和全局運(yùn)動(dòng)信息搜索其中一個(gè)成員，但此方法一次只能檢測(cè)一個(gè)拍攝視頻的成員面部。上述傳統(tǒng)的基于視頻的顯著目標(biāo)檢測(cè)方法大多基于固定視角或視角微變的視頻，而multi-egocentric視頻中場(chǎng)景變化劇烈，目標(biāo)運(yùn)動(dòng)穩(wěn)定性低，如DPM[1]在視角變換劇烈時(shí)的檢測(cè)效果下降；Poselets[2]算法在圖像有輕微運(yùn)動(dòng)模糊時(shí)的性能受到較大影響；Motion Boundaries[3]算法在目標(biāo)尺寸較小時(shí)出現(xiàn)漏檢?；诖耍疚奶岢隽艘环N兩步層進(jìn)目標(biāo)檢測(cè)算法，將目標(biāo)檢測(cè)分為粗檢測(cè)階段和細(xì)檢測(cè)兩階段，從而提高了基于Egocentric視頻的目標(biāo)檢測(cè)的魯棒性，并提出了multi-egocentric視頻中的目標(biāo)匹配算法，實(shí)現(xiàn)了多視角多目標(biāo)的匹配。算法流程圖如圖1。

圖1 本文算法流程(n為相機(jī)個(gè)數(shù),即視角數(shù)，βi,i=1,2，…,11為目標(biāo)編號(hào))

1 兩步層進(jìn)目標(biāo)檢測(cè)算法

兩步層進(jìn)目標(biāo)檢測(cè)算法的主要思想是首先粗略定位目標(biāo)位置，其次優(yōu)化目標(biāo)區(qū)域。算法分為兩步：第1步是基于Boosting[9]模型的目標(biāo)粗定位方法，融合多個(gè)檢測(cè)器結(jié)果，最大限度覆蓋目標(biāo)區(qū)域，此種方法在一定程度上克服了Egocentric視頻背景變化劇烈、目標(biāo)尺度差異明顯和視角時(shí)變性強(qiáng)等特點(diǎn)導(dǎo)致的檢測(cè)結(jié)果不完整、漏檢、錯(cuò)檢等問(wèn)題，提高了算法的魯棒性；第2步采用基于局部相似度的區(qū)域優(yōu)化方法對(duì)目標(biāo)輪廓進(jìn)行優(yōu)化，得到更精確的目標(biāo)區(qū)域。

1.1 基于Boosting模型的目標(biāo)粗檢測(cè)算法

圖2 基于boosting模型的目標(biāo)粗檢測(cè)算法流程

在以上的檢測(cè)算法中設(shè)置較低的檢測(cè)閾值，可獲得較多的目標(biāo)候選區(qū)域，當(dāng)然其中包含大量的冗余結(jié)果。根據(jù)目標(biāo)候選區(qū)的空間位置關(guān)系進(jìn)行區(qū)域融合得到目標(biāo)粗檢測(cè)結(jié)果。具體算法如下：

算法1基于空間位置關(guān)系的區(qū)域融合算法

4)重復(fù)執(zhí)行3)，直至無(wú)重疊的顯著目標(biāo)候選區(qū)域，算法結(jié)束。

1.2 基于局部相似度的目標(biāo)區(qū)域優(yōu)化算法

對(duì)任意超像素pi，計(jì)算其屬于顯著目標(biāo)可能性為

式中：ψa(pi,pj)表示超像素pi和pj的顏色相似度，由顏色直方圖特征向量的κ2距離確定，ψo(hù)(pi,pj)表示超像素pi和pj之間的運(yùn)動(dòng)相似度，由光流模直方圖特征向量的κ2距離確定，ωa和ωo為權(quán)值。

計(jì)算所有超像素的顯著目標(biāo)可能性后，保留超像素集合P中D(pi)≥θ3(θ3為閾值)的超像素pi,從而得到優(yōu)化后的顯著目標(biāo)區(qū)域，基于局部相似度的D計(jì)算式(3)的區(qū)域優(yōu)化算法示意如圖3。

由于，經(jīng)過(guò)兩步層進(jìn)目標(biāo)檢測(cè)后，得到了各個(gè)視角的Egocentric視頻每幀中的顯著目標(biāo)檢測(cè)結(jié)果，下面將對(duì)各個(gè)視角中的顯著目標(biāo)進(jìn)行匹配。

圖3 基于局部相似度的區(qū)域優(yōu)化算法

2 基于HOG特征的目標(biāo)匹配算法

算法2基于HOG特征的目標(biāo)匹配算法

2)初始化SVM分類(lèi)器參數(shù)，bins以及l(fā)evel；

3)將hη按不同level劃分為固定大小的矩形塊；在每一個(gè)矩形塊上統(tǒng)計(jì)梯度向量直方圖(HOG)，并將不同level的直方圖特征連接起來(lái)組成特征向量vη；

4)最后將vη和βη輸入SVM分類(lèi)器中進(jìn)行訓(xùn)練；

5)重復(fù)執(zhí)行3)、4)直到所有顯著目標(biāo)區(qū)域訓(xùn)練完畢，輸出SVM目標(biāo)匹配模型。

基于HOG特征的目標(biāo)匹配分類(lèi)器訓(xùn)練流程如圖4所示。

由兩步層進(jìn)法檢測(cè)得到多視角的顯著目標(biāo)后，基于HOG特征的目標(biāo)匹配分類(lèi)器實(shí)現(xiàn)多視角中多目標(biāo)的匹配流程如圖5所示。

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文算法的有效性，采用Hyun Soo Park[3]的Party Scene 數(shù)據(jù)集進(jìn)行目標(biāo)檢測(cè)和目標(biāo)匹配實(shí)驗(yàn)。該multi-egocentric數(shù)據(jù)集進(jìn)行目標(biāo)檢測(cè)和目標(biāo)匹配實(shí)驗(yàn)。該數(shù)據(jù)集包括來(lái)自11個(gè)相機(jī)的第一視角視頻數(shù)據(jù)，并且是同時(shí)拍攝同一場(chǎng)景得到的。每個(gè)視頻共8 640幀，經(jīng)同步后每個(gè)視頻共8 566幀，本文取前914幀中的目標(biāo)樣本做手工標(biāo)注，作為訓(xùn)練集；另選取50幀作為測(cè)試集，其包含沒(méi)有任何目標(biāo)個(gè)體的幀。本文的目標(biāo)檢測(cè)算法與MB、DPM、SPP Net、Poselets算法結(jié)果對(duì)比如圖6所示。SPP Net、DPM算法在隨機(jī)窗口中搜索窗口包含目標(biāo)概率最高的框，因此搜索結(jié)果可能不會(huì)完全覆蓋目標(biāo)區(qū)域，但相對(duì)準(zhǔn)確，這也使得檢測(cè)的顯著目標(biāo)輪廓不完整，如圖6中第1行、第2行所示；MB算法主要通過(guò)目標(biāo)的運(yùn)動(dòng)信息檢測(cè)目標(biāo)邊緣，但Egocentric 視頻中的運(yùn)動(dòng)相對(duì)復(fù)雜，尤其是當(dāng)目標(biāo)運(yùn)動(dòng)不顯著或目標(biāo)只有局部運(yùn)動(dòng)時(shí)，MB算法無(wú)法檢測(cè)到或只能部分檢測(cè)到目標(biāo)，如圖6中第1行、第3列，檢測(cè)結(jié)果中漏檢了目標(biāo)的手部；而Poselets算法首先檢測(cè)目標(biāo)部位，再根據(jù)目標(biāo)種類(lèi)的不同合并符合模式的部位檢測(cè)結(jié)果，因此檢測(cè)結(jié)果中會(huì)產(chǎn)生一些孤立的部位檢測(cè)結(jié)果，降低了檢測(cè)結(jié)果的精度，如圖6中Poselets列所示；由Egocentric視頻視角時(shí)變性導(dǎo)致的像第3行這樣的拍攝角度不正的圖像非常常見(jiàn)，而SPPNet、DPM算法對(duì)此種圖像會(huì)有顯著目標(biāo)漏檢的情況。本文算法在粗檢測(cè)過(guò)程中綜合了以上算法優(yōu)勢(shì)，并基于空間位置進(jìn)行了區(qū)域融合，從而有效地避免了egocentric視頻中目標(biāo)尺度、運(yùn)動(dòng)差異較大而引起的漏檢問(wèn)題，而基于局部相似度的區(qū)域優(yōu)化能很好地排除復(fù)雜背景的影響，因而具有較強(qiáng)的魯棒性。本文算法的顯著目標(biāo)檢測(cè)結(jié)果如圖6中第1列所示。

圖4 基于HOG特征的目標(biāo)匹配分類(lèi)器訓(xùn)練流程(βi,i=1,2，…,η表示目標(biāo)編號(hào))

圖5 多視角多目標(biāo)匹配算法流程(βi,i=1,2,…,η 表示顯著目標(biāo)區(qū)域匹配編號(hào))

圖6 本文方法與DPM、SPP Net、Poselets算法結(jié)果對(duì)比圖(Ours列為本文方法的檢測(cè)結(jié)果，圖中橢圓框中為算法漏檢或錯(cuò)檢的區(qū)域)

本文提出的基于HOG特征的多目標(biāo)匹配算法實(shí)驗(yàn)結(jié)果如圖7所示，可以看出，在大多數(shù)情況下，本文提出的算法能夠有效地匹配多視角中的多個(gè)目標(biāo)。但是當(dāng)視頻視角變化較大時(shí)，目標(biāo)姿態(tài)不正，從而導(dǎo)致目標(biāo)匹配失敗，究其原因，因?yàn)橛?xùn)練是通過(guò)人工標(biāo)注的包含目標(biāo)的矩形框來(lái)完成的，從而導(dǎo)致訓(xùn)練樣例包含更多的非目標(biāo)區(qū)域給匹配結(jié)果的正確性帶來(lái)影響，造成匹配結(jié)果不準(zhǔn)確，如圖7中第3列的目標(biāo)1和第4列的目標(biāo)7；另外，由于提取特征時(shí)是通過(guò)將顯著目標(biāo)區(qū)域分成固定尺寸的bins(子塊)，因此當(dāng)顯著目標(biāo)區(qū)域較小時(shí)，所劃分的bins(子塊)也就很少，提取的特征也就不顯著，因此會(huì)出現(xiàn)結(jié)果錯(cuò)誤，如圖7中第1列的目標(biāo)2、5、3。

最后，本文采用F-measure方法評(píng)價(jià)目標(biāo)檢測(cè)算法。查準(zhǔn)率和查全率的計(jì)算為

式中：Si為目標(biāo)檢測(cè)算法檢測(cè)的目標(biāo)區(qū)域像素?cái)?shù)，Gi為人工標(biāo)注的目標(biāo)區(qū)域像素?cái)?shù)，n為目標(biāo)數(shù)。

則F-measure為

目標(biāo)匹配正確率的計(jì)算為

本文提出的魯棒的multi-egocentric視頻中的目標(biāo)檢測(cè)和目標(biāo)匹配算法在整個(gè)數(shù)據(jù)集上的檢測(cè)結(jié)果如表1所示。

圖7 本文基于HOG特征的顯著目標(biāo)匹配算法結(jié)果和Ground-Truth對(duì)比圖

表1 在Party Scene數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果對(duì)比

4 結(jié)束語(yǔ)

本文對(duì)multi-egocentric視頻中的多目標(biāo)檢測(cè)和匹配進(jìn)行了研究,提出了基于boosting和局部相似度的兩步層進(jìn)目標(biāo)檢測(cè)算法，綜合多種檢測(cè)模型的優(yōu)勢(shì)以克服Egocentric視頻中目標(biāo)尺度差異明顯和視角時(shí)變性強(qiáng)給檢測(cè)帶來(lái)的干擾。在顯著目標(biāo)檢測(cè)基礎(chǔ)上，對(duì)不同視角中的顯著目標(biāo)構(gòu)建基于HOG特征的SVM分類(lèi)器，實(shí)現(xiàn)多視角的多目標(biāo)匹配，為后期的群體分析、場(chǎng)景理解等高級(jí)視覺(jué)任務(wù)提供了前期基礎(chǔ)。multi-egocentric視頻的處理和分析是一個(gè)極具挑戰(zhàn)的研究課題，在后續(xù)的研究工作中，將進(jìn)一步考慮融合局部相似度和全局相似度的顯著目標(biāo)區(qū)域檢測(cè)方法，同時(shí)多視角之間的運(yùn)動(dòng)關(guān)聯(lián)和目標(biāo)自運(yùn)動(dòng)軌跡也是多視角視頻分析中的重要線索。

[1]FELZENSZWALB P, MCALLESTER D, RAMANAN D. A discriminatively trained, multiscale, deformable part model[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Anchorage, AK: IEEE, 2008: 1-8.

[2]BOURDEV L, MALIK J. Poselets: body part detectors trained using 3d human pose annotations[C]//Proceedings of the 2009 IEEE 12th International Conference on Computer Vision. Kyoto: IEEE, 2009: 1365-1372.

[3]WEINZAEPFEL P, REVAUD J, HARCHAOUI Z, et al. Learning to detect motion boundaries[C]//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston, MA: IEEE, 2015: 2578-2586.

[4]KUMAR K S, PRASAD S, SAROJ P K, et al. Multiple cameras using real time object tracking for surveillance and security system[C]//Proceedings of the 2010 3rd International Conference on Emerging Trends in Engineering and Technology. Goa: IEEE, 2010: 213-218.

[5]SOO PARK H, SHI Jianbo. Social saliency prediction[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Boston, MA: IEEE, 2015: 4777-4785.

[6]LIN Yuewei, ABDELFATAH K, ZHOU Youjie, et al. Co-interest person detection from multiple wearable camera videos[C]//Proceedings of the IEEE International Conference on Computer Vision. Santiago: IEEE, 2015: 4426-4434.

[7]SNAVELY N, SEITZ S M, SZELISKI R. Photo tourism: exploring photo collections in 3D[J]. ACM transactions on graphics (TOG), 2006, 25(3): 835-846.

[8]YONETANI R, KITANI K M, SATO Y. Ego-surfing first person videos[C]//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston, MA: IEEE, 2015: 5445-5454.

[9]FREUND Y, SCHAPIRE R. A short introduction to boosting[J]. Journal of Japanese society for artificial intelligence, 1999, 14(5): 771-780.

[10]HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[M]//FLEET D, PAJDLA T, SCHIELE B, et al. Computer Vision-ECCV 2014. Switzerland: Springer International Publishing, 2014: 346-361.

[11]LAZEBNIK S, SCHMID C, PONCE J. Beyond bags of features: spatial pyramid matching for recognizing natural scene categories[C]//Proceedings of 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. New York, NY, USA: IEEE, 2006, 2: 2169-2178.

[12]BURGES C J C. A tutorial on support vector machines for pattern recognition[J]. Data mining and knowledge discovery, 1998, 2(2): 121-167.

[13]DALAL N, TRIGGS B. Histograms of oriented gradients for human detection[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Diego, CA, USA: IEEE, 2005, 1: 886-893.

[14]ZHU Wangjiang, LIANG Shuang, WEI Yichen, et al. Saliency optimization from robust background detection[C]//Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus, OH: IEEE, 2014: 2814-2821.

李龍,男，1982年生，碩士研究生，主要研究方向?yàn)閳D像處理與計(jì)算機(jī)視覺(jué)。

尹輝,女，1972年生,副教授，博士生導(dǎo)師，主要研究方向?yàn)橛?jì)算機(jī)視覺(jué)、模式識(shí)別以及神經(jīng)計(jì)算。

許宏麗,女，1963年生, 教授,主要研究方向?yàn)橛?jì)算機(jī)技術(shù)、機(jī)器學(xué)習(xí)以及認(rèn)知計(jì)算。

A robust multi-object detection and matching algorithm for multi-egocentric videos

LI Long1, Yin Hui1,2, XU Hongli1, OU Weiqi1

(1. Department of Computer Science and Technology, Beijing Jiaotong University, Beijing 100044, China; 2. Beijing Key Lab of Transportation Data Analysis and Mining, Beijing Jiaotong University, Beijing 100044, China)

In this paper, a robust multi-object detection and matching algorithm for a multi-egocentric video is proposed by considering the characteristics of multi-egocentric videos, for example, sudden changes in background, and variable target scales and viewpoints. First, a multi-target detection model based on a boosting method is constructed, to roughly detect any salient objects in the video frames. Then an optimization algorithm based on local similarity is proposed for optimizing the salient-object area and improving the accuracy of salient-object detection and localization. Finally, a SVM classifier based on HOG features is trained to realize multi-target matching in multi-egocentric videos. Experiments using Scene Party datasets show the effectiveness of the proposed method.

multi-egocentric video; multi-object detection; multi-object matching

2016-03-20.

日期：2016-08-24.

國(guó)家自然科學(xué)基金項(xiàng)目(61472029,61473031).

李龍. E-mail:hyin@djpu.edu.cn.

TP391.4

A

1673-4785(2016)05-0619-08

10.11992/tis.201603050

http://www.cnki.net/kcms/detail/23.1538.TP.20160824.0929.016.html

李龍，尹輝，許宏麗，等.一種魯棒的Multi-Egocentric視頻中的多目標(biāo)檢測(cè)及匹配算法[J]. 智能系統(tǒng)學(xué)報(bào)， 2016, 11(5):619-626.

英文引用格式：LI Long, YIN Hui, XU Hongli,et al. A robust multi-object detection and matching algorithm for multi-egocentric videos[J]. CAAI transactions on intelligent systems, 2016,11(5):619-626.