A diversity of tracking problems exists in which cohorts of densely packed particles move in an organized fashion, however the stability of individual particles within the cohort is low. Moreover, the flows of cohorts can regionally overlap. Together, these conditions yield a complex tracking scenario that can not be addressed by optical flow techniques that assume piecewise coherent flows, or by multiparticle tracking techniques that suffer from the local ambiguity in particle assignment. Here, we propose a graph-based assignment of particles in three consecutive frames to recover from image sequences the instantaneous organized motion of groups of particles, i.e. flows. The algorithm makes no a priori assumptions on the fraction of particles participating in organized movement, as this number continuously alters with the evolution of the flow fields in time. Graph-based assignment methods generally maximize the number of acceptable particles assignments between consecutive frames and only then minimize the association cost. In dense and unstable particle flow fields this approach produces many false positives. The here proposed approach avoids this via solution of a multi-objective optimization problem in which the number of assignments is maximized while their total association cost is minimized at the same time. The method is validated on standard benchmark data for particle tracking. In addition, we demonstrate its application to live cell microscopy where several large molecular populations with different behaviors are tracked.

中文翻译：

---

粒子流跟踪中的最优流最小成本对应分配。

存在多种跟踪问题，其中密集堆积的粒子群以有组织的方式移动，但是群内单个粒子的稳定性很低。此外，队列的流动可以在区域上重叠。总之，这些条件产生了一个复杂的跟踪场景，无法通过假设分段相干流的光流技术或受粒子分配局部模糊的多粒子跟踪技术来解决。在这里，我们提出了基于图的粒子在三个连续帧中的分配，以从图像序列中恢复粒子组的瞬时组织运动，即流。该算法对参与有组织运动的粒子的比例没有先验假设，因为这个数字随着时间流场的演变而不断变化。基于图的分配方法通常最大化连续帧之间可接受的粒子分配数量，然后才最小化关联成本。在密集且不稳定的粒子流场中，这种方法会产生许多误报。这里提出的方法通过解决多目标优化问题来避免这种情况，其中分配的数量最大化，同时它们的总关联成本最小化。该方法在用于粒子跟踪的标准基准数据上得到验证。此外，我们展示了它在活细胞显微镜下的应用，其中跟踪了几个具有不同行为的大分子群。基于图的分配方法通常最大化连续帧之间可接受的粒子分配数量，然后才最小化关联成本。在密集且不稳定的粒子流场中，这种方法会产生许多误报。这里提出的方法通过解决多目标优化问题来避免这种情况，其中分配的数量最大化，同时它们的总关联成本最小化。该方法在用于粒子跟踪的标准基准数据上得到验证。此外，我们展示了它在活细胞显微镜下的应用，其中跟踪了几个具有不同行为的大分子群。基于图的分配方法通常最大化连续帧之间可接受的粒子分配数量，然后才最小化关联成本。在密集且不稳定的粒子流场中，这种方法会产生许多误报。这里提出的方法通过解决多目标优化问题来避免这种情况，其中分配的数量最大化，同时它们的总关联成本最小化。该方法在用于粒子跟踪的标准基准数据上得到验证。此外，我们展示了它在活细胞显微镜下的应用，其中跟踪了几个具有不同行为的大分子群。在密集且不稳定的粒子流场中，这种方法会产生许多误报。这里提出的方法通过解决多目标优化问题来避免这种情况，其中分配的数量最大化，同时它们的总关联成本最小化。该方法在用于粒子跟踪的标准基准数据上得到验证。此外，我们展示了它在活细胞显微镜下的应用，其中跟踪了几个具有不同行为的大分子群。在密集且不稳定的粒子流场中，这种方法会产生许多误报。这里提出的方法通过解决多目标优化问题来避免这种情况，其中分配的数量最大化，同时它们的总关联成本最小化。该方法在用于粒子跟踪的标准基准数据上得到验证。此外，我们展示了它在活细胞显微镜下的应用，其中跟踪了几个具有不同行为的大分子群。