基于 CRF 的在线多目标跟踪中轨迹片段失效框架
计算机视觉与模式识别
2021-04-26 v2
摘要
在线多目标跟踪（MOT）是计算机视觉领域的一个活跃研究课题。尽管许多已有算法展现出不错的结果，轨迹片段（tracklet）失效问题尚未得到充分研究。通常采用如基于分类分数固定阈值的简单策略，产生了不理想的跟踪错误并限制了整体性能。本文提出一种基于条件随机场（CRF）的框架来解决在线 MOT 问题中的轨迹片段失效问题。我们构建了一个利用跟踪假设间帧内关系的离散 CRF，以提升轨迹片段失效的鲁棒性。为 CRF 中的一元项与二元项分别设计了特征函数集合，考虑了实际场景中的各类跟踪挑战。为处理 MOT 语境下 CRF 节点数变化的问题，采用了假设过滤与哑节点两种策略。在所提框架中，推断阶段通过使用 loopy belief propagation 算法进行，CRF 参数通过最大似然估计方法确定并辅以轻微人工调整。实验结果表明，结合该 CRF 框架的跟踪器在 MOT16 与 MOT17 基准上优于基线。所提框架的可扩展性通过一项广泛实验得到进一步验证。
引用
@article{arxiv.2011.14594,
title = {A CRF-based Framework for Tracklet Inactivation in Online Multi-Object Tracking},
author = {Tianze Gao and Huihui Pan and Zidong Wang and Huijun Gao},
journal= {arXiv preprint arXiv:2011.14594},
year = {2021}
}
备注
13 pages, 8 figures. This work has been accepted by IEEE Transactions on Multimedia. (DOI: 10.1109/TMM.2021.3062489)