3D 多视角多目标跟踪中的轨迹初始化与重识别

我们提出了仅使用单摄像机 2D 检测的 3D 多目标跟踪 (MOT) 解决方案，该解决方案自动初始化/终止轨迹，同时解决轨迹外观重识别和遮挡问题。此方法在摄像机重新配置时不需要检测器重新训练，但只需更新重新配置摄像机的矩阵。我们的 approach 基于贝叶斯多目标表述，将轨迹初始化/终止、重识别、遮挡处理和数据关联整合到单个贝叶斯滤波递归中。然而，由于 (多目标) 滤波密度中项的指数增长，exact filter 在数值上是不可计算的，而现有近似方法则以牺牲某些功能为代价换取速度。为此，我们开发了一种适用于在线 MOT 的更高效近似方法，通过整合对象特征和运动学到测量模型中来提高数据关联，从而减少项的数量。具体而言，我们利用多个摄像机的 2D 检测和提取的特征，为实现轨迹初始化/终止和重识别功能，提供对多目标滤波密度的更好近似。进一步，通过基于 2D 3D 对象在摄像机平面上的投影实现可计算的几何遮挡模型，实现滤波的遮挡处理功能。对所提出解决方案在具有挑战性数据集上的评估表明，在摄像机配置动态变化的情况下，该方法在可靠性和显著性方面优于现有的多视角 MOT 解决方案。源代码已公开于 https://github.com/linh-gist/mv-glmb-ab。