一种基于HMM的身份感知长期多目标跟踪框架：处理稀疏且不确定的识别——以畜牧业长期跟踪为例
计算机视觉与模式识别
2025-09-15 v1
摘要
由于需要分析跨越数分钟视频中个体的行为，对长期多目标跟踪（MOT）的需求正在增长。遗憾的是，由于目标之间的身份切换，现有MOT方法的跟踪性能会随时间下降，使其难以应用于长期跟踪。然而，在许多实际应用中，如畜牧业，可以通过喂食器等来源获得部分动物的零星识别信息。为了应对长期MOT的挑战，我们提出了一种新框架，该框架利用隐马尔可夫模型（HMM）将不确定身份与跟踪相结合。除了为动物提供真实世界身份外，我们的HMM框架在一个包含21个猪圈喂食站识别信息的10分钟猪跟踪数据集上，提高了领先MOT方法ByteTrack（即使带有重识别）的F1分数。我们还表明，我们的方法对识别的不确定性具有鲁棒性，随着身份信息提供频率的增加，性能也会提升。使用ByteTrack和FairMOT，我们HMM框架的性能提升也在MOT17和MOT20基准数据集上得到了验证。这个新HMM框架的代码以及新的10分钟猪跟踪视频数据集可在以下网址获取：https://github.com/ngobibibnbe/uncertain-identity-aware-tracking
引用
@article{arxiv.2509.09962,
title = {An HMM-based framework for identity-aware long-term multi-object tracking from sparse and uncertain identification: use case on long-term tracking in livestock},
author = {Anne Marthe Sophie Ngo Bibinbe and Chiron Bang and Patrick Gagnon and Jamie Ahloy-Dallaire and Eric R. Paquet},
journal= {arXiv preprint arXiv:2509.09962},
year = {2025}
}
备注
13 pages, 7 figures, 1 table, accepted at CVPR animal workshop 2024, submitted to IJCV