用于高效人员分析的检测-跟踪：DetTA 流水线
机器人学
2018-07-31 v2 计算机视觉与模式识别
摘要
在过去的十年中，许多机器人被部署到真实环境中，人员检测与跟踪是此类部署的重要组件。除此之外，人们常常需要运行分析人员并提取更高层次属性（如年龄和性别）或动态信息（如注视和姿态）的模块。后者对于构建反应式、社交性的机器人-人员交互尤为必要。在本文中，我们将这些组件组合成一个完全模块化的检测-跟踪-分析流水线，称为 DetTA。我们以头部和骨架姿态为例，通过使用一致的跟踪 ID 对分析模块的观测进行时间滤波，研究了这种集成的益处，在具有挑战性的真实场景中也显示出轻微改进。我们还研究了一种所谓“自由飞行”模式的潜力，其中人员属性的分析仅依赖滤波器对某些帧的预测。我们的研究表明，这极大地提升了运行效率，而预测质量保持稳定。这一见解对于在移动平台上运行许多分析组件时降低功耗和共享宝贵的（GPU-）内存尤为重要，在昂贵的深度学习方法时代更是如此。
引用
@article{arxiv.1804.10134,
title = {Detection-Tracking for Efficient Person Analysis: The DetTA Pipeline},
author = {Stefan Breuers and Lucas Beyer and Umer Rafi and Bastian Leibe},
journal= {arXiv preprint arXiv:1804.10134},
year = {2018}
}
备注
Code available at: https://github.com/sbreuers/detta