用于鲁棒多目标跟踪的自我运动感知目标预测模块
计算机视觉与模式识别
2024-04-05 v1
摘要
多目标跟踪 (MOT) 是计算机视觉中的一项重要任务，应用于自动驾驶，负责同时跟踪多条目标轨迹。基于检测的多目标跟踪 (DBT) 算法使用独立的物体检测器检测目标，并预测每个目标的即将出现位置。DBT 中的传统预测方法利用卡尔曼滤波 (KF)，通过假设匀速运动模型来外推目标在后续帧中的位置。由于剧烈的相机运动或不可用的检测结果，这些方法在自动驾驶应用中尤其受阻。这些限制导致跟踪失败，表现为大量的身份切换和中断的轨迹。在本文中，我们引入了一种新颖的基于 KF 的预测模块，称为自我运动感知目标预测 (EMAP) 模块，重点是将相机运动和深度信息与目标运动模型相结合。我们提出的方法通过重新表述卡尔曼滤波，将相机旋转和平移速度的影响从目标轨迹中解耦。这种重新表述使我们能够抑制由相机运动引起的扰动，并最大化目标运动模型的可靠性。我们将我们的模块与四种最先进的基础 MOT 算法集成，即 OC-SORT、Deep OC-SORT、ByteTrack 和 BoT-SORT。特别是，我们在 KITTI MOT 数据集上的评估表明，EMAP 分别将 OC-SORT 和 Deep OC-SORT 的身份切换 (IDSW) 数量显著降低了 73% 和 21%。同时，它使 HOTA 等其他性能指标提升了 5% 以上。我们的源代码可在 https://github.com/noyzzz/EMAP 获取。
引用
@article{arxiv.2404.03110,
title = {Ego-Motion Aware Target Prediction Module for Robust Multi-Object Tracking},
author = {Navid Mahdian and Mohammad Jani and Amir M. Soufi Enayati and Homayoun Najjaran},
journal= {arXiv preprint arXiv:2404.03110},
year = {2024}
}
备注
7 pages, 4 figures, submitted to IROS2024