面向稳健与自适应的多目标跟踪集成高斯过程
计算机视觉与模式识别
2025-07-08 v1 应用统计
统计方法学
摘要
本文提出一种计算效率高的多目标跟踪方法，能够最小化轨迹中断（例如在具有挑战性的环境中或针对敏捷目标时），能够在线学习测量模型参数（例如在动态变化的场景中），并且可推断被跟踪对象的类别，若进行联合跟踪与运动学行为分类。它利用了集成高斯过程作为运动模型所提供的灵活性，以及非齐次泊松过程作为合适观测模型的便利统计性质。这可以与提出的有效轨迹复活/拼接机制相结合。因此，我们引入两种稳健且自适应的跟踪器，分别称为带分类的高斯与泊松过程 (Gaussian and Poisson Process with Classification, GaPP-Class) 和带复活与分类的GaPP (GaPP with Revival and Classification, GaPP-ReaCtion)。它们采用合适的粒子滤波推断方案，有效地集成轨迹管理与超参数学习（包括所需时的对象类别）。GaPP-ReaCtion 在GaPP-Class 的基础上增加了一个应用于每个粒子的马尔可夫链蒙特卡罗核，允许轨迹复活和拼接（例如，在删除轨迹后不久的几个时间步内）。通过使用合成数据和真实数据进行的性能评估和基准测试显示，GaPP-Class 和 GaPP-ReaCtion 在其他最先进的跟踪算法方面表现优异。例如，GaPP-ReaCtion 从真实雷达数据中大约降低了30%的轨迹中断，并在模拟数据上降幅明显更大。
引用
@article{arxiv.2507.04116,
title = {Integrated Gaussian Processes for Robust and Adaptive Multi-Object Tracking},
author = {Fred Lydeard and Bashar I. Ahmad and Simon Godsill},
journal= {arXiv preprint arXiv:2507.04116},
year = {2025}
}
备注
18 pages, 5 figures, submitted to IEEE Transactions on Aerospace and Electronic Systems