LEGO：面向点云在线多目标跟踪的学习与图优化模块化跟踪器
计算机视觉与模式识别
2025-09-08 v6 人工智能
摘要
在线多目标跟踪（MOT）在自主系统中起着关键作用。最先进的方法通常采用检测跟踪（tracking-by-detection）范式，其中数据关联起着至关重要的作用。本文提出一种学习与图优化（LEGO）模块化跟踪器，以改进现有文献中的数据关联性能。所提出的 LEGO 跟踪器集成了图优化与自注意力机制，高效地构建关联得分图，促进跨时间帧物体的准确高效匹配。为了进一步增强状态更新过程，引入卡尔曼滤波（Kalman filter），通过纳入物体状态的时间一致性来确保一致跟踪。我们提出的方法仅利用 LiDAR 即展现出优于其他在线跟踪方法的卓越性能，包括基于 LiDAR 与基于 LiDAR-相机融合的方法。LEGO 在向 KITTI 目标跟踪评测排行榜提交结果时排名第 1，在提交本论文时仍位居第 2，位列 KITTI MOT 基准中汽车类所有在线跟踪器之首。
引用
@article{arxiv.2308.09908,
title = {LEGO: Learning and Graph-Optimized Modular Tracker for Online Multi-Object Tracking with Point Clouds},
author = {Zhenrong Zhang and Jianan Liu and Yuxuan Xia and Tao Huang and Qing-Long Han and Hongbin Liu},
journal= {arXiv preprint arXiv:2308.09908},
year = {2025}
}
备注
Accept by IEEE Transactions on Circuits and Systems for Video Technology