MOANA：一种用于三维鲁棒多目标跟踪的在线学习自适应表观模型
计算机视觉与模式识别
2019-03-08 v2
摘要
多目标跟踪一直是一个具有挑战性的领域，主要由于有噪声的检测集以及由遮挡和邻近目标间相似表观引起的身份切换。以往工作依赖于基于单个或若干选定帧构建的表观模型进行特征比较，但无法编码由姿态、视角和光照条件引起的长期表观变化。本工作中，我们提出一种自适应模型，在线学习每个目标相对长期的表观变化。所提模型兼容任意固定维特征或其组合，其学习率由自适应更新与空间加权方案动态控制。为处理遮挡与邻近相似表观目标，我们还基于所提自适应表观模型的应用设计了交叉匹配与重识别方案。此外，三维几何信息被有效纳入我们的数据关联公式中。所提方法在MOTChallenge 3D基准上优于所有最先进方法，且仅用标准台式机CPU即实现实时计算。在MOTChallenge的2D基准上，它也展现出优于最先进方法的性能。
引用
@article{arxiv.1901.02626,
title = {MOANA: An Online Learned Adaptive Appearance Model for Robust Multiple Object Tracking in 3D},
author = {Zheng Tang and Jenq-Neng Hwang},
journal= {arXiv preprint arXiv:1901.02626},
year = {2019}
}
备注
Accepted to be published at IEEE Access (Special Section: AI-Driven Big Data Processing: Theory, Methodology, and Applications)