基于多核的 3D 可变形模型与相机自标定车辆跟踪
计算机视觉与模式识别
2017-08-24 v1
摘要
多目标跟踪是 AI City 中的重要应用，旨在解决城市环境中与安全和拥堵相关的突出问题。交通监控中频繁的遮挡一直是该研究领域的主要问题。面对这一挑战，我们提出了一种基于模型的车辆定位方法，该方法在 3D 可变形车辆模型的每个块上构建一个核，并将它们与 3D 空间中的约束相关联。所提出的方法除了利用颜色信息外，还利用形状适应度评估，以稳健且高效地跟踪车辆目标。为了以完全无监督的方式构建 3D 汽车模型，我们还通过跟踪行走的人类来实现进化相机自标定，从而自动计算相机参数。此外，对 3D 建模和相机自标定至关重要的分割前景掩码，通过来自跟踪的多核反馈进行自适应细化。对于目标检测/分类，采用最先进的单次多盒检测器（SSD）在 NVIDIA AI City 数据集上进行训练和测试。为了提高在仅有少量目标的类别（如公交车、自行车和摩托车）上的准确性，我们还采用了 YOLO9000 的预训练模型进行多尺度测试。我们基于集成学习结合了 SSD 和 YOLO9000 的结果。实验表明，我们提出的跟踪系统优于基于分割的跟踪和基于检测的最先进跟踪方法。
引用
@article{arxiv.1708.06831,
title = {Multiple-Kernel Based Vehicle Tracking Using 3D Deformable Model and Camera Self-Calibration},
author = {Zheng Tang and Gaoang Wang and Tao Liu and Young-Gun Lee and Adwin Jahn and Xu Liu and Xiaodong He and Jenq-Neng Hwang},
journal= {arXiv preprint arXiv:1708.06831},
year = {2017}
}
备注
6 pages, 6 figures, 3 tables, 2017 IEEE Smart World NVIDIA AI City Challenge (Winner of Track 2: Applications)