基于聚合局部流描述符的近在线多目标跟踪

在本文中，我们关注多目标跟踪问题的两个关键方面：1) 设计准确的相关性度量以关联检测框；2) 实现高效且准确的（近）在线多目标跟踪算法。作为第一个贡献，我们引入了一种新颖的聚合局部流描述符（Aggregated Local Flow Descriptor, ALFD），它利用长期兴趣点轨迹（IPTs）对一对时间上相距较远的检测框之间的相对运动模式进行编码。借助IPTs，ALFD提供了一种鲁棒的相关性度量，用于估计检测框匹配的可能性，而与应用场景无关。作为另一个贡献，我们提出了一种近在线多目标跟踪（Near-Online Multi-target Tracking, NOMT）算法。该跟踪问题被表述为一个时间窗口内目标与检测框之间的数据关联，并在每一帧重复执行。在保持高效的同时，NOMT通过将多种线索（包括ALFD度量、目标动态、外观相似度以及长期轨迹正则化）整合到模型中来实现鲁棒性。我们的消融分析验证了ALFD度量相对于其他传统相关性度量的优越性。我们在两个具有挑战性的跟踪数据集KITTI和MOT上进行了全面的实验评估。结合ALFD度量的NOMT方法在两个数据集上均取得了最佳精度，比最先进方法高出显著幅度（MOTA提高约10%）。