以观测为中心的 SORT：重新思考 SORT 以实现鲁棒的多目标跟踪
计算机视觉与模式识别
2023-03-17 v3
摘要
基于卡尔曼滤波（KF）的多目标跟踪（MOT）方法假设目标做线性运动。虽然这一假设在极短遮挡时间内可以接受，但对长时间遮挡的运动线性估计可能极不准确。此外，当没有可用测量来更新卡尔曼滤波参数时，标准做法是信任先验状态估计进行后验更新。这导致遮挡期间误差的累积。该误差在实践中引起显著的运动方向方差。在本工作中，我们表明，如果适当处理以修正遮挡期间累积的噪声，一个基础的卡尔曼滤波仍可获得最先进的跟踪性能。我们不使用仅依赖线性状态估计（即估计中心方法），而是利用目标观测（即目标检测器的测量）计算遮挡期间的虚拟轨迹，以修正遮挡期间滤波参数的误差累积。这使得有更多时间步来纠正遮挡期间累积的误差。我们将该方法命名为以观测为中心的 SORT（OC-SORT）。它仍保持简单、在线和实时，但提高了遮挡和非线性运动下的鲁棒性。给定现成的检测结果作为输入，OC-SORT 在单个 CPU 上以 700+ FPS 运行。它在多个数据集上达到最先进水平，包括 MOT17、MOT20、KITTI、头部跟踪，尤其是目标运动高度非线性的 DanceTrack。代码和模型可在 \url{https://github.com/noahcao/OC_SORT} 获取。
引用
@article{arxiv.2203.14360,
title = {Observation-Centric SORT: Rethinking SORT for Robust Multi-Object Tracking},
author = {Jinkun Cao and Jiangmiao Pang and Xinshuo Weng and Rawal Khirodkar and Kris Kitani},
journal= {arXiv preprint arXiv:2203.14360},
year = {2023}
}
备注
Accepted by CVPR 2023. 8 pages + 10 pages of appendix. Renamed OOS as Observation-centric Re-Update (ORU)