分布式场景下的人体跟踪与重识别：PoseTReID的扩展研究
计算机视觉与模式识别
2022-05-26 v2
摘要
在我们之前的论文中，我们介绍了PoseTReID，这是一个用于分布式交互空间中实时2D多人跟踪的通用框架，其中人体的长期身份对于行为分析等其他研究十分重要。在本文中，我们对PoseTReID框架进行了进一步研究，以更完整地理解该框架。我们使用知名的边界框检测器YOLO（v4）进行检测，以与我们上一篇论文中使用的OpenPose进行比较；使用SORT和DeepSORT与我们之前同样用过的centroid进行比较；最重要的是，对于重识别，我们使用了一系列深度学习方法，如MLFN、OSNet和OSNet-AIN，并配以我们自定义的分类层，以与我们上一篇论文中早先使用的FaceNet进行比较。通过在我们的PoseTReID数据集上评估，尽管这些深度学习重识别方法仅为跨多相机或视频的短期重识别而设计，但值得指出的是它们给出了令人印象深刻的結果，无论采用何种跟踪方法，都提升了PoseTReID框架的整体跟踪性能。同时，我们还介绍了我们面向研究且开源的Python工具箱pyppbox，它纯用Python编写，包含本研究中使用的所有子模块，以及针对我们的PoseTReID数据集的实时在线与离线评估。该pyppbox可在GitHub https://github.com/rathaumons/pyppbox 获取。
引用
@article{arxiv.2205.10086,
title = {People Tracking and Re-Identifying in Distributed Contexts: Extension Study of PoseTReID},
author = {Ratha Siv and Matei Mancas and Bernard Gosselin and Dona Valy and Sokchenda Sreng},
journal= {arXiv preprint arXiv:2205.10086},
year = {2022}
}
备注
6 pages, 5 figures, 3 tables, To be submitted to EECSI2022