传播与校准：实时被动非视距跟踪
计算机视觉与模式识别
2023-03-28 v2
摘要
近年来，非视距（Non-line-of-sight, NLOS）跟踪因其能够检测视线外的物体运动而受到越来越多的关注。以往大多数关于 NLOS 跟踪的工作依赖于主动照明（例如激光），存在成本高昂和实验条件复杂的问题。此外，由于设置过于简化，这些技术仍远未达到实际应用的要求。相比之下，我们提出了一种纯被动方法，仅通过观察中继墙来跟踪在不可见房间中行走的人，这更符合如安防等真实应用场景。为了挖掘中继墙视频中难以察觉的变化，我们引入差分帧作为时间-局部运动信息的重要载体。此外，我们提出了 PAC-Net，它由交替的传播和校准组成，使其能够在帧级粒度上利用动态和静态信息。为了评估所提出的方法，我们构建并发布了首个动态被动 NLOS 跟踪数据集 NLOS-Track，填补了真实 NLOS 数据集的空白。NLOS-Track 包含数千个 NLOS 视频片段和相应的轨迹，其中包括真实拍摄和合成的数据。我们的代码和数据集可在 https://againstentropy.github.io/NLOS-Track/ 获取。
引用
@article{arxiv.2303.11791,
title = {Propagate And Calibrate: Real-time Passive Non-line-of-sight Tracking},
author = {Yihao Wang and Zhigang Wang and Bin Zhao and Dong Wang and Mulin Chen and Xuelong Li},
journal= {arXiv preprint arXiv:2303.11791},
year = {2023}
}
备注
CVPR 2023 camera-ready version. Codes and dataset are available at https://againstentropy.github.io/NLOS-Track/