无外观跟踪：利用局部与全局运动模式学习边界框与航迹片段嵌入的车辆跟踪
计算机视觉与模式识别
2021-08-16 v1
摘要
车辆跟踪是多目标跟踪（MOT）领域中的一项重要任务。车辆跟踪的一个显著特征是，车辆轨迹在世界坐标系和图像坐标系中均相当平滑。因此，捕捉运动一致性的模型具有高度必要性。然而，仅基于运动的独立跟踪器进行跟踪颇具挑战，因为目标可能因信息有限、检测误差和遮挡而容易丢失。利用外观信息辅助目标重识别可在一定程度上解决该挑战。然而，这样做需要额外计算，且外观信息同样对遮挡敏感。本文中，我们试图探索在无外观信息情况下运动模式对车辆跟踪的重要性。我们提出一种新方法，利用独家充分挖掘的运动信息解决长期跟踪中的关联问题。我们基于深度图卷积神经网络（GCN）所提出的重构到嵌入（reconstruct-to-embed）策略来解决航迹片段嵌入问题。在 KITTI-car 跟踪数据集和 UA-Detrac 数据集上的综合实验表明，所提方法虽无外观信息，仍能与最先进的（SOTA）跟踪器取得有竞争力的性能。源代码将发布于 https://github.com/GaoangW/LGMTracker。
引用
@article{arxiv.2108.06029,
title = {Track without Appearance: Learn Box and Tracklet Embedding with Local and Global Motion Patterns for Vehicle Tracking},
author = {Gaoang Wang and Renshu Gu and Zuozhu Liu and Weijie Hu and Mingli Song and Jenq-Neng Hwang},
journal= {arXiv preprint arXiv:2108.06029},
year = {2021}
}