基于GMPHD滤波器和遮挡组管理的在线多目标跟踪框架

在本文中，我们提出了一种基于GMPHD滤波器和遮挡组管理方案的高效在线多目标跟踪框架。该框架中的GMPHD滤波器利用分层数据关联来减少因漏检导致的假阴性问题。分层数据关联包括两个步骤：检测到轨迹关联和轨迹到轨迹关联，可以恢复丢失的轨迹及其切换的ID。此外，所提出的框架配备了一种对象分组管理方案，该方案通过两个主要部分处理遮挡问题。第一部分是“轨迹合并”，可以合并由遮挡引起的假阳性检测产生的假阳性轨迹，这些假阳性轨迹通常具有一定的遮挡度量。这里的度量是指视觉对象之间的遮挡比例，我们定义为面积交集之和（SIOA），而不是常用的IOU指标。第二部分是“遮挡组能量最小化（OGEM）”，防止被遮挡的真实阳性轨迹发生错误的“轨迹合并”。我们将每个被遮挡的对象组定义为一个能量函数，并寻找使能量最小化的最优假设。我们在MOT15和MOT17等基准数据集上评估了所提出的跟踪器，这些数据集专门用于多人跟踪任务。训练数据集上的消融研究显示，“轨迹合并”和“OGEM”不仅相互补充，而且所提出的跟踪方法比基线方法具有更强的鲁棒性和更低的参数敏感性。此外，对于不同大小的假阳性目标，SIOA的表现优于IOU。实验结果表明，所提出的跟踪器能够有效处理遮挡情况，并且在性能上与最先进的方法相当。特别是，在所有可在线实时执行的方法中，我们的方法表现出最佳的多目标跟踪精度。