Nahe-Online Mehrzielverfolgung mit aggregiertem lokalen Flussdeskriptor

In dieser Arbeit konzentrieren wir uns auf zwei wesentliche Aspekte des Problems der Mehrzielverfolgung: 1) die Entwicklung eines genauen Ähnlichkeitsmaßes zur Zuordnung von Detektionen und 2) die Implementierung eines effizienten und genauen (quasi-)online Mehrzielverfolgungsalgorithmus. Als erster Beitrag führen wir einen neuen Aggregierten Lokalen Flussdeskriptor (ALFD) ein, der das relative Bewegungsmuster zwischen einem Paar zeitlich entfernter Detektionen mithilfe langfristiger Interessenspunktbahnen (IPTs) kodiert. Durch die Nutzung von IPTs bietet der ALFD ein robustes Ähnlichkeitsmaß zur Schätzung der Wahrscheinlichkeit, dass Detektionen zueinander passen, unabhängig von den Anwendungsszenarien. Als weiterer Beitrag präsentieren wir einen Quasi-Online Mehrzielverfolgungsalgorithmus (NOMT). Das Verfolgungsproblem wird als Datenzuordnung zwischen Zielen und Detektionen in einem zeitlichen Fenster formuliert, die bei jedem Bildrahmen wiederholt durchgeführt wird. Obwohl effizient, erreicht NOMT Robustheit durch die Integration verschiedener Hinweise, einschließlich des ALFD-Maßes, Ziel-Dynamik, Erscheinungsgleichheit und langfristiger Trajektorienregulierung in das Modell. Unsere ablativen Analysen bestätigen die Überlegenheit des ALFD-Maßes gegenüber anderen herkömmlichen Ähnlichkeitsmaßen. Wir führen eine umfassende experimentelle Bewertung auf zwei anspruchsvollen Verfolgungsdatensätzen, den KITTI- und den MOT-Datensätzen, durch. Die Kombination von NOMT-Verfahren und ALFD-Maß erreicht in beiden Datensätzen mit erheblichen Marginalien (ca. 10% höhere MOTA) die beste Genauigkeit im Vergleich zu den aktuellen Stand der Technik.