LightTrack: Ein generisches Framework für die online top-down Menschliche-Pose-Verfolgung

In dieser Arbeit schlagen wir ein neues, effektives und leistungsfähiges Framework vor, das LightTrack genannt wird, für die Online-Verfolgung der menschlichen Körperhaltung. Das vorgeschlagene Framework ist generisch für die top-down-Pose-Verfolgung und schneller als existierende Online- und Offline-Methoden. Single-Person Pose Tracking (SPT) und Visual Object Tracking (VOT) werden zu einer einheitlichen Funktionseinheit zusammengeführt, die durch einen austauschbaren Modul zur Schätzung der Einzelpersonen-Pose leicht umgesetzt werden kann. Unser Framework vereint die Verfolgung der Einzelpersonen-Pose mit der Zuordnung von Mehrpersonen-Identitäten und legt erstmals den Grundstein für die Brückenschläge zwischen Keypoint-Tracking und Objektverfolgung. Wir schlagen außerdem ein Siameses Graph Convolution Network (SGCN) für die menschliche Pose-Matching als Re-ID-Modul in unserem Pose-Tracking-System vor. Im Gegensatz zu anderen Re-ID-Modulen nutzen wir eine grafische Darstellung der menschlichen Gelenke zum Matching. Die auf Skelette basierende Darstellung erfasst die Ähnlichkeit der menschlichen Pose effektiv und ist rechnerisch günstig. Sie ist robust gegenüber plötzlichen Kameraverschiebungen, die zu einer Verschiebung der Menschen führen können. Nach bestem Wissen ist dies die erste Arbeit, die ein Framework für die Online-Verfolgung der menschlichen Körperhaltung im top-down-Ansatz vorschlägt. Das vorgeschlagene Framework ist allgemein genug, um andere Pose-Schätzer und Kandidaten-Matching-Mechanismen zu integrieren. Unsere Methode übertrifft andere Online-Methoden bei gleichzeitig deutlich höherer Framerate und ist sehr wettbewerbsfähig im Vergleich zu unseren Offline-Zustand-der-Kunst-Lösungen. Der Code wird öffentlich zur Verfügung gestellt unter: https://github.com/Guanghan/lighttrack.