Tracking mehrerer Personen mithilfe von Körper- und Gelenkdetektionen

Die meisten Systeme zur Mehrfachpersonenverfolgung berechnen Trajektorien auf der Grundlage des Tracking-by-Detection-Paradigmas. Die Leistungsfähigkeit hängt daher in hohem Maße von der Qualität der eingesetzten Eingabedetektionen ab. Dennoch werden trotz erheblicher Fortschritte in den letzten Jahren teilweise verdeckte Personen häufig weiterhin nicht erkannt. Zudem werden viele korrekte Detektionen fälschlicherweise verworfen, wenn die Non-Maximum-Suppression durchgeführt wird. Die Verbesserung der Verfolgungsleistung erfordert daher eine Verfeinerung der groben Eingabedaten. Geeignet für diese Aufgabe sind fein granulierte Gelenkdetectionen, da sie auch stark verdeckte Personen lokalisiert werden können.In dieser Arbeit untersuchen wir daher die Eignung der Einbeziehung von Gelenkdetectionen für die Mehrfachpersonenverfolgung. Wir führen verschiedene Affinitäten zwischen den beiden Detektionstypen ein und bewerten deren Leistungsfähigkeit. Die Verfolgung erfolgt innerhalb eines nahe-online-Frameworks, das auf einer Min-Cost-Graph-Labeling-Formulierung basiert. Als Ergebnis kann unser Framework stark verdeckte Personen rekonstruieren und die Datenassoziation effizient lösen. Wir evaluieren unser Framework anhand der MOT16/17-Benchmark-Daten. Experimentelle Ergebnisse zeigen, dass unser Ansatz state-of-the-art-Leistungen erzielt.