온라인 다중 객체 추적 프레임워크: GMPHD 필터와 가림 그룹 관리를 이용한 방법

본 논문에서는 GMPHD 필터와 가림 객체 그룹 관리 방안을 기반으로 하는 효율적인 온라인 다중 객체 추적 프레임워크를 제안합니다. 여기서 GMPHD 필터는 계층적 데이터 연관성을 활용하여 탐지 실패로 인한 거짓 음성을 줄입니다. 계층적 데이터 연관성은 두 단계로 구성되며, 이는 검출-추적과 추적-추적 연관성을 포함하여 잃어버린 추적 경로와 바뀐 ID를 복구할 수 있습니다. 또한, 제안된 프레임워크는 가림 문제를 처리하기 위한 객체 그룹 관리 방안을 갖추고 있습니다. 이 방안은 주로 두 부분으로 구성됩니다.첫 번째 부분은 "추적 경로 합치기"로, 가림으로 인한 거짓 양성 검출에서 발생하는 거짓 양성 추적 경로를 합칩니다. 일반적으로 이러한 거짓 양성 추적 경로는 가림 비율이라는 측정값을 사용하여 처리됩니다. 이 측정값은 시각 객체 간의 겹침 비율을 나타내며, IOU 지표 대신 우리가 정의한 sum-of-intersection-over-area (SIOA)를 사용합니다. 두 번째 부분은 "가림 그룹 에너지 최소화 (OGEM)"로, 가림된 진짜 양성 추적 경로가 잘못된 "추적 경로 합치기"에 의해 결합되는 것을 방지합니다. 우리는 각 가림 객체 그룹을 에너지 함수로 정의하고, 에너지를 최소화시키는 최적의 가설을 찾습니다.우리는 제안된 추적기를 MOT15 및 MOT17 벤치마크 데이터셋에서 평가하였습니다. 이러한 데이터셋들은 다중 사람 추적이 목적으로 구축되었습니다. 훈련 데이터셋에서 수행한 감소 연구 결과, "추적 경로 합치기"와 "OGEM"이 서로 보완不僅만 아니라 제안된 추적 방법이 기준 방법보다 매개변수에 덜 민감하며 더 강건한 성능을 보임을 확인하였습니다. 또한, 다양한 크기의 거짓 양성에 대해 SIOA가 IOU보다 더 우수하게 작동함을 보였습니다.실험 결과, 제안된 추적이 가림 상황을 효과적으로 처리하며 최신 방법들과 비교해도 경쟁력 있는 성능을 달성함을 입증하였습니다. 특히, 우리의 방법은 온라인 및 실시간 실행 가능한 방법들 중에서 가장 높은 다중 객체 추적 정확도를 보였습니다.