在多目标跟踪任务中,外界噪声的干扰会导致传统方法的系统建模不可靠,从而降低目标位置预测的准确性;而密集人群引起的拥挤和遮挡问题则会严重影响目标外观的可靠性,导致错误的身份关联.为了解决这些问题,本文提出一种多目标跟踪算法Ecs...在多目标跟踪任务中,外界噪声的干扰会导致传统方法的系统建模不可靠,从而降低目标位置预测的准确性;而密集人群引起的拥挤和遮挡问题则会严重影响目标外观的可靠性,导致错误的身份关联.为了解决这些问题,本文提出一种多目标跟踪算法Ecsort.该算法在传统运动预测的基础上,引入噪声补偿模块,降低噪声干扰引起的误差,提高位置预测的准确性.其次,引入特征相似度匹配模块,通过学习目标的判别性外观特征,并结合运动线索和判别性外观特征的优势,从而实现精确的身份关联.通过在多目标跟踪基准数据集上进行的大量实验结果表明,与基线模型相比,该方法在MOT17测试集上的IDF1 (ID F1 score)、HOTA (higher order tracking accuracy)、AssA(association accuracy)、DetA (detection accuracy)分别提高了1.1%、0.5%、0.6%、0.3%,在MOT20测试集上的IDF1、HOTA、AssA、DetA分别提高了2.3%、1.9%、3.4%、0.2%.展开更多
文摘在多目标跟踪任务中,外界噪声的干扰会导致传统方法的系统建模不可靠,从而降低目标位置预测的准确性;而密集人群引起的拥挤和遮挡问题则会严重影响目标外观的可靠性,导致错误的身份关联.为了解决这些问题,本文提出一种多目标跟踪算法Ecsort.该算法在传统运动预测的基础上,引入噪声补偿模块,降低噪声干扰引起的误差,提高位置预测的准确性.其次,引入特征相似度匹配模块,通过学习目标的判别性外观特征,并结合运动线索和判别性外观特征的优势,从而实现精确的身份关联.通过在多目标跟踪基准数据集上进行的大量实验结果表明,与基线模型相比,该方法在MOT17测试集上的IDF1 (ID F1 score)、HOTA (higher order tracking accuracy)、AssA(association accuracy)、DetA (detection accuracy)分别提高了1.1%、0.5%、0.6%、0.3%,在MOT20测试集上的IDF1、HOTA、AssA、DetA分别提高了2.3%、1.9%、3.4%、0.2%.
