用深度关联度量实现简单的在线实时跟踪
这篇研究提出了 StrongSORT++ 的算法,结合了经典的 DeepSORT 追踪器及多方面的改进,并使用两种轻量级的插件算法 AFLink 和 GSI 解决 MOT 中的缺失关联和缺失检测问题,从而在多个公共基准测试中实现了最新的技术进展。
Feb, 2022
本文探索一种实用的多目标跟踪方法,强调高效地为实时应用程序分配对象。在追踪组件中,使用了卡尔曼滤波器和匈牙利算法等熟悉技术的简单组合,同时也发现检测质量是影响跟踪性能的关键因素之一。通过更改检测器,跟踪精度可以提高高达 18.9%。此外,由于跟踪方法的简单性,该跟踪器的更新速率为 260 Hz,比其他最先进的跟踪器快 20 倍以上。
Feb, 2016
该论文介绍了 SFSORT,这是基于 MOT Challenge 数据集上的实验而开发的世界上速度最快的多目标跟踪系统。通过引入一种新的成本函数,称为边界框相似性指数,该系统实现了准确且计算效率高的跟踪器,消除了卡尔曼滤波器,从而减少了计算需求,并展示了场景特征对增强物体跟踪关联和改进跟踪后处理的影响。使用 2.2 GHz Intel Xeon CPU,在 MOT17 数据集上,该方法实现了 61.7% 的 HOTA 和 2242 Hz 的处理速度,在 MOT20 数据集上,实现了 60.9% 的 HOTA 和 304 Hz 的处理速度。该跟踪器的源代码、优化的物体检测模型和教程可以在 https://github.com/gitmehrdad/SFSORT 上获取。
Apr, 2024
通过多目标跟踪器和 Hungarian Algorithm 方法解决了运动物体的跟踪问题,并在 Okutama-Action 数据集上进行了测试表明实时运行时性能存在较大损失,需要进一步研究。
Sep, 2017
我们介绍了 DeepMoveSORT,这是一个专门设计用于动态和非线性运动模式场景的多目标跟踪器。通过使用可学习的深度滤波器和一系列新提出的启发式方法,我们改善了基于运动的关联方法,从而提高了关联性能,并在三个具有非线性运动的数据集上超过了现有跟踪器的最新结果。我们的研究表明,使用可学习的滤波器代替 Kalman 滤波器,并结合基于外观的关联是实现强大的通用跟踪性能的关键。
Jun, 2024
该论文介绍了一种名为 Deep HM-SORT 的新型在线多目标跟踪算法,专门用于提高运动场景中运动员的跟踪。通过集成深度特征、谐波平均和 Expansion IOU,Deep HM-SORT 解决了传统多目标跟踪方法在体育环境中面临的挑战,有效平衡外观和动作线索,显著降低 ID 交换,并改进了离开和重进画面的运动员的再识别问题。实验结果表明,Deep HM-SORT 在两个大规模公共基准测试中取得了最先进的性能,分别在 SportsMOT 数据集上达到 80.1 HOTA 和在 SoccerNet-Tracking 数据集上达到 85.4 HOTA,在 HOTA、IDF1、AssA 和 MOTA 等关键指标上胜过现有的跟踪器。该稳健的解决方案为自动化体育分析提供了提高准确性和可靠性的显著改进,而且没有引入额外的计算成本。
Jun, 2024
本文研究如何改进 Kalman filter 在多目标追踪中的表现,在处理时间比较大的遮挡情况下使用 Observation-Centric SORT 方法才能维护准确度。
Mar, 2022
本文介绍了一种新的鲁棒性强的跟踪器,该跟踪器可以将运动和外观信息、相机运动补偿和更准确的卡尔曼滤波状态向量相结合,其新的跟踪器 BoT-SORT 和 BoT-SORT-ReID 在 MOTChallenge 的 MOT17 和 MOT20 测试集上均排名第一。
Jun, 2022