Dec, 2019

基于 GM-PHD 滤波器和 CNN 重识别技术的鲁棒性遮挡在线多目标视觉跟踪

PDF
TL;DR本文提出了一种新颖的在线多物体视觉跟踪器，它使用高斯混合概率假设密度 (GM-PHD) 滤波器和深度外观学习，并在数据关联后继续采用未分配轨迹预测以克服 GM-PHD 滤波器对遮挡引起的漏检敏感性，其在 MOT16，MOT17 和 HiEve 基准数据集上表现优于现有几种现有的跟踪器。
multi-object visual trackergm-phd filterdeep appearance learningdata associationtracking
发现论文，激发创造
  • 基于因子图的点云 3D 多目标跟踪

    本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化，用于处理三维空间中多个移动物体的跟踪问题，并展示了在 KITTI 跟踪数据集上实验的表现。

    Aug, 2020

  • 3D 多视角多目标跟踪的轨迹初始化与再识别

    使用 2D 检测从单目相机提出了一种三维多目标跟踪（MOT）解决方案，该解决方案在自动启动 / 终止跟踪，解决外观再出现和遮挡方面具有重要作用。

    May, 2024

  • FANTrack: 基于特征关联网络的三维多目标跟踪

    我们提出了一种数据驱动的方法，使用卷积神经网络（CNN）在一个检测跟踪框架中进行数据关联来进行在线多目标跟踪（MOT）。我们的解决方案学习如何在数据和图像之间组合线索来解决关联问题，可以在处理复杂情况下准确跟踪物体并获得优异结果。

    May, 2019

  • 使用深度学习检测和 PMBM 滤波的单目摄像头 3D 多目标跟踪

    本文提出了一种多目标跟踪算法，该算法通过使用经过训练的深度神经网络检测和估计单个图像中的物体距离并结合先进的 Poisson 利用伯努利混合（PMBM）跟踪滤波器，能够在仅使用单目相机图像作为输入时实现 3D 跟踪，评估结果表明该算法在 KITTI 目标跟踪数据集中表现良好。

    Feb, 2018

  • 多层独立相关滤波器用于视觉跟踪

    设计了一种新的跟踪框架 MHIT，其核心在于引入运动估计模块捕捉运动信息和使用多层次深度特征和独立的相关滤波器进行跟踪，同时采用自适应的多分支相关滤波器融合方案，用于纠正特征冗余和物体局部遮挡的影响，通过实验证明，该系统可以显著提高跟踪性能，尤其是在 VOT2017 挑战赛上获得了 20.1% 的相对性能提升，并在 VOT2018 挑战赛上取得了最新的最佳表现。

    Nov, 2018

  • 高斯过程滤波在周期运动物体稳健检测中的应用

    本研究致力于改进在视频对象检测中，在目标物体具有周期运动的情况下，采用高斯过程模型对数据驱动的检测结果进行过滤，大幅提高了检测性能。

    Sep, 2020

  • 基于观测的 SORT 算法：为了实现鲁棒的多目标跟踪而进行的思考

    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

  • 基于深度的物体跟踪：使用鲁棒高斯滤波器

    本文提出了一种在输入密集深度图像的情况下基于模型的 3D 跟踪方法，通过结合新的鲁棒性方法和近似算法，能够有效地解决深度传感器的测量噪声和计算复杂度问题，并在真实数据实验中表现出优异的性能。

    Feb, 2016

  • MapTrack：在地图中的跟踪

    在本文中，我们提出了一种名为 MapTrack 的方法，利用概率图、预测图和协方差自适应卡尔曼滤波器的三个轻量级插件算法，通过增强经典跟踪器 DeepSORT 在拥挤和遮挡场景中的鲁棒性，实现在常用的多目标跟踪基准集（如 MOTS17 和 MOT20）上的最先进效果。

    Feb, 2024

  • 使用变点检测的多类多目标跟踪

    本文提出了一个稳健的多类别多对象跟踪（MCMOT）模型，采用贝叶斯滤波框架进行建模；通过结合检测响应和 CPD 算法，对无限对象类别进行多对象跟踪；使用 CPD 模型观察跟踪状态的时空特征，以观察漂移和遮挡等突变或异常变化；采用基于卷积神经网络的物体探测器和基于 Lucas-Kanede 跟踪器的运动探测器计算出前景区域的似然度作为不同物体类别的检测响应。通过最近推出的具有挑战性的基准视频 ImageNet VID 和 MOT 基准数据集进行了大量实验。与最先进的视频跟踪技术相比，结果非常鼓舞人心。

    Aug, 2016