在线实时物体跟踪算法及其极小矩阵实现
文中介绍了一个基于 SORT 方法的多目标跟踪算法,通过整合外观信息能有效地降低物体遮挡时的身份切换次数,并在利用最近邻查询视觉外观空间建立测量轨迹关联时表现出竞争性的性能。
Mar, 2017
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
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
通过将光流算法与深度学习架构相结合,提出了一种混合策略来实现实时目标追踪,实现了在追踪精度和计算成本之间的理想平衡,相比其他最先进方法在 MOTA 上达到了 0.608 的结果,并且运行时间减少了一半,准确性基本相同。
Aug, 2023
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
本研究提出了一种增强型的运动感知多目标跟踪系统,集成了不同对象的多种运动模式,并引入动态重连上下文模块、三维积分图像模块等手段,取得了比其他先进跟踪器更为优越的高效性能。
Sep, 2020
本研究提出了一种在线多目标跟踪方法,通过收集检测和跟踪的输出,利用基于完全卷积神经网络的新型评分函数处理不可靠检测,并采用深度学习出的外貌特征来提高跟踪的识别能力。该方法在人员跟踪基准测试中达到了实时和最先进的性能。
Sep, 2018
本文提出了一个允许在共享模型中学习目标检测和外观嵌入的 MOT 系统,并进一步提出了一个简单快速的联合方法。这两个组件的计算成本与以前的 MOT 系统相比显着降低,为未来实时 MOT 算法设计提供了一个简洁快速的基准线。与分离检测和嵌入(SDE)学习相比,其跟踪准确性相当。
Sep, 2019
本文提出了一种轻量级实时视频分析方案,利用从运动模式中学习到的模型来监视对象的行为,以实现实时表示和预测,并基于离散序列的序列聚类算法使系统具有连续的在线学习能力,并利用目标对象轨迹的内在可重复性在特征提取、聚类学习和模型应用的三个过程中自动构建行为模型。
May, 2023