3D Multi-Object Tracking: A Baseline and New Evaluation Metrics-CSDN博客

本文链接：https://blog.csdn.net/baidu_32284829/article/details/109027851

3D Multi-Object Tracking: A Baseline and New Evaluation Metrics

IROS 2020 ECCVW 2020

摘要

3D多目标跟踪（MOT）是许多应用（例如自动驾驶和辅助机器人）的重要组成部分。 3D MOT的最新工作侧重于开发精确的系统，而较少关注诸如计算成本和系统复杂性之类的实际考虑。相反，这项工作提出了一个简单的实时3D MOT系统。我们的系统首先从LiDAR点云获取3D检测。然后，将3D卡尔曼滤波器和匈牙利算法的直接组合用于状态估计和数据关联。此外，3D MOT数据集比如KITTI,在2D空间中评估MOT方法或者现有的标准化的3D MOT评估工具，不能公正的评估3D MOT方法。因此，我们提出了一种新的3D MOT评估工具以及三个新指标，以全面评估3D MOT方法。 我们证明，尽管我们的系统采用了经典MOT模块的组合，但是我们在两个3D MOT基准（KITTI和nuScenes）上实现了最新的3D MOT性能。令人惊讶的是，尽管我们的系统未使用任何2D数据作为输入，但我们在KITTI 2D MOT排行榜上获得了出色的性能。
我们提出的系统在KITTI数据集上以207.4 FPS的速度运行，实现了所有现代MOT系统中最快的速度。

问题

（1）标准MOT benchmarks（例如KITTI数据集）仅支持2D MOT评估，即在图像平面上进行评估。没有在3D空间中评估3D MOT系统的工具。
（2）常见的MOT度量标准（例如MOTA和MOTP）不考虑跟踪对象的置信度得分。因此，用户必须手动选择一个阈值并滤除得分较低的跟踪对象。但是，选择最佳阈值需要不懈的努力。同样，单一阈值的评估使我们无法了解MOT系统的全部准确性和精密度。

创新

（1）这项工作提出了一个简单的实时3D MOT系统。我们的系统首先从LiDAR点云获取3D检测。然后，将3D卡尔曼滤波器和匈牙利算法的直接组合用于状态估计和数据关联。保持高精度和实时。

（2）我们提出了一种新的3D MOT评估工具以及三个新指标，以全面评估3D MOT方法。

数据集

nuScenes
KITTI

网络结构

在这里插入图片描述

（A）3D检测模块，用于激光雷达点云中获取3D检测
（B）3D卡尔曼滤波器预测从先前帧到当前帧的相关轨迹状态（预测v）
（C）数据关联模块匹配来自卡尔曼滤波器的预测轨迹和当前帧的检测 (用IoU和中心距离)
（D）3D卡尔曼滤波器基于匹配的检测来更新匹配的轨迹的状态；
（E）生死记忆为新物体创建轨迹，并为消失的对象删除轨迹。

评价指标

On the KITTI dataset,the current convention of evaluating 3D MOT systems is to project the 3D tracking results to the image plane and then use the KITTI 2D MOT evaluation tool, which matches the projected tracking results with ground truth trajectories on the image plane using 2D IoU as the cost function.

Integral Metrics:AMOTA

where FP_r, FN_r and IDS_rare the number of false positives,false negatives and identity switches computed at a specific recall value r. Also, L is the number of recall values (number of confidence thresholds for integration). The higher L is,more accurate the approximate integration can be. However,a large L requires significant compute during evaluation. Tobalance the accuracy and speed, we use 40 recall values (i.e.,from 0% to 100% with an interval of 2:5% excluding 0%),
Scaled Accuracy Metric: sAMOTA

In fact, the upper bound of the MOTA at a specific recall value r is derived as follows: