IOU 目标跟踪其一：IOU Tracker

泠山

已于 2022-07-25 10:35:20 修改

阅读量3.2k

点赞数

分类专栏：目标跟踪(MOT) 文章标签：计算机视觉 opencv 目标跟踪

于 2022-07-22 18:34:52 首次发布

本文链接：https://blog.csdn.net/qq_28087491/article/details/125935330

版权

目标跟踪(MOT) 专栏收录该内容

3 篇文章

订阅专栏

IOUTracker是一种在2017年提出的简单高效的跟踪模型，尤其适用于高帧率场景。它假设检测器在每帧中都能检测到目标，并且连续帧间的检测有高IOU重叠。算法通过设定阈值σIOU，将最高IOU的检测与前一帧的跟踪相关联，未匹配的检测则开始新的跟踪。通过删除短跟踪和低评分检测，提高了跟踪的准确性和效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Reference:

High-Speed Tracking-by-Detection Without Using Image Information

1. 介绍

IOU Tracker 是 2017 年提出的一种不需要图像信息的简单高效的跟踪模型，它在 DETRAC 车辆跟踪数据集可以轻松运行到 100K fps。

它主要基于两个假设：

检测器对每帧要跟踪的每个物体都产生一个检测，也就是说，在检测中没有/只有很少的间断；
在连续帧中检测一个物体有高度重叠的 $I O U$ ，这在足够高的帧率是常见情况。

文内使用的 $I O U$ 测量方式：
$\operatorname{IOU}(a, b)=\frac{\operatorname{Area}(a) \bigcap \operatorname{Area}(b)}{\text { Area }(a) \bigcup \operatorname{Area}(b)} .$

如果这两个条件都满足，跟踪将变得没那么重要，即使不使用图像信息也能够完成。

2. 算法内容

文中提出的 $I O U$ 跟踪器，如果满足一定的阈值 $σ_{IOU}$ ，它通过将最高的 $I O U$ 与前一帧的最后一个检测相关联来继续跟踪。所有没有分配到现有跟踪的探测将开始一个新的跟踪。所有没有被分配的检测的跟踪将被干掉。
在这里插入图片描述通过滤除所有长度小于 $t_{min}$ 的跟踪和一次都没评分在 $σ_h$ 以上的检测，进一步提高了性能。较短的跟踪被删除，因为它们通常来源于假阳性，普遍会增加输出的混乱。要求跟踪至少有一个高分检测，以确保跟踪是一个真正感兴趣的对象。

详细的方法描述如下图所示，其中 $D_f$ 表示在第 $f$ 帧的检测， $d_j$ 表示在那一帧的第 $j$ 个检测结果， $T_a$ 活跃的(active)跟踪， $T_j$ 完成的跟踪， $F$ 序列中帧的个数：
在这里插入图片描述
流程：

对于当前帧，首先利用阈值 $\sigma_l$ 进行初筛，得到输入检测集 $D$ ;
对于每个活跃的跟踪，找到和它有最大 $I O U$ 的该帧检测框，如果该 $I O U$ 大于 $\sigma_{IOU}$ ，将检测 $d_{best}$ 加入到当前活跃跟踪 $t_i$ 中，随后将该检测框从当前帧检测集 $D_f$ 内删去；而如果最大的 $I O U$ 小于 $\sigma_{IOU}$ ，这时如果该活跃跟踪的历史最高检测评分大于 $\sigma_h$ 且跟踪的时间长度大于 $t_{min}$ ，则将 $t_{i}$ 加入到 $T_f$ 中，否则将从 $T_a$ 中删去 $T_a$ ；
对于没有匹配到的检测，将其初始化为新跟踪并添加到 $T_a$ 中；
在上述循环完毕后，对激活跟踪 $T_A$ 中的每个跟踪做判断，如果满足跟踪的历史最高检测评分大于 $\sigma_h$ 且跟踪的时间长度大于 $t_{min}$ ，则将该跟踪 $t_i$ 加入到 $T_f$ 中。