VariabilityTrack:Multi-Object Tracking with Variable Speed Object Movement

VariabilityTrack

论文标题：VariabilityTrack:Multi-Object Tracking with Variable Speed Object Movement
论文地址：https://arxiv.org/pdf/2203.06424v1.pdf
论文源码：未开源

华中科技大学3.12日最新文章

本文在ByteTrack基础上改进了算法，改进了卡尔曼滤波在不同速度下的预测效果。在ByteTrack算法的基础上增加了V-KF变速卡尔曼滤波。

Introduction

​ 传统的卡尔曼滤波在相对加速度不高的场景下预测效果显著，然而，在车辆和无人机加速等复杂的情况下，使用均匀卡尔曼滤波器的跟踪器的性能会受到很大的影响，导致跟踪损失。本文提出了一种基于环境反馈的变速卡尔曼滤波算法，改进了匹配过程，该算法在相对静态场景中保持较高跟踪精度的同时，大大提高了复杂变速场景的跟踪效果。

​ 在本文中，提出了一个变速卡尔曼滤波算法基于运动视角的变化和过程改进增加类似轨迹的成本来减少匹配时间的预测box和检测box，以解决普通的卡尔曼滤波在变速角度无法解决的问题。当轨迹的速度由于前方的透视位置而发生显著变化时，会产生非常大的加速度。在这种情况下，变速卡尔曼滤波可以很好地解决这个问题，而目标在透视位置的加速度很小，均匀卡尔曼滤波可以准确预测轨迹。因此，当目标加速度较大时，使用加速卡尔曼滤波，当目标加速度较小时，使用均匀卡尔曼滤波。

Variability

​ 本文提出了一种简单、有效和通用的运动预测方法。不同于以往的方法，使用均匀卡尔曼滤波器来获得预测框。本文首先将高分检测框与轨迹轨迹关联起来。有些轨迹会出现不匹配，因为它不匹配一个适当的高分检测框，这通常发生在遮挡、运动模糊或大小变化发生时。

​ 然后，将低分数检测框和这些不匹配的轨迹关联起来，以恢复低分数检测框中的对象，并同时过滤背景类。在算法1中显示了可变性的伪代码。可变的输入是一个视频序列$V$，以及一个目标检测器$D_{det}$和两个卡尔曼滤波器$KF$，$V-KF$。还设置了四个阈值${\tau }_{hign}$，${\tau }_{low}$，${\tau }_{\alpha }$和$ϵ$为检测评分阈值，${\tau }_{\alpha }$为加速度阈值，$ϵ$为跟踪评分阈值。ByteTrack的输出是视频的轨迹$T$，每个轨迹包含每一帧中对象的边界框和标识。

​ 对于视频中的每一帧，使用检测器$Det$来预测检测框和置信度分数。根据检测评分阈值${\tau }_{high}$和${\tau }_{low}$，将所有检测盒分为$D_{high}$和$D_{low}$两部分。（算法1中的第3行至第13行）。

​ 在分离了低分数检测box和高分检测box后，使用卡尔曼滤波器$KF$和$V-KF$根据加速度阈值$ϵ$来预测$T$中每个轨迹的新位置。对于加速度高于${\tau }_{\alpha }$的轨迹，使用变速卡尔曼滤波器$V-KF$来预测新的位置。对于其加速度小于${\tau }_{\alpha }$的区域，使用均值卡尔曼滤波器$KF$来预测新的位置。（算法1中的第14行至第21行）

​ 第一个关联是在高分检测盒$D_{high}$和所有的轨道$T$(包括丢失的$T_{loss}$的轨道)之间执行的。相似度由检测盒$D_{high}$与轨道$T$的预测盒之间的IoU计算。计算$T$之间的IoU距离，以找出彼此接近的轨迹。

​ 对于距离较远的tracklet，适当地增加了它们与$D_{high}$之间的IoU距离，以减少匹配的次数。然后，使用匈牙利算法来完成基于相似度的匹配。特别是，如果检测盒和轨迹盒之间的IoU小于0.2，拒绝匹配。将未匹配的检测放在$D_{remain}$中，将未匹配的$T_{remain}$放在一起。（算法1中的第22行至第25行）。

​ 第二次关联在低分数检测框$D_{low}$和第一次关联后的其余轨道${\tau }_{remain}$之间执行。与第一次关联相同。保留了${\tau }_{re-remain}$中不匹配的轨道，只需删除所有不匹配的低分数检测框，把它们视为背景。

​ 最后，在第一次关联后从不匹配的高分检测框$D_{remain}$中初始化新轨迹。对于$D_{remain}$中的每个检测盒，如果它的检测分数高于$ϵ$，并且连续两帧，初始化成为一个新的轨迹（算法1中的第29行至第34行）。

Experiments