State-aware Re-identification Feature for Multi-target Multi-camera Tracking
Horizon Robotics（地平线机器人）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Beijing University of Posts and Telecommunications（北京邮电大学）
多目标多摄像机跟踪（MTMCT）的目的是从一组摄像机拍摄的视频中提取运动轨迹。最近，MTMCT的跟踪性能显着提高与就业的重新识别（Re-ID）模型。然而，由于目标的遮挡和方向变化，外观特征通常变得不可靠。在MTMCT中直接应用Re-ID模型会遇到身份切换和轨迹片段遮挡问题。为了解决这些问题，本文提出了一种新的跟踪框架。在该框架中，遮挡状态和方向信息被用于Re-ID模型，并考虑了人体的姿态信息。此外，使用建议的融合跟踪特征的轨迹关联被采用来处理碎片问题。该跟踪器在多摄像机硬序列上达到了81.3%的IDF 1，大大优于所有其他参考方法。
2019-06-04 cs.CV
CAN: Composite Appearance Network for Person Tracking and How to Model Errors in a Tracking System
University at Buffalo（布法罗大学）
在多个摄像头上跟踪多个人是一个悬而未决的问题。它通常分为两个任务：（i）单摄像机跟踪（SCT）-识别同一场景中的轨迹，以及（ii）摄像机间跟踪（ICT）-识别真实监控场景中跨摄像机的轨迹。许多方法都是为了满足SCT的需要，而ICT仍然是一个挑战。在本文中，我们提出了一种跟踪方法，它使用运动线索和基于模板的人重新识别的特征聚合网络，通过将元数据，如人的限界框和相机信息。我们提出了一种称为复合外观网络（CAN）的特征聚合架构来解决上述问题。该架构的关键结构称为EvalNet，它关注每个特征向量，并根据它为整个模板接收的梯度来学习对它们进行加权，以获得最佳的重新识别性能。我们通过在具有挑战性的多摄像机跟踪数据集DukeMTMC上的实验证明了我们方法的效率。我们还调查了现有的跟踪措施，并提出了一个在线的错误度量称为“推理错误”（IE），提供了一个更好的估计跟踪/重新识别错误，统一处理SCT和ICT错误。
2019-10-03 cs.CV
Intelligent Querying for Target Tracking in Camera Networks using Deep Q-Learning with n-Step Bootstrapping
Indraprastha Institute of Information Technology (IIIT-Delhi)（英德拉普拉萨信息技术学院（IIIT-德里））
监控摄像机网络是各种视觉分析应用的有用基础设施，可以基于网络中的目标跟踪进行高级推断和预测。多摄像机跟踪的研究主要集中在目标的重新识别和轨迹关联问题上。然而，由于摄像机网络可以生成大量的视频数据，用于进行重新识别或轨迹关联查询的低效方案可能导致过大的计算需求。在本文中，我们解决的问题，智能调度的重新识别查询在多摄像机跟踪设置。为此，我们制定了目标跟踪问题的摄像机网络作为一个MDP和学习的强化学习为基础的政策，选择一个摄像机进行重新识别查询。所提出的摄像机选择方法不假设摄像机网络拓扑结构的知识，但由此产生的政策隐式地学习它。我们还表明，这样的政策可以直接从数据中学习。使用NLPR MCT和杜克MTMC多相机多目标跟踪基准，我们的经验表明，所提出的方法大大减少了查询帧的数量。
2020-04-20 cs.CV
A unified neural network for object detection, multiple object tracking and vehicle re-identification
VeilyTech
深度SORT \cite{wojke2017simple}是一种通过检测器和RE-ID模型进行多目标跟踪的检测跟踪方法。两种模型分别进行训练和推理都是耗时的。在本文中，我们通过在Faster RCNN架构中添加额外的跟踪分支，将检测器和RE-ID模型统一到端到端网络中。通过统一的网络，我们能够对整个模型进行端到端的多损耗训练，这在最近的其他工作中显示出了很大的优势。Deep SORT中的RE-ID模型需要使用深度CNN从检测到的对象图像中提取特征图，然而，我们提出的网络中的跟踪分支直接利用了Faster RCNN基线中的RoI特征向量，这减少了计算量。由于单个图像缺少相同的对象，这是我们使用三重丢失优化轨道分支时所必需的，因此我们将视频中的相邻帧连接起来以构建我们的训练数据集。在AIC 19车辆跟踪数据集上对模型进行了训练和评估，实验表明，以resnet 101为主干的模型可以达到57.79%的mAP，并能很好地跟踪车辆。
2019-07-08 cs.CV
Deep OC-SORT: Multi-Pedestrian Tracking by Adaptive Re-Identification
Carnegie Mellon University（卡内基梅隆大学）
基于运动关联的多目标跟踪（MOT）最近重新取得了突出的崛起，强大的目标检测器。尽管如此，除了简单的启发式模型外，几乎没有做过什么工作来整合外观线索，这些模型对特征退化缺乏鲁棒性。在本文中，我们提出了一种新的方法来利用对象的外观自适应地集成到现有的高性能的基于运动的方法的外观匹配。在基于纯运动的方法OC-SORT的基础上，我们分别以63.9和64.9的HOTA在MOT 20和MOT 17上获得第一名和第二名。我们还在具有挑战性的DanceTrack基准测试中实现了61.3 HOTA，即使与更重设计的方法相比，也是一种新的最先进的方法。代码和型号可在\url{https://github.com/GerardMaggiolino/Deep-OC-SORT}上获得。
2023-02-23 cs.CV
Occlusion-Robust Online Multi-Object Visual Tracking using a GM-PHD Filter with CNN-Based Re-Identification
De Montfort University（德蒙福特大学）；University of Lincoln（林肯大学）
我们提出了一种新的在线多目标视觉跟踪器，使用高斯混合概率假设密度（GM-PHD）滤波器和深度外观学习。GM-PHD滤波器在估计时变数目的对象的状态和基数时，其复杂度与对象和观测的数目成线性关系，但它易受误检影响，且不包含对象的身份信息。我们使用从对象边界框和深入学习的外观表示获得的视觉时空信息来执行估计到跟踪数据关联以进行目标标记，并制定增强的可能性，然后集成到GM-PHD滤波器的更新步骤中。我们还采用额外的未分配的轨道预测后的数据关联步骤，以克服的敏感性GM-PHD过滤器对由遮挡引起的误检。对MOT 16，MOT 17和HiEve基准数据集的广泛评估表明，我们的跟踪器在跟踪精度和识别方面明显优于几个最先进的跟踪器。
2021-08-05 cs.CV
Multi-Camera Industrial Open-Set Person Re-Identification and Tracking
University of Verona（维罗纳大学）
针对工业监控中的开集、多摄像头与实时挑战，提出模块化 MICRO-TRACK 行人重识别跟踪系统，并发布含 8 路摄像头、18 分钟视频的 Facility-ReID 数据集。
2024-09-05 cs.CV
Multi-task Learning for Joint Re-identification, Team Affiliation, and Role Classification for Sports Visual Tracking
Sharif University of Technology（谢里夫理工大学）；UCLouvain（鲁汶大学）；EPFL（洛桑联邦理工学院）；Sportradar（Sportradar公司）
本文提出多任务学习方法 PRTreID，通过单一共享骨干网络联合完成球员重识别、球队归属和角色分类，并与先进跟踪方法集成，在 SoccerNet 数据集上取得最优跟踪性能。
2024-01-18 cs.AI cs.CV
FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking
Huazhong University of Science and Technology（华中科技大学）；Microsoft Research Asia（微软亚洲研究院）
多目标跟踪（MOT）是计算机视觉中的一个重要问题，有着广泛的应用。将MOT公式化为单个网络中的目标检测和re-ID的多任务学习是有吸引力的，因为它允许两个任务的联合优化并且具有高计算效率。然而，我们发现，这两项任务往往相互竞争，需要认真解决。特别是，以前的作品通常把重新识别作为一个次要的任务，其准确性是严重影响的主要检测任务。结果，网络偏向于主要检测任务，这对重新识别任务不公平。为了解决这个问题，我们提出了一个简单而有效的方法，称为FairMOT的基础上无锚目标检测架构CenterNet。请注意，它不是CenterNet和re-ID的天真组合。相反，我们提出了一系列详细的设计，这些设计对于通过彻底的实证研究实现良好的跟踪结果至关重要。所得到的方法实现了高精度的检测和跟踪。该方法在几个公共数据集上的性能大大优于最先进的方法。源代码和预训练的模型在https://github.com/ifzhang/FairMOT上发布。
2021-10-19 cs.CV
Comparative study of multi-person tracking methods
Institut Polytechnique de Paris（巴黎综合理工学院）
本文比较SORT与Tracktor++两种多目标跟踪算法，采用基于检测的跟踪方法，实验表明Tracktor++性能更优，并通过消融研究分析重识别网络与运动模块的贡献，最后提出未来研究方向。
2023-10-12 cs.CV
The P-DESTRE: A Fully Annotated Dataset for Pedestrian Detection, Tracking, Re-Identification and Search from Aerial Devices
Instituto de Telecomunicações（电信研究所）；University of Beira Interior（贝拉内格罗大学）；India Statistical Institute（印度统计研究所）；JSS Science and Technology University（JSS科技大学）
在过去的几十年里，世界目睹了城市空间安全面临的日益增长的威胁，这增强了能够检测、跟踪和识别人群中感兴趣的人的视觉监控解决方案的相关性。特别是，无人驾驶飞行器（无人机）是这种分析的潜在工具，因为它们提供了一种廉价的数据汇集方式，覆盖了大片和难以到达的地区，同时减少了人力需求。在这种情况下，所有可用的数据集都专门适合于行人重新识别问题，其中每个ID的多相机视图是在一天内拍摄的，并且允许使用服装外观特征进行识别。因此，本文的主要贡献有两个方面：1）我们宣布了基于无人机的P-DESTRE数据集，这是第一个在多天内提供一致的ID注释的数据集，使其适用于极具挑战性的人员搜索问题，即，其中不能可靠地使用服装信息。除此之外，P-DESTRE注释还支持对基于无人机的行人检测、跟踪、重新识别和软生物识别解决方案的研究; 2）我们将最先进的行人检测、跟踪、重新识别和搜索技术在知名监控数据集中获得的结果与相同技术在P-DESTRE数据中获得的有效性进行了比较。这种比较能够确定每个任务中基于无人机的数据中最有问题的数据退化因素，并可用作此类技术后续进展的基线。数据集和经验评估的全部细节可在http://p-destre.di.ubi.pt/上免费获得。
2020-04-06 cs.CV
Scalable and Real-time Multi-Camera Vehicle Detection, Re-Identification, and Tracking
University of Maryland（马里兰大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
多摄像机车辆跟踪是计算机视觉中最复杂的任务之一，因为它涉及到车辆检测、跟踪和重新识别等不同的任务。尽管面临挑战，但多摄像头车辆跟踪在交通运输应用中具有巨大的潜力，包括速度，体积，起点-目的地（O-D）和路线数据生成。最近的几项工作已经解决了多摄像机跟踪问题。然而，大部分的努力都是为了提高高质量基准数据集的准确性，而忽略了较低的相机分辨率，压缩伪影以及在其边缘执行此任务所需的大量计算能力和时间，从而使其无法进行大规模和实时的【形】部署。因此，在这项工作中，我们阐明了多摄像机跟踪系统的设计应该解决的实际问题，以提供可操作的和及时的见解。此外，我们提出了一种实时的【形】城市规模的多摄像头车辆跟踪系统，该系统与计算密集型替代方案相比毫不逊色，并且可以处理真实世界的低分辨率CCTV，而不是理想化和策划的视频流。为了展示其有效性，除了集成到区域综合交通信息系统（RITIS）中，我们还参加了2021年NVIDIA AI城市多摄像头跟踪挑战赛，我们的方法在公开排行榜上名列前五。
2022-04-15 cs.AI cs.CV
Tracking Virtual Meetings in the Wild: Re-identification in Multi-Participant Virtual Meetings
Novacy（诺瓦西公司）
针对虚拟会议中参与者视频窗口非线性移动导致通用追踪方法误差高的问题，提出利用时空先验的参与者追踪重识别方法，较YOLO基线平均降错95%。
2024-09-15 cs.CV
CityFlow: A City-Scale Benchmark for Multi-Target Multi-Camera Vehicle Tracking and Re-Identification
NVIDIA（英伟达）；San Jose State University（圣何塞州立大学）；University of Washington（华盛顿大学）
使用交通摄像机作为传感器的城市交通优化推动了对先进的多目标多摄像机（MTMC）跟踪的需求。这项工作介绍了CityFlow，这是一个城市规模的交通摄像机数据集，由来自10个十字路口的40个摄像机的超过3小时的同步高清视频组成，两个同步摄像机之间的最长距离为2.5公里。据我们所知，CityFlow是城市环境中空间覆盖范围和摄像机/视频数量最大的数据集。该数据集包含超过20万个带注释的边界框，涵盖了各种场景、视角、车辆模型和城市交通流量条件。提供相机几何形状和校准信息以辅助时空分析。此外，基准的一个子集可用于基于图像的车辆重新识别（ReID）的任务。我们对MTMC跟踪、多目标单摄像机（MTSC）跟踪、目标检测和基于图像的ReID中的基线/最先进方法进行了广泛的实验评估，分析了不同网络架构、损失函数、时空模型及其组合对任务有效性的影响。随着我们在2019年AI城市挑战赛（https：//www.aicitychallenge.org/）上发布基准测试，我们推出了一个评估服务器，让研究人员能够比较他们最新技术的性能。我们希望这个数据集能够促进这一领域的研究，推动最先进的技术向前发展，并在现实世界中实现部署的流量优化。
2019-04-05 cs.CV
Cross-modal Ship Re-Identification via Optical and SAR Imagery: A Novel Dataset and Method
Technology and Engineering Center for Space Utilization, Chinese Academy of Sciences（中国科学院空间利用技术与工程中心）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出HOSS ReID数据集和基于Vision Transformer的TransOSS方法，利用低轨光学与SAR星座实现全天候跨模态船舶重识别。
2025-07-16 cs.CV
Tracking by Prediction: A Deep Generative Model for Mutli-Person localisation and Tracking
Queensland University of Technology (QUT)（昆士兰科技大学）
当前的多人定位和跟踪系统过度依赖于使用外观模型进行目标重新识别，并且几乎没有方法针对这两个目标采用完整的深度学习解决方案。我们提出了一个新颖的，完整的深度学习框架，用于多人定位和跟踪。在这种情况下，我们首先介绍了一个轻量级的顺序生成对抗网络架构的人定位，克服了与闭塞和噪声检测，通常发现在多人环境中的问题。在建议的跟踪框架，我们建立在行人轨迹预测方法的最新进展，并提出了一种新的数据关联方案的基础上预测轨迹。这消除了对基于外观特征的计算上昂贵的人重新识别系统的需要，并且以最小的碎片生成类人轨迹。所提出的方法在包括静态和动态相机的多个公共基准上进行了评估，并且能够产生出色的性能，特别是在最近提出的其他基于深度神经网络的方法中。
2018-03-09 cs.CV
A Deep Four-Stream Siamese Convolutional Neural Network with Joint Verification and Identification Loss for Person Re-detection
Queensland University of Technology (QUT)（昆士兰科技大学）
采用基于三元组的深度网络的现有技术的人员重新识别系统遭受较差的泛化能力。在本文中，我们提出了一个四流连体深度卷积神经网络的人重新检测，共同优化验证和识别损失超过四个图像输入组。具体而言，所提出的方法克服了典型的三重配方的弱点，通过使用具有两个匹配（即相同的身份）和两个不匹配的图像的四个图像的组。这使我们能够在学习的特征空间中共同增加类间变化并减少类内变化。所提出的方法还优化了识别和验证损失，进一步最小化类内变化和最大化类间变化，提高整体性能。在VIPeR、CUHK01、CUHK03和PRID2011四个具有挑战性的数据集上进行的大量实验表明，该方法具有最佳的性能。
2018-12-21 cs.CV
CropTrack: A Tracking with Re-Identification Framework for Precision Agriculture
Department of Computer Science and Engineering, The University of Texas at Arlington（计算机科学与工程系，德克萨斯大学阿灵顿分校）
针对农业场景中物体外观相似、频繁遮挡导致跟踪困难的问题，提出结合外观与运动信息的MOT框架CropTrack，通过重排序增强外观关联、一对多关联冲突解决和指数移动平均原型特征库，显著提升身份保持和关联精度。
2026-06-16 cs.CV cs.RO
TrADe Re-ID -- Live Person Re-Identification using Tracking and Anomaly Detection
Universidade Federal Fluminense（弗卢米嫩塞联邦大学）；Université Toulouse（图卢兹大学）；LAAS-CNRS（法国国家科学研究中心图卢兹自动化与系统分析实验室）；ONERA（法国国家航空航天研究院）
人员重新识别（Re-ID）旨在在摄像机网络中搜索感兴趣的人员（查询）。在经典的Re-ID设置中，在包含整个身体的适当裁剪图像的图库中查找查询。最近，引入了实时Re-ID设置，以更好地表示Re-ID的实际应用环境。它包括在包含整个场景帧的短视频中搜索查询。最初的实时Re-ID基线使用行人检测器来构建一个大型搜索库，并使用经典的Re-ID模型来查找库中的查询。然而，生成的图库太大，包含低质量的图像，这降低了实时Re-ID性能。在这里，我们提出了一种新的实时Re-ID方法，称为TrADe，以生成较低的高质量画廊。TrADe首先使用跟踪算法来识别图库中同一个人的图像序列。接下来，使用异常检测模型来选择每个轨迹片段的单个良好代表。TrADe在PRID-2011数据集的实时Re-ID版本上进行了验证，并显示出较基线的显著改进。
2022-09-14 cs.AI cs.CV cs.LG
Does Appearance Help? A Systematic Study of Image-Based Re-Identification in Online 3D Multi-Pedestrian Tracking
Institute of Systems and Robotics, Department of Electrical and Computer Engineering, University of Coimbra（系统与机器人研究所，电气与计算机工程系，科英布拉大学）
系统研究轻量级投影框架下图像重识别在在线3D多目标追踪中的作用，提出级联匹配策略以在低延迟下恢复遮挡轨迹并防止身份切换。
2026-06-05 cs.CV cs.LG cs.RO
Player Tracking and Identification in Ice Hockey
University of Waterloo（滑铁卢大学）；Stathletes Inc.（Stathletes公司）
跟踪和识别球员是基于计算机视觉的冰球分析的基本步骤。跟踪生成的数据用于许多其他下游任务，例如游戏事件检测和游戏策略分析。球员跟踪和识别是一个具有挑战性的问题，因为曲棍球运动员的运动是快节奏和非线性相比，行人。在曲棍球广播视频中也有显著的摄像机平移和缩放。识别冰球运动员是一项挑战，因为同一支球队的球员看起来几乎相同，球衣号码是球员之间唯一的区别因素。本文介绍了一个自动化系统，以跟踪和识别播放NHL曲棍球视频中的球员。该系统由三个部分组成：（1）球员跟踪，（2）球队识别和（3）球员识别。由于缺乏公开可用的数据集，用于训练三个组件的数据集被手动注释。玩家跟踪是在最先进的跟踪算法的帮助下进行的，获得了94.5%的多目标跟踪准确度（MOTA）分数。对于球队识别，客队球衣被分组为一个类别，主队球衣根据球衣颜色分组。然后在团队识别数据集上训练卷积神经网络。团队识别网络在测试集上的准确率为97%。介绍了一种新的球员识别模型，该模型利用时间一维卷积网络从球员限界框序列中识别球员。球员识别模型进一步利用可用的NHL比赛名册数据来获得83%的球员识别准确度。
2021-12-02 cs.CV
Online Multi-Object Tracking with Unsupervised Re-Identification Learning and Occlusion Estimation
University of Science and Technology of China（中国科学技术大学）；Microsoft Cloud AI（微软云人工智能）；International Digital Economy Academy（国际数字经济研究院）
不同目标之间的遮挡是多目标跟踪（MOT）中的一个典型挑战，这通常会导致由于丢失检测到的目标而导致较差的跟踪结果。在多目标跟踪中，通常的做法是在丢失的目标重新出现后重新识别它们。虽然通过重新辨识可以提高跟踪性能，但是需要对模型进行身份标注来训练。此外，这种重新识别的做法仍然不能跟踪那些高度遮挡的目标时，他们被错过的检测器。在本文中，我们专注于在线多目标跟踪和设计两个新的模块，无监督的重新识别学习模块和遮挡估计模块，来处理这些问题。具体而言，所提出的无监督重新识别学习模块不需要任何（伪）身份信息，也不存在可扩展性问题。所提出的遮挡估计模块试图预测遮挡发生的位置，该位置被用于由检测器估计错过的对象的位置。我们的研究表明，当应用于最先进的MOT方法时，所提出的无监督重新识别学习与有监督重新识别学习相当，并且所提出的遮挡估计模块进一步提高了跟踪性能。
2022-01-04 cs.CV
Online People Tracking and Identification with RFID and Kinect
我们介绍了一种新颖的，准确的和实用的系统，用于实时的人跟踪和识别。我们使用Kinect V2传感器进行跟踪，它可以为视图中多达六个人生成身体骨架。我们使用Kinect和无源RFID进行识别，首先测量人的骨架和他们的RFID标签的速度矢量，使用RFID阅读器天线的位置作为参考点，然后找到骨架和标签之间的最佳匹配。我们介绍了一种同步Kinect数据的方法，这些数据是定期捕获的，具有不规则或丢失的RFID数据读数。我们的实验表明，厘米级的人跟踪分辨率与80%的平均识别精度高达六人在室内环境中，这满足了许多应用的需求。我们的系统可以保护用户隐私，并在不同的照明条件下工作。
2017-02-10 cs.CV
An HMM-based framework for identity-aware long-term multi-object tracking from sparse and uncertain identification: use case on long-term tracking in livestock
Centre de développement du porc du Québec（魁北克猪发展中心）
针对长期多目标跟踪中的身份切换问题，提出基于HMM的框架，结合稀疏不确定的身份识别与跟踪，在猪跟踪及MOT17/20数据集上显著提升了ByteTrack和FairMOT的F1分数。
2025-09-12 cs.CV
Explicit Spatiotemporal Joint Relation Learning for Tracking Human Pose
Microsoft Research（微软研究院）；Zhejiang University（浙江大学）；Microsoft Research Asia（微软亚洲研究院）
我们提出了一种基于学习关节间时空关系的人体姿态跟踪方法。除了生成给定帧中关节的热图之外，我们的系统还学会预测该关节与帧中相邻关节的偏移。此外，它被训练来预测关节从其在前一帧中的位置的位移，其方式可以考虑可能改变的关节外观，这与光流不同。通过仅关注视频帧中的相关区域，以鲁棒的方式推断空间域和时间域中的这些关系线索。通过明确地学习和利用这些关节关系，我们的系统在各种姿势跟踪任务的标准基准上实现了最先进的性能，包括RGB视频中的3D身体姿势跟踪，深度序列中的3D手部姿势跟踪和RGB视频中的3D手势跟踪。
2019-03-27 cs.CV
Ocean Eddy Identification and Tracking using Neural Networks
University of Bonn（波恩大学）
全球气候变化在我们的日常生活中起着至关重要的作用。中尺度海洋涡旋对海洋动力学、海洋环流的能量和物质输运有重要影响，对全球变暖有重要影响。从卫星测高，我们可以得到高分辨率，全球地图包含海洋信号占主导地位的相干涡流结构。本研究的目的是开发和评估一种基于深度学习的方法来分析涡流。详细地说，我们开发了一个涡流识别和跟踪框架，有两种不同的方法，主要是基于卷积神经网络的特征学习。此外，使用最先进的图像处理工具和对象跟踪方法来支持涡流跟踪。与以前的方法相比，我们的框架能够学习数据的表示，其中可以以更客观和鲁棒的方式检测和跟踪涡流。我们展示了来自澳大利亚地区和东澳大利亚洋流的海平面异常（SLA）数据的检测和跟踪结果，并比较了我们的两种涡流检测和跟踪方法，以确定最鲁棒和客观的方法。
2018-05-15 cs.CV
Joint Multi-Object Detection and Tracking with Camera-LiDAR Fusion for Autonomous Driving
Southern University of Science and Technology（南方科技大学）；Sifakis Research Institute of Trustworthy Autonomous Systems, Southern University of Science and Technology（南方科技大学西法基斯可信自主系统研究院）；Pazhou Lab（琶洲实验室）
基于相机-激光雷达融合的多目标跟踪要求实时的准确的目标检测、相似度计算和数据关联。本文提出了一种高效的多模态MOT框架，具有在线联合检测和跟踪方案以及用于自动驾驶应用的鲁棒数据关联。这项工作的新颖性包括：（1）开发端到端深度神经网络，用于使用2D和3D测量进行联合目标检测和相关;（2）开发鲁棒的亲和度计算模块，用于计算3D空间中的遮挡感知外观和运动亲和度;（3）开发综合数据关联模块，用于检测置信度、亲和度和起始-结束概率之间的联合优化。在KITTI跟踪基准上的实验结果表明，该方法在跟踪精度和处理速度方面都具有优越的性能。
2021-08-10 cs.CV
Sea You Later: Metadata-Guided Long-Term Re-Identification for UAV-Based Multi-Object Tracking
National Taiwan University（台湾大学）；National Center for High-performance Computing（国家高性能计算中心）；University of Washington（华盛顿大学）
针对无人机海事多目标跟踪中短期和长期重识别的挑战，提出利用GPS等元数据融合轨迹的MG-MOT算法，在SeaDroneSee数据集上取得HOTA 69.5%和IDF1 85.9%的SOTA性能。
2023-11-22 cs.CV
Multi-object tracking with self-supervised associating network
Yonsei University（延世大学）
多目标跟踪（MOT）是一项很有发展潜力的任务，也有许多问题需要解决。在传统的检测跟踪模式中，基于特征的目标重识别方法已经得到了大量的研究。但是，该方法存在训练数据不足的问题。对于多目标跟踪数据集的标记，视频序列中的每个检测都需要其位置和ID。由于为每个序列中的每个检测分配连续的ID是一项非常劳动密集型的任务，因此当前的多目标跟踪数据集不足以训练重新识别网络。为此，本文提出了一种新的自监督学习方法，利用大量没有人类标记的短视频，通过自监督方式训练的重识别网络来提高跟踪性能，以解决训练数据不足的问题。尽管重新识别网络是以自我监督的方式训练的，但它在MOT17测试基准上达到了MOTA 62.0\%和IDF 1 62.6\%的最先进性能。此外，性能的提高与学习大量的数据，它显示了自监督方法的潜力。
2020-10-26 cs.CV
HOIST-Former: Hand-held Objects Identification, Segmentation, and Tracking in the Wild
Stony Brook University（石溪大学）；VinAI Research（VinAI研究院）
针对手持物体因遮挡和短暂性难以识别、分割与跟踪的问题，提出基于transformer的HOIST-Former架构，利用手与物体特征迭代汇聚和接触损失进行优化，并构建包含4,125个视频的HOIST数据集，有效提升了分割与跟踪性能。
2024-04-22 cs.CV
A Multi-cut Formulation for Joint Segmentation and Tracking of Multiple Objects
University of Freiburg（弗莱堡大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
最近，最小成本多分割公式已被提出，并被证明是成功的运动轨迹分割和多目标跟踪的情况下。这两个任务都受益于将图形模型分解为基于吸引和排斥成对项的最佳数量的连接组件。这两个任务在不同的粒度级别上制定，因此，主要利用局部信息进行运动分割，主要利用高级信息进行多目标跟踪。在本文中，我们认为，点轨迹和它们的局部关系可以有助于多目标跟踪的高层次任务，也认为，高层次的线索，从目标检测和跟踪有助于解决运动分割。我们提出了一个联合图形模型的点轨迹和目标检测的多割运动分割{ \it和}多目标跟踪问题的解决方案在一次。FBMS 59运动分割基准以及2D MOT 2015基准的行人跟踪序列的结果证明了这种联合方法的前景。
2016-07-21 cs.CV
Global Correlation Network: End-to-End Joint Multi-Object Detection and Tracking
Tsinghua University（清华大学）；Beihang University（北京航空航天大学）
多目标跟踪技术近年来取得了很大的进展，但仍存在一些问题。大多数MOT算法遵循检测跟踪框架，将检测和跟踪分为两个独立的部分。早期的检测跟踪算法需要进行两次特征提取，分别用于检测和跟踪。近年来，一些算法将特征提取集成到一个网络中，但跟踪部分仍然依赖于数据关联，需要复杂的后处理来进行生存周期管理。这些方法没有很好地结合检测和跟踪。本文提出了一种新的网络来实现端到端的多目标检测和跟踪，称为全局相关网络（GCNet）。与大多数目标检测方法不同，GCNet引入全局相关层来回归边界框的绝对大小和坐标，而不是偏移预测。GCNet的检测和跟踪流程概念简单，不需要非最大值抑制、数据关联等复杂的跟踪策略。GCNet在多车辆跟踪数据集UA-DETRAC上进行了评估，与最先进的检测器和跟踪器相比，GCNet表现出了良好的性能。
2021-04-10 cs.CV
Joint Counting, Detection and Re-Identification for Multi-Object Tracking
Shenzhen Duorou Intelligent System Co., Ltd.（深圳多柔智能系统有限公司）；School of Electrical Engineering, Xi’an Jiaotong University（西安交通大学电气工程学院）；State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Science（中国科学院沈阳自动化研究所机器人国家重点实验室）
本文提出端到端框架CountingMOT，通过联合建模计数、检测与重识别，在拥挤场景中利用目标计数约束平衡检测与密度估计，有效恢复漏检和拒绝误检，实现实时在线跟踪并在MOT16/17/20基准上取得最先进结果。
2024-02-19 cs.CV
TrackID3x3: A Dataset and Algorithm for Multi-Player Tracking with Identification and Pose Estimation in 3x3 Basketball Full-court Videos
Nagoya University（名古屋大学）；Nagoya Institute of Technology（名古屋技术大学）；Shizuoka University（静冈大学）；Ryutsu Keizai University（日向产业大学）
TrackID3x3数据集和算法旨在解决3x3篮球中多玩家跟踪、识别及姿态估计问题，提供首个全面的基准测试平台。
2025-08-21 cs.CV
Joint Flow: Temporal Flow Fields for Multi Person Tracking
University of Bonn（波恩大学）
在这项工作中，我们提出了一个在线的多人姿态跟踪方法，该方法适用于两个连续的帧$I_{t-1}$和$I_t$。我们的时间网络的一般公式允许依赖于任何多人姿势估计方法作为空间网络。从空间网络中，我们提取图像特征和姿势特征的两个帧。这些特征作为我们预测时间流场（TFF）的时间模型的输入。这些TFF是指示每个身体关节将从帧$I_{t-1}$移动到帧$I_t$的方向的矢量场。这种新颖的表示允许制定检测到的关节的相似性度量。这些相似性被用作二分图优化问题中的二进制势，以便执行多个姿态的跟踪。我们表明，这些TFF可以通过相对较小的CNN网络学习，同时实现最先进的多人姿态跟踪结果。
2018-07-20 cs.CV
Joint Visual Grounding and Tracking with Natural Language Specification
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Peng Cheng Laboratory（鹏城实验室）
自然语言描述跟踪的目的是在基于自然语言描述的序列中定位所提及的目标。现有的算法通过视觉基础和跟踪两个步骤来解决这个问题，并相应地部署分离的基础模型和跟踪模型来分别实现这两个步骤。这种分离的框架忽略了视觉基础和跟踪之间的联系，即自然语言描述为定位两个步骤的目标提供全局语义线索。此外，分离的框架很难进行端到端的训练。为了处理这些问题，我们提出了一个联合视觉接地和跟踪框架，重新制定接地和跟踪作为一个统一的任务：本地化的基础上给定的视觉语言参考所指的目标。具体来说，我们提出了一个多源关系建模模块，有效地建立视觉语言引用和测试图像之间的关系。此外，我们还设计了一个时态建模模块，在全局语义信息的指导下为模型提供时态线索，有效地提高了模型对目标外观变化的适应性。在TNL 2K、LaSOT、OTB99和RefCOCOg上的大量实验结果表明，我们的方法在跟踪和接地方面都优于最先进的算法。代码可在https://github.com/lizhou-cs/JointNLT上获得。
2023-03-21 cs.CV
Online Visual Robot Tracking and Identification using Deep LSTM Networks
University of Bonn（波恩大学）
在许多应用中，协作机器人在共同的任务上工作是必要的。在机器人团队中实现协作的挑战之一是相互跟踪和识别。我们提出了一种新的管道在线视觉为基础的检测，跟踪和识别机器人与已知的和相同的外观。我们的方法在有限的硬件上实时运行的观察员机器人。与以前的机器人跟踪和识别工作不同，我们使用基于递归神经网络的数据驱动方法来学习顺序输入和输出之间的关系。我们将数据关联问题表述为多分类问题。深度LSTM网络在模拟数据集上进行训练，并在少量真实数据集上进行微调。在两个具有挑战性的数据集上进行的实验，一个是合成数据集，一个是真实数据集，其中包括长期遮挡，显示出有希望的结果。
2018-10-16 cs.CV cs.RO
Joint Spatial-Temporal Optimization for Stereo 3D Object Tracking
The Hong Kong University of Science and Technology（香港科技大学）
直接从序列图像中学习多个三维目标的运动是困难的，而几何光束法平差缺乏定位不可见目标质心的能力。为了利用深度神经网络强大的目标理解能力，同时解决精确的几何建模以实现一致的轨迹估计，我们提出了一种基于时空联合优化的立体3D目标跟踪方法。从网络中，我们检测相邻图像上的相应的2D边界框，并回归初始3D限界框。然后使用基于区域的网络预测与对象质心相关联的密集对象线索（局部深度和局部坐标）。同时考虑到即时定位精度和运动一致性，我们的优化模型之间的关系的对象质心和观察到的线索到一个联合的时空误差函数。所有的历史线索将被总结，以有助于通过每帧边缘化策略的当前估计，而无需重复计算。KITTI跟踪数据集的定量评估表明，我们的方法优于以前的基于图像的3D跟踪方法的显着利润率。我们还报告了多个类别和更大数据集（KITTI raw和Argoverse Tracking）的广泛结果，以供未来的基准测试。
2020-04-20 cs.CV
Joint Learning Architecture for Multiple Object Tracking and Trajectory Forecasting
University of Warwick（华威大学）
本文介绍了一种用于多目标跟踪和轨迹预测的联合学习结构（JLA），其目标是同时预测目标的当前和未来轨迹。运动预测被广泛地用在若干现有技术的MOT方法中，以改进边界框形式的预测。通常，卡尔曼滤波器提供短期估计以帮助跟踪器正确地预测对象在当前帧中的位置。然而，基于卡尔曼滤波器的方法不能预测非线性轨迹。我们建议联合训练跟踪和轨迹预测模型，并使用预测的轨迹预测短期运动估计代替线性运动预测方法，如卡尔曼滤波器。我们在MOTChallenge基准上评估我们的JLA。评估结果表明，JLA在短期运动预测方面表现更好，与FairMOT相比，在MOT16，MOT17和MOT20数据集中分别减少了33%，31%和47%的ID切换。
2021-08-24 cs.CV
Tracking and Reconstructing Hand Object Interactions from Point Cloud Sequences in the Wild
Peking University（北京大学）；Beijing Institute for General AI（北京通用人工智能研究院）；Virginia Tech（弗吉尼亚理工大学）；Stanford University（斯坦福大学）；Tsinghua University（清华大学）；Columbia University（哥伦比亚大学）
在这项工作中，我们解决了具有挑战性的任务，联合跟踪手对象的姿势和重建他们的形状从深度点云序列在野外，给定的初始姿势在帧0。我们首次提出了一个基于点云的手关节跟踪网络，HandTrackNet，估计帧间的手关节运动。我们的HandTrackNet提出了一种新的手部姿势规范化模块，以减轻跟踪任务，产生准确和强大的手关节跟踪。然后，我们的管道通过将预测的手部关节转换为基于模板的参数化手部模型MANO来重建整只手。对于对象跟踪，我们设计了一个简单而有效的模块，估计对象SDF从第一帧，并进行基于优化的跟踪。最后，采用联合优化步骤进行手和物体的联合推理，消除了遮挡引起的模糊性，并进一步细化了手的姿态。在训练期间，整个流水线只看到纯粹的合成数据，这些数据是用足够的变化和深度模拟合成的，以便于泛化。整个管道与泛化差距有关，因此可以直接转换为真实的野外数据。我们在两个真实的手部对象交互数据集上评估了我们的方法，例如HO3D和DexYCB，没有任何微调。我们的实验表明，所提出的方法显着优于以前的国家的最先进的基于深度的手和对象的姿态估计和跟踪方法，运行在帧速率为9 FPS。
2022-09-24 cs.CV
Joint Multi-Leaf Segmentation, Alignment and Tracking from Fluorescence Plant Videos
提出了一种新的荧光植物视频处理框架。植物研究界对植物叶片水平的光合作用分析很感兴趣。这种分析的先决条件是分割所有叶子，估计它们的结构，并随时间跟踪它们。我们确定这是一个联合多叶分割，对齐和跟踪问题。首先，对植物视频的最后一帧应用叶分割和对齐，以找到许多对齐良好的叶候选者。第二，叶跟踪应用于剩余的帧与叶候选变换从前一帧。我们形成了两个优化问题，在其目标函数的叶对齐和跟踪分别共享条款。一个定量的评估框架，制定评估我们的算法的性能与四个指标。通过学习两个模型，分别预测对准精度和检测跟踪失败，为后续的植物生物学分析提供指导。本文还研究了算法的局限性。实验结果表明了该方法的有效性、高效性和鲁棒性。
2017-05-09 cs.CV
FAMNet: Joint Learning of Feature, Affinity and Multi-dimensional Assignment for Online Multiple Object Tracking
Temple University（天普大学）
基于数据关联的多目标跟踪（MOT）涉及多个不同处理或优化的分离模块，这导致复杂的方法设计并且需要非平凡的参数调整。在本文中，我们提出了一个端到端的模型，命名为FAMNet，其中特征提取，相似度估计和多维分配细化在一个单一的网络。FAMNet中的所有层都被设计为可微的，因此可以联合优化，以学习用于鲁棒MOT的判别特征和高阶亲和模型，该模型由直接来自分配地面真值的损失来监督。我们还将单目标跟踪技术和专用目标管理方案集成到基于FAMNet的跟踪系统中，以进一步恢复假阴性并抑制外部检测器产生的噪声目标候选者。所提出的方法在包括MOT 2015，MOT 2017，KITTI-Car和UA-DETRAC在内的各种基准上进行了评估，并与最先进的技术相比，在所有这些基准上都取得了令人满意的性能。
2019-04-10 cs.CV
CORT: Class-Oriented Real-time Tracking for Embedded Systems
Department of Excellence of Robotics and AI, Scuola Superiore Sant’Anna（机器人与人工智能卓越部门，圣安娜高等学院）；Softsystem srl（Softsystem公司）；Department of Excellence on Robotics and AI, Sant’Anna School of Advanced Studies（机器人与人工智能卓越部门，圣安娜高级研究学校）
针对现有多目标跟踪算法难以兼顾精度与实时性的问题，提出类别导向的CORT跟踪方法，通过按类拆分匈牙利矩阵、按需调用重识别，在嵌入式场景下实现了性能与效率的平衡。
2025-06-12 cs.CV
Real-Time Visual Tracking and Identification for a Team of Homogeneous Humanoid Robots
University of Bonn（波恩大学）
使用一组人形机器人协作完成一项任务是一个越来越重要的研究领域。实现协作的挑战之一是机器人的相互识别和跟踪。这项工作提出了一种实时的【形】基于视觉的方法来检测和跟踪已知外观的机器人，基于静止的机器人捕获的图像。一个直方图的有向矢量描述符被用来检测机器人和机器人的航向估计的多类分类器。被跟踪的机器人根据磁力计读数报告自己的航向估计。对于跟踪，基于位置和航向的成本函数应用于每个轨迹，并且使用匈牙利算法找到检测到的机器人的全局最优标签。完整的识别和跟踪系统在足球场上使用两个igus人形开放平台机器人进行了测试。我们希望类似的系统可以用于其他人形机器人，如Nao和DARwIn-OP
2018-10-16 cs.CV cs.RO
Real-time Joint Tracking of a Hand Manipulating an Object from RGB-D Input
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Aalto University（阿尔托大学）
实时的【形】同时跟踪手操作和与外部物体交互在增强现实、有形计算和可穿戴计算中具有许多潜在的应用。然而，由于困难的闭塞，快速运动，和统一的手的外观，联合跟踪手和对象的姿态是更具有挑战性的比单独跟踪两者之一。许多先前的方法诉诸于复杂的多相机设置来补救遮挡问题，并且通常采用昂贵的分割和优化步骤，这使得实时的【形】跟踪是不可能的。在本文中，我们提出了一种使用单一商品RGB-D相机的实时的【形】解决方案。我们的方法的核心是一个3D铰接高斯混合对准策略，适合手对象跟踪，允许快速姿态优化。对准能量使用新颖的正则化器来解决遮挡和手-物体接触。为了增加鲁棒性，我们用手的判别部分分类和对象的分割来指导优化。我们在几个现有的数据集上进行了广泛的实验，并引入了一个新的带注释的手对象数据集。定量和定性结果显示了我们方法的关键优势：速度、准确性和鲁棒性。
2016-10-16 cs.CV
BuckTales : A multi-UAV dataset for multi-object tracking and re-identification of wild antelopes
Max Planck Institute of Animal Behavior（马克斯·普朗克动物行为研究所）；University of Konstanz（康斯坦茨大学）；Indian Institute of Science（印度科学学院）；BITS Pilani Hyderabad（BITS Pilani海得拉巴校区）
本文提出首个大规模多无人机数据集BuckTales，用于野生羚羊的多目标跟踪与重识别研究，以推动野生动物行为自动化长期监测与计算机视觉算法发展。
2024-11-11 cs.CV
FasterVideo: Efficient Online Joint Object Detection And Tracking
Università degli Studi di Genova（热那亚大学）；MaLGa Machine Learning Genoa Center（MaLGa热那亚机器学习中心）
视频中的目标检测和跟踪代表了当前和未来视觉感知系统的基本和计算要求的构建块。为了缩小现有方法与现实应用的计算需求之间的效率差距，我们建议重新思考图像目标检测最成功的方法之一Faster R-CNN，并将其扩展到视频领域。具体来说，我们扩展了检测框架，以学习实例级嵌入，这证明有利于数据关联和重新识别的目的。专注于检测和跟踪的计算方面，我们提出的方法达到了相关应用所需的非常高的计算效率，同时仍然能够与我们在标准对象跟踪基准上进行的实验中所示的最新和最先进的方法竞争
2022-04-15 cs.CV
PoseTrack: Joint Multi-Person Pose Estimation and Tracking
University of Bonn（波恩大学）；University of Adelaide（阿德莱德大学）
在这项工作中，我们介绍了具有挑战性的问题，联合多人的姿态估计和跟踪未知数量的人在无约束的视频。现有的图像中多人姿态估计方法不能直接应用于这个问题，因为除了每个人的姿态估计之外，还需要解决随着时间的推移的人关联问题。因此，我们提出了一种新的方法，联合模型多人姿态估计和跟踪在一个单一的配方。为此，我们表示在视频中的身体关节检测的时空图和解决一个整数线性规划分割成子图，对应于每个人的似是而非的身体姿态轨迹的图形。所提出的方法隐式地处理遮挡和截断的人。由于这个问题在文献中没有得到定量的解决，我们引入了一个具有挑战性的“多人姿势跟踪”数据集，并提出了一个完全不受约束的评估协议，不对规模，大小，位置或人数做任何假设。最后，我们在新数据集上评估了所提出的方法和几种基线方法。
2017-04-07 cs.CV
Multi-Object Tracking and Identification over Sets
UC Berkeley（加州大学伯克利分校）
自主智能体或机器人在动态环境中跟踪和识别潜在的多个对象的能力对于许多应用是必不可少的，例如自动监控，交通监控，人机交互等。主要的挑战是由于噪声和不完整的感知，包括不可避免的假阴性和假阳性错误从低级别检测器。在本文中，我们提出了一种新的多目标跟踪和识别集的方法来解决这一挑战。我们将联合状态和观测定义为有限集合，并相应地开发运动和观测函数。对象识别问题，然后制定和解决使用期望最大化的方法。集合公式使我们能够避免直接执行观察到对象的关联。我们经验证实，整体算法优于国家的最先进的流行的PETS数据集。
2016-05-25 cs.CV cs.RO
Online Metric-Weighted Linear Representations for Robust Visual Tracking
Zhejiang University（浙江大学）；University of Adelaide（阿德莱德大学）
在本文中，我们提出了一个视觉跟踪器的基础上的外观的度量加权线性表示。为了捕捉不同的特征维度的相互依赖性，我们开发了两种在线距离度量学习方法，使用邻近比较信息和结构化输出学习。然后将学习的度量并入外观的线性表示中。我们表明，在线距离度量学习显着提高了跟踪器的鲁棒性，特别是对那些表现出剧烈的外观变化的序列。为了约束训练样本数量的增长，我们设计了一种时间加权的储层采样方法。此外，我们使我们的跟踪器自动执行对象识别过程中的对象跟踪，通过引入一个集合的静态模板样本属于几个感兴趣的对象类。整个视频序列的对象识别结果是通过系统地结合跟踪信息和视觉识别在每一帧。在具有挑战性的视频序列上的实验结果证明了该方法在帧间跟踪和目标识别方面的有效性。
2015-07-21 cs.CV
Efficient Joint Detection and Multiple Object Tracking with Spatially Aware Transformer
Columbia University（哥伦比亚大学）；Sony Group Corporation（索尼集团公司）
我们提出了一个轻量级和高效的联合检测和跟踪流水线的任务，多目标跟踪使用全变压器架构。它是TransTrack的修改版本，克服了与其设计相关的计算瓶颈，同时实现了最先进的73.20%的MOTA评分。模型设计由基于Transformer的主干而不是CNN驱动，其具有高度的输入分辨率可扩展性。我们还提出了一种用于Transformer编码器层的前馈网络的插入式替换，通过使用蝴蝶变换操作来执行通道融合和深度卷积，以学习特征图内的空间上下文，否则在Transformer的注意力图内丢失。作为我们的修改的结果，我们减少了58.73%的整体模型大小的TransTrack和78.72%的复杂性。因此，我们希望我们的设计提供新的视角架构优化在未来的研究与多目标跟踪。
2022-11-09 cs.CV
Combining detection and tracking for human pose estimation in videos
AWS Rekognition
我们提出了一种新的自上而下的方法，解决了多人的人体姿态估计和跟踪视频中的问题。与现有的自上而下的方法相比，我们的方法不受其人检测器的性能限制，可以预测未本地化的人实例的姿势。它通过在时间上向前和向后传播已知的人的位置并搜索这些区域中的姿势来实现这种能力。我们的方法由三个部分组成：（i）一个剪辑跟踪网络，同时对小视频剪辑进行身体关节检测和跟踪;（ii）一个视频跟踪管道，将剪辑跟踪网络产生的固定长度轨迹合并为任意长度的轨迹;以及（iii）一个时空合并过程，根据空间和时间平滑项细化关节位置。由于我们的剪辑跟踪网络和我们的合并过程的精度，我们的方法产生非常准确的联合预测，并可以修复常见的错误在困难的情况下，如严重纠缠的人。我们的方法在PoseTrack 2017和2018数据集以及所有自上而下和自下而下的方法上实现了联合检测和跟踪的最新结果。
2020-03-30 cs.CV
3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds
University of Central Florida（中佛罗里达大学）；University of Western Australia（西澳大学）
我们提出了一种方法，用于联合检测和跟踪的多个对象在三维点云，一个任务，传统上被视为一个两步的过程，包括目标检测，其次是数据关联。我们的方法将这两个步骤嵌入到一个端到端的可训练网络中，消除了对外部对象检测器的依赖。我们的模型利用时间信息，采用多帧来检测对象并在单个网络中跟踪它们，从而使其成为现实世界场景的实用公式。利用连续点云扫描的特征相似性计算亲和矩阵是视觉跟踪的重要组成部分。我们提出了一个基于注意力的细化模块，通过抑制错误的对应关系来细化亲和力矩阵。该模块被设计为通过在每个亲和矩阵内采用自注意和跨一对亲和矩阵的交叉注意来捕获亲和矩阵中的全局上下文。与竞争方法不同，我们的网络不需要复杂的后处理算法，并处理原始LiDAR帧以直接输出跟踪结果。我们证明了我们的方法在三个跟踪基准上的有效性：JRDB，Waymo和KITTI。实验评估表明，我们的模型能够很好地推广到不同的数据集。
2022-11-01 cs.CV
Joint Target Detection and Tracking in Multipath Environment: A Variational Bayesian Approach
Northwestern Polytechnical University（西北工业大学）；Xidian University（西安电子科技大学）
研究了一类多径检测系统的多目标检测与跟踪问题，其中一个目标可能通过多条传播路径产生多个测量，且目标、测量和传播路径之间的关联关系未知。为了有效地利用来自一个目标的多径测量来提高检测和跟踪性能，跟踪器必须处理包括目标活动/休眠元状态、目标运动状态和多径数据关联的潜变量的高维估计。基于变分贝叶斯推理，提出了一种新的联合检测与跟踪算法，该算法将多径数据关联、目标检测和目标状态估计融合在统一的贝叶斯框架中。这些潜变量的后验概率推导在一个封闭的形式迭代的方式，这是有效的，以减少估计误差和识别误差之间的耦合所造成的性能恶化。利用循环置信传播近似计算多径数据关联的概率，大大节省了计算量。超视距雷达多目标跟踪仿真结果表明，该算法优于多假设多路径航迹融合算法和多检测（面向假设）多假设跟踪算法，特别是在低信噪比情况下。
2018-12-11 cs.CV
