901.
目的 针对模糊行人特征造成身份切换的问题和复杂场景下目标之间遮挡造成跟踪精度降低的问题,提出 AIoU-Tracker 多目标跟踪算法。
方法 首先根据骨干网络检测头设计了一个特殊的 AIoU(adaptive intersectionover union)回归损失函数,从重叠面积、中心点距离和纵横比 3 个方面去衡量,缓解了由于模糊行人特征判别性不足造成的身份切换现象;其次提出了一种简单有效的层级(hierarchical)关联策略,在高分检测框和低分检测框分别关联之后,充分利用关联失败检测框周围的嵌入信息再次进行关联,提高了在遮挡条件下多目标跟踪的关联精度。
结果 通过一系列的对比实验,提出的 AIoU-Tracker 跟踪方法相比于 FairMOT 跟踪方法在 MOT16 数据集上,HOTA(higher order tracking accuracy)值由 58. 3% 提高 至 59. 8%,IDF1(ID F1 score)值由 72. 6% 提高 至 73. 1%,MOTA(multi-object tracking accuracy)值由 69. 3% 提高至 74. 4%;在 MOT17 数据集上,HOTA 值由 59. 3% 提高至 59. 9%,IDF1 值由 72. 3% 提高至 72. 9%。
结论 本文提出的特征平衡性跟踪方法,使边界框大小特征、热图特征和中心点偏移量特征在训练测试中达到了更好的平衡,使多目标跟踪结果更加准确。… …
相似文献