Método de Seguimiento de Múltiples Objetos con un Filtro de Kalman No Escamoteado en una Variedad de Grupo de Lie

Área de la Ciencia:

• Visión por Computadora
• Robótica
• Inteligencia Artificial

Sus antecedentes:

• El seguimiento de múltiples objetos (MOT) es crucial pero enfrenta desafíos con la apariencia homogénea, el movimiento heterogéneo y la oclusión pesada.
• Los métodos existentes sufren asociaciones perdidas y predicciones falsas debido a modelos de movimiento simplificados y representaciones de apariencia débiles.

Objetivo del estudio:

• Proponer un método MOT ligero, genérico e independiente de la apariencia.
• Abordar las limitaciones de los enfoques MOT actuales para escenarios de seguimiento complejos.

Principales métodos:

• Introdujo LUKF-Track, un novedoso método MOT que utiliza un filtro de Kalman no escamoteado (UKF) en un grupo de Lie.
• Emplea un modelo de movimiento para la propagación y predicción del estado del objeto formulado a través de UKF en el grupo de Lie.
• Incorpora cuadros de detección en todos los rangos de puntuación para una asociación de datos robusta.

Principales resultados:

• Logró un rendimiento de vanguardia en los benchmarks MOT17, MOT20 y DanceTrack.
• Demostró eficacia en escenarios con movimiento altamente no lineal y oclusiones severas.
• Mostró una precisión de seguimiento mejorada en comparación con los métodos existentes.

Conclusiones:

• LUKF-Track ofrece un avance significativo en el seguimiento de múltiples objetos, particularmente para entornos desafiantes.
• El enfoque propuesto de UKF en un grupo de Lie mejora la robustez contra las variaciones de apariencia y las complejidades del movimiento.