重新识别援助和多阶段关联用于行人多物体跟踪
1Shenzhen Institute of Information Technology, Shenzhen, China. liyeuestc@uestc.edu.cn.
Scientific reports
|July 2, 2025
概括
这项研究引入了一种新的行人跟踪方法,使用外观特征来提高准确性,特别是在遮蔽期间. 拉玛方法增强了多对象跟踪 (MOT) 系统中的身份关联.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 对于监视和视频分析而言,行人多物体跟踪 (MOT) 是至关重要的.
- 目前的MOT方法通常依赖卡尔曼波器和交叉点对联 (IoU) 来进行跟踪.
- 只有空间追踪在遮蔽和近距离期间与身份一致性作斗争.
研究的目的:
- 开发一种先进的MOT方法,克服仅空间跟踪的局限性.
- 通过外观信息来改善行人身份关联.
- 为了提高多对象行人跟踪的准确性和稳定性.
主要方法:
- 拟议的RAMA (重新识别特征辅助和多阶段数据关联) 方法.
- 整合了一个单独训练的行人重新识别模型,用于歧视性特征提取.
- 使用低置信度边界框和多阶段数据关联.
主要成果:
- 拉玛展示了更强大的身份关联能力.
- 在MOT16数据集上获得了75.0%的IDF1得分.
- 在MOT17数据集上获得了74.5%的IDF1得分.
结论:
- 将重新识别特征与多阶段数据关联相结合,显著改善了行人MOT.
- 拉马方法提供了针对堵塞和行人接近问题的增强强性.
- 这种方法推进了智能监控和视频分析的最新技术.
