BoT-SORT: Robust Associations Multi-Pedestrian Tracking
BoT-SORT: Robust Associations Multi-Pedestrian Tracking
论文:arxiv
code: github
数据:还未找到
文章贡献
- 运动相机的补偿和卡尔曼状态向量的选择
- IOU与reid余弦距离融合方案
总流程
探索创新
更换了卡尔曼的状态量,以及Q,R矩阵。
- 状态量由【xc, yc, s, a, ˙xc, ˙yc, ˙】、【xc, yc, a, h, ˙xc, ˙yc, ˙a, ˙h】到【xc(k), yc(k), w(k), h(k),˙xc(k), ˙yc(k), ˙w(k), ˙h(k)】
- Q R选择跟状态向量有关,有利于预测长时间丢失的目标。
运动相机补偿
相机的运动可以概括为相机姿态变化的刚性运动以及图像中目标变化的非刚性运动。
在没有额外信息(惯导设备,IMU设备,相机的内参矩阵)情况下,采用两个相邻帧进行映射出 相机的刚性运动。
采用opencv中视频稳定模块进行转化,实现这个视频补偿。(该方法是适合背景运动的情况)
提取关键点
局部异常点去除的稀疏光流跟踪
用RANSAC方法求取出仿射矩阵 A k − 1 k A_{k-1}^k Ak−1k
- KaTeX parse error: Undefined control sequence: \matrix at position 20: …k-1}^k= \left[ \̲m̲a̲t̲r̲i̲x̲{ M_{2*2} \mid …
采用稀疏配准技术可忽略场景中的动态运动目标
首先利用光流 计算出转化矩阵
再通过转化矩阵进行调整状态向量X
再进行卡尔曼预测进行跟踪
IOU与reid进行融合
reid 首先进行指数平滑:
e i k = α e i k − 1 + ( 1 − α ) f i k e_i^k=\alpha e_i^{k-1}+(1-\alpha)f_i^k eik=αeik−1+(1−α)fik
f i k f_i^k fik是指现在求解出来的轨迹 α \alpha α设置0.9
常规的外观特征 A a A_a Aa与运动特征 A m A_m Am融合方法
C = λ A a + ( 1 − λ ) A m C=\lambda A_a+(1-\lambda)A_m C=λAa+(1−λ)Am
其中 λ \lambda λ通常设置为0.98
新的关联矩阵C
d ^ i , j c o s = { 0.5 ⋅ d i , j c o s , ( d i , j c o s < θ e m b ) ⋀ ( d i , j i o u < θ i o u ) 1 , o t h e r w i s e \hat{d}_{i,j}^{cos}= \begin{cases} 0.5 \cdot d_{i,j}^{cos},(d_{i,j}^{cos}<\theta _{emb})\bigwedge(d_{i,j}^{iou}<\theta _{iou})\\ 1,\rm{otherwise} \end{cases} d^i,jcos={0.5⋅di,jcos,(di,jcos<θemb)⋀(di,jiou<θiou)1,otherwise
C i , j = m i n { d i , j i o u , d ^ i , j c o s } C_{i,j}=min\{d_{i,j}^{iou},\hat{d}_{i,j}^{cos}\} Ci,j=min{di,jiou,d^i,jcos}
其中 C i , j C_{i,j} Ci,j是C矩阵中的i,j的位置的值
实验部分
检测网络使用YOLOX
特征提取采用SBS-50模型,自己训练的
cMOTA被提出使用
疑惑点
- 这个解释为更加容易跟踪,但是也是不一定对的,这样有可能增加误差。
疑惑点
- [外链图片转存中…(img-EnWvHjaa-1658459159605)]
- 这个解释为更加容易跟踪,但是也是不一定对的,这样有可能增加误差。
BoT-SORT: Robust Associations Multi-Pedestrian Tracking相关推荐
- 【论文-目标追踪】BoT-SORT: Robust Associations Multi-Pedestrian Tracking
基本信息 BoT-SORT: Robust Associations Multi-Pedestrian Tracking paper code(论文基于YOLOX.代码还增加了YOLOv7) 原rep ...
- 【论文阅读5】BoT-SORT:Robust Associations Multi-Pedestrian Tracking
[论文阅读5]BoT-SORT:Robust Associations Multi-Pedestrian Tracking 和OC-SORT类似,BoT-SORT也是对Kalman滤波进行改进.OCS ...
- BoT-SORT: Robust Associations Multi-Pedestrian Tracking 论文详细解读
BoT-SORT: Robust Associations Multi-Pedestrian Tracking 论文详细解读 文章目录 BoT-SORT: Robust Associations Mu ...
- 多目标追踪——【两阶段】BoT-SORT: Robust Associations Multi-Pedestrian Tracking
目录 文章侧重点 流程框架 运动模型 卡尔曼滤波模型 相机建模 文章链接:BoT-SORT: Robust Associations Multi-Pedestrian Tracking提取码:qqzd ...
- 多目标跟踪之Sort:SIMPLE ONLINE AND REALTIME TRACKING
SORT:SIMPLE ONLINE AND REALTIME TRACKING Alex Bewley†, Zongyuan Ge†, Lionel Ott⋄, Fabio Ramos⋄, Ben ...
- Deep SORT: Simple Online and Realtime Tracking with a Deep Association Metric(论文阅读笔记)(2017CVPR)
论文链接:<Deep SORT: Simple Online and Realtime Tracking with a Deep Association Metric> ABSTRACT ...
- Robust Scale-Adaptive Mean-Shift for Tracking
目录 核密度估计KDE: Mean Shift: ASMS: [ Robust Scale-Adaptive Mean-Shift for Tracking]论文阅读笔记 背景:基于均值偏移的目标跟踪 ...
- 【笔记】文献阅读[SORT]-SIMPLE ONLINE AND REALTIME TRACKING
SORT: SIMPLE ONLINE AND REALTIME TRACKING 引言 2 文献综述 3 方法 3.1 检测 3.2 评估模型 3.3 数据关联 4 实验 4.1 指标 4.2 性能 ...
- 【文献阅读笔记】BoT-SORT: Robust Associations Multi-Pedestrian Tracking
BoT-SORT论文阅读 摘要 这篇文章提出一种新的鲁棒性前端跟踪器,结合了运动motion和外观appearance信息的优势,加入了相机运动补偿,以及更准确的卡尔曼滤波状态向量. 1.introd ...
最新文章
- InnoDB与MyISAM引擎区别
- Caffe: gflag编译出现问题汇总
- PyQt5在对话框中打开外部链接的方法
- CubeMX 的使用实例详细(04.6)- STM32F103的 - 定时器设定 - callback调用 - 实现1S的定时更新LED灯
- python for循环 内存_Python for循环中的内存错误
- 关于错误:不能将licenses.licx文件转换成二进制,error lc0003 !
- 你知道谷歌有个社区叫 GBG 么?
- 解决Windows Vista/7/8/8.1 远程桌面连接XP或2003缓慢的问题
- 阿里云服务器“禁止外国IP访问服务器”和“禁止服务器访问外国IP”的安全组策略配置方法
- tampermonkey 下载
- FT2000+下使用Clonezilla进行系统备份还原
- win10免费sdk安装详细过程
- 基于微信小程序的毕业设计题目(22)php有声读物音频播放小程序(含开题报告、任务书、中期报告、答辩PPT、论文模板)
- DCDC直流非隔离负高电压输出电源模块12V24V转0-负50v/-150v/-200v/-250v/-300v/-400v/-500v
- Keystone 组件
- 系统架构师(软考)------网络互联模型与常见的网络协议
- C++ QT开发人机象棋(评估函数)
- Python版冈萨雷斯 V1.0
- 西门子协议转换网关WTGNet-PN(西门子1200/1500)
- 【附源码】Python计算机毕业设计宿舍人员签到管理系统