论文框架流程_2
Multi-target tracking using CNN-based features: CNNMTT(2019)
先验知识:行人以群类分(独自走的行人自成一组),以组中心更好地估计行人在下一帧的位置;
训练CNN方法SGD(随机梯度下降);
实验数据集:MOT16;
总流程:
- 使用Faster R-CNN在MOT16上的结果;
- 计算cost graph,cost graph代表匹配对象和track的cost:
- apperance通过CNN提取,分别获取对象和track的特征,然后计算P(app)(w(app)为参数):
- List item
. 进行分组并计算分数:
▲x(i,j)是对象平均相对位移距离,范围为最后15帧中,每三帧取一帧(为了加快算法计算速度);W、H为目标的bounding box;
di为平均位移向量;
w和w`分别为i和j的宽(h同);
- 使用Hungarian algotrithm匹配目标和track,以cost graph为计算依据;第一次使用Hungarian algorithm使用(最小affinity)来约束,目的是找到最stable track来更新组(group);
- 更新组的步骤:找到最stable track,基于对象与组中心的相对位置和他们在新时刻的位置计算组中心:
然后更新对每个对象位置的估计:
most stable track计算: - 第二轮Hungarian algorithm使用更新后的cost graph计算关联;
- 重新评估组;
- 更新track:添加无匹配的对象的track;删除长期无匹配对象的track;
- 输出最stable track;
训练的CNN参数表: