数据集下载

https://github.com/DanceTrack/DanceTrack

2023

Observation-Centric SORT: Rethinking SORT for Robust Multi-Object Tracking

code: https://github.com/noahcao/OC_SORT
摘要： 基于卡尔曼滤波器（KF）的多目标跟踪（MOT）方法假设目标呈线性移动。虽然这种假设对于非常短的闭塞时间是可以接受的，但对长时间运动的线性估计可能是非常不准确的。此外，当没有测量值可以更新卡尔曼滤波参数时，标准的约定是信任先验状态估计来进行后验更新。这导致了在一段闭塞期间错误的积累。在实际应用中，该误差导致了显著的运动方向差异。在这项工作中，我们证明了一个基本的卡尔曼滤波器仍然可以获得最先进的跟踪性能，如果采取适当的注意来修复在遮挡期间积累的噪声。我们不仅仅依赖于线性状态估计（即以估计为中心的方法），而是使用目标观测（即目标检测器的测量）来计算遮挡周期内的虚拟轨迹，以确定遮挡期间滤波器参数的误差积累。这允许更多的时间步长来纠正在遮挡期间积累的错误。我们将我们的方法命名为以观察为中心的SORT（OC-SORT）。它仍然是简单的、在线和实时的，但提高了在遮挡和非线性运动时的鲁棒性。给定现成的检测作为输入，OC-SORT在单个CPU上以700+ FPS运行。它在多个数据集上实现了最先进的技术，包括MOT17、MOT20、KITTI、头部跟踪，特别是物体运动高度非线性的舞蹈跟踪。