创新点:(3D)

通过分层轨迹组成的多视角人物跟踪。本文展示了一个多视角目标跟踪的层次化的组合方法。关键的思想在于自适应的使用2D和3D的多条线索,如地面占用一致性,运动相关性,外观相似性等。虽然在过去的文献中已经广泛研究了特征的在线选择,但是当遭遇挑战的时候,如何为了跟踪而有效地安排这些线索尚不清楚。为此,提出了一个层次化的组合模型,并且把多视角的多目标跟踪看成是组成结构优化的问题。本文设置了一套组合标准,并且每个标准有相对应的特定线索提示(cue)。利用不同标准来追求层次组合的过程可以增加一个图节点与子节点之间的约束。使用MLE(极大似然估计法)算法在标注数据上学习组合标准,并且用迭代贪心追踪算法有效地构造分层图。

贡献:

①把多视角MOT看作是一个分层结构优化问题,并且展现了3个基于轨迹成分的标准以把不同类型的线索联合使用。

②建立了一个富有挑战的新的数据集。

Multi-view multi-object tracking 在有些文献中被关注。跟踪来自于多个视角的物体可以看成是一个组合优化的问题。多视角跟踪通常会在多个cameras被当作一个data association problem的问题来解决。当然了,有相应的解决方法,如network flow optimization。