Visual Multi-Object Tracking with Re-Identification and Occlusion Handling using Labeled Random Finite Sets

本文提出了一种在线视觉多目标跟踪（MOT）算法，解决了对象外观重新出现和遮挡的问题。我们的解决方案基于标记的随机有限集（LRFS）滤波方法，原则上，通过单个贝叶斯递归处理消失、出现、重新出现和遮挡。然而，在实践中，现有的数值逼近导致重新出现的对象被初始化为新的轨迹，特别是在长时间未被检测后。在遮挡处理中，滤波器的有效性由遮挡模型的复杂性和计算需求之间的权衡决定。我们的贡献是一种新的建模方法，利用对象特征来解决重新出现的对象，同时保持在检测数量上的线性复杂度。此外，为了改善滤波器的遮挡处理能力，我们提出了一个模糊检测模型，考虑到轨迹之间的重叠区域和它们的大小。我们还开发了一个快速版本的滤波器，进一步减少计算时间。

该论文旨在提出一种解决多目标跟踪中物体出现、消失和遮挡问题的在线视觉多目标跟踪算法。当前现有的数值近似方法导致重新出现的物体被初始化为新的轨迹，尤其是在长时间未被检测到的情况下。同时，目标物体的重叠和大小对滤波器的遮挡处理效果产生影响。

该论文的关键思路是基于标记的随机有限集（LRFS）滤波方法，利用物体特征解决物体重新出现的问题，同时采用模糊检测模型来提高滤波器的遮挡处理能力。

该论文的亮点包括使用物体特征解决物体重新出现的问题，提出的模糊检测模型可以更好地处理遮挡问题，同时提出了一种快速滤波器来进一步减少计算时间。实验使用了多个数据集进行验证，同时开源了代码。

近期相关研究包括：'Multiple Object Tracking: A Literature Review'、'Deep SORT: Simple Online and Realtime Tracking with a Deep Association Metric'、'Towards Real-Time Multi-Object Tracking'等。