DenseTrack: Drone-based Crowd Tracking via Density-aware Motion-appearance Synergy

无人机群体跟踪面临着许多困难，主要是由于小物体的数量众多且彼此非常接近，这使得定位和跟踪变得复杂。为了解决这些挑战，我们提出了一种密度感知跟踪（DenseTrack）框架。DenseTrack利用人群计数来精确定位物体位置，结合视觉和运动线索来提高小尺度物体的跟踪。它特别解决了跨帧运动的问题，以提高跟踪的准确性和可靠性。DenseTrack利用人群密度估计作为视频帧内精确定位物体的锚点。这些估计与跟踪网络的运动和位置信息合并，运动偏移量作为关键的跟踪线索。此外，DenseTrack利用视觉语言模型的见解增强了区分小尺度物体的能力，将外观与运动线索相结合。该框架利用匈牙利算法确保跨帧个体的准确匹配。在DroneCrowd数据集上进行演示，我们的方法表现出优异的性能，证实了它在无人机捕捉的场景中的有效性。

本论文旨在解决无人机拍摄下的人群跟踪问题，特别是在小物体密集的情况下，通过密度感知跟踪（DenseTrack）框架来提高跟踪准确性和可靠性。

DenseTrack框架利用人群计数来确定物体位置，结合视觉和运动线索来提高小物体的跟踪能力，针对跨帧运动问题进行优化，使用匈牙利算法确保跨帧匹配的准确性。

论文在DroneCrowd数据集上进行了实验，表现出优异的性能。同时，该框架的亮点包括结合视觉语言模型来提高小物体识别能力，以及使用了匈牙利算法来确保跨帧匹配的准确性。

在这个领域，最近的相关研究包括：《Crowd Counting and Density Estimation by Trellis Encoder-Decoder Networks》、《Crowd Detection in Aerial Images Based on Multi-Task Learning》等。