BiTrack: Bidirectional Offline 3D Multi-Object Tracking Using Camera-LiDAR Data

本文提出了一种名为“BiTrack”的三维离线多目标跟踪（OMOT）框架，相较于实时多目标跟踪（MOT），OMOT 可以执行二维-三维检测融合、错误链接校正和完整轨迹优化，但需要应对边界框不对齐、轨迹评估、编辑和细化等挑战。该框架包括二维-三维检测融合、初始轨迹生成和双向轨迹重新优化模块，以从相机-LiDAR 数据中实现最佳跟踪结果。本文的创新点包括三个方面：（1）开发了一种点级别的物体注册技术，采用基于密度的相似度度量来实现精确的二维-三维检测结果融合；（2）开发了一组数据关联和轨迹管理技能，利用基于顶点的相似度度量以及误报拒绝和轨迹恢复机制来生成可靠的双向物体轨迹；（3）开发了一种轨迹重新优化方案，以贪心方式重新组织不同保真度的轨迹片段，并使用完成和平滑技术对每个轨迹进行细化。在 KITTI 数据集上的实验结果表明，BiTrack 在精度和效率方面实现了三维 OMOT 任务的最新性能。

本文旨在提出一种新的3D离线多目标跟踪框架，解决相机-LiDAR数据中的边界框对齐和轨迹评估、编辑和细化等问题。

BiTrack框架包括2D-3D检测融合、初始轨迹生成和双向轨迹重新优化等模块，利用点级对象注册技术和基于顶点的相似度度量等数据关联和跟踪管理技术，以及轨迹重组、完善和平滑等轨迹优化技术，实现了最优的跟踪结果。

本文的亮点包括：1.开发了一种基于密度的相似度度量的点级对象注册技术，实现了准确的2D-3D检测结果融合；2.开发了一组数据关联和跟踪管理技术，包括基于顶点的相似度度量、误报拒绝和轨迹恢复机制，生成可靠的双向对象轨迹；3.开发了一种轨迹重组和优化技术，以贪心方式重新组织不同精度的轨迹片段，并使用完善和平滑技术对每个轨迹进行细化和优化。实验结果表明，BiTrack在KITTI数据集上实现了3D离线多目标跟踪任务的最佳性能。

目前在该领域还有其他相关研究，如：《3D Multi-Object Tracking: A Survey》、《Joint Detection and Multi-Object Tracking with Graph Neural Networks》等。