多目标跟踪方法 NOMT 学习与总结

Posted 2020-09-16

多目标跟踪方法 NOMT 学习与总结

ALFD

NOMT

MTT

读 ‘W. Choi, Near-Online Multi-target Tracking with Aggregated Local Flow Descriptor, ICCV,2015’笔记

NOMT这个方法在MOTChallenge2015，MOTChallenge2016库上的结果都算比较好的了，虽然方法比较老了。另外一个显著的特点就是该方法的各种tricks实在是太多，虽没有找到源码，但对作者还真是佩服。

概述

这篇文章涉及到了多目标跟踪中的两个关键方面: 相似性的度量和目标块之间的匹配。
相似性度量方面，提出了一种Aggregate Local Flow Descriptor (ALFD)的描述子用于描述patch块之间的相对运动信息。
目标匹配的过程中利用了ALFD信息，表观相似度，运动特征和轨迹的平滑性等
该方法属于tracking by detection的一种，在KITTI和MOT库上的结果都比较好

先避开细节不谈，看看NOMT的总的流程

1493710326456.jpg

1. 为什么称为Near-Online方法？对于第t帧，之前t-1帧中的detections都已经串成不同的轨迹了，但是在t-1帧中只有之前的轨迹串才保持不变，称为‘Clean Targets‘,是时间窗，那么在t时刻需要处理的不仅仅是第t帧的detections还包括帧间的所有detections，即时间窗内的匹配结果是可以改变的，所以称为Near-Online方法，如上图中(a), 之前的是固定不变的跟踪结果，后面的则可能会随着第t帧处理结果发生改变

2. 整个跟踪过程采用的是‘hypothesis generation and selection scheme’。意味着每一个时刻现在时间窗内生成许多hypothesis，然后为每一个轨迹选择一个hypothesis。但是时间窗内完备的假设集往往是相当庞大的，比如时间窗为5，每帧有5个detections，那么长度为5的tracklet假设就有种，再考虑轨迹起点、终点或者遮挡产生的假设，那就会爆炸。所以NOMT在Hypotheses Generation中通过距离约束首先产生了一些可能的tracklets，然后再将这些tracklets分配到不同的子集中，每个子集对应着可能匹配的一个已有轨迹。不同的子集中可能存在交集，这种交集包括 存在相同的tracklets（比如图b中）或者 tracklets之间存在交集(比如图b中蓝色子集中与黄色子集中)

3. 正是由于2中不同子集之间存在这相互关系，所以假设与轨迹之间的匹配采用了Conditional Random Field完成

4. 将匹配假设中的tracklet加到对应的轨迹中，处理下一帧

无论是tracklets的生成还是hypothses的分配都需要刻画相似度，而NOMT使用了多种相似度的融合。先来看一看文中提出的ALFD描述子

Aggregated Local Flow Descriptor (ALFD)

这个方法的根本思想是利用关键点(interest points)的光流来刻画boxes之间的相对运动信息，从而判断两个boxes的相似度。比如在box1中的一个关键点是鼻尖，然后该关键点依据该点的光流可以推测在下一帧的位置，如果预测位置刚好在下一帧某个box2中的鼻尖处，那么box1与box2之间的匹配置信度显然要提高一点，那么统计所有的关键点就可以统计boxes之间的相似度。
但是呢，人体是非刚体，同一部位的关键点不同boxes中的位置很可能不同，而且光流本身就存在误差，所以使用直方图的统计特征比逐点匹配更加靠谱

那么是如何使用直方图统计该特征的呢？我们借下图分析下

1493712399664.jpg

对于box1和box2，分别计算box1中关键点在box2中的投影点分布，和box2中关键点在box1中投影点分布，然后将两个分布结合起来就组成了整体的alfd特征。以box1投影到box2为例
首先将box1划分成n*n的网格，示例中n=2,实验中n=4，然后将box2以box2为基础划分个bins，具体而言就是将box2分成个网格，然后box2周围之内的区域归为一个bin，之外的 区域归为一个bin。那么对于box1中的某一个关键点的相对运动信息就应该这么刻画:该点属于box1的哪个网格中，投影点落到box2的哪个bin中，于是直方图的长度为，示例中为288维

将box1投影到box2的相对运动信息表示为,那么两个boxes之间总的alfd特征为,其中是两个boxes中总的关键点的个数，是一个正则项，用来约束关键点个数的影响：如果两个boxes中的关键点很少，那么他俩的匹配对整个跟踪过程中匹配的影响就很小。文中

论文方法使用FAST 方法提取interest points，且任意两个points之间距离要 , 光流法使用的时Farneback光流法，当光流的大小时该轨迹终止

如何将描述子向量转化为相似性度量？
显然alfd直方图的每个bin对相似性的贡献是不一样的，比如上面的Fig3中，包含红色矩形框的bins值越大，两个patch的匹配程度就越高，而如果最外面两个bins的值越大那么相似度就越小，所以文中将描述子向量的每个元素进行加权求和作为相似性的度量

而对于权重向量是在训练集中统计出来的，这里我更偏向于使用统计而不是训练。

1. 首先对训练集中的detections进行筛选(存在gt与之IoU>0.5的认为是positive detections)

2. 在positive detections中计算任意两个时间间隔在内的pair的margin
   如果两个detection是同一个目标 ，否则
   然后权重向量就可以如下获得:

其中 是表示所有detections中与真实gt的最大IoU大于0.5的detections，是指与detection i时间差在之内的detection。 详细的符号意义参见论文

其实这个权重计算式相当于强化了那些对分类(相似与不相似)起重要作用的特征，最终可以通过判断的符号判断相不相似，想起来线性分类器

然后我们来看看论文中另一个主要贡献点NOMT

NOMT

首先声明一些变量
表示clean targets at frame t,啥意思呢？就是t时刻已经跟踪到的轨迹的之前的轨迹部分，这部分被认为是准确无误的，不在更改，所以称为clean targets。
Hypotheses 表示的是可能分配给轨迹的假设集，表示tracklet，空集表示轨迹结束，另外注意空集也可能对应一个假设集，表示新产生的轨迹。

Model Representation

模型可以形式化表示为,x是一个对应着的指示向量，整型数据，表示对应的轨迹匹配的Hypothesis标号，表示x选中的Hypotheses，表示时间窗内的detections，表示帧图像。
能量函数
显然第一项表示将假设分配给轨迹的代价，第二项表示分配的假设之间的相互关系

Single Targt Consistency

也就是上面的第一项，它由三部分组成，Hypothesis中的detections与轨迹的相似度、Hypothesis本身的一致性(可以理解为hypothesis本身的可靠程度)、将假设分配给该轨迹后的整体运动平滑性以及表观一致性，注意目标函数是最小化，有些式子里面包含的负号

---

其中第一项称为Unary potential，融合了alfd相似度和使用运动估计得到的相似度。这里为什么使用到运动估计，是因为alfd对于遮挡或者光流估计误差较大的情况匹配精度不好，这时候可以将运动估计作为补充

其中表示时间窗，表示预定义的近邻帧，文中取{1,2,5,10,20}，表示轨迹在帧对应的关联detection，但是对于有可能不存在关联detection的帧怎么处理文中没说，我觉得就是直接跳过，求和项不加那一项

其中表示对轨迹使用最小二乘估计拟合曲线在时刻的位置和大小，拟合的曲线阶数在不同数据集上不同，MOT数据集上采用的是一阶，即直线，KITTI上采用的是二阶。 表示两个detections的IoU，是衰退因子(0.98),表示相同IoU条件下，随着帧间间隔增大相似度降低。

表示detection的置信度，显然上式表示alfd和运动估计特征，谁可靠取谁，如果，表示可能是一个新轨迹起点，那么就看detection的置信度了

---

针对于第二项刻画Hypothesis本身的一致性，就使用了alfd相似度

---

第三项刻画了加入hypothesis之后整条轨迹的平滑性，使用了运动估计特征和表观特征。

其中均为标量参数，实验中取(20,0.4,0.8),表示两个detections之间的(x,y,height)的距离的平方，那么式子的前一项就是预测的detection与检测到的detection之间的差异(有点类似于Kalman滤波思想)，注意这里的height是经过归一化，刻画了两个detection的表观相似度，使用颜色直方图表示patch块，具体而言就是每个patch块在LAB空间内将AB通道分别划分4个bins，然后每个采用金字塔形式统计直方图分布，金字塔的第一层1个，第2层分解成 的网格，总体的bins就是,然后计算两个直方图的intersection得到K

---

上面仅考虑单独的轨迹怎么分配hypothsis，其实不同的轨迹分配不同的hypotheses，相互之间往往是相互影响的，也就是总能量表达式的第二项

Mutual Exclusion

其中表示假设在时刻f的detections，前一项表示两个假设存在重叠的程度，,表示是同一个目标，分别表示惩罚系数，论文中，显然对分配假设中存在相同detection的情形零容忍。

上面讲NOMT的模型总是提到Hypotheses集，那么假设是怎么生成的呢？

Hypothesis Generation

在生成假设的过程中，NOMT就是在时间窗内生成一些tracklets作为假设，而tracklets包括两种形式，一种就是由在时间窗内的部分生成，另一部分则是使用alfd度量相似度生成的，有点类似于聚类。
Starting from a detection 然后在剩下不在该tracklet中的detections中选取最相似的放进去，直到tracklet中个数等于窗口长度或者tracklet内部detections与外部detections之间最好的相似度都小于0.4时终止。

这样生成的tracklets依然有许多是没有用的，所以采用了门限策略进一步筛选这些hypotheses。具体而言利用最小均方误差估计轨迹模型，通过判断预测box与tracklet中box的IoU值来筛选tracklets，实验中门限阈值设为0.1，这么小的原因是为了产生较多的tracklets。另外对于一段时间内没有匹配到detections的轨迹认为已经终止，论文中这个时间阈值为1s

关于新轨迹的产生，对于没有匹配的tracklets，采用non-maximum suppression的方式规避重复的目标。

目标函数现在已经给出来了，那么如何求解呢？

Inference with Dynamic Graphical Model

如图2所示，首先将每个轨迹可能分配的假设集分出来，表示一个节点，而里面具体的假设表示状态，就构成了一个undirected graphical model。对于这个图模型划分不同的独立的子图，不同结构的子图采用不同的方式进行求解
如果子图中包含多个node，那么采用CRF模型进行处理，如果仅含有1个节点，就选择集合中最好的假设分配给节点，这个时候就不用考虑Mutual Exclusion哪项势函数了。
关于CRF模型，待补充

实验

论文中验证了ALFD的表征能力，并分别在KITTI的部分子集和MOT2015数据集上做了实验验证了NOMT相对于当时已有方法的优势，这个优势还是相当明显的。具体数值结果见论文和相关网站

总结

1. 该文章提出了一种基于光流的特征描述子ALFD，描述了patch块之间的相对运动关系，其实仔细想想这个描述子不仅包含了运动信息，还包含了纹理信息，比如关键点的选取，因为是相对关系，所以和patch之间的距离，即空间关系也有关，所以该描述子有效还是很好解释的

2. NOMT方法采用的是一种滑动时间窗的更新方式，这种方式允许前若干时刻的分配结果随着新detections的到来而发生更改，这样跟踪效果显然会好一些，毕竟利用了前后帧的关系

3. 方法中用到了好多tricks，比如使用最小平方误差算法构建轨迹预测器，使用运动特征去处理遮挡问题，使用运动特征和表观特征正则化假设集的分配，等等，且方法中给定了许多参数等

4. 在使用ALFD计算相似度时，使用的时统计得来的权重向量，起始可以由训练得到。

5. 这个假设分配的过程或许并非一定要通过CRF这么计算`