[論文レビュー] Labeled Multi-object Tracking Algorithms for Generic Observation Model

Suqi Li, Wei Yi+2 more|arXiv (Cornell University)|Apr 5, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 36被引用数 2

ひとこと要約

本稿では、一般観測モデル（GOM）下でのラベル付き多対象追跡のための製品ラベル付き多対象（P-LMO）フィルタとLMB-GOMフィルタを提案する。P-LMOフィルタは閉形式のベンチマーク解を提供するが、LMB-GOMフィルタはKLダイバージェンスを最小化し、一次モーメントを一致させることで、数値実験において高い精度と低い計算コストを達成する効率的な近似である。

ABSTRACT

In this paper, we are devoted to the labeled multiobject tracking problem for generic observation model (GOM) in the framework of Finite set statistics. Firstly, we derive a product-labeled multi-object (P-LMO) filter following by the PLMO formed density which is a more detailed expression for the general labeled multi-object density [1]. The proposed PLMO filter is a closed form solution to labeled multi-object Bayesian filter under the standard multi-object transition kernel and generic multi-object likelihood and thus can be used as the performance benchmark in labeled multi-object tracking. Secondly, we propose a generalization of LMB filter, named LMB filter for GOM by approximating the full multi-object density as a class of LMB density matching the original labeled first order moment as well as minimizing the Kullback-Leibler divergence from the original multi-object density. The LMB-GOM filter can be seen as a principled approximation of P-LMO filter, which not only inherits the advantages of the multi-Bernoulli filter for image data with the intuitive mathematical structure of multi-Bernoulli RFS, but also the accuracy of P-LMO filter with less computation burden. In numerical experiments, the performance of the proposed algorithms are verified in typical tracking scenarios.

研究の動機と目的

• 一般観測モデル（GOM）下でのラベル付き多対象追跡に、原理的で閉形式のベンチマークが不足している問題に対処する。
• P-LMOフィルタの効率的近似を構築し、計算複雑性を低減しながらも精度を維持する。
• 一般尤度関数と多対象遷移を伴う複雑な状況でも高精度な追跡を可能にする。
• 解釈性と追跡性能の向上を図るために、ラベル付き多対象密度構造を保持する。

提案手法

• 標準的な多対象遷移カーネルと一般尤度関数の下で、ラベル付き多対象ベイズフィルタの閉形式解として製品ラベル付き多対象（P-LMO）フィルタを導出する。
• ラベル付き一次モーメントと完全な多対象密度を用いてP-LMOフィルタを定式化し、ラベル付き多対象後確率の詳細な表現を提供する。
• 元の一次モーメントを一致させるラベル付き多ベルヌーイ（LMB）密度で完全な多対象密度を近似することで、LMB-GOMフィルタを提案する。
• 元の密度と近似密度間のカルバック・ライブラー（KL）ダイバージェンスを最小化し、統計的整合性を確保する。
• 有限集合統計（FISST）フレームワークにLMB-GOMフィルタを統合し、一貫性のあるラベル付き多対象追跡を実現する。
• LMB-GOMフィルタが多ベルヌーイRFSの直感的な数学的構造を継承しつつ、P-LMOレベルの精度を達成し、計算コストを低減する。

実験結果

リサーチクエスチョン

• RQ1 FISSTフレームワーク下で、一般観測モデル（GOM）に対して、閉形式のラベル付き多対象フィルタ解をどのように導出できるか。
• RQ2 P-LMOフィルタの効率的で原理的近似は何か。その精度と計算複雑性のバランスをどのように達成できるか。
• RQ3 P-LMOフィルタと比較して、LMB-GOMフィルタは計算負荷を軽減しながらも高い追跡精度を維持できるか。
• RQ4 一般観測モデルを伴う典型的な多対象追跡シナリオにおいて、LMB-GOMフィルタはどのように性能を発揮するか。

主な発見

• P-LMOフィルタは、一般観測モデル下でラベル付き多対象ベイズフィルタの閉形式解を提供し、性能ベンチマークとして機能する。
• LMB-GOMフィルタは、元の多対象密度の一次モーメントを一致させ、KLダイバージェンスを最小化することで高い精度を達成する。
• LMB-GOMフィルタは、多ベルヌーイRFSの直感的な数学的構造を継承しており、対象のラベルや状態の解釈が明確になる。
• 数値実験により、LMB-GOMフィルタはP-LMOベンチマークに非常に近い性能を達成しながらも、顕著に計算コストを低減することが確認された。
• 提案手法は典型的な追跡シナリオで検証され、一般観測モデル下でも頑健で効果的であることが示された。