[논문 리뷰] Labeled Multi-object Tracking Algorithms for Generic Observation Model

Suqi Li, Wei Yi외 2명|arXiv (Cornell University)|2016. 04. 05.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 36인용 수 2

한 줄 요약

이 논문은 일반 관측 모델(GOM) 하에서 라벨링된 다중객체 추적을 위한 제품 라벨링 다중객체(P-LMO) 필터와 LMB-GOM 필터를 제안한다. P-LMO 필터는 폐쇄형 기준 솔루션을 제공하며, LMB-GOM 필터는 KL 발산을 최소화하고 일阶 모멘트를 일치시켜 효율적으로 이를 근사함으로써 수치 실험에서 높은 정확도를 달성하면서도 계산 비용을 감소시킨다.

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.

연구 동기 및 목표

• 일반 관측 모델(GOM) 하에서 라벨링된 다중객체 추적을 위한 원칙적이고 폐쇄형 기준 솔루션의 부족을 해결한다.
• 정확도를 유지하면서 계산 복잡도를 감소시킬 수 있는 P-LMO 필터의 효율적 근사법을 개발한다.
• 일반 가능도와 다중객체 전이를 수반하는 복잡한 시나리오에서도 정확한 추적을 가능하게 한다.
• 더 나은 해석 가능성과 추적 성능를 확보하기 위해 라벨링된 다중객체 밀도의 구조를 유지한다.

제안 방법

• 표준 다중객체 전이 커널과 일반 가능도 하에서 라벨링된 다중객체 베이지안 필터의 폐쇄형 해로 제품 라벨링 다중객체(P-LMO) 필터를 유도한다.
• 라벨링된 일阶 모멘트와 전체 다중객체 밀도를 사용하여 P-LMO 필터를 수립함으로써 라벨링된 다중객체 사후분포의 상세한 표현을 제공한다.
• 원래의 일阶 모멘트를 일치시키는 라벨링된 다중베르누이(LMB) 밀도로 전체 다중객체 밀도를 근사함으로써 LMB-GOM 필터를 제안한다.
• 원래의 밀도와 근사된 밀도 간의 쿨백-라이블러(KL) 발산을 최소화하여 통계적 정밀도를 확보한다.
• 유한 집합 통계(FISST) 프레임워크에 LMB-GOM 필터를 통합하여 일관된 라벨링된 다중객체 추적을 가능하게 한다.
• LMB-GOM 필터가 다중베르누이 RFS의 직관적인 수학적 구조를 유지하면서도 P-LMO 수준의 정확도를 달성하면서도 낮은 계산 비용을 구현한다.

실험 결과

연구 질문

• RQ1 FISST 프레임워크 하에서 일반 관측 모델(GOM) 하에서 폐쇄형 라벨링된 다중객체 필터링 솔루션을 어떻게 도출할 수 있는가?
• RQ2 정확도와 계산 복잡도 사이의 균형을 고려할 때, P-LMO 필터의 효율적이고 원칙적인 근사는 무엇인가?
• RQ3 LMB-GOM 필터는 P-LMO 필터에 비해 계산 부담을 줄이면서도 높은 추적 정확도를 유지할 수 있는가?
• RQ4 LMB-GOM 필터는 일반 관측 모델을 가진 일반적인 다중객체 추적 시나리오에서 어떻게 성능을 발휘하는가?

주요 결과

• P-LMO 필터는 일반 관측 모델 하에서 라벨링된 다중객체 베이지안 필터의 폐쇄형 해를 제공하며, 성능 기준으로 기능한다.
• LMB-GOM 필터는 원래 다중객체 밀도의 일阶 모멘트를 일치시키고 KL 발산을 최소화함으로써 높은 정확도를 달성한다.
• LMB-GOM 필터는 다중베르누이 RFS의 직관적인 수학적 구조를 계승하여 객체 라벨과 상태의 더 명확한 해석을 가능하게 한다.
• 수치 실험을 통해 LMB-GOM 필터가 P-LMO 기준에 매우 가까운 성능을 달성하면서도 계산 비용을 크게 감소시킴을 확인하였다.
• 제안된 알고리즘은 일반적인 추적 시나리오에서 검증되었으며, 일반 관측 모델 하에서도 강건성과 효과성을 입증하였다.