[论文解读] Inference for multiple object tracking: A Bayesian nonparametric approach

Bahman Moraffah|arXiv (Cornell University)|Sep 16, 2019

Bayesian Methods and Mixture Models参考文献 50被引用 9

一句话总结

本文提出了一种基于依赖狄利克雷过程和两参数泊松-狄利克雷过程的贝叶斯非参数框架，用于多目标跟踪，以建模时变目标状态，从而在噪声和杂波环境下实现对目标数量、标签和轨迹的鲁棒估计。该方法采用马尔可夫链蒙特卡洛推理，实现最优收敛速率，在准确性和计算效率方面优于现有的随机有限集（RFS）跟踪器。

ABSTRACT

In recent years, multi object tracking (MOT) problem has drawn attention to it and has been studied in various research areas. However, some of the challenging problems including time dependent cardinality, unordered measurement set, and object labeling remain unclear. In this paper, we propose robust nonparametric methods to model the state prior for MOT problem. These models are shown to be more flexible and robust compared to existing methods. In particular, the overall approach estimates time dependent object cardinality, provides object labeling, and identifies object associated measurements. Moreover, our proposed framework dynamically contends with the birth/death and survival of the objects through dependent nonparametric processes. We present Inference algorithms that demonstrate the utility of the dependent nonparametric models for tracking. We employ Monte Carlo sampling methods to demonstrate the proposed algorithms efficiently learn the trajectory of objects from noisy measurements. The computational results display the performance of the proposed algorithms and comparison not only between one another, but also between proposed algorithms and labeled multi Bernoulli tracker.

研究动机与目标

• 解决多目标跟踪（MOT）中长期存在的挑战，如未知且时变的目标数量、无序量测以及目标标签分配问题。
• 开发一种灵活的非参数框架，捕捉目标状态的完整时序依赖性，而无需假设固定数量的目标。
• 通过依赖随机过程建模状态分布，实现自动目标标签分配与精确轨迹估计。
• 在较弱正则性条件下，确保统计一致性与最优频率学收敛速率（极小最大速率）。
• 设计一种计算高效的马尔可夫链蒙特卡洛（MCMC）推理算法，其性能优于现有的标签化多伯努利和RFS基础跟踪器。

提出的方法

• 利用依赖狄利克雷过程（DDP）和两参数泊松-狄利克雷过程（PYP）作为时变目标状态分布上的非参数先验。
• 通过依赖的非参数过程建模目标的出生/死亡与存活，自适应地学习随时间变化的目标数量。
• 采用马尔可夫链蒙特卡洛（MCMC）推理方案，从目标状态、标签和轨迹的后验分布中进行抽样。
• 通过迭代期望定律与贝叶斯更新，集成条件预测分布与后验更新。
• 构建一个时变的混合模型，其中基测度随时间演化，确保与狄利克雷和PYP过程的边际一致性。
• 使用波利娅瓮方案建模时间相关的棒棒糖分解过程，以实现聚类分配与状态生成。

实验结果

研究问题

• RQ1 非参数贝叶斯模型能否在不假设固定目标数量的前提下，有效估计时变目标数量？
• RQ2 在噪声和杂波观测下，如何以稳健且一致的方式联合推断目标标签与量测关联？
• RQ3 所提出的依赖非参数先验是否能捕捉目标状态的完整时序依赖性，同时保持计算可处理性？
• RQ4 所提出的MCMC推理方法是否能达到目标跟踪的极小最大最优收敛速率？
• RQ5 与标签化多伯努利和标准RFS基础跟踪器相比，所提出的框架在性能与效率方面表现如何？

主要发现

• 在较弱正则性条件下，所提模型实现了极小最大最优收敛速率，表明其具有统计最优性。
• MCMC推理算法被证明是不可约的、非周期的，并且关于后验分布具有不变性，从而确保收敛至真实后验分布。
• 该框架在高噪声和高杂波环境下，仍能以高精度估计目标数量、标签与轨迹。
• 该方法在跟踪精度与计算效率方面，均优于标签化多伯努利跟踪器。
• 使用依赖非参数过程可实现对目标出生与死亡的动态适应，而无需预先知晓目标数量。
• 该模型在边际上是良定义的，确保先验分布在整个时间步长上保持有效且一致。