[论文解读] RoadTrack: Tracking Road Agents in Dense and Heterogeneous Environments.

Rohan Chandra, Uttaran Bhattacharya+3 more|arXiv (Cornell University)|Jun 25, 2019

Video Surveillance and Tracking Methods参考文献 46被引用 6

一句话总结

RoadTrack 在基于检测的跟踪框架内提出了一种新颖的异质交通运动与交互（HTMI）模型，以在密集、异质的交通场景中准确跟踪各类道路参与者（如行人、两轮车和车辆）。通过利用背景减除的二值张量并建模参与者交互以实现避碰，该方法在标准数据集上实现了75.8%的跟踪准确率，相较于先前方法最高提升4倍的推理速度。

ABSTRACT

We present an algorithm to track traffic agents in dense videos. Our approach is designed for heterogeneous traffic scenarios that consist of different agents such as pedestrians, two-wheelers, cars, buses etc. sharing the road. We present a novel Heterogeneous Traffic Motion and Interaction model (HTMI) to predict the motion of agents by modeling collision avoidance and interactions between the agents. We implement HTMI within the tracking-by-detection paradigm and use background subtracted representations of traffic agents to extract binary tensors for accurate tracking. We highlight the performance on a dense traffic videos and observe an accuracy of 75.8%. We observe up to 4 times speedup over prior tracking algorithms on standard traffic datasets.

研究动机与目标

• 解决在密集复杂的都市环境中同时跟踪异质交通参与者（如行人、两轮车和汽车）的挑战。
• 克服现有跟踪方法在密集场景中对参与者多样性、遮挡以及动态交互处理能力不足的局限。
• 开发一种显式捕捉避碰行为与参与者间交互作用的运动模型，以提升跟踪鲁棒性。
• 实现在真实世界密集交通视频场景中的高精度与计算效率。

提出的方法

• 提出异质交通运动与交互（HTMI）模型，通过建模交互作用与避碰行为来预测参与者轨迹。
• 在基于检测的跟踪框架中实现HTMI模型，采用参与者背景减除后的表示形式。
• 从前景掩码中提取二值张量，以提升跟踪精度并减少复杂背景带来的噪声。
• 利用学习到的运动先验与交互动力学，提升帧间跟踪的一致性。
• 通过高效的张量处理与模型设计优化推理速度，实现相较于先前算法最高4倍的加速。
• 在标准交通数据集上，在密集异质条件下进行系统训练与评估。

实验结果

研究问题

• RQ1 如何设计统一的跟踪框架，以有效应对密集交通场景中的多样化参与者类型？
• RQ2 建模参与者交互与避碰行为在异质环境中能在多大程度上提升跟踪准确率？
• RQ3 背景减除后的二值表示能否在复杂城市场景中提升跟踪性能？
• RQ4 在密集交通跟踪中，准确率与推理速度之间的权衡如何？是否可实现优化？
• RQ5 与最先进跟踪算法相比，该方法在准确率与效率方面表现如何？

主要发现

• RoadTrack 在密集交通视频基准测试中实现了75.8%的跟踪准确率，展现出在复杂异质环境中的强大性能。
• 该方法相较于先前的跟踪算法，推理速度最高提升4倍，显著提升了计算效率。
• 利用背景减除表示生成的二值张量，通过减少背景杂波与噪声，有效提升了跟踪精度。
• HTMI模型能有效捕捉参与者间的交互作用与避碰行为，从而生成更合理且稳定的轨迹。
• 该框架在真实交通场景中对多样化参与者类型（包括行人、两轮车和机动车）具有良好的泛化能力。
• 将运动建模与基于检测的跟踪相结合，在基线方法基础上实现了准确率与速度的持续提升。