
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种基于时空特征的动态3D多目标跟踪方法
《IEEE Transactions on Intelligent Vehicles》:A Dynamic 3D Multi-Object Tracking Method Based on Spatiotemporal Features
【字体: 大 中 小 】 时间:2025年12月08日 来源:IEEE Transactions on Intelligent Vehicles 14.3
编辑推荐:
3D多目标跟踪在复杂场景中需融合图像与点云数据,本文提出动态时空特征跟踪方法:1)设计多尺度空间特征融合网络增强关键信息;2)构建时间聚合嵌入模块优化特征对齐;3)结合混合亲和动态关联模块和自适应轨迹管理模块,有效解决遮挡、漏检及误匹配问题,实验表明在KITTI数据集上性能优于SOTA方法。
三维多目标跟踪涉及从连续时间帧中识别和定位目标,并为每个被跟踪的目标维护唯一的ID [1]。环境复杂性 [2]、[3] 是多目标跟踪算法面临的主要挑战之一,例如真实环境中的变化场景、种类繁多的大量目标数据、大规模变化以及目标之间的相互遮挡等。因此,提高目标特征的区分能力、平衡模型性能和复杂性、有效处理遮挡问题以及减少误检测和漏检测的影响对于3D多目标跟踪至关重要。由于图像中丰富的纹理等外观信息,基于图像的目标跟踪可以更轻松地对目标进行建模并实现良好的跟踪精度。然而,图像的二维限制导致单目图像缺乏深度信息,从而在三维空间中定位不准确。由于激光雷达在自动驾驶领域得到广泛应用,它获得的三维点云数据很好地弥补了图像的不足,提供了准确的空间位置信息并保留了物体的三维形状。然而,点云缺乏颜色和纹理信息,并且存在稀疏性和随距离减小而降低的密度等问题 [4],这使得难以准确跟踪小型或远处的目标。因此,图像和点云具有互补的优势,可以有效提升3D多目标跟踪的性能。然而,由于两种模态的数据类型不同,多模态3D多目标跟踪仍面临以下问题:1) 现有的跟踪方法 [5]、[6] 侧重于提取更精确的3D检测框,忽略了目标的三维形态信息。在图像和点云的多模态融合中,它们强调特征交互,而忽略了图像特征和点云特征之间的相关性。2) 如mmMOT [7]、JMODT [8] 和Wu等人 [9] 的现有方法仅利用两帧之间的目标特征进行关联,当目标被遮挡时,其外观特征往往会受到严重干扰,导致提取的特征信息不准确,并产生大量噪声和干扰信息,从而降低了特征的区分能力。在关联过程中,如果不考虑目标在遮挡下的不准确性,可能会导致漏检测、误检测和匹配错误等问题,影响整体跟踪性能。3) 外观亲和力和运动亲和力是判断两个目标是否匹配的关键指标。使用单一的亲和度度量进行匹配会在复杂和密集的场景中降低跟踪性能。然而,同时使用两种亲和度会增加网络的计算负担并减慢跟踪速度。在多模态3D多目标跟踪中,平衡跟踪性能和跟踪速度是一个重要挑战。4) 误检测、漏检测和低置信度检测会严重影响目标与轨迹之间的匹配,以及目标之间的匹配。特别是在轨迹管理中,误检测容易被误认为是新目标并分配轨迹,从而对后续跟踪性能产生负面影响。