【GiantPandaCV导语】本文针对3D多目标跟踪任务，介绍了一下近年基于3d lidar目标检测（如pointpillars）模型的3d mot的算法进展。因为当前3d目标检测的论文和介绍较多，但对自动驾驶和机器人领域而言，后处理和跟踪部分尤为重要，这里就赏析一下近年的发展。

1. IROS 2020-AB3DMOT：A Baseline for 3D Multi-Object Tracking and New Evaluation Metrics

代码链接：https://github.com/xinshuoweng/AB3DMOT

文章链接：http://www.xinshuoweng.com/papers/AB3DMOT_eccvw/camera_ready.pdf

出发点：提供基于3d目标检测的多目标跟踪base_line。

因为是baseline算法，比较简单，这边简单对要点做个描述。总体跟踪过程是Kalman滤波+匈牙利匹配，只使用匀速运动模型.

• 3D卡尔曼的状态变量是（x,y,z,θ,l,w,h,s,Vx,Vy,Vz），没有包含角速度是因为实验发现角速度对性能提升没有帮助。

• 数据关联部分，输入为卡尔曼预测结果T和当前检测结果N，首先使用3D IOU或者中心坐标距离构建关联矩阵.在这里作者丢掉了IoU小于一定阈值或者中心点距离大于一定值的匹配结果。然后就使用匈牙利匹配进行匹配，得到匹配上的障碍物和未匹配的障碍物。

• 对于匹配上的障碍物，使用当前检测结果作为观察，更新卡尔曼状态。

• Kalman更新模块涉及到了方向校正的问题。这里为了防止检测结果中朝向角可能会出现相差180°的问题，对于预测和观测朝向角相差大于90°的情况，那么修正预测结果，会对预测变量中的朝向角增加180°。

• 创新

• 将Kalman滤波器扩展到3D领域
• 提供了3D MOT的评估工具
• 提出了新的评估指标，考虑不同的轨迹置信度阈值

2. ICRA 2021-EagerMOT: 3D Multi-Object Tracking via Sensor Fusion

1.总览：

文章链接：http://arxiv.org/pdf/2104.14682v1.pdf

代码链接：https://github.com/aleksandrkim61/EagerMOT

出发点：该算法是融合2d和3d检测来源的mot算法，且采取了两阶段的数据关联。问题：3D点云的检测和跟踪有精确的距离测量，但是远距离的物体扫到的点就很少了，经常出现漏检，而融合3D检测距离很准而2D检测看得更远的优势，提高3D目标跟踪对遮挡、远距离目标跟踪的效果。

2.介绍：

基于激光雷达的3D追踪方法：对反射率敏感，信号稀疏，只能在有限范围内有效。

基于图像的2D追踪方法：无法获得3D位置信息，对部分遮挡的或者距离很远的物体具有鲁棒性。

EagerMOT提出了一个简单但有效的多阶段数据关联方法，可以使用潜在的不同模态下的不同检测器。通用性强，适配多种传感器组合方式：LiDAR+前置摄像头；LiDAR+多个非重叠摄像头；只有摄像头。

3.Method:

1，检测Detector

信息源：3D：多线激光雷达，产生3d检测框；2D：图像，产生2D检测框。

这两条线的信息可以不同时具备。

2，Fusion（融合）

不同检测器检测结果先融合后关联：

使用3D结果在图像像素坐标系下的2D投影框与2D图像检测框结果的IoU作为相似度衡量标准，

使用贪婪算法匹配2D结果 和3D结果 得到融合结果。

多摄像头时的策略：

对于每一个摄像头执行上述流程最终对于有多个2D结果匹配的3D结果取IoU最大的匹配。

3，Data Association(数据关联)

任务：将当前帧中的所有观测对象与跟踪序列的卡尔曼预测进行关联，论文的二阶段匹配可以相互独立。

状态空间设计：3D状态，与AB3DMOT一致，3D包围框信息以及三轴速度信息使用常速度运动模型

2D状态，2D包围框信息。

第一阶段数据关联：3d关联

使用贪心算法关联检测到的3D状态和上一帧的追踪3D物体状态，使用考虑速度方向的欧式距离度量作为相似度度量。

使用贪心算法关联检测到的3D状态和上一帧的追踪3D物体状态，使用考虑速度方向的欧式距离度量作为相似度度量。

注意：速度方向夹角为0时α最小

第二阶段数据关联：2d关联

关联2d检测结果与2d追踪，直接使用2D IoU作为相似度衡量标准

4，状态更新

2D、3D状态都进行更新；

2D状态直接使用当前帧中的检测结果覆盖；

3D状态需要更新卡尔曼滤波器状态，使用融合了检测结果和卡尔曼滤波预测的最优值更新；

如果某物体在当前帧没有对应的3D信息只含有2d信息，其对应序列直接使用卡尔曼滤波的预测结果更新。

跟踪周期控制：

类似于AB3DMOT：

当某一状态（2D/3D）超过Age_max帧没有更新，则删除此状态；

当某一物体由2D信息更新超过Age_2d帧后才使用关联上的3D信息进行更新；

未被关联的2D检测结果产生新的追踪状态。

主要意义：

能使用2D信息对无法获取3D信息的对象进行补盲。

实验部分请关注原文。

3. SimpleTrack: Understanding and Rethinking 3D Multi-object Tracking

1.总览：

论文：https://arxiv.org/abs/2111.09621 代码：https://github.com/TuSimple/SimpleTrack 本文将3dmot算法分解为了四个模块：检测模块、运动模型模块、关联模块、轨迹管理，并且对四个模块现在常见的一些做法进行了分析和改进，是一篇不错的rethinking论文。在分析的基础上，作者提出相应的改进，从而形成一个强大而简单的基线：SimpleTrack。

2，运动模型模块

检测模块没啥好说的，就是接收3d检测结果，做一些坐标转换（如转到world坐标系）。

运动预测模块主要依据某些运动学模型预测后续运动，进而实现后续与观测量（检测结果）的匹配。目前常用的运动学模型分为两种，卡尔曼滤波法(KF)和速度预测模型法(CV, 如CenterPoint这样把两帧点云放进去预测速度)。其中卡尔曼滤波在观测质量较低时可以提供更平滑的预测结果，而速度预测模型法可以较好的处理突发和不可预测的运动。作者通过实验分析发现，帧率较低时（如2hz）时，CV法更占据优势，而帧率较高时，KF法更占优势。

3，Data Association(数据关联)

关联模块主要有两种做法，一种是基于IoU的关联方式，一种是基于距离的关联方式。这两种方式都可以构建cost矩阵。前者是IoU大于阈值就关联上了，反之就没有关联上。后者一般使用欧式距离或者马氏距离（也有类似EagerMot那样考虑了余弦距离和欧式距离加权的做法）。这两种方法各有优劣，对于基于IoU的方法而言，一旦IoU过小就关联不上，但是这个观测仍然是存在的，这就会导致某些目标的轨迹提前消失！而对于距离的关联方式而言，则可能会导致误检。因为如果用中心点距离，表示性不够（如物体的高度影响也很大）。基于以上问题，作者提出了GIoU进行关联，这是目标检测新常用的iou形式。

关联方式上，作者也对比了匈牙利算法和贪婪算法。

3，轨迹管理模块

在MOT中有一个重要的评价指标ID-Switches,这个指标表示预测的ID与真实的ID不匹配的次数。作者将出现这个错误的原因分为了两种，分别是1、错误关联 2、提前结束。

其中提前结束这种错误占了大多数。提前结束常是因为iou太低被过滤了。因而作者提出了两阶段关联，简单来说就是设置了两个高低阈值，分别是Th和Tl。首先进行对iou大于Th的Box做正常的匹配关联，在第二阶段，只要Box的置信度高于Tl就允许进行关联，但是由于这一段检测结果质量较差，所以检测结果不用于更新运动模型，而是使用运动预测结果代替检测结果输出。在使用两阶段关联后，ID-Switch指标得到了明显的提升。

欢迎关注GiantPandaCV, 在这里你将看到独家的深度学习分享，坚持原创，每天分享我们学习到的新鲜知识。( • ̀ω•́ )✧