精度优秀，速度214.7 fps ！卡内基梅隆大学开源强大的3D多目标跟踪系统

---

3D 多目标跟踪在自动驾驶和机器人领域具有重要应用，其意为跟踪检测到的物体包围框位于 3D 空间（点云）而非 2D 平面。

昨日，卡内基梅隆大学开源一个强大的3D多目标跟踪代码，在其论文A Baseline for 3D Multi-Object Tracking中，作者详述了算法思路和实验结果。作者称其为基线baseline，该算法框架简单，使用的各个模块算法也是直接使用或者稍微改进现有算法。

尽管算法简单，但该代码在著名的KITTI 车辆多目标跟踪数据集上，将3D 多目标跟踪精度（MOTA）从72.23提高到76.47，可谓改进效果明显。同时如果将得到的3D跟踪结果投影到2D空间，与2D算法比较结果，其在官方KITTI排行榜上也高达第二名，也是很赞了。

更为难能可贵的是，算法运行速度非常快，高达214.7 FPS,跟当前2D 多目标跟踪的state-of-the-art 相比，速度是其65倍！

该论文作者信息：

两位作者均来自知名的卡内基梅隆大学机器人研究所。

下图是提出的算法与其他2D多目标跟踪算法在KITTI 2D MOT数据集上精度与fps的散点图：

可见，该文算法在速度一骑绝尘的情况下，精度位于所有算法第二名。

算法框架

下图展示了该文提出的3D 多目标跟踪算法的系统组成：

3D 目标检测模块：负责在每一帧的点云数据中进行目标检测。作者使用了两种现有的 state-of-the-art 3D 目标检测方法：

S. Shi, X. Wang, and H. Li. PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud. CVPR, 2019.

X. Weng and K. Kitani. Monocular 3D Object Detection with Pseudo-LiDAR Point Cloud.arXiv:1903.09847, 2019. URL http://arxiv.org/abs/1903.09847.

3D 卡尔曼滤波模块：作者将2D卡尔曼滤波简单扩展到3D ，用于根据跟踪历史数据预测下一帧可能的目标的位置，同时该模块接收从数据关联（Data Association）模块反馈的结果进行状态更新。

数据关联（Data Association）模块：使用匈牙利算法对3D 目标检测的结果和3D卡尔曼滤波预测的轨迹进行匹配。并将匹配的结果输入新生消亡记忆模块（Birth and Death Memory）和3D卡尔曼滤波模块。

新生消亡记忆模块（Birth and Death Memory）：用于对新出现的目标和消失的目标进行记忆和遗忘。

实验结果

作者认为现有的评价标准没有体现出多目标跟踪结果的置信度，不能很好的评估3D 目标跟踪的精度。故作者提出了新的AMOTA（平均多目标跟踪精度）和AMOTP（平均多目标跟踪置信度）的评估准则（具体定义请查看论文）。

下表为作者在KITTI 车辆跟踪验证集上与已有算法的比较，可见在主要指标上均取得了明显的效果改进。

下表为将3D 多目标跟踪的结果投影到2D，与2D 多目标跟踪算法的结果比较，该文提出的算法在速度最快（214.7FPS）的同时（CV君仔细看了论文，作者没有公布使用的硬件，但可以看出作者指的是CPU上的速度，而非GPU），大部分情况下精度位于第二高。

针对算法各个部分，作者进行了大量的消融实验：

下图为该文提出的算法与FANTrack跟踪结果的比较：

可见，在FANTrack出错的时候，该文算法没有出现目标跟错和跟丢的情况。

总结一下，卡内基梅隆提出的算法简单、高效，精度还很高，尤其是在3D 多目标跟踪方面，是一个强大的baseline，非常值得借鉴。

论文地址：

https://arxiv.org/abs/1907.03961v1

代码地址：

https://github.com/xinshuoweng/AB3DMOT

有帮助的话，请文末点个好看吧～