Occlusion-Aware Multi-Object Tracking via Expected Probability of Detection

Resumo Técnico: Rastreamento Multi-Objeto Consciente de Oclusão via Probabilidade Esperada de Detecção

1. Problema Abordado

O artigo aborda o desafio do Rastreamento Multi-Objeto (MOT) em cenários onde objetos podem se ocluir mutuamente em relação ao sensor.

• Limitação dos Modelos Atuais: A maioria dos algoritmos de rastreamento baseados em detecção utiliza o modelo de "objeto pontual padrão" (SPO), que assume que a probabilidade de detecção ($P_D$) de um objeto depende apenas do seu próprio estado. Isso ignora o fato de que a visibilidade de um objeto pode ser bloqueada por outros objetos.
• Falhas em Métodos Existentes:
  • Estratégias ad-hoc (baseadas em heurísticas) frequentemente falham em lidar com incertezas de forma consistente e podem não ser seguras para aplicações críticas.
  • Métodos baseados em modelos que tentam incorporar oclusões frequentemente recorrem a aproximações grosseiras, como substituir a distribuição de outros objetos por seus estados estimados (ignorando incertezas espaciais e de existência) ou usar variáveis de oclusão matematicamente vagas.
• Objetivo: Desenvolver uma solução totalmente baseada em modelos (probabilística) e matematicamente consistente que lide com as incertezas de todos os objetos simultaneamente, resultando em um algoritmo tratável (computacionalmente viável).

2. Metodologia Proposta

Os autores propõem uma aproximação variacional-Bayesiana que modifica a forma como a probabilidade de detecção é calculada no filtro de rastreamento.

• Modelo SPO com Dependência (SPO-D): O modelo de medição é generalizado para permitir que a probabilidade de detecção de um objeto $x_k$ dependa do conjunto de todos os outros objetos $X_k \setminus \{x_k\}$.
• Probabilidade Esperada de Detecção (EPoD): Em vez de estimar os estados de outros objetos e substituí-los no cálculo de $P_D$ (como fazem métodos anteriores), o método proposto calcula o valor esperado da probabilidade de detecção condicional à existência do objeto em questão.
  • A expectativa é tomada sobre a Densidade Palm Reduzida (RPD - Reduced Palm Density). A RPD descreve a distribuição dos outros objetos dado que um objeto específico existe.
  • Isso permite que o algoritmo considere a incerteza espacial e de existência de todos os outros objetos ao calcular a visibilidade de um objeto alvo.
• Aproximação para Filtros MBM:
  • Para tornar o problema tratável, o método é aplicado ao filtro Multi-Bernoulli Mixture (MBM) com marcas (labels).
  • Deriva-se uma fórmula para a EPoD onde a expectativa é calculada sobre a densidade de outros objetos, assumindo que as marcas (identidades) são distintas.
  • Propõe-se uma simplificação computacional baseada em um axioma de que "objetos ocluem individualmente": se um objeto não afeta a detecção de outro sozinho, ele não o afetará na presença de terceiros. Isso permite descartar objetos com baixa probabilidade de existência ou que estão muito distantes, reduzindo a complexidade exponencial para um cálculo viável.
• Estratégia PRO: O método é denominado PRO (Palm conditioning, Reduce dependency, Obey SPO model), contrastando com a estratégia ESO (Estimate, Substitute, Obey) usada em trabalhos anteriores.

3. Principais Contribuições

1. Derivação de Aproximações Teóricas: Derivação de duas aproximações para a posteriori multi-objeto onde a $P_D$ depende de todos os objetos, utilizando a EPoD calculada sobre a Densidade Palm Reduzida.
2. Cálculo Analítico da RPD: Revelação analítica do cálculo da RPD para várias densidades multi-objeto comuns (Bernoulli, Poisson, Poisson Multi-Bernoulli).
3. Implementação Eficiente: Proposta de um método de cálculo de EPoD tratável especificamente para priores do tipo Multi-Bernoulli Mixture (MBM) com marcas.
4. Validação Experimental: Demonstração da eficácia do método em rastreamento visual, mostrando superioridade sobre métodos existentes.

4. Resultados Experimentais

O método foi testado no conjunto de dados MOT-17 (rastreamento de pedestres com câmera monocromática), comparando o filtro MBM-PRO com:

• Filtro MBM básico ($P_D$ constante).
• Filtro MBM com estratégia ESO (método anterior).
• Algoritmos baseados em visão computacional (SORT, FastTracker).

Métricas Utilizadas:

• Métricas tradicionais de CV (MOTA, HOTA, IDF1).
• TGOSPA: Uma métrica mais robusta que decompõe erros em Verdadeiros Positivos (TP), Falsos Negativos (FN), Falsos Positivos (FP) e trocas de identidade (Sw), permitindo análise detalhada sob oclusão.

Principais Achados:

• Melhoria na Oclusão: O MBM-PRO rastreou um número significativamente maior de pedestres ocluídos (maior $N_{TP}^o$) em comparação com o MBM-ESO e o MBM básico.
• Redução de Falsos Negativos: O método PRO perdeu menos pedestres (menor $|FN|$) em todas as condições (oclusos e visíveis) comparado aos outros filtros baseados em modelos.
• Desempenho em Objetos Visíveis: Surpreendentemente, o PRO também melhorou o rastreamento de pedestres visíveis, atribuindo probabilidades de detecção mais precisas.
• Custo Computacional: O cálculo da EPoD no PRO é mais lento que no ESO (devido à integração sobre a incerteza), mas ainda viável (ex: ~225ms vs ~56ms por quadro em MOT17-02).
• Comparação com Ad-Hoc: O MBM-PRO superou o SORT (um método ad-hoc popular) em todas as métricas de TGOSPA, demonstrando que uma abordagem baseada em modelo consistente pode superar heurísticas, embora o FastTracker (que usa re-identificação visual e processa imagens completas) ainda tenha o melhor desempenho global.

5. Significância e Conclusão

• Consistência Teórica: O trabalho preenche uma lacuna importante ao fornecer uma solução de oclusão que é totalmente baseada em modelos e matematicamente consistente, evitando as aproximações ad-hoc que comprometem a confiabilidade em sistemas de segurança crítica.
• Tratamento de Incerteza: Ao utilizar a Densidade Palm Reduzida, o método incorpora corretamente as incertezas de existência e posição de todos os objetos no cálculo da visibilidade, algo que métodos anteriores ignoravam ou tratavam de forma simplista.
• Aplicabilidade: Embora demonstrado em visão computacional, a estrutura é independente do domínio e pode ser aplicada a outros sensores (LiDAR, Radar) desde que os dados possam ser segmentados em clusters.
• Impacto Futuro: O estudo sugere que o uso de modelos físicos e probabilísticos rigorosos pode levar a desempenho superior em cenários complexos de oclusão, oferecendo uma base sólida para sistemas de direção autônoma e vigilância onde a confiabilidade estatística é crucial.

Em resumo, o artigo apresenta um avanço significativo na teoria de rastreamento multi-objeto, substituindo heurísticas de oclusão por uma abordagem probabilística rigorosa que melhora a robustez e a precisão do rastreamento em ambientes dinâmicos e ocluídos.