Resumen

El Seguimiento de Múltiples Objetos (MOT) es una de las habilidades más importantes de los sistemas de conducción autónoma. Sin embargo, la mayoría de los métodos de MOT existentes solo utilizan un único sensor, como una cámara, lo que presenta el problema de una fiabilidad insuficiente. En este documento, proponemos un novedoso método de Seguimiento de Múltiples Objetos mediante la fusión de características de apariencia profunda e información de movimiento de los objetos. En este método, las ubicaciones de los objetos se determinan primero en base a un detector de objetos 2D y un detector de objetos 3D. Utilizamos el algoritmo de Supresión de No Máximo (NMS) para combinar los resultados de detección de los dos detectores y garantizar la precisión de detección en escenas complejas. Posteriormente, empleamos una Red Neuronal Convolucional (CNN) para aprender las características de apariencia profunda de los objetos y utilizamos un Filtro de Kalman para obtener la información de movimiento de los objetos. Finalmente, la tarea de MOT

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Seguimiento de múltiples objetos; Sistemas de conducción autónoma; Características de apariencia profunda; Información de movimiento; Detector de objetos; Red neuronal convolucional
• Keywords:Multiobject tracking; Autonomous driving systems; Deep appearance features; Motion information; Object detector; Convolutional neural network