Simple online and realtime tracking with a deep association metric 리뷰

신희준·2024년 7월 20일

Paper Review

목록 보기

28/28

Paper : [Simple online and realtime tracking with a deep association metric] (https://arxiv.org/pdf/1703.07402 (Nicolai Wojke, Alex Bewley, Dietrich Paulus / IEEE ICIP 2017)

code: https://github.com/nwojke/deep_sort

Multi-object tracking 기술의 근간이 되는 SORT와 이를 발전시킨 DeepSORT에 대해서 공부해보려 한다.

Highlights

Appearance 정보를 SORT에 결합함으로써 성능을 향상시킴 (이때 딥러닝 네트워크인 re-identification model이 활용됌)
Occlusion에 더 잘 대응하게 되었고, identity switch를 효율적으로 감소시킴

Introduction

Tracking-by-Detection : multi-object tracking 방법론 중 하나로, detection model을 활용하여 각 frame마다 object를 detect하고, 여러 frame에 걸쳐 이 detection들을 연관시키는 작업을 통해 tracking하는 방식.

SORT

Motivation : 이전의 tracking-by-detection 알고리즘들은 computational cost나 implementation complexity 등의 문제가 많아 real-time application에 부적합했다.
Methodology : SORT는 image space에서 kalman filter를 사용하며, bounding box overlap (IOU)을 측정하는 association metric을 활용한 hungarian method를 사용하여 각 frame data를 연관짓는 방법을 제안하였다.
Advantage : high frame rate에서 잘 작동하며, tracking precision과 accuracy를 많이 향상 시킬 수 있었다.
Limitation : 하지만 SORT는 state estimation uncertainty가 낮을 때만 association metric이 정확하하므로, identity switch가 상대적으로 빈번했고, occlusion에 취약하다는 단점을 가지고 있다.

DeepSORT 는 이러한 문제를 해결하기 위해 motion과 appearance 정보가 포함된 association metric을 활용하였다. 특히, person re-identification dataset을 통해 학습된 딥러닝 네트워크를 활용하여 이 정보를 추출하도록 하였다.

Kalman filter

kalman filter 는 bayes filter의 한 예로, recursive한 prediction과 correction을 통해 state를 예측하는 방법
알고리즘을 매우 간단하게 써보려면 이렇게도 쓸 수 있을 것 같다.
- prev_mean, prev_cov : 이전 step의 state
- mea : correction을 위한 측정 값 (예를 들면 센서 측정값)
- known_noise : prediction model이나 sensor의 noise를 의미
- kalman_gain : prediction과 measurement사이의 중요도를 결정해주는 factor
- corrected_mean, corrected_cov : correction된 예측값 → 현재 step의 optimal state estimation으로, 다음 step의 state input으로 활용

Kalman_filter(prev_mean, prev_cov, mea):
	pred_mean, pred_cov = predict(prev_mean, prev_cov)
	kalman_gain = function_of(pred_cov, known_noise)
	corrected_mean, corrected_cov = weighted_sum(pred_mean, mea, kalman_gain) 
	
	curr_mean, curr_cov = corrected_mean, corrected_cov
	return curr_mean, curr_cov

Methodology

Track Handling and State Estimation

DeepSORT에서는 각 tracking object의 state를 8차원의 state space에서 표현한다.
- $(u,v)$ 는 bounding box의 center position
- $\gamma$ 는 aspect ratio
- $h$ 는 height
- 나머지는 각각의 velocity를 의미한다.

x=(u,v,\gamma,h,\dot{x}, \dot{y}, \dot{\gamma} , \dot{h})

Constant velocity motion과 linear observation model을 가정하는 standard kalman filter 사용
이때, linear observation model은 bounding box coordinate $(u,v,\gamma, h)$ 을 직접적으로 관측하는 모델 (detection model의 output을 쓸 것이므로)

Track의 소멸과 생성

각 track (하나의 tracking target의 경로? 라고 하자)마다 last successful measurement association $a_k$ 로부터의 frame 수를 기록한다. (kalman filter에서 prediction을 할 때마다 1씩 증가하고, measurement와 association되면 0으로 reset되는 counter)
사전 정의된 파라미터인 maximum age $A_{max}$ 가 넘는 track은 해당 scene (혹은 frame)을 벗어났다고 판단하여 track set에서 삭제한다.
기존의 track과 association될 수 없는 각 detection (혹은 measurement)은 새로운 track으로 initialize된다.
이때, 첫 3개의 frame 동안 measurement association이 성공적으로 완수되면, 새로운 track으로 등록, 아니면 삭제

Assignment problem

Assignment problem은 조합 최적화 문제로, 어떠한 비용을 최소화 하도록 각 agent (~kalman filter state)를 각 task (~measurement)에 할당하는 문제. 즉, frame 마다 검출되는 bounding box와 kalman filter를 통해 추적하고 있는 객체가 동일하다는 것을 판별해주는 과정을 assignment problem이라고 할 수 있다. DeepSORT에서는 Hungarian algorithm를 사용한다.
이때, DeepSORT는 motion 정보와 appearance 정보를 적절한 metric를 사용해 결합하여 assign한다.

Motion 정보 integration

먼저, motion 정보를 결합하기 위해, Kalman filter state와 새로 얻어진 measurement사이의 Mahalanobis distance를 사용한다.

Mahalanobis distance 는 어떤 점으로부터 어떤 분포까지의 거리를 의미하며, 평균 $\vec{\mu}$ 과 positive semi-definite covariance $S$ 를 가지는 확률 분포 $Q$ 가 주어졌을 때 $Q$ 로부터 $\vec{x}$ 의 거리를 아래와 같이 표현한다.

d(\vec{x},Q)=\sqrt{(\vec{x}-\vec{\mu})^TS^{-1}(\vec{x}-\vec{\mu})}

출처: https://kr.mathworks.com/help/stats/mahal.html

특히, 이 distance는 covariance로 normalize된 distance이기 때문에, data 분포의 spread와 orientation을 고려한다.
이러한 normalization은 더 높은 variance를 가지는 direction이 distance에 덜 기여하고, 작은 variance를 가지는 direction이 distance에 더 기여할 수 있도록 해준다.
예를 들어, 위 figure에서 Y 관측값은 X로부터 모두 같은 euclidean distance에 있지만, mahalanobis distance는 노란색이 더 크다.

DeepSORT에서는 squared distance를 사용하며, $i$ 번째 track distribution을 measurement space로 projection 시킨 것을 $(y_i,S_i)$ 로 표현하고, $j$ 번째 bounding box를 $d_j$ 로 표현한다.

d^{(1)}(i,j)=(d_j-y_i)^TS_i^{-1}(d_j-y_i)

→ 이렇게 하면, Mahalanobis distance는 mean track location으로부터 detection이 얼마나 떨어져 있는지를 측정함으로써 state estimation의 uncertainty를 고려할 수 있게 된다.

→ 추가적으로, 이러한 metric을 사용하면, inverse $\mathcal{X}^2$ 분포로부터 95% 신뢰구간을 선정하여 불필요한 association들을 제외할 수 있다. ( $i$ 번째 track과 $j$ 번째 box가 연관이 있는지 결정하는 indicator)

b_{i,j}^{(1)}=\mathbf{1}[d^{(1)}(i,j)\le t^{(1)}]

Appearance 정보 integration

여기서 한가지 더 고려할 점은 camera motion으로 인해 image plane 상에서 rapid displacement가 발생할 수 있다는 것이다.
DeepSORT에서는 이를 해결하기 위해 assignment problem에 두번째 metric으로 appearance를 고려하였다.
각 bounding box detection $d_j$ 에 대해 appearance descriptior $r_j$ ( $\|r_j\|=1$ )를 계산한다.
추가적으로 각 track $k$ 마다 $L_k=100$ 개의 appearance descriptor 를 보관하는 gallery $\mathcal R_k=\{r_k^{(i)}\}^{L_k}_{k=1}$ 를 둔다.
그리고 appearance metric은 $i$ 번째 track과 $j$ 번째 detection의 appearance space 상에서 가장 작은 cosine distance로 한다.

d^{(2)}(i,j)=min\{1-r_j^Tr_k^{(i)} | r_k^{(i)} \in \mathcal R_i\}

마찬가지로 해당 metric에 대해서도 thresholding을 통해 association이 valid한지 check한다.

b_{i,j}^{(2)}=\mathbf{1}[d^{(2)}(i,j)\le t^{(2)}]

Appearance descriptor를 구하기 위해서는 pretrained CNN을 활용하였다.
최종적으로는 assignment problem을 풀기 위해 위의 두 metric을 합쳐서 활용한다.
- Mahalanobis distance는 object의 motion에 기반하여 가능한 object의 위치에 대한 정보를 주므로, short-term prediction에서 유용하다.
- Cosine distance는 appearance 정보를 활용하므로 motion이 큰 의미를 갖지 않는 long-term occlusion 상황에서 identity를 다시 찾아내는데 유용하다.
두 metric의 weighted sum으로 assignment problem의 cost를 정의

c_{i,j}=\lambda d^{(1)}(i,j)+(1-\lambda)d^{(2)}(i,j)

이때, association이 받아들여질 지는 위에서 정의했던 두 metric의 indicator가 둘 다 만족할 때로 한다.

b_{i,j}=\prod^2_{m=1}b_{i,j}^{(m)}

각 metric의 영향은 hyperparameter인 $\lambda$ 로 정할 수 있다.
실제로 실험 결과, 저자들은 camera motion이 많은 경우 $\lambda=0$ 으로 설정하는 것이 합리적이라고 했는데, 이때 association cost term으로는 appearance만 사용되지만, Mahalanobis distance도 indicator를 통해 고려된다고 한다.

Matching Cascade

DeepSORT에서는 measurement-to-track association problem을 풀기 위해 cascade matching 방식을 택했다.

Cascade matching의 motivation

예를 들어, 한 object가 꽤 오랜 시간 가려졌다고 해보자.
그러면 correction할 수 있는 measurement가 없기 때문에 kalman filter prediction의 uncertainty가 높아질 것이다.
uncertainty가 증가함에 따라 state space에서 position prediction의 분포가 spread out
직관적으로는 association metric이 이러한 분포의 퍼짐을 고려해서 measurement-to-track distance가 증가해야 한다.
하지만 직관과는 다르게, covariance가 커지면, mahalanobis distance의 공식 상 covariance의 inverse는 작아지게 된다. 즉, normalized distance 값이 작아지게 된다.
그 말은 두 개의 track이 하나의 detection을 가지고 경쟁하게 되면 algorithm은 uncertainty가 더 큰 쪽을 선택하게 된다.
이렇게 되면 더 uncertain한 track이 해당 detection에 assign될 확률이 높다는 것이고 이는 이상적인 상황이 아니다.

→ 더 자주 보이는 object에게 우선권을 주는 방식을 택함

Matching algorithm

track과 detection의 index set, 그리고 maximum age를 input으로 받는다.
line 2: Assignment problem에서 정의한 association cost matrix를 계산
line 3: motion과 appearance를 고려해서 각각의 space에서 계산한 distance를 thresholding 쳐서 얻어낸 gating (채택할 것인지 말 것인지 결정) matrix를 계산
line 4 : matches & unmatched detection을 초기화
line 5~9 : 정해진 age 만큼 iterate 하면서 linear assignment problem을 푼다.
- line 6 : 최근 n개의 frame동안 detection box와 associate 되지 않은 track subset $\mathcal T_n$ 을 추출
- line 7 : $\mathcal T_n$ 과 unmatched detection $\mathcal U$ 를 이용해 linear assignment 수행
- line 8 & 9 : matchs & unmatched detection을 update

** 여기서 중요한 점은 matching cascade가 age가 더 작은 track (더 최근에 보인 track)에게 priority를 부여한다는 것이다.

Matching이 다 끝난 후에는 SORT와 같이 IOU association을 수행하여, unconfirmed, unmatched track을 구분한다.

Deep Appearance Descriptor

양질의 appearance feature를 추출하기 위해 1,100,000개 이상의 사람 이미지를 포함하는 re-identification dataset으로 pre-train한 deep learning 모델을 사용했다.
네트워크 구조는 아래와 같다.

사실 feature extractor는 어떤 것이든 잘 학습된 거 가져다 쓰면 될 것 같다.

Experiments

실험을 위해서는 $A_{max}=30, \lambda=0$ 을 사용하였다.
위 표에서 각 evaluation metric에 대한 정보는 아래와 같다
- MOTA : overall tracking accuracy
- MOTP : overall tracking precision in terms of bbox overlap
- MT : 적어도 80% 이상 같은 label을 유지한 track의 percentage
- ML : 최대 20% 동안 track에 성공한 track의 percentage
- ID : identity가 바뀐 경우의 수
- FM : detection을 놓쳐서 track을 하지 못한 경우의 수

Code analysis

ref: https://github.com/nwojke/deep_sort/blob/master/deep_sort/track.py

Run

frame이 연속적으로 들어온다고 했을 때, tracker는 간단하게 detection → prediction → update로 작동한다.

def frame_callback(vis, frame_idx):
  print("Processing frame %05d" % frame_idx)

  # Load image and generate detections.
  detections = create_detections(
      seq_info["detections"], frame_idx, min_detection_height)
  detections = [d for d in detections if d.confidence >= min_confidence]

  # Run non-maxima suppression.
  boxes = np.array([d.tlwh for d in detections])
  scores = np.array([d.confidence for d in detections])
  indices = preprocessing.non_max_suppression(
      boxes, nms_max_overlap, scores)
  detections = [detections[i] for i in indices]

  # Update tracker.
  tracker.predict()
  tracker.update(detections)

Tracker class

tracking process를 총괄하는 class이다.
매 frame마다 현재 정의되어 있는 모든 track에 대해 prediction & update를 수행하게 된다.

class Tracker:
    """
    This is the multi-target tracker.

    Parameters
    ----------
    metric : nn_matching.NearestNeighborDistanceMetric
        A distance metric for measurement-to-track association.
    max_age : int
        Maximum number of missed misses before a track is deleted.
    n_init : int
        Number of consecutive detections before the track is confirmed. The
        track state is set to `Deleted` if a miss occurs within the first
        `n_init` frames.

    Attributes
    ----------
    metric : nn_matching.NearestNeighborDistanceMetric
        The distance metric used for measurement to track association.
    max_age : int
        Maximum number of missed misses before a track is deleted.
    n_init : int
        Number of frames that a track remains in initialization phase.
    kf : kalman_filter.KalmanFilter
        A Kalman filter to filter target trajectories in image space.
    tracks : List[Track]
        The list of active tracks at the current time step.

    """

    def __init__(self, metric, max_iou_distance=0.7, max_age=30, n_init=3):
        self.metric = metric
        self.max_iou_distance = max_iou_distance
        self.max_age = max_age
        self.n_init = n_init

        self.kf = kalman_filter.KalmanFilter()
        self.tracks = []
        self._next_id = 1

    def predict(self):
        """Propagate track state distributions one time step forward.

        This function should be called once every time step, before `update`.
        """
        for track in self.tracks:
            track.predict(self.kf)

    def update(self, detections):
        """Perform measurement update and track management.

        Parameters
        ----------
        detections : List[deep_sort.detection.Detection]
            A list of detections at the current time step.

        """
        # Run matching cascade.
        matches, unmatched_tracks, unmatched_detections = \
            self._match(detections)

        # Update track set.
        for track_idx, detection_idx in matches:
            self.tracks[track_idx].update(
                self.kf, detections[detection_idx])
        for track_idx in unmatched_tracks:
            self.tracks[track_idx].mark_missed()
        for detection_idx in unmatched_detections:
            self._initiate_track(detections[detection_idx])
        self.tracks = [t for t in self.tracks if not t.is_deleted()]

        # Update distance metric.
        active_targets = [t.track_id for t in self.tracks if t.is_confirmed()]
        features, targets = [], []
        for track in self.tracks:
            if not track.is_confirmed():
                continue
            features += track.features
            targets += [track.track_id for _ in track.features]
            track.features = []
        self.metric.partial_fit(
            np.asarray(features), np.asarray(targets), active_targets)

    def _match(self, detections):

        def gated_metric(tracks, dets, track_indices, detection_indices):
            features = np.array([dets[i].feature for i in detection_indices])
            targets = np.array([tracks[i].track_id for i in track_indices])
            cost_matrix = self.metric.distance(features, targets)
            cost_matrix = linear_assignment.gate_cost_matrix(
                self.kf, cost_matrix, tracks, dets, track_indices,
                detection_indices)

            return cost_matrix

        # Split track set into confirmed and unconfirmed tracks.
        confirmed_tracks = [
            i for i, t in enumerate(self.tracks) if t.is_confirmed()]
        unconfirmed_tracks = [
            i for i, t in enumerate(self.tracks) if not t.is_confirmed()]

        # Associate confirmed tracks using appearance features.
        matches_a, unmatched_tracks_a, unmatched_detections = \
            linear_assignment.matching_cascade(
                gated_metric, self.metric.matching_threshold, self.max_age,
                self.tracks, detections, confirmed_tracks)

        # Associate remaining tracks together with unconfirmed tracks using IOU.
        iou_track_candidates = unconfirmed_tracks + [
            k for k in unmatched_tracks_a if
            self.tracks[k].time_since_update == 1]
        unmatched_tracks_a = [
            k for k in unmatched_tracks_a if
            self.tracks[k].time_since_update != 1]
        matches_b, unmatched_tracks_b, unmatched_detections = \
            linear_assignment.min_cost_matching(
                iou_matching.iou_cost, self.max_iou_distance, self.tracks,
                detections, iou_track_candidates, unmatched_detections)

        matches = matches_a + matches_b
        unmatched_tracks = list(set(unmatched_tracks_a + unmatched_tracks_b))
        return matches, unmatched_tracks, unmatched_detections

    def _initiate_track(self, detection):
        mean, covariance = self.kf.initiate(detection.to_xyah())
        self.tracks.append(Track(
            mean, covariance, self._next_id, self.n_init, self.max_age,
            detection.feature))
        self._next_id += 1

각 track은 self.tracks 리스트에 저장되어 있다.
predict는 각 track object 내의 predict를 통해 수행된다.
update 에서는 해당 frame에서 검출된 detection과 현재 track들과 cascade matching을 수행하고, matches, unmatched_tracks, unmatched_detections 로 구분한다.
- matching된 detection은 track object에서 실제로 kalman filter update에 활용된다.
- unmatched track은 missing track으로 간주된다. (가려지거나 frame에서 나가거나)
- unmatched detection은 새로운 track으로 initialize된다.
- track set을 update하고 distance metric도 update한다.

Track object

track의 state는 크게 3가지로 나눌 수 있다.

class TrackState:
    """
    Enumeration type for the single target track state. Newly created tracks are
    classified as `tentative` until enough evidence has been collected. Then,
    the track state is changed to `confirmed`. Tracks that are no longer alive
    are classified as `deleted` to mark them for removal from the set of active
    tracks.

    """

    Tentative = 1
    Confirmed = 2
    Deleted = 3

track class는 각 track을 표현하며, state mean & cov와 id, age 등 정보를 포함한다.
kalman filter prediction할 때마다 age가 늘어나며, update 할 때마다 time_since_update는 0으로 초기화된다.

class Track:
    """
    A single target track with state space `(x, y, a, h)` and associated
    velocities, where `(x, y)` is the center of the bounding box, `a` is the
    aspect ratio and `h` is the height.

		"""

    def __init__(self, mean, covariance, track_id, n_init, max_age,
                 feature=None):
        self.mean = mean
        self.covariance = covariance
        self.track_id = track_id
        self.hits = 1
        self.age = 1
        self.time_since_update = 0

        self.state = TrackState.Tentative
        self.features = []
        if feature is not None:
            self.features.append(feature)

        self._n_init = n_init
        self._max_age = max_age

    def predict(self, kf):
        """Propagate the state distribution to the current time step using a
        Kalman filter prediction step.

        Parameters
        ----------
        kf : kalman_filter.KalmanFilter
            The Kalman filter.

        """
        self.mean, self.covariance = kf.predict(self.mean, self.covariance)
        self.age += 1
        self.time_since_update += 1

    def update(self, kf, detection):
        """Perform Kalman filter measurement update step and update the feature
        cache.

        Parameters
        ----------
        kf : kalman_filter.KalmanFilter
            The Kalman filter.
        detection : Detection
            The associated detection.

        """
        self.mean, self.covariance = kf.update(
            self.mean, self.covariance, detection.to_xyah())
        self.features.append(detection.feature)

        self.hits += 1
        self.time_since_update = 0
        if self.state == TrackState.Tentative and self.hits >= self._n_init:
            self.state = TrackState.Confirmed

Discussion

꽤 오래된 연구이지만, 해당 분야에서 널리 사용되는 유명한 연구라서 공부해보았다.
페어퍼가 엄청 짧은데, compact하게 잘 설명이 되어있어서 읽기 편했다.
Detection 기반 tracking 기술의 전반적인 알고리즘 흐름에 대해서 이해할 수 있었다. 결국 data association part가 가장 중요한 것 같다.
요즘에는 detection model과 re-id model이 public에 잘 공유되어있기 때문에 알고리즘만 잘 이해하면 implementation이 쉬울 것 같다고 생각했다.
이전에 공부했었던 end-to-end 방식의 tracker (e.g., TCTRack) 들과 장단점을 비교해보는 것도 재밌을 것 같다.

SOTA tracking module을 사용해볼 수 있는 BOXMOT을 사용해보았는데, 매우 정리 잘되어있고 사용하기 간편하다. https://github.com/mikel-brostrom/boxmot
그 중에서도 어떤 분이 resurrection system를 구현하여 이전에 사라졌던 타겟을 더 잘 찾아낼 수 있도록 개발해놓은 브렌치가 있어 돌려보고 공부해보고 있다. STRONGSORT 기반이지만 전체적인 흐름은 거의 비슷하다. https://github.com/mikel-brostrom/boxmot/pull/626

신희준

공부하고 싶은 사람

이전 포스트