Enhanced road user tracking in cluttered urban environments through multiple hypothesis tracking and probabilistic object discrimination

The focus of this thesis is to develop a tracking system, based on the Multiple Hypothesis Tracking algorithm, that is able to build trajectories of road users in complex urban scenarios, i.e., scenarios involving pedestrians, cyclists and vehicles. In particular, this work analyzes the performance of such a tracking system when coupled with a strategy to address the problem of multiple road users fused into a single detection. The multiple hypothesis approach consists of building different hypothetical trajectories for the same road user and deciding which one is the most likely to be the real one only after having analyzed how these hypothetical tracks evolve in future frames. All tracking systems face well-known challenges: sensor noise, occlusions of objects and detections that are not representing one target but two or even no real target at all. The last issue has been directly tackled in this work by means of a strategy to detect fused objects, i.e., cases of single detections merging multiple road users. The strategy in question consists of building a bootstrap confidence interval for the volume of the target based on detections associated with the correspondent track. This confidence interval can help in identifying detections that are likely to not come from the same target and that might represent fusion with another nearby road user. It is worth mentioning that the tracking system uses a Kalman Filter to build the trajectories of the targets. The tracking system has been tested on a dataframe containing 750 frames. Each frame contains information on the position of the targets in the frame and on their appearance through a bounding box. The algorithm can solve all cases of fused detections and provides qualitatively good tracks. The main challenges that have not been solved yet are the presence of tracks that do not correspond to real targets and are generated by noisy detections, as well as the interruption of consolidated tracks as a result of the presence of obstacles that occlude the objects.

Questa tesi è incentrata sullo sviluppo di un sistema di tracciamento, basato sull’algoritmo Multiple Hypothesis Tracking, in grado di tracciare oggetti in scenari urbani complessi, ovvero scenari che coinvolgono pedoni, ciclisti e veicoli. In particolare, questo lavoro analizza le prestazioni di tale sistema di tracciamento accoppiato con una strategia che vuole risolvere il problema della presenza di detections che includono più oggetti contemporaneamente. L’approccio Multiple Hypothesis consiste nel costruire diverse ipotetiche traiettorie per uno stesso utente al fine di decidere qual è la più verosimile solamente dopo aver analizzato come queste traiettorie ipotetiche evolvono nei frames successivi, guardando le loro caratteristiche di moto e di aspetto. Un sistema di tracciamento deve sempre affrontare alcune sfide ben note: rumore nei dati, occlusioni di oggetti e detections che non rappresentano un solo utente, ma due o addirittura nessuno. L’ultimo problema è stato affrontato in questo lavoro mediante l’utilizzo di una strategia per rilevare oggetti che sono stati fusi in un unica detections. La strategia in questione consiste nel costruire un intervallo di confidenza per il volume dell’oggetto tracciato basato sulle detections precedenti, che può aiutare a identificare detections che probabilmente non provengono dallo stesso oggetto e che potrebbero fare riferimento a più oggetti uniti in un unica detection. È inoltre importante menzionare che il sistema di tracciamento utilizza un Kalman Filter per costruire le traiettorie degli oggetti presenti nello scenario analizzato. Il sistema di tracciamento è stato testato su un dataframe formato da 750 frames. Ogni fotogramma contiene informazioni sulla posizione degli oggetti e sul loro aspetto, quest’ultimo rappresentato da una bounding box. L’algoritmo è in grado di risolvere tutti i casi di detections contenenti più di un oggetto e fornisce traiettorie qualitativamente buone. I principali problemi che non sembrano essere risolti sono la presenza di traiettorie, generate da dati rumorosi, che non corrispondono a oggetti reali, ma anche l’interruzione di traiettorie consolidate causata dalla presenza di ostacoli che occludono gli oggetti.