摘要

我们提出VoxelTrack，一种基于多台相距较远的相机实现多人体三维姿态估计与跟踪的方法。该方法采用多分支网络，联合估计环境中所有人员的三维姿态及重识别（Re-ID）特征。与以往依赖于噪声较大的二维姿态估计结果建立跨视角对应关系的方法不同，VoxelTrack直接从由多视角图像构建的三维体素（3D voxel）表示中估计并跟踪三维姿态。首先，我们通过规则体素对三维空间进行离散化，并通过将所有视角中逆向投影的肢体关节热图进行平均，为每个体素计算一个特征向量。随后，通过预测每个体素是否包含特定肢体关节，从体素表示中估计三维姿态。类似地，为每个体素计算一个Re-ID特征，用于在时间维度上跟踪估计的三维姿态。该方法的主要优势在于避免了基于单张图像做出硬性判断，因此即使在某些相机中人员严重遮挡的情况下，仍能稳健地完成三维姿态估计与跟踪。在Shelf、Campus和CMU Panoptic三个公开数据集上，VoxelTrack显著优于当前最先进的方法。