基于联合检测的多目标跟踪方法研究.pdf

基于联合检测的多目标跟踪方法研究

摘要

随着计算机技术的不断发展，计算机视觉领域中的多目标跟踪成为重要的研究

方向，广泛应用于视频监控、无人驾驶、运动分析等领域。近年来，在深度学习技术

的支持下，多目标跟踪已取得显著研究成果。但由于目标在运动过程中出现遮挡或短

暂消失的情况时，导致其特征利用不充分，使跟踪精度降低，甚至失败。为了更好的

适应多目标跟踪中目标遮挡的问题，本文研究基于联合检测的多目标跟踪方法，具体

研究内容如下：

（1）针对基于联合检测的多目标跟踪方法在面对遮挡问题的不足，提出基于运

动预测和数据关联（Jointdetectionandtrackingmethodbasedonmotionpredictionand

dataassociation，MPDA-Net）的多目标跟踪方法。该方法通过构建ReID偏移预测分

支，计算目标特征提取位置与目标检测框中心点的偏移量，以解决ReID外观特征提

取时特征中心和目标检测框不一致的问题，得到更精准的ReID特征。在此基础上，

利用改进的卡尔曼滤波估计目标边界框的宽和高，得到更准确的边界框位置，提高置

信度检测框的质量。此外，MPDA-Net保留所有的检测框，根据阈值大小划分高置信

度检测框和低置信度检测框，并分别执行数据关联匹配，以减少对遮挡目标的漏检。

（2）针对提出的MPDA-Net方法仅使用局部信息提取特征，忽略相邻键之间的

上下文关系问题。提出基于Transformer的运动预测和数据关联（Transformer-based

motionpredictionanddataassociation，MPDA-TRC）联合检测跟踪方法。该方法重新

设计MPDA-Net骨干网络中的ResNet卷积模块，利用相邻像素和长距离像素间丰富

的上下文关系指导动态注意矩阵的学习，增强深度特征的视觉表示能力，提升跟踪性

能。

通过对多目标跟踪数据集MOT15、MOT16、MOT17实验结果进行分析，多目

标跟踪精度、检测器定位精度等评价指标，验证本文提出的MPDA-TRC跟踪方法具

备良好的跟踪性能，并在MOT多目标跟踪数据集进行消融实验。实验结果表明本文

提出的MPDA-TRC方法与典型的Sort、JDE、Fairmot等多目标跟踪算法相比具有较

强的跟踪效果，能够更好地应对多目标跟踪中目标遮挡的问题。

关键词：运动预测；注意力机制；数据关联；联合检测；多目标跟踪

基于联合检测的多目标跟踪方法研究

Abstract

Withthecontinuousdevelopmentofcomputertechnology,multi-targettrackinginthe

fieldofcomputervisionhasbecomeanimportantresearchdirection,whichiswidelyusedin

videosurveillance,unmanneddriving,motionanalysisandotherfields.Inrecentyears,with

thesupportofdeeplearningtechnology,multi-targettrackinghasachievedremarkableresearch

results.However,duetotheinadequateutilizationoffeatureswhenthetargetisoccludedor

disappearsbrieflyduringthemotion,thetrackingaccuracyisreducedorevenfails.Inorderto

betteradapttotheproblemoftargetocclusioninmulti-targettracking,thispaperstudiesthe

multi-targettrackingmethodbasedon