基于深度学习的多目标跟踪算法研究综述.docVIP

基于深度学习的多目标跟踪算法研究综述

多目标跟踪（MultipleObjectTracking,MOT）作为计算机视觉领域的核心研究方向之一，旨在连续视频序列中同时定位、识别多个感兴趣目标，并关联其跨帧身份，输出完整运动轨迹。该技术是智能监控、自动驾驶、人机交互、智慧城市等应用场景的关键支撑技术。传统多目标跟踪方法多依赖手工设计特征与简单运动模型，在复杂场景下易受遮挡、形变、光照变化、目标密集等因素影响，跟踪精度与鲁棒性难以满足实际需求。随着深度学习技术的快速发展，卷积神经网络、Transformer等模型强大的特征表征能力为多目标跟踪领域带来了颠覆性突破，各类高性能算法层出不穷，逐步实现了跟踪精度与效率的协同提升。

一、基于深度学习的多目标跟踪算法主流范式

当前基于深度学习的多目标跟踪算法主要可分为检测跟踪分离范式、检测跟踪一体化范式两大类，两类范式在架构设计、计算效率、应用场景等方面存在显著差异。

（一）检测跟踪分离范式（TrackingbyDetection）

检测跟踪分离范式是多目标跟踪领域的经典框架，其核心逻辑为“先检测，后关联”，即首先通过目标检测模型获取每帧图像中所有目标的位置与类别信息，再通过特征匹配、运动建模等方式将不同帧的检测结果关联为连续轨迹。在检测阶段，主流算法多采用FasterR-CNN、YOLO系列等成熟目标检测模型输出高精度检测框，部分研究