| 联合检测和特征嵌入的多目标跟踪 |
| Joint detection and feature embedding framework for multi‑object tracking |
| |
| DOI： |
| 中文关键词: 多目标跟踪；数据关联；目标检测；联合检测和特征嵌入 |
| 英文关键词:multi-object tracking； data association； object detection； joint detection and feature embedding |
| 基金项目:国家自然科学基金（62341121）、河北省自然科学基金（F2023210001）、河北省自然科学基金青年基金（QN2025052）和石家庄铁道大学优秀青年科学基金资助项目 |
| 作者 | 单位 | | 李威澎 | 1. 石家庄铁道大学 信息科学与技术学院，河北 石家庄 050043
2. 河北省电磁环境效应与信息处理重点实验室，河北 石家庄 050043
3. 石家庄市人工智能重点实验室，河北 石家庄 050043 | | 王正友 | 1. 石家庄铁道大学 信息科学与技术学院，河北 石家庄 050043
2. 河北省电磁环境效应与信息处理重点实验室，河北 石家庄 050043
3. 石家庄市人工智能重点实验室，河北 石家庄 050043 | | 张颖 | 1. 石家庄铁道大学 信息科学与技术学院，河北 石家庄 050043
2. 河北省电磁环境效应与信息处理重点实验室，河北 石家庄 050043
3. 石家庄市人工智能重点实验室，河北 石家庄 050043 | | 庄珊娜 | 1. 石家庄铁道大学 信息科学与技术学院，河北 石家庄 050043
2. 河北省电磁环境效应与信息处理重点实验室，河北 石家庄 050043
3. 石家庄市人工智能重点实验室，河北 石家庄 050043 | | 白晶 | 1. 石家庄铁道大学 信息科学与技术学院，河北 石家庄 050043
2. 河北省电磁环境效应与信息处理重点实验室，河北 石家庄 050043
3. 石家庄市人工智能重点实验室，河北 石家庄 050043 | | 李聪聪 | 1. 石家庄铁道大学 信息科学与技术学院，河北 石家庄 050043
2. 河北省电磁环境效应与信息处理重点实验室，河北 石家庄 050043
3. 石家庄市人工智能重点实验室，河北 石家庄 050043 |
|
| 摘要点击次数: 149 |
| 全文下载次数: 33 |
| 中文摘要: |
| 多目标跟踪技术广泛应用于智能视频监控、自动驾驶等领域，其中行人多目标跟踪是重要研
究方向。然而，在真实复杂场景中，仍存在检测框信息挖掘不足、多任务特征竞争以及目标长时间
遮挡导致的跟踪中断等难题。为此，文中提出一种联合检测与特征嵌入的多目标跟踪方法。具体
地，首先设计了二次关联机制，通过分阶段处理高、低置信度检测框，提升检测信息的利用率与数
据关联的准确性；其次，引入互相关注意力网络，增强检测任务与重识别任务间的特征表达能力，
实现多任务特征的独立优化，缓解多任务竞争；最后，提出虚拟轨迹模块，结合遮挡前后的观测信
息校正卡尔曼滤波器参数，有效降低遮挡带来的轨迹中断与身份切换现象。实验结果表明，该方
法在公开数据集MOT17和MOT20上分别实现了80.8%/80.3%的IDF1和78.7%/77.3%的MOTA，整
体性能优于多种先进方法，验证了所提方法在复杂场景下的有效性与实用性。 |
| 英文摘要: |
| Multi-object tracking technology is widely used in fields such as intelligent video surveillance
and autonomous driving， among which pedestrian multi-target tracking is an important research direction.
However， in real-world complex scenes， challenges still remain， including insufficient mining of
detection box information， multi-task feature competition， and tracking interruptions caused by long-term occlusion of targets. Therefore， this paper proposes a multi-target tracking method that combines
detection and feature embedding. First， we design a secondary association mechanism that processes
high and low confidence detection boxes in stages to improve the utilization of detection information and the accuracy of data association . Second， we introduce a mutual attention intention network to enhance
the feature expression ability between detection tasks and re-identification tasks， achieving independent
optimization of multi-task features and alleviating multi-task competition. Finally， a virtual trajectory
module is proposed to correct the Kalman filter parameters based on the observation information before
and after occlusion， effectively reducing trajectory interruption and identity switching caused by
occlusion. Experimental results show that the proposed method achieves 80.8%/80.3% IDF1 and 78.7%/
77.3% MOTA on the public datasets MOT17 and MOT20， respectively. The overall performance is
superior to multiple advanced methods， verifying the effectiveness and practicality of the proposed
method in complex scenarios. |
| 查看全文 查看/发表评论 附件 |