ComputerEngineeringandApplications计算机工程与应用2023，59（13）多目标跟踪（multi-objecttracking，MOT）是计算机视觉的研究热点，涉及到自动驾驶[1]、智能监控[2]、军事安全[3]等众多领域。近年来检测算法的性能随着深度学习技术的革新而不断提升，基于检测的多目标跟踪算法（detectionbasedtracking，DBT）受到了越来越多的关注。这类算法包括检测模型和关联模型两部分内容，如何利用目标的检测信息对其进行状态估计，以及如何提高对同一身份目标的关联精度是该类算法研究的核心[4-5]。YOLO[6]、FasterR-CNN[7]、CenterNet[8]等检测框架的提出为DBT的研究提供了充分的先验支持，目前主流DBT的研究思路是先对目标状态进行预测，再将预测状态与检测目标匹配，具有较高的跟踪准确率。文献[9]提出的SORT通过卡尔曼滤波实现对下一帧对象的状态预测，再利用目标回归框和检测回归框交并比等运动信息实现预测目标和检测目标的匹配关联，然而其匹配关联时用到的信息较少，容易受遮挡问题的影响。针对该问题，文献[10]又提出了一种DeepSORT关联模型，用深度学习特征加强了对检测物体表面信息的收集，利用运动和外观两种信息标准实现关联匹配，增强了对遮挡情况的鲁棒性。文献[11]提出的MOTDT融合了目标的深度外观信息与空间信息，将预测目标与多个检测目标层级关联，根据软分配策略的轨迹评分机制来实现目标的关联。DeepSORT使用深度特征增强目标外观信息的方法开创了融合深度特征与运动状态做多目标匹基于关键点检测和关联的多目标跟踪刘艺博，奚峥皓上海工程技术大学电子电气工程学院，上海201620摘要：针对多目标跟踪领域中由目标信息关联性低引起的目标身份关联性差的问题，提出了一种基于关键点检测和关联的多目标跟踪算法。对目标的中心关键点建模，利用CenterNet对该点进行检测定位；将目标的深度特征与关键点尺度特征相结合，基于二者观测的显隐性关系构建一个联合特征提取器；将该联合特征作为目标的状态，通过隐马尔可夫模型估计下一帧的目标状态；利用目标的运动信息和关键点尺度信息提出“二级关联”的匹配机制，实现对该估计状态与检测目标的关联，得到最优的关联匹配结果。在公开的MOT17数据集上进行了仿真实验，并与一些主流算法进行了对比，结果表明，该算法在跟踪准确度指标表现较优，并对身份互换问题有较好的鲁棒性。关键词：机器视觉；多目标跟踪；关键点检测；目标信息关联性文献标志码：A中图分类号：TP29doi：10.3778/j.issn.1...
