时空特征对齐的多目标跟踪算法

多目标跟踪(Multi-object tracking,MOT)是计算机视觉领域的一项重要任务,现有研究大多针对目标检测和数据关联进行改进,通常忽视了不同帧之间的相关性,未能充分利用视频时序信息,导致算法在运动模糊,遮挡和小目标场景中的性能显著下降.为解决上述问题,本文提出了一种时空特征对齐的多目标跟踪方法.首先,引入卷积门控递归单元(convolutional gated recurrent unit,ConvGRU),对视频中目标的时空信息进行编码;该结构通过考虑整个历史帧序列,有效提取时序信息,以增强特征表示.然后,设计特征对齐模块,保证历史帧信息和当前帧信息的时间一致性,以降低误检率.最后,本文在MOT17和MOT20数据集上进行了测试,所提算法的MOTA(multiple object tracking accurary)值分别为74.2和67.4,相比基准方法FairMOT提升了0.5和5.6;IDF1(identification F1 score)值分别为73.9和70.6,相比基准方法FairMOT提升了1.6和3.3.此外,定性和定量实验结果表明,本文方法的综合跟踪性能优于目前大多数先进方法.