摘要

近年来，多目标跟踪（Multi-Object Tracking, MOT）受到广泛关注，相关研究取得了显著进展。然而，现有方法普遍采用多种基础模型（如检测器和特征嵌入模型），并引入不同的训练或推理技巧，导致难以构建一个公平、可靠的基准进行对比。为此，本文首先对经典跟踪器DeepSORT进行了重新审视，并从目标检测、特征嵌入和轨迹关联等多个方面进行了显著改进，提出了一种新型跟踪器——StrongSORT。该方法为MOT领域提供了强大且公平的基准。此外，本文还提出了两种轻量级、即插即用的算法，以解决MOT中两个固有的“缺失”问题：关联缺失与检测缺失。具体而言，不同于大多数方法在高计算复杂度下将短轨迹片段关联为完整轨迹，本文提出了一种无需外观信息的全局关联模型——AFLink（Appearance-Free Link），可在不依赖外观特征的情况下实现高效、准确的全局轨迹关联，在速度与精度之间取得了良好平衡。同时，本文提出一种基于高斯过程回归的高斯平滑插值方法（Gaussian-smoothed Interpolation, GSI），用于缓解因目标丢失导致的检测缺失问题。AFLink与GSI可轻松集成至各类跟踪器中，额外计算开销极低（在MOT17数据集上，每帧分别仅增加1.7毫秒和7.1毫秒）。最终，通过将StrongSORT与AFLink和GSI融合，构建出的强跟踪器StrongSORT++在多个公开基准测试集上（包括MOT17、MOT20、DanceTrack和KITTI）均取得了当前最优性能。相关代码已开源，分别发布于：https://github.com/dyhBUPT/StrongSORT 和 https://github.com/open-mmlab/mmtracking。