摘要

当前的多目标跟踪（Multiple Object Tracking, MOT）方法主要依赖于检测结果在时空上的连续性，并结合目标外观特征来匹配连续帧中的目标。在本工作中，我们提出一种以目标外观特征作为视频中目标关联主要依据的MOT方法，同时将空间与时间先验信息作为加权因子。我们通过利用“在时间上相近的目标实例在外观上应具有相似性”这一思想，构建初始轨迹片段（tracklets）；随后，采用分层融合的方式将这些轨迹片段整合，形成最终的目标跟踪轨迹。我们在三个不同的MOT基准数据集（MOT17、MOT20和DanceTrack）上进行了大量实验，结果表明，该方法在MOT17和MOT20上表现具有竞争力，并在DanceTrack数据集上取得了当前最优（state-of-the-art）的性能。