摘要

基于深度学习的目标检测器推动了多目标跟踪算法的显著进展。然而，当前的跟踪方法主要针对行人或车辆等具有简单、规则运动模式的场景，难以有效应对具有非线性、不规则运动特性的目标，例如运动员。此外，现有跟踪算法普遍依赖卡尔曼滤波（Kalman filter），而该方法在物体运动不符合其线性假设时表现不佳。为解决上述问题，本文提出一种新型的在线且鲁棒的多目标跟踪方法——深度扩展交并比（Deep ExpansionIoU, Deep-EIoU），专为体育场景下的多目标跟踪任务设计。与传统方法不同，本方法摒弃了卡尔曼滤波的使用，转而结合迭代式尺度扩展的扩展交并比（ExpansionIoU）与深度特征，实现对体育场景中复杂运动目标的稳定跟踪。该方法在不依赖更强大检测器的前提下，保持了在线跟踪的高效性，同时取得了卓越的跟踪性能。在SportsMOT数据集上，该方法获得77.2%的HOTA得分；在SoccerNet-Tracking数据集上，HOTA得分高达85.4%。在多个大规模多目标跟踪基准测试中，Deep-EIoU均超越了此前所有先进跟踪算法，展现出在各类体育场景下的广泛适用性与优越性能。相关代码与模型已开源，地址为：https://github.com/hsiangwei0903/Deep-EIoU。