摘要

传统的基于检测的跟踪系统通常采用卡尔曼滤波器（Kalman Filter, KF）进行状态估计。然而，卡尔曼滤波器依赖于特定领域的设计选择，且难以有效处理非线性运动模式。为克服这些局限性，本文提出两种创新的数据驱动滤波方法。第一种方法采用带有可训练运动模型的贝叶斯滤波器，用于预测目标未来的空间位置，并将预测结果与目标检测器提供的观测信息相结合，从而提升边界框预测的准确性。此外，该方法显著减少了传统卡尔曼滤波器所依赖的大量领域特定设计决策。第二种方法则进一步发展为端到端可训练的滤波器，能够学习对检测器误差进行修正，从而进一步降低对领域知识的依赖。同时，本文还提出了一系列基于循环神经网络（Recurrent Neural Networks）、神经微分方程（Neural Ordinary Differential Equations）以及条件神经过程（Conditional Neural Processes）的运动模型架构，并将其与上述滤波方法相结合。在多个数据集上的广泛实验表明，所提出的滤波器在目标跟踪任务中显著优于传统的卡尔曼滤波器，尤其是在非线性运动模式下——这正是我们所设计滤波器最擅长的应用场景。此外，我们还对滤波器的噪声鲁棒性进行了分析，结果表现出令人信服的优越性能。为进一步提升跟踪效果，本文还提出了一种新的观测与轨迹关联成本函数。将该关联成本与所提出的滤波方法相结合后，所构建的跟踪器在Motion-Rich的DanceTrack和SportsMOT数据集上，基于多项评估指标，均优于传统的SORT方法及其他基于运动模型的跟踪算法。