摘要

本文介绍了一种名为Deep HM-SORT的新颖在线多目标跟踪算法，该算法专门设计用于提升体育场景中运动员的跟踪效果。传统的多目标跟踪方法在体育环境中往往表现不佳，原因包括运动员外观相似、运动不规则且难以预测以及显著的摄像机移动。Deep HM-SORT通过整合深度特征、调和平均数（harmonic mean）和扩展交并比（Expansion IOU）来应对这些挑战。利用调和平均数，我们的方法能够有效平衡外观和运动线索，显著减少ID交换现象。此外，我们的方法无限期保留所有轨迹片段（tracklets），从而提高了离开画面后重新进入的运动员的再识别率。实验结果表明，Deep HM-SORT在两个大规模公开基准数据集——SportsMOT和SoccerNet Tracking Challenge 2023上取得了最先进的性能。具体而言，我们的方法在SportsMOT数据集上实现了80.1%的HOTA分数，在SoccerNet-Tracking数据集上实现了85.4%的HOTA分数，在关键指标如HOTA、IDF1、AssA和MOTA等方面均优于现有的跟踪器。这一稳健的解决方案为自动化的体育分析提供了更高的准确性和可靠性，同时没有增加额外的计算成本。