摘要

深度学习方法的快速发展在图像分类、目标检测与目标跟踪等领域取得了突破性进展。自动驾驶系统与交通监控系统，尤其是部署于固定位置的多摄像头组网配置，从这些最新技术进步中获益显著。本文提出一种基于约束性分层聚类的多摄像头多目标（MCMT）车辆跟踪系统，该系统通过优化轨迹匹配，显著提升了跨摄像头目标跟踪的鲁棒性。系统采用YOLOv5进行车辆检测，结合ByteTrack实现目标跟踪，并利用ResNet50-IBN ReID网络提取特征以支持跨摄像头身份关联。车辆类型与颜色等静态属性通过分析ReID特征并结合支持向量机（SVM）进行分类。实验结果表明，基于ReID特征的属性分类方法在性能上优于纯卷积神经网络（CNN）的替代方案。通过引入时间与空间约束的分层凝聚聚类（HAC）算法，将单摄像头轨迹（SCTs）融合为多摄像头轨迹（MCTs），本研究提出的算法记为MCT#MAC。SCT之间的相似性通过比较轨迹上累积的平均ReID特征进行度量。在多个数据集上的综合评估表明，通过对邻近矩阵进行调控以约束HAC过程，可显著提升多摄像头场景下的IDF1分数，验证了所提方法的有效性与优越性。