An Improved Multi-Object Tracking Algorithm Designed for Complex Environments

W. Liu

doi:10.3390/s25175325

2025-08-28

DOI：10.3390/s25175325

原文链接

原文求助

摘要

En 中文

多目标跟踪（MOT）算法是计算机视觉领域的一个关键研究方向。其中，联合检测与嵌入（JDE）方法凭借其出色的速度和精度性能，已成为当前的主流解决方案。然而，在目标密集或存在遮挡的复杂场景中，现有算法的跟踪性能往往受限，尤其是在身份分配不稳定和跟踪精度不足方面。为解决这些挑战，本文提出了一种新的多目标跟踪模型——重参数化全局上下文跟踪（RGTrack）。该模型基于相关性敏感跟踪（CSTrack）框架，创新性地引入多分支训练和注意力机制，并结合重参数化卷积网络和全局注意力模块，显著提升了网络在复杂场景中的特征提取能力，尤其是在忽略无关信息并聚焦关键区域方面。它采用多关联策略，以更好地建立连续帧间目标之间的关联关系。通过这一改进，重参数化全局上下文跟踪能够更好地处理目标密集和严重遮挡的场景，提供更准确的待检测目标身份匹配和连续跟踪。实验结果表明，与相关性敏感跟踪相比，重参数化全局上下文跟踪在多个关键指标上均有显著提升：多目标跟踪准确率（MOTA）提高1.15%，身份F1分数（IDF1）提高1.73%，主要跟踪率（MT）提高6.86%，而身份切换（ID Sw）降低47.49%。这些结果说明，重参数化全局上下文跟踪不仅能在更复杂的场景中稳定跟踪目标，还显著提升了目标身份的连续性。此外，重参数化全局上下文跟踪将每秒帧数（FPS）提高了51.48%，并将模型尺寸减少了3.08%，表明其在实时性能和计算效率方面具有显著优势。因此，重参数化全局上下文跟踪模型在保持高精度的同时具备更强的实时处理能力，特别适用于嵌入式设备和资源受限的应用环境。

Keyword:

Multi-object tracking

Reparameterized and Global Context Track

Correlation-Sensitive Track

Attention mechanism

Real-time performance