多相似度矩阵融合的多目标跟踪算法

摘要

多目标跟踪是计算机视觉领域的核心研究方向，面临目标模糊、尺寸小和频繁遮挡等难题.提出一种基于深度学习和尺度不变特征转换(SIFT)的多目标跟踪算法，旨在解决目标模糊、尺寸小、遮挡等情况下跟踪精度不稳定的问题.通过引入SIFT特征改进DeepSORT算法，将DeepSORT算法中的重识别网络提取的描述目标间外观相似度的相似度矩阵与SIFT提取的目标间相似度矩阵融合.同时还采用与外观无关的连接模型与高斯平滑插值法对目标轨迹进行优化，提高了算法在复杂场景下的跟踪精度.采用MOT16数据集进行实验验证，结果表明，该跟踪算法在目标密集、遮挡等复杂情况下表现良好，多目标跟踪算法跟踪精度达到54.26%,IDF1分数达到61.24%,身份编号转换次数仅为406,相比DeepSORT算法具有较好的鲁棒性和精度.

关键词

多目标跟踪 / 尺度不变特征转换 / DeepSORT算法 / 特征融合 / 轨迹优化