随着科学技术的快速发展,计算机视觉在日常生活中有着越来越广泛的应用。本文研究的多目标跟踪就是一种典型的计算机视觉技术,它是指通过分析处理多帧图像,判断图像中多个目标在连续时间内的位置变化,以此绘制出每个目标的跟踪轨迹。该项技术在自动驾驶,公共安全等领域都有广泛应用。由于在实际应用中,会出现被跟踪目标所处环境背景复杂、频繁遮挡以及运动变化等情况,该研究具有较强挑战性。该文围绕基于深度学习的多目标跟踪问题展开研究和分析,具体研究内容如下:首先,针对检测与重识别任务独立进行带来大量重复计算与推理速度减慢的问题,该文设计了联合检测与重识别的多目标跟踪方法。无锚检测与重识别分支共享深层聚合主干网络,采用深度超参数卷积代替上采样过程中的可变形卷积,这些设计有效提高了特征表达能力与参数利用率。在此基础上划分高低置信度检测框,优先匹配高置信度检测和轨迹,再将低置信度检测和剩余的轨迹进行匹配。这些设计提高了跟踪的实时性与准确性。其次,针对检测没有利用跟踪线索的问题,该文设计了一种联合检测与跟踪的多目标跟踪方法。主干网络将卷积神经网络与自注意力机制结合提高特征提取能力,使用内卷代替普通卷积进行上采样。在两帧中逐点提取重识别嵌入特征,构建代价矩阵存储嵌入相似度,并从中推导出跟踪偏移量,使用跟踪偏移和嵌入进行数据关联。这些设计将对象特征从先前帧传播到当前帧,聚合这些特征进行检测,有效地利用了跟踪信息。最后,针对基于图匹配的多目标跟踪未考虑帧间关系的问题,该文将轨迹和帧内检测之间的关系建模为无向图,将关联问题转化为图匹配问题。通过对缺失的帧使用线性插值来填补轨迹的空白,使用不同损失对边界框回归进行优化,这些设计使多目标跟踪在复杂场景下也能保持高性能。