顾立鹏，孙韶媛，李 想，刘训华，宋奇奇

(东华大学 信息科学与技术学院，上海 201620)

1 引 言

多目标跟踪(Multi-Object Tracking,MOT)是计算机视觉领域的一个研究热点，在自动驾驶、机器人续航、视频监控与行为分析等领域发挥着重要的作用[1].相比于单目标跟踪，多目标跟踪主要是在输入的视频中定位多个目标，维持它们的ID不变，并形成各自的轨迹，因此更复杂、更具挑战.近10年来，随着深度神经网络的迅速发展，基于检测的多目标跟踪算法受到了广泛的关注.这类方法主要将多目标跟踪问题分为两个步骤：第1步，使用目标检测网络检测出给定视频序列中每一帧存在的感兴趣的目标；第2步，使用数据关联算法将检测到的目标随着时间推移，分配各自的ID，并生成各自的轨迹[2].

尽管已经过多年的研究，多目标跟踪算法的性能仍还远未达到人类的水平.当前该问题面临的挑战主要包括：未知的目标类别及数量；目标之间频繁的遮挡；目标的漏检或误检等[1].针对上述问题，目前的解决方法大多集中在以下几个方面：优化提升目标检测网络性能、设计更具表现力的目标特征模型、设计更高效的数据关联算法[3].对于优化提升目标检测器性能，Zhou[4]等人提出了CenterNet网络，利用关键点估计来确定潜在目标的中心点，并回归出宽高尺寸、偏移量等目标，具有整体网络计算开销小、精度高且速度快等优点.Shang-Hua Gao[5]等人提出了Res2Net模块，其可被便捷地嵌入到现有的目标检测网络中，在不增加网络整体……