王潇潇， 张雪芹

（华东理工大学信息科学与工程学院，上海 200237）

多目标跟踪是指通过分析视频来识别和跟踪行人、汽车等多个目标物体，在视频监控[1]、自动驾驶[2]、动作识别[3]及人群行为分析等实际应用中都依赖于多目标跟踪算法。目前多目标跟踪仍然是一个具有挑战性的视觉任务，其主要困难在于同时跟踪多个目标时，由于目标之间的遮挡和外观相似性，容易造成跟踪目标丢失或者目标标识（ID）切换等问题。近年来，深度学习在图像分类[4-6]、目标检测[7-9]等计算机视觉任务中取得了成功，推动了多目标跟踪技术的进步，与深度神经网络相结合的多目标跟踪算法成为研究热点[10]。

多目标跟踪框架一般都是基于检测的跟踪框架，即在已知当前视频帧目标检测框的情况下，进一步匹配得到目标的ID。基于检测的多目标跟踪框架的基本流程是：目标检测、目标检测框的特征提取、目标检测框和轨迹框的相似度计算及数据关联[11]。检测阶段主要依赖于目标检测算法，而目前对多目标跟踪算法的研究主要集中在后二项。

针对目标检测框的特征提取问题，由于多目标跟踪场景下一般都存在多个目标遮挡、交互的情况，因而提取判别性的特征很困难。特征提取阶段最常用的方法是卷积神经网络（Convolutional Neural Network, CNN），或者是将CNN 提取的外观特征和人工提取的特征相结合。基于深度学习的外观特征提取算法能够有效提取目标的外观特征，但是当多个目标外观相似且发生重叠时，ID 切换率仍然较高。……