顾立鹏,孙韶媛,刘训华,李 想

(东华大学信息科学与技术学院,上海 201620)

1 引 言

多目标跟踪属于计算机视觉领域中的子问题,一直以来是工业界甚至国防工业中的核心技术之一。近年来,随着深度神经网络技术的迅速发展,多目标跟踪技术领域的相关研究再次在无人车、视频监控、智慧城市大脑等领域展现出蓬勃生机[1-7]。无人车利用自身搭载的各种传感器采集车身周围的信息,并用相关目标检测算法提取出车身周围其他车辆、障碍物、交通标志等信息,最后再根据所提取的信息完成路径规划、驾驶决策等后续功能。由于无人车需要对车身周围其他车辆、障碍物、交通标志等目标进行持续跟踪,才能完成后续的路径规划、驾驶决策等功能,因此多目标跟踪算法在无人车整体系统中起着“承上启下”的作用,是最核心的技术之一[8-10]。

应用于无人车领域的多目标跟踪算法近年来取得了许多不错的成果。Jiangmiao Pang等人提出了多目标跟踪算法Quasi-Dense,具体为以目标特征建模切入点,使用一种稠密相似性学习方法,通过在一对图像上密集地抽取数百个区域进行对比学习,以学习出每个目标的特征,然后在推理阶段使用最近邻匹配实现多目标跟踪[11]。Abhijeet Shenoi等人提取了多目标跟踪算法JRMOT,具体为将2D RGB图像和3D激光点云一起输入到一个联合概率关联框架中,以实现在线3D多目标跟踪[12]。Xinshuo Weng等人在多目标跟踪算法SORT的基础上进行改进,提出了多目标跟踪算法AB3DMOT,具体为将以二维边界框表示的目标拓展成以三维边界框表示,然后以目标三维边界框之间的交并比3DIoU为度量指标,使用匈牙利算法匹配相邻两帧之间的目标[13]。……