覃海华 胡伟平 张永金 李凤珍 陈俊阳

（广西科技大学，广西 柳州 545006）

目前无人驾驶技术普遍存在的缺点是行人检测的速度慢、精度低，行人跟踪的遮挡问题未能有效处理。张旭[1]提出基于红外图像的、姜其政[2]提出基于ORB 的、昝孟恩[3]提出的基于粒子滤波的和郭琦[4]提出基于卷积神经网络的行人跟踪方法，这些方法也是不能很好的解决行人跟踪的一些问题。总之，行人轨迹预测还存在很多问题需要去解决。本文针对行人轨迹跟踪时的遮挡问题进行处理，目标检测阶段采用Anchor-Free 机制，目标轨迹跟踪采用DeepSort 跟踪框架，进而提升行人轨迹预测的速度和精度。

一、行人轨迹跟踪框架

首先，使用Anchor-Free 框架的centerNet 模型检测到目标在图像中的位置。然后通过卡尔曼滤波预测检测到的目标的下一帧轨迹。紧接着通过每一个原标记框经过reid 网络得到的外观信息特征向量和候选框中已经存储的外观信息特征向量计算余弦距离，并计算马氏距离，然后使用匈牙利算法进行级联匹配。同时计算交并比，也使用匈牙利算法进行IoU 匹配。整合级联匹配和IoU 匹配的结果，最后更新每一个匹配成功的目标轨迹。行人轨迹跟踪框架如图1 所示。

二、Anchor-Free 机制

本文主要采用Anchor-Free 机制中的centerNet 模型，centerNet 模型是基于中心点的检测模型。centerNet 模型的核心思想是直接检测物体中心点和尺寸。centerNet 模型预测目标中心点的位置是使用heatmap 思想和centerNet 损失函数进行训练。

目标中心点偏移损失函数公式如（2）：

目标长度损失函数公式如（3）：