基于元素相乘结构的实时多目标跟踪算法

来源：电子测量技术杂志2025年第3期北京时间：

作者：周畅达，杨帆

单位：河北工业大学电子信息工程学院 天津 300401

摘要：多目标跟踪算法中的FairMOT提出了平衡检测和重识别分支的均衡学习策略，有效的平衡了目标检测和重识别两大任务，是目前单阶跟踪段范式算法中最优的算法，但由于DLA34骨干网络的特征提取能力有限，面对实际应用场景中复杂的跟踪场景时，往往会因为出现漏检和误跟等现象导致模型的跟踪效果下降。为了有效的提升模型骨干网络的特征提取能力，本文针对此问题设计了基于元素相乘结构的深度聚合骨干网络，提出了FairMOT-Star算法。该算法利用了元素相乘结构带来的隐藏维度提升原理，实现了简洁高效的目标特征提取。同时使用EIoU_Loss作为检测框回归任务的回归损失函数，更加精准的描述了检测框和真实框之间的位置和形状关系，提升了检测框的预测精度。匹配关联部分使用卡尔曼滤波算法预测目标的运动信息，匈牙利算法完成时序维度上前后帧目标和轨迹的关联匹配。在MOT16数据集上进行了实验测试，MOTA精度达到了86.0%，模型的权重参数量为19.59 M，相比于FairMOT模型参数量减少9.7% 的同时，MOTA精度提升了3.5%，较好的优化了FairMOT算法的计算参数量和跟踪精度。

关键词：机器视觉;多目标跟踪;特征提取;FairMOT

基金资助：石家庄市科技合作专项重大项目（SJZZXA23005）资助