DEEP SORT目标跟踪算法论文

DEEP SORT目标跟踪算法论文 DEEP SORT目标跟踪算法论文是基于SORT（Simple Online and Realtime Tracking）算法的一种改进版本，主要关注于多目标跟踪问题。该算法通过学习深度关联度量来提高跟踪性能，特别是在长期遮挡的情况下，从而减少身份转换的次数。 1. 算法背景 最近，目标检测技术的进步使得跟踪-by-检测成为多目标跟踪领域的主导范式。在这个范式中，对象trajectory通常通过全局优化问题来获得，该问题处理整个视频批处理信息。但是，这些方法由于批处理，不能应用于在线场景，其中目标身份必须在每个时间步长可用。 传统方法包括多假设跟踪（MHT）和联合概率数据关联滤波器（JPDAF）。这些方法在每帧基础上执行数据关联。在JPDAF中，通过权重个体测量关联似然生成单个状态假设。 2. 算法原理 DEEP SORT算法的关键思想是学习一个深度关联度量，以便在视觉外观空间中建立测量到跟踪关联。该算法首先在大规模人_recognition数据集上进行_offline_pre-training，以学习深度关联度量。在在线应用中，使用nearest neighbor查询在视觉外观空间中建立测量到跟踪关联。 3. 算法优点 DEEP SORT算法相比于传统方法具有以下优点： * 能够跟踪对象通过长时间的遮挡期，减少身份转换的次数。 * 具有高帧率，实时跟踪能力。 * 算法简单、有效，易于实现。 4. 实验结果 实验结果表明，DEEP SORT算法能够减少身份转换的次数达45%，并且在高帧率下获得竞争性的性能。 5.结论 DEEP SORT目标跟踪算法论文提出了一个基于SORT算法的改进版本，通过学习深度关联度量来提高跟踪性能，减少身份转换的次数。该算法具有实时跟踪能力、高帧率和简单有效的特点，广泛应用于计算机视觉、多目标跟踪等领域。