一种实时多目标跟踪的混合方法

多目标跟踪（亦称多目标追踪）是计算机视觉的重要领域，在多种场景中有诸多应用。深度学习的发展显著推动了围绕跟踪研究及许多其他计算机视觉相关领域的科学进展，并促使研究者提出越来越多此方向的工作。事实上，当前文献与跟踪产业中最先进的（SOTA）所有方案，都构建于能产生极好结果的深度学习方法之上。深度学习得以实现，得益于研究者可使用的愈发强大的技术来处理这些模型所需的巨大计算资源。然而，当实时是主要需求时，开发不受具巨大计算资源的昂贵硬件支持约束的跟踪系统，对于拓宽跟踪在真实世界中的应用是必要的。为此，一种折衷是将强大的深度策略与更传统的方法结合，以显著更低的处理代价换取跟踪精度下降，但仍适用于实时领域。的确，本工作沿此方向，提出一种用于实时多目标跟踪的混合策略，将经典光流算法与深度学习架构有效结合，面向人群跟踪系统，在跟踪精度与计算成本间展现出理想的权衡。所开发架构以不同设置进行了实验，得出 MOTA 为 0.608，优于所比较的 SOTA 结果 0.549，且在引入光流阶段后运行时间约为其一半，取得了近乎相同的精度表现。