DMTrack：面向无人机多目标跟踪的可变形状态空间建模结合卡尔曼滤波与不确定性感知关联
系统与控制
2025-10-22 v1 计算机视觉与模式识别
系统与控制
摘要
从无人机（UAV）进行多目标跟踪（MOT）存在唯一挑战：由于航模视角的特性，物体运动不可预测、频繁遮挡且仅能获取有限的外观线索。这些问题在无人机突发运动时尤为突出，导致轨迹估计不可靠并引发身份切换。传统运动模型（如卡尔曼滤波或静态序列编码器）在捕捉此类条件下的线性与非线性动力学方面常常力不足。为此，我们提出了 DMTrack——一个专为无人机 MOT 定制的可变形运动跟踪框架。DMTrack 引入三个关键组件：DeformMamba——一种可变形状态空间预测器，动态聚合历史运动状态以实现自适应轨迹建模；MotionGate——一种轻量级门控模块，基于运动上下文与不确定性对卡尔曼与 Mamba 预测进行融合；以及一种不确定性感知关联策略，通过对齐运动趋势与预测置信度来增强身份保持。 extensive 实验在 VisDrone-MOT 和 UAVDT 数据集上表明，我们的 DMTrack 在身份一致性与跟踪精度方面实现了在高速与非线性运动场景下的领先表现。值得注意的是，我们的方法无需外观模型即可保持竞争的计算效率，凸显其在无人机级联跟踪中的实用性。
引用
@article{arxiv.2510.17860,
title = {DMTrack: Deformable State-Space Modeling for UAV Multi-Object Tracking with Kalman Fusion and Uncertainty-Aware Association},
author = {Zenghuang Fu and Xiaofeng Han and Mingda Jia and Jin ming Yang and Qi Zeng and Muyang Zahng and Changwei Wang and Weiliang Meng and Xiaopeng Zhang},
journal= {arXiv preprint arXiv:2510.17860},
year = {2025}
}