FC-Track：面向在线多目标跟踪的重叠感知后关联修正
计算机视觉与模式识别
2026-03-16 v1 人工智能
摘要
可靠的多目标跟踪（MOT）对于在复杂和动态环境中运行的机器人系统至关重要。尽管检测和关联方面取得了最新进展，在线 MOT 方法仍然容易受到由频繁遮挡和物体重叠引起的身份切换的影响，其中错误的关联可能随时间传播并降低跟踪可靠性。我们提出了一种轻量级的在线 MOT 后关联修正框架（FC-Track），专门针对推理过程中的重叠诱导不匹配。该方法使用基于交集面积比（IoA）的过滤策略，在高重叠条件下抑制不可靠的外观更新，并通过重叠跟踪片段对内的外观相似性比较局部修正检测-跟踪片段不匹配。通过防止短期不匹配的传播，我们的框架有效缓解了长期身份切换，而无需依赖全局优化或重识别。该框架在线运行，无需全局优化或重识别，使其适合实时机器人应用。我们在 MOT17 测试集上实现了 81.73 MOTA、82.81 IDF1 和 66.95 HOTA，运行速度为 5.7 FPS；在 MOT20 测试集上实现了 77.52 MOTA、80.90 IDF1 和 65.67 HOTA，运行速度为 0.6 FPS。具体而言，我们的框架 FC-Track 仅产生 29.55% 的长期身份切换，远低于现有的在线跟踪器。同时，我们的框架在 MOT20 基准测试上保持了最先进性能。
引用
@article{arxiv.2603.12758,
title = {FC-Track: Overlap-Aware Post-Association Correction for Online Multi-Object Tracking},
author = {Cheng Ju and Zejing Zhao and Akio Namiki},
journal= {arXiv preprint arXiv:2603.12758},
year = {2026}
}