TSDCRF：通过时间序列 CRF 和归一化控制惩罚在隐私与多目标跟踪之间取得平衡
计算机视觉与模式识别
2026-03-17 v1
摘要
视频中的多目标跟踪通常需要依赖外观特征或位置线索，这些线索可能会暴露敏感的身份信息；而添加隐私保护噪声又会破坏跨帧关联，导致 ID 切换或目标丢失。我们提出 TSDCRF，这是一个可插拔的细化框架，通过结合三个组件来平衡隐私与跟踪效果：（i）在可配置的隐私预算下，对敏感区域添加校准的高斯噪声以实现 差分隐私；（ii）归一化控制惩罚（NCP），在噪声注入前对不稳定或冲突的类别预测进行加权降低，以稳定关联；（iii）时间序列动态条件随机场（DCRF），用于强化时序一致性并纠正噪声后的轨迹偏差，从而缓解 ID 切换并提高对轨迹劫持的鲁棒性。该流程对检测器和跟踪器的选择是中性的（例如 YOLOv4 和 DeepSORT）。我们在 MOT16、MOT17、Cityscapes 和 KITTI 上进行评估。结果表明，TSDCRF 在隐私-效用之间取得的平衡优于白噪声和先前方法（NTPD、PPDTSA）：KL 散度偏移更小，跟踪 RMSE 更低，在轨迹劫持情形下鲁棒性更好，同时保持隐私。源码请参见 https://github.com/mabo1215/TSDCRF.git
引用
@article{arxiv.2603.13667,
title = {TSDCRF: Balancing Privacy and Multi-Object Tracking via Time-Series CRF and Normalized Control Penalty},
author = {Bo Ma and Jinsong Wu and Weiqi Yan},
journal= {arXiv preprint arXiv:2603.13667},
year = {2026}
}