协同感知级联关联与轨迹优化在多目标跟踪中的创新应用

本文提出了一种创新性多目标跟踪(MOT)方法SCTrack，通过协同感知级联关联模块(SCA)构建多感知亲和矩阵(MPAM)，结合多帧协作距离计算(MCDC)提升匹配精度；并开发动态置信度驱动的轨迹优化(DCDTR)模块解决轨迹碎片化问题。在MOT17、MOT20和DanceTrack数据集上验证了其优越性能，为复杂场景下的目标跟踪提供了新思路。

　　

Highlight

• 我们提出数据关联阶段的协同感知级联关联模块(SCA)，包含多方向特征融合注意力机制，构建多感知亲和矩阵(MPAM)，并利用多帧协作距离计算(MCDC)提升匹配精度。

• 针对轨迹碎片化问题，提出动态置信度驱动的轨迹优化(DCDTR)模块，通过融合置信度与外观特征动态计算轨迹关联性，修复断裂轨迹。

• 本方法在MOT17、MOT20和DanceTrack数据集上取得卓越性能。

Method

我们的整体框架如图2所示，主要包含两大模块：协同感知级联关联和动态置信度驱动的轨迹优化。其中协同感知级联关联模块细分为：

3.1 多感知亲和矩阵构建(MPAM)

采用多方向特征融合注意力机制，整合运动、外观和位置特征，通过交叉注意力层生成具有判别性的亲和矩阵。

3.2 多帧协作距离计算(MCDC)

设计时序滑动窗口机制，综合评估连续多帧的特征相似度，有效缓解单帧匹配的局限性。

3.3 动态置信度驱动的轨迹优化(DCDTR)

引入轨迹置信度评估函数：

C_traj = α·S_app + β·S_motion + γ·S_conf

其中S_conf为检测置信度，通过自适应权重(α,β,γ)实现断裂轨迹的智能修复。

Conclusion

本文提出的SCTrack方法通过协同感知关联和动态轨迹优化，显著提升了复杂场景下的多目标跟踪性能。相比现有方法具有两大创新：

(1) 首创协同感知级联关联框架，通过MPAM和MCDC实现鲁棒匹配；

(2) 开发的DCDTR模块突破传统轨迹修复方法的局限性，为MOT领域提供了新范式。