摘要
低光照环境下的多目标跟踪（MOT）具有重要的实际应用价值。尽管多目标跟踪领域已取得显著进展，但低光照多目标跟踪仍受限于专用数据集的匮乏，主要原因是低光照跟踪数据的采集和手动标注难度大且成本往往高得令人望而却步。本文通过方法和数据集的创新来解决这些挑战。我们首先提出了低光照多目标跟踪（LLMOT）数据集，这是第一个全面的低光照MOT数据集，包含11,580张图像，其中5,316张为已标注图像，6,264张为未标注图像，由夜间增强的MOT17序列和多个未标注的低光照视频组成。为同时缓解标注成本的限制并解决低光照引起的图像退化对伪标签质量造成的损害，我们提出了适应低光照场景的半监督框架CRTrack（一致性正则化跟踪）。具体而言，我们引入了一种一致的自适应采样分配机制，用于在低光照条件下校准和过滤有噪声及偏移的伪边界框。我们随后设计了一种自适应半监督网络更新策略，使模型能够更稳定地利用未标注的低光照视频进行迭代优化。在LLMOT数据集上的大量实验验证了所提方法的有效性和鲁棒性。CRTrack在LLMOT数据集上取得了62.472 HOTA、71.544 MOTA和75.864 IDF1的成绩，证明了其在低光照多目标跟踪任务中的有效性。我们的方法为低光照多目标跟踪任务提供了实用的解决方案，具有重要的现实意义。
