摘要
本文重点关注多目标跟踪问题的两个关键方面：1）设计一种精确的亲和度量方法以关联检测结果；2）实现一个高效且准确的（近）在线多目标跟踪算法。作为第一个贡献，我们引入了一种新颖的聚合局部流描述符（Aggregated Local Flow Descriptor, ALFD），该描述符利用长期兴趣点轨迹（Interest Point Trajectories, IPTs）编码一对时间上相隔较远的检测结果之间的相对运动模式。借助IPTs，ALFD为估计匹配检测结果的可能性提供了一个鲁棒的亲和度量方法，无论应用场景如何。作为另一个贡献，我们提出了一种近在线多目标跟踪（Near-Online Multi-target Tracking, NOMT）算法。跟踪问题被表述为在时间窗口内目标与检测结果之间的数据关联问题，并在每一帧中反复执行。虽然NOMT算法具有高效性，但通过将多个线索（包括ALFD度量、目标动态、外观相似性和长期轨迹正则化）整合到模型中，实现了鲁棒性。我们的消融分析验证了ALFD度量方法相较于其他传统亲和度量方法的优势。我们在两个具有挑战性的跟踪数据集——KITTI和MOT数据集上进行了全面的实验评估。结合ALFD度量的NOMT方法在这两个数据集中均取得了最佳精度，比现有最先进方法高出显著的幅度（约10%更高的MOTA）。