轨迹工厂：基于深度Siamese Bi-GRU的多目标跟踪中的航迹分割与重连

多目标跟踪（MOT）在复杂场景中（如监控和自动驾驶）是一项具有挑战性的任务。本文提出了一种基于Siamese双向门控循环单元（GRU）的新型轨迹片段处理方法，用于在人群密集或长时间遮挡情况下分割和重新连接轨迹片段。轨迹片段生成利用了卷积神经网络（CNN）和递归神经网络（RNN）提取的目标特征，在稀疏场景中创建高置信度的轨迹片段候选。由于生成过程中可能出现误跟踪，不同目标的轨迹片段被双向GRU分割成若干子轨迹片段。之后，应用基于Siamese GRU的轨迹片段重新连接方法，将属于同一目标的子轨迹片段链接起来，形成完整的轨迹。此外，我们从现有的MOT数据集中提取了轨迹片段图像，并提出了一个新数据集来训练我们的网络。该数据集包含超过95160张行人图像，共有793个不同的人。平均而言，每个人有120张带有位置和尺寸信息的图像。实验结果表明，我们的模型在MOT16数据集上优于现有最先进方法。