摘要
在现有的联合检测与跟踪方法中，通常利用成对关系特征将先前的轨迹片段（tracklets）与当前检测结果进行匹配。然而，这些特征在面对大量检测结果时，可能缺乏足够的区分能力，难以准确识别目标。若仅选择置信度较高的检测结果进行跟踪，可能导致低置信度检测结果被遗漏，从而在在线场景下造成轨迹片段的断裂，且这些断裂无法恢复。针对这一问题，本文提出一种新型的在线图跟踪方法——稀疏图跟踪器（Sparse Graph Tracker, SGT）。SGT利用高阶关系特征，通过聚合邻近检测结果及其相互关系的特征，显著提升了特征的区分能力。SGT将视频数据建模为一个图结构，其中检测结果、检测之间的连接关系以及连接节点间的关系特征分别由图中的节点、边和边特征表示。得益于强大的边特征表达能力，SGT能够基于Top-K得分较高的检测结果（其中K值较大）进行目标跟踪，从而有效涵盖原本置信度较低的检测结果，实现对漏检目标的恢复。大量实验验证了SGT对K值选择的鲁棒性。在MOT16/17/20以及HiEve挑战赛中，SGT在保持实时推理速度的前提下，性能超越了现有最先进跟踪算法。尤其在MOT20和HiEve挑战赛中，SGT在MOTA指标上取得了显著提升。代码已开源，地址为：https://github.com/HYUNJS/SGT。