近年来， Transformer 网络（Transformer networks）在许多领域的研究中备受关注，能够在不同的计算机视觉任务中超越最先进的性能。然而，在多目标跟踪（Multiple Object Tracking, MOT）任务中，利用 Transformer 网络的潜力仍相对较少被探索。在这一领域中的先驱努力之一是TransCenter，这是一种基于 Transformer 的MOT架构，采用了密集的对象查询方法，展示了卓越的跟踪能力，同时保持了合理的运行时间。尽管如此，MOT中的一个关键方面——轨迹位移估计（track displacement estimation），仍有改进的空间，以进一步减少关联错误。针对这一挑战，本文提出了一种对TransCenter的新改进。我们建议采用一种基于检测跟踪（Track-by-Detection）范式的后处理机制，旨在优化轨迹位移估计。我们的方法包括整合一个精心设计的卡尔曼滤波器（Kalman filter），该滤波器将 Transformer 输出纳入测量误差估计，并使用嵌入网络（embedding network）进行目标再识别。这种综合策略显著提高了跟踪过程的准确性和鲁棒性。我们通过在MOTChallenge数据集MOT17和MOT20上的全面实验验证了我们的贡献，结果表明所提出的方案优于其他基于 Transformer 的跟踪器。代码已公开发布在：https://github.com/amitgalor18/STC_Tracker