摘要
多目标跟踪（Multiple Object Tracking, MOT）严重依赖于对真实正例检测边界框的准确选择。然而，这一关键问题在现有方法中常被忽视，或通过采用两阶段关联策略、在第二阶段使用低置信度检测来缓解。近期提出的BoostTrack旨在克服多阶段关联方法的缺陷，并有效利用低置信度检测，其核心思想是引入检测置信度增强机制。本文指出BoostTrack中所采用的置信度增强方法存在局限性，并提出一种改进方案以提升其性能。为构建更丰富的相似性度量并实现对真实正例检测的更优选择，我们提出融合形状特征、马氏距离（Mahalanobis distance）以及一种新颖的软BIoU（soft BIoU）相似性度量的组合策略。同时，我们设计了一种软检测置信度增强技术，该技术基于相似性度量与原始置信度分数计算新的置信度评分，并引入可变的相似性阈值，以应对未定期更新的检测框与轨迹片段之间相似性较低的问题。所提出的各项改进措施相互独立，可无缝集成至任意多目标跟踪算法中。结合BoostTrack+基线模型，本方法在MOT17数据集上取得了接近当前最优的性能，在MOT20数据集上更是达到了新的SOTA（State-of-the-Art）水平，分别在HOTA和IDF1指标上取得领先。代码已开源，地址为：https://github.com/vukasin-stanojevic/BoostTrack。