摘要
处理不可靠的检测结果并避免目标身份切换，是实现多目标跟踪（Multiple Object Tracking, MOT）成功的关键。理想情况下，MOT算法应仅使用真正阳性检测结果，具备实时处理能力，并且不产生任何身份切换。为逼近这一理想方案，本文提出BoostTrack——一种简单而高效的“检测驱动型”跟踪方法。该方法通过引入若干轻量级、即插即用的模块，显著提升MOT性能。我们设计了一种检测-轨迹片段（detection-tracklet）置信度评分机制，并将其用于调整相似性度量，从而在单阶段关联过程中隐式偏好高检测置信度与高轨迹置信度的匹配组合。为降低因使用交并比（IoU）带来的歧义性，我们提出一种新型马氏距离（Mahalanobis distance）与形状相似性度量，以增强整体相似性评估能力。此外，为在单阶段关联中有效利用低置信度检测框，我们提出对两类检测结果进行置信度提升：一类是我们假设属于已有被跟踪目标的检测结果；另一类是我们假设对应于此前未被检测到的新目标的检测结果。所提出的各项改进与现有方法具有正交性，我们将其与插值技术及相机运动补偿相结合，在保持实时运行速度的同时，达到了与标准基准方案相当的跟踪性能。当进一步融合外观相似性信息后，该方法在MOT17与MOT20数据集上的表现超越所有标准基准方案。在MOT Challenge的MOT17与MOT20测试集上，BoostTrack在HOTA指标中位列所有在线方法之首。代码已开源，地址为：https://github.com/vukasin-stanojevic/BoostTrack。