摘要
大多数多人跟踪系统基于“检测后跟踪”（tracking-by-detection）范式来计算目标轨迹。因此，系统的性能在很大程度上取决于所采用输入检测的质量。然而，尽管近年来取得了巨大进展，部分被遮挡的人体仍常常无法被正确识别。此外，在执行非极大值抑制（non-maximum suppression, NMS）时，许多正确的检测结果也会被错误地剔除。因此，提升跟踪性能的关键在于增强原始粗粒度的检测输入。针对这一任务，细粒度的人体关节检测尤为合适，因为其能够有效定位即使严重遮挡的个体。本文系统地分析了在多人跟踪中引入关节检测的适用性。我们提出了两种检测类型（边界框检测与关节检测）之间的多种相似性度量方式，并对不同方案的性能进行了评估。在此基础上，我们基于最小代价图标记（min-cost graph labeling）的近在线（near-online）框架实现跟踪。实验结果表明，所提出的框架能够有效恢复严重遮挡的个体，并高效解决数据关联问题。我们在MOT16/17基准数据集上对所提方法进行了评估，实验结果表明，该框架达到了当前最先进的跟踪性能。