摘要
当感兴趣目标具有相似外观时，多目标跟踪（Multi-object tracking, MOT）任务变得更加具有挑战性。在此情况下，运动信息在区分多个目标方面尤为重要。然而，在由运动相机获取的场景中进行在线2D多目标跟踪时，由于存在全局相机运动，可观测的运动线索往往变得复杂，难以保持平滑或可预测。为应对在线2D MOT中由意外相机运动带来的挑战，已有研究利用目标之间的结构化运动约束，因其对相机运动具有较强的鲁棒性而受到青睐。本文提出一种新的数据关联方法，能够在大范围相机运动条件下有效利用结构化运动约束。此外，为进一步提升数据关联对误检和场景杂波的鲁棒性，本文还提出一种新颖的事件聚合方法，用于将结构化约束整合至分配代价中，以支持在线多目标跟踪。在大量数据集上的实验结果表明，所提出的算法在在线2D多目标跟踪任务中具有显著的有效性。