联合Transformer与BYTE数据关联的多目标实时跟踪算法
摘要
针对复杂环境下多目标跟踪过程出现的轨迹漏检、误检及身份切换等问题，提出一种基于改进YOLOX和BYTE数据关联方法的多目标跟踪算法。首先，为了增强YOLOX在复杂环境下的目标检测能力，将YOLOX骨干网络与Vision Transformer结合，增强网络的局部特征提取能力，同时加入α-GIoU损失函数，进一步增加网络边界框的回归精度；其次，为了满足算法实时性要求，采用BYTE数据关联方法，摒弃传统特征重识别（Re-ID）网络，进一步提高了多目标跟踪算法的速度；最后，为了改善光照、遮挡等复杂环境下的跟踪问题，采用更加适应非线性系统的扩展卡尔曼滤波，提高了网络在复杂场景下对跟踪轨迹的预测精度。实验结果表明：所提算法对MOT17数据集的multiple object tracking accuracy（MOTA）、identity F1-measure（IDF1）指标分别为73.0%、70.2%，相较于目前最优的ByteTrack，分别提升了1.3个百分点、2.1个百分点，number of identity switches（IDSW）则减少了3.7%；同时所提算法取得了51.2 frame/s的跟踪速度，满足系统实时性要求。
引用本文（GB/T 7714）
潘昊 Pan Hao, 刘翔 Liu Xiang, 赵静文 Zhao Jingwen, 等. 联合Transformer与BYTE数据关联的多目标实时跟踪算法[J]. Laser & Optoelectronics Progress, 2023.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。