基于深度学习的视觉多目标跟踪算法综述

视觉多目标跟踪是计算机视觉领域的热点问题，然而，场景中目标数量的不确定、目标之间的相互遮挡、目标特征区分度不高等多种难题导致了视觉多目标跟踪现实应用进展缓慢。近年来，随着视觉智能处理研究的不断深入，涌现出多种多样的深度学习类视觉多目标跟踪算法。在分析了视觉多目标跟踪面临的挑战和难点基础上，将算法分为基于检测跟踪（Detection-Based-Tracking，DBT）、联合检测跟踪（Joint-Detection-Tracking，JDT）两大类及六个子类，研究不同类别算法的优缺点。分析表明，DBT类算法结构简单，但算法各子环节的关联度不高，JDT类算法融合多模块联合学习，在多项跟踪评价指标中占优。DBT类算法中特征提取模块是解决目标遮挡问题的关键，但损失了算法速度，JDT类算法对检测模块更为依赖。目前，多目标跟踪跟踪总体是从DBT类算法向JDT发展，分阶段实现算法准确度与速度的均衡。提出多目标跟踪算法未来在数据集、各子模块、具体场景应用等方面的发展方向。