基于路侧摄像头的多目标跟踪算法优化设计

针对当前多目标追踪算法应对路侧交通场景的缺陷，提出一种基于路侧摄像头的多目标追踪算法。选择one-shot追踪算法路线，基于FairMOT设计神经网络，使单个网络同时生成目标检测结果与外观特征结果，增强实时性效果；采用新的数据关联方式，减少遮挡对追踪器的影响；引入新的运动相似度度量方式——缓冲交并比，弥补线性运动预测模型产生的误差；提出基于速度判别的丢失轨迹移除算法和基于历史位置匹配算法，实现长时间遮挡轨迹的身份恢复。在UA-DETRAC公开多目标追踪数据集上进行实验，验证该算法有效性。为证明该算法在真实路侧环境的适用性，在国家智能网联汽车（上海）试点示范区开放道路采集真实路侧场景数据。最后，将该算法和SORT、DeepSORT、ByteTrack、FairMOT算法在真实路侧场景数据上进行对比实验。实验结果表明，本算法在identification F-Score、ID switch、fragmentation、mostly tracked、mostly lost、multiple object tracking accuracy等评估指标上优于其他算法。

Optimization Design of Multi-object Tracking Algorithm Based on Roadside Cameras