AMF-MOT：基于运动-外观特征融合的多目标跟踪技术，用于处理目标车辆丢失和遮挡问题

《IEEE Transactions on Vehicular Technology》：AMF-MOT: Multi-Object Tracking Based on Motion-Appearance Feature Fusion for Object Vehicle Loss and Occlusion

准确持续跟踪车辆并获取运动信息对自动驾驶决策至关重要，现有方法在目标丢失和遮挡时存在跟踪精度下降和目标跳变问题。本文提出的AMF-MOT方法通过融合深度外观与运动特征，利用未来动态安全潜力场筛选关键目标，结合车辆重识别网络和自适应无迹卡尔曼滤波算法提取特征，再通过动态特征加权分配算法计算目标相似度，实现遮挡丢失下的连续跟踪，并在多个基准数据集上验证了其准确性和稳定性优势。

　　

摘要：

准确且持续地跟踪目标车辆并获取其运动信息对于自动驾驶车辆的安全决策和规划至关重要。然而，现有的多目标跟踪算法在目标车辆丢失或被遮挡时，会面临跟踪精度下降和频繁的目标跳变问题。为了解决这一问题，提出了一种车辆多目标跟踪方法（AMF-MOT），该方法融合了目标车辆的深度外观特征和运动特征。在目标选择模块中，通过预测未来动态安全潜力场来选择影响本车运动的关键目标。在目标跟踪模块中，设计了车辆重新识别网络和噪声尺度自适应无迹卡尔曼滤波器算法，分别在目标丢失和被遮挡前后从传感器数据中提取深度外观特征和运动特征。随后，提出了动态特征权重分配算法来融合这些特征，并据此计算目标相似性以实现连续跟踪。在多个基准数据集上的实验结果表明，与现有方法相比，所提出的AMF-MOT不仅能够在目标丢失和被遮挡的情况下实现连续跟踪，还能提高多目标跟踪的精度和稳定性。

引言

多目标跟踪（MOT）是自动驾驶车辆环境感知模块中的关键技术。多目标跟踪可以为多个移动对象提供多个时空点和位置数据，从而重建每个对象的轨迹。更重要的是，它为对象场景理解以及高级计算机视觉任务（如视觉识别、行为特征分析和行为预测）提供了重要的参考数据[1]、[2]。通过分析每个对象的运动状态，还可以获取丰富的信息，例如传感器视野内一段时间内的对象数量以及对象之间的关系。因此，多目标跟踪技术在自动驾驶车辆中发挥着至关重要的作用，并具有重要的研究价值。然而，在跟踪过程中，目标车辆的丢失和被遮挡会导致跟踪精度下降和频繁的目标跳变。这些问题使得系统无法准确判断周围车辆的状态，导致预测轨迹与实际轨迹之间存在较大偏差，从而影响自动驾驶车辆的决策，增加事故风险。因此，目标车辆的丢失和被遮挡对自动驾驶中的多目标跟踪的成功构成了巨大挑战。