基于改进的Transformer加Anchor-free网络的多目标跟踪算法

近年来,基于Anchor-free的多目标跟踪算法以其精度高、速度快、超参数少的特点被广泛研究。但是,实际场景中的目标遮挡使得此类算法仍然面临挑战,这类算法会对遮挡后重新出现的目标的身份信息进行错误切换。针对以上问题,提出了一种基于改进的Transformer加Anchor-free网络的多目标跟踪算法(Transformer-Anchor-free-MOT,TransAnfMOT),该算法通过跨层特征融合(Cross-Layer Feature Fusion, CFF)和注意力机制(Convolutional Block Attention Module, CBAM)对RGB图像和Depth图像进行融合,提升融合的RGB-D图像的特征质量,从而提高遮挡判断任务的精度。另外,设置了被遮挡目标的搜索区域,并利用外观特征距离方法赋予遮挡后重新出现的目标之前的身份信息,减少目标身份信息切换错误。实验结果表明,提出的算法在3个不同的场景下实现了比较有竞争力的结果,有效提升了多目标跟踪算法的准确性和稳定性。