基于自適應(yīng)鏈接優(yōu)化的井下行人抗遮擋跟蹤方法研究

摘要：針對(duì)煤礦井下行人因遮擋頻繁和外觀混淆導(dǎo)致軌跡匹配不準(zhǔn)確的問題，提出了一種基于自適應(yīng)鏈接優(yōu)化的井下行人抗遮擋跟蹤方法。首先，根據(jù)目標(biāo)置信度變化率和交并比計(jì)算，對(duì)目標(biāo)進(jìn)行遮擋判定，篩選出潛在遮擋目標(biāo)。然后，在匹配級(jí)聯(lián)階段，引入潛在遮擋目標(biāo)的非線性動(dòng)態(tài)特征，并結(jié)合歷史軌跡信息擴(kuò)展軌跡鏈接優(yōu)化模塊的軌跡對(duì)輸入，同時(shí)在軌跡對(duì)輸入進(jìn)行時(shí)域塊處理后添加通道先驗(yàn)卷積注意力機(jī)制，增強(qiáng)時(shí)域表征能力。軌跡對(duì)輸入向量經(jīng)壓縮與融合處理后，由多層感知器輸出軌跡相似性得分，與原有匹配級(jí)聯(lián)階段中卡爾曼濾波器的總成本函數(shù)相結(jié)合，優(yōu)化匹配決策，有效緩解軌跡匹配過程中的錯(cuò)誤匹配問題。最后，在交并比匹配階段，通過計(jì)算斷裂率和ID 切換率的變化量，引入自適應(yīng)RB 因子，構(gòu)建反饋機(jī)制，動(dòng)態(tài)調(diào)整匹配決策中的交并比閾值，以適應(yīng)因長(zhǎng)時(shí)間遮擋導(dǎo)致的軌跡斷裂問題。采用所提方法與DeepSORT，YOLOv7?SAM，OSNet，F(xiàn)uCoLoT 對(duì)煤礦井下典型視頻序列進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明，所提方法的跟蹤準(zhǔn)確度（MOTA），跟蹤精度（MOTP） 和身份F1（IDF1） 分別為76.17%， 84.13%， 74.9%， 較DeepSORT 分別提升了14.9%， 1.83% 和10.93%， 較YOLOv7?SAM 分別提升了1.57%，0.4% 和0.37%，較OSNet 分別提升了2.83%，0.77% 和1.27%，較FuCoLoT 分別提升了2.5%，0.08% 和1.8%，說明所提方法能夠有效解決煤礦井下目標(biāo)在遮擋情形下的跟蹤誤匹配問題。

關(guān)鍵詞：井下人員跟蹤；多目標(biāo)跟蹤；目標(biāo)遮擋；跟蹤誤匹配；軌跡鏈接優(yōu)化；軌跡斷裂

中圖分類號(hào)：TD76 文獻(xiàn)標(biāo)志碼：A

0 引言

目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)重要研究方向，在煤礦井下智能監(jiān)控系統(tǒng)中，借助目標(biāo)跟蹤技術(shù)對(duì)井下人員、車輛、運(yùn)輸設(shè)備等運(yùn)動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)自動(dòng)跟蹤，是行人計(jì)數(shù)、異常識(shí)別等高級(jí)視覺任務(wù)的基礎(chǔ)[1]。煤礦井下環(huán)境復(fù)雜，行人目標(biāo)經(jīng)常受到被設(shè)備、支架等遮擋和短暫消失（如進(jìn)入盲區(qū)）的影響，傳統(tǒng)目標(biāo)跟蹤算法在應(yīng)對(duì)外觀特征丟失和軌跡斷裂問題上表現(xiàn)出準(zhǔn)確性和魯棒性不足，易導(dǎo)致錯(cuò)誤匹配和目標(biāo)丟失。因此，在遮擋頻繁且目標(biāo)密集的復(fù)雜場(chǎng)景中，傳統(tǒng)目標(biāo)跟蹤算法難以滿足多目標(biāo)跟蹤的精度和連續(xù)性需求[2]。

目標(biāo)遮擋是目標(biāo)跟蹤中的常見問題，1 個(gè)或多個(gè)目標(biāo)在視場(chǎng)中被其他物體部分或完全遮擋，在跟蹤過程中將面臨目標(biāo)丟失的問題，從而導(dǎo)致對(duì)目標(biāo)數(shù)量的估計(jì)產(chǎn)生偏差[3]。在煤礦領(lǐng)域，目標(biāo)遮擋呈現(xiàn)更多特有的問題：視頻質(zhì)量存在差異，有的較為模糊；背景信息較少，整體呈現(xiàn)暗灰色調(diào)。許多學(xué)者針對(duì)目標(biāo)遮擋的問題進(jìn)行了研究。文獻(xiàn)[4]提出了一種基于深度估計(jì)的尺度自適應(yīng)目標(biāo)跟蹤方法，利用目標(biāo)深度信息估計(jì)目標(biāo)尺度，對(duì)目標(biāo)尺度變化及形變具有很好的適應(yīng)性。然而，該方法對(duì)深度信息的依賴較高，在實(shí)際應(yīng)用中，深度信息的獲取可能會(huì)受到環(huán)境因素（如低光照、遮擋等）影響，從而降低精度。文獻(xiàn)[5]提出的行人檢測(cè)方法在雙階段檢測(cè)器Faster R?CNN 的基礎(chǔ)架構(gòu)上引入注意力機(jī)制網(wǎng)絡(luò)，提高了模型在遮擋時(shí)的檢測(cè)能力。但該方法計(jì)算復(fù)雜度較高，在實(shí)際應(yīng)用中可能面臨性能瓶頸。文獻(xiàn)[6]基于跟蹤學(xué)習(xí)檢測(cè)（Track Learning Detection， TLD）框架，提出了一種融合多特征的復(fù)雜場(chǎng)景動(dòng)態(tài)目標(biāo)長(zhǎng)時(shí)間視覺跟蹤算法，使用融合多特征的MeanShift算法[7]替代TLD 框架中的光流法，對(duì)目標(biāo)形變有較強(qiáng)的魯棒性。然而，MeanShift 算法對(duì)目標(biāo)初始位置的選擇較為敏感，當(dāng)目標(biāo)發(fā)生大幅度移動(dòng)時(shí)，算法可能無法準(zhǔn)確收斂。文獻(xiàn)[8]提出了一種基于注意力機(jī)制的無監(jiān)督礦井人員跟蹤算法，結(jié)合相關(guān)濾波和孿生網(wǎng)絡(luò)在跟蹤任務(wù)上的優(yōu)勢(shì)，構(gòu)建輕量化目標(biāo)跟蹤模型。雖然該算法可有效減少計(jì)算開銷，但無監(jiān)督算法的跟蹤性能常常無法與有監(jiān)督算法相比，尤其是在復(fù)雜背景和多目標(biāo)情況下。文獻(xiàn)[9]提出了一種改進(jìn)的異常抑制相關(guān)濾波跟蹤方法，專門用于在紅外視頻中追蹤地下礦山中的人體。通過分析響應(yīng)圖的峰型形態(tài)和峰值旁瓣比變化特征，設(shè)計(jì)了自適應(yīng)外觀模型更新策略，提高了井下人員目標(biāo)的跟蹤精準(zhǔn)性和魯棒性。然而，該方法主要依賴紅外視頻的特征提取，在低光環(huán)境下可能表現(xiàn)較好，但在有較強(qiáng)背景干擾的環(huán)境中，其魯棒性會(huì)受到影響，導(dǎo)致跟蹤精度降低。文獻(xiàn)[10]提出了基于深度學(xué)習(xí)的礦井巷道人員計(jì)數(shù)算法，通過引入全尺度特征提取模型OSNet 優(yōu)化DeepSORT，替換原有卷積神經(jīng)網(wǎng)絡(luò)模塊。OSNet 采用深度可分離卷積和多尺度特征流，增強(qiáng)了目標(biāo)細(xì)粒度特征的提取能力。但該算法在訓(xùn)練時(shí)需要較大規(guī)模的數(shù)據(jù)集，并且深度可分離卷積的計(jì)算開銷較高，可能影響算法在實(shí)時(shí)檢測(cè)中的應(yīng)用效率。文獻(xiàn)[11]提出了基于深度學(xué)習(xí)的井下運(yùn)動(dòng)目標(biāo)跟蹤算法，采用一種局部?全局匹配網(wǎng)絡(luò)來提高算法在不同場(chǎng)景下的跟蹤精度，并設(shè)計(jì)了一個(gè)無錨框的分類回歸網(wǎng)絡(luò)，降低模型計(jì)算復(fù)雜度。盡管該算法有效減少了計(jì)算量，但無錨框設(shè)計(jì)可能導(dǎo)致在密集場(chǎng)景中目標(biāo)檢測(cè)精度下降。文獻(xiàn)[12]提出了基于改進(jìn)YOLOv5s 和DeepSORT 的井下人員檢測(cè)及跟蹤算法，通過改進(jìn)YOLOv5s 網(wǎng)絡(luò)的自注意力模塊，提高井下不同尺度人員目標(biāo)的檢測(cè)精度，采用更深卷積層替換DeepSORT 算法中小型殘差網(wǎng)絡(luò)，提升對(duì)人員外觀信息的提取能力。但該算法的主要問題是自注意力模塊可能增加模型的計(jì)算復(fù)雜度，且在高遮擋或低光照環(huán)境下，性能提升可能有限。文獻(xiàn)[13]提出了基于改進(jìn)YOLOv7 和DeepSORT 的井下人員檢測(cè)與跟蹤算法，通過在YOLOv7 的Neck 模塊中融入SimAM 注意力機(jī)制，以及在DeepSORT 特征提取網(wǎng)絡(luò)中引入ShuffleNetV2 輕量化模塊，顯著提升了井下復(fù)雜環(huán)境中人員目標(biāo)檢測(cè)和跟蹤的實(shí)時(shí)性能。但面對(duì)多發(fā)遮擋場(chǎng)景，該算法可能無法充分發(fā)揮其優(yōu)勢(shì)。

針對(duì)遮擋頻繁和外觀混淆導(dǎo)致軌跡匹配不準(zhǔn)確的問題，本文提出了一種基于自適應(yīng)鏈接優(yōu)化的井下行人抗遮擋跟蹤方法。該方法在DeepSORT 框架的基礎(chǔ)上，通過遮擋判定模塊、軌跡鏈接優(yōu)化模塊（CoLinker）及自適應(yīng)RB 因子反饋機(jī)制實(shí)現(xiàn)優(yōu)化。首先，在遮擋判定模塊中，結(jié)合目標(biāo)置信度變化率與交并比（IoU），篩選潛在遮擋目標(biāo)，為后續(xù)處理提供可靠輸入；然后，在匹配級(jí)聯(lián)階段，通過CoLinker 模塊引入非線性動(dòng)態(tài)特征與通道先驗(yàn)卷積注意力機(jī)制（Channel Prior Convolutional Attention， CPCA） [14]，增強(qiáng)時(shí)序特征的表征能力，優(yōu)化軌跡匹配決策；最后，在IoU 匹配階段，通過自適應(yīng)RB 因子構(gòu)建反饋機(jī)制動(dòng)態(tài)調(diào)整匹配閾值，緩解因長(zhǎng)期遮擋導(dǎo)致的軌跡斷裂問題，從而在復(fù)雜環(huán)境中保持高魯棒性，最終實(shí)現(xiàn)對(duì)遮擋目標(biāo)的跟蹤優(yōu)化。

1 井下行人目標(biāo)遮擋分析

目標(biāo)遮擋在計(jì)算機(jī)視覺和視頻監(jiān)控領(lǐng)域中指的是目標(biāo)物體在視場(chǎng)中被其他物體部分或完全覆蓋的情況。根據(jù)目標(biāo)的遮擋程度，可以分為無遮擋（0）、輕度遮擋（1%～10%）、部分遮擋（10%～35%）、嚴(yán)重遮擋（35%～80%）和完全遮擋（≥80%） [15]。為了對(duì)目標(biāo)遮擋過程進(jìn)行描述，建立目標(biāo)遮擋模型。當(dāng)遮擋發(fā)生時(shí)總會(huì)出現(xiàn)被遮擋目標(biāo)ID1（綠框）和障礙目標(biāo)ID2（紅框），如圖1 所示。

當(dāng)2 個(gè)目標(biāo)發(fā)生遮擋時(shí)，跟蹤失敗往往發(fā)生在被遮擋目標(biāo)上。為了及時(shí)判定目標(biāo)發(fā)生遮擋的時(shí)刻，通過記錄一段視頻序列中行人目標(biāo)的置信度（圖2），探究置信度是否可以作為遮擋判定依據(jù)。

由圖2 可看出，Track ID： 8 和Track ID： 18 在特定時(shí)刻波動(dòng)較大，目標(biāo)之間的遮擋和相互影響導(dǎo)致置信度下降，說明將置信度作為遮擋判定因素較合理。

k考慮到視頻跟蹤的時(shí)序連續(xù)性，跟蹤任務(wù)中的連續(xù)幀特性使置信度波動(dòng)具有時(shí)序意義。通過記錄行人目標(biāo)的置信度，進(jìn)一步分析其在連續(xù)幀中的變化情況。在時(shí)刻，置信度變化率為

式中Otrack_id;k，Otrack_id;k1分別為第k，k-1時(shí)刻跟蹤對(duì)象的置信度分?jǐn)?shù)。

通常目標(biāo)檢測(cè)概率取決于目標(biāo)狀態(tài)，將置信度變化率作為遮擋發(fā)生時(shí)對(duì)目標(biāo)狀態(tài)的影響因素有所欠缺。為了更精確地評(píng)估目標(biāo)在復(fù)雜環(huán)境中的遮擋問題，優(yōu)化跟蹤算法，提高模型的魯棒性和適應(yīng)性，本文采用ID切換率和跟蹤斷裂率來評(píng)估第時(shí)刻的目標(biāo)遮擋概率，實(shí)現(xiàn)對(duì)遮擋目標(biāo)的更高效跟蹤。ID切換率表示在第k 時(shí)刻的跟蹤切換次數(shù)與累計(jì)跟蹤次數(shù)的比值，反映了目標(biāo)在被遮擋時(shí)的ID切換頻率。跟蹤斷裂率表示在第k 時(shí)刻跟蹤目標(biāo)中未被跟蹤到的目標(biāo)數(shù)占前一時(shí)刻總目標(biāo)數(shù)的比例，反映了目標(biāo)跟蹤過程中的斷裂情況。

Rk = S k／Nk （2）

式中：Nk為累計(jì)到第k時(shí)刻的所有有效跟蹤實(shí)例的數(shù)量；Sk為累計(jì)到第k時(shí)刻的ID切換數(shù)量；|Db|為在時(shí)刻b檢測(cè)到的目標(biāo)；Sw（b;b+1）為在第b 時(shí)刻到第b+1時(shí)刻之間發(fā)生ID切換的數(shù)量；|Dk-1 ∩（﹁Dk）|為跟蹤斷裂的目標(biāo)集合，Dk-1為在第k-1時(shí)刻被檢測(cè)且跟蹤的目標(biāo)，﹁Dk為在第時(shí)刻沒有被跟蹤到的目標(biāo)， ﹁為邏輯非。

2 自適應(yīng)鏈接優(yōu)化井下行人抗遮擋跟蹤方法

基于自適應(yīng)鏈接優(yōu)化的井下行人抗遮擋跟蹤方法架構(gòu)如圖3 所示。

傳統(tǒng)DeepSORT 算法缺乏對(duì)遮擋狀態(tài)的動(dòng)態(tài)判定機(jī)制，難以區(qū)分正常目標(biāo)與潛在遮擋目標(biāo)，誤匹配問題突出。本文提出遮擋判定模塊，并將其引入DeepSORT 算法的檢測(cè)與軌跡初始化階段。通過結(jié)合目標(biāo)置信度變化率和IoU，對(duì)目標(biāo)的遮擋狀態(tài)進(jìn)行精準(zhǔn)判定。通過檢測(cè)目標(biāo)在相鄰幀間的置信度變化，快速判定可能被遮擋的目標(biāo)，結(jié)合目標(biāo)與軌跡框的IoU，進(jìn)一步過濾誤判的干擾目標(biāo)。

傳統(tǒng)DeepSORT 算法依賴靜態(tài)外觀特征與固定運(yùn)動(dòng)模型，難以適應(yīng)行人目標(biāo)因遮擋導(dǎo)致的運(yùn)動(dòng)突變。本文在匹配級(jí)聯(lián)模塊中，引入基于非線性動(dòng)態(tài)特征的COLinker 模塊。接收來自REID 網(wǎng)絡(luò)的輸入，并在計(jì)算馬氏距離和余弦距離的基礎(chǔ)上添加相似度得分。在COLinker 模塊中，通過擴(kuò)展軌跡對(duì)的輸入向量并引入CPCA 注意力機(jī)制，增強(qiáng)了軌跡鏈接過程對(duì)時(shí)間序列特征的捕捉能力。軌跡對(duì)輸入經(jīng)過多層特征融合和壓縮處理后，通過多層感知器（Multilayer Perceptron， MLP）輸出軌跡相似性得分，并將該得分與卡爾曼濾波器的總成本函數(shù)相結(jié)合，從而優(yōu)化匹配決策。

傳統(tǒng)DeepSORT 算法在IoU 匹配階段采用固定閾值，無法根據(jù)遮擋程度動(dòng)態(tài)調(diào)整，導(dǎo)致軌跡斷裂與ID 切換率升高。本文在IoU匹配階段提出了基于自適應(yīng)RB 因子的反饋機(jī)制。通過計(jì)算軌跡的斷裂率和ID 切換率的變化量，動(dòng)態(tài)調(diào)整IoU匹配階段的閾值，使模型能夠在復(fù)雜遮擋場(chǎng)景中更靈活地進(jìn)行匹配優(yōu)化。

2.1 遮擋判定

遮擋判定的基本原理是通過檢測(cè)目標(biāo)置信度的劇烈變化并結(jié)合目標(biāo)檢測(cè)框與軌跡框的IoU來識(shí)別潛在的遮擋目標(biāo)。當(dāng)目標(biāo)被部分遮擋或完全遮擋時(shí)，檢測(cè)目標(biāo)的置信度在相鄰幀間發(fā)生顯著下降。本文通過計(jì)算置信度的變化率來量化該變化，并設(shè)置閾值來判定是否發(fā)生遮擋。

遮擋判定算法的輸入包括當(dāng)前幀的檢測(cè)集合和上一幀完成關(guān)聯(lián)的軌跡集合，以及置信度變化閾值和IoU閾值。

首先，初始化潛在遮擋目標(biāo)集合Docc，用于存儲(chǔ)符合遮擋條件的檢測(cè)目標(biāo)。其次，遍歷檢測(cè)目標(biāo)集合，計(jì)算每個(gè)目標(biāo)的置信度變化率Δc，即該目標(biāo)在當(dāng)前幀和上一幀的置信度差值的歸一化值。如果目標(biāo)的置信度變化率Δc超過預(yù)設(shè)閾值τc，則判定該目標(biāo)處于遮擋狀態(tài)，需進(jìn)一步驗(yàn)證。然后，對(duì)每個(gè)潛在遮擋目標(biāo)，與上一幀軌跡集合FH中對(duì)應(yīng)軌跡框進(jìn)行IoU計(jì)算。如果目標(biāo)檢測(cè)框d與軌跡框g間的IoU大于設(shè)定閾值τIoU，則進(jìn)一步確認(rèn)目標(biāo)處于遮擋狀態(tài)，并將其加入潛在遮擋目標(biāo)集合。通過置信度變化率與IoU的雙重篩選，以確保對(duì)目標(biāo)遮擋狀態(tài)的判定更加可靠。最后，遮擋判定模塊輸出潛在遮擋目標(biāo)集合，為后續(xù)的COLinker 模塊提供輸入。在軌跡鏈接優(yōu)化模塊中，這些潛在遮擋目標(biāo)將作為候選目標(biāo)，與軌跡片段進(jìn)一步匹配優(yōu)化。通過遮擋判定模塊的前置篩選，能夠有效減少后續(xù)軌跡鏈接過程中的干擾目標(biāo)，從而提升遮擋目標(biāo)的跟蹤精度。

2.2 COLinker 模塊

現(xiàn)有算法利用狀態(tài)估計(jì)和協(xié)方差矩陣來預(yù)測(cè)每個(gè)跟蹤目標(biāo)的新位置，通過匹配策略關(guān)聯(lián)跟蹤目標(biāo)[16]。但是煤礦井下環(huán)境惡劣，礦工著裝統(tǒng)一，傳統(tǒng)DeepSORT 算法中僅依賴歐氏距離和余弦相似度的匹配策略，由于過度側(cè)重空間位置特征，難以適應(yīng)目標(biāo)運(yùn)動(dòng)模式多樣化的井下跟蹤場(chǎng)景[17]。為了解決這一問題，本文引入了軌跡鏈接模塊AFLink[18]，以優(yōu)化DeepSORT 算法中目標(biāo)匹配過程。但AFLink缺乏對(duì)目標(biāo)運(yùn)動(dòng)特征的考慮，在目標(biāo)運(yùn)動(dòng)模式多樣化或遮擋頻繁的場(chǎng)景下，匹配精度和魯棒性較差。針對(duì)這一不足，本文首先擴(kuò)展了AFLink 的輸入，加入目標(biāo)的非線性動(dòng)態(tài)特征，構(gòu)建OLinker 模塊，以提高目標(biāo)匹配的精度和魯棒性。對(duì)擴(kuò)展輸入向量進(jìn)行時(shí)域塊處理后，為了加強(qiáng)對(duì)連續(xù)幀之間的關(guān)注度，聚焦關(guān)鍵特征，引入CPCA 注意力機(jī)制，構(gòu)建軌跡鏈接優(yōu)化COLinker 模塊，改善軌跡之間的相似性評(píng)估和匹配精度，從而優(yōu)化軌跡鏈接過程。具體優(yōu)化過程如圖4 所示。

對(duì)于每個(gè)被判定為潛在遮擋狀態(tài)的跟蹤目標(biāo)Tj和檢測(cè)目標(biāo)Dj，通過YOLOv9 模型[19]獲取外觀特征。結(jié)合跟蹤歷史中位置序列QtT j，為非線性動(dòng)態(tài)特征的計(jì)算提供基礎(chǔ)。

式中：CtTj為第j個(gè)跟蹤目標(biāo)Tj在t時(shí)刻的中心點(diǎn)位置；（xtTj，"ytT j，"wtT j，"htT j ）為邊界框四元組，xtTj， ytT j， wtT j， hT jt分別為跟蹤目標(biāo)Tj在t時(shí)刻的坐標(biāo)。

目標(biāo)Tj在t時(shí)刻的速度vtT j、加速度atT j可表示為

vtT j = QtT j-Qt-1T j（8）

atT j = vtT j-vt-1T j（9）

式中：vt-1T j為目標(biāo)Tj在t-1時(shí)刻的速度；QtT j，Qt-1T j分別為目標(biāo)在t，t-1時(shí)刻的位置。

CPCA 利用通道注意力機(jī)制突出特征圖中關(guān)鍵的通道信息，其結(jié)構(gòu)如圖5 所示。首先通過多尺度卷積核提取輸入特征圖中的多層次信息。然后利用通道注意力圖，動(dòng)態(tài)分配各個(gè)通道的權(quán)重，從而突出有用的通道特征。最后空間注意力機(jī)制結(jié)合通道級(jí)別特征，進(jìn)一步通過生成空間注意力圖調(diào)整不同區(qū)域的關(guān)注程度。

COLinker 的匹配級(jí)聯(lián)模塊在匹配過程不僅考慮外觀相似度和空間位置的馬氏距離M（Di;Tj），還引入了運(yùn)動(dòng)相似度mi j，以提高目標(biāo)匹配的有效性。mi j由COLinker 模塊輸出的概率P（S jDi，Tj）轉(zhuǎn)換而來，表示2 個(gè)軌跡片段之間屬于同一目標(biāo)的概率。

式中L（·）為使用馬氏距離計(jì)算軌跡片段的相似度函數(shù)，它將輸入的軌跡片段HtTj和Ht-1Ti轉(zhuǎn)換為張量Xj和Xi，以計(jì)算第i 個(gè)和第j 個(gè)跟蹤目標(biāo)是否為同一目標(biāo)；HtTj為t 時(shí)刻的第j 個(gè)跟蹤目標(biāo)軌跡段；Ht-1Ti為t-1時(shí)刻的第i 個(gè)跟蹤目標(biāo)軌跡段；ftTj為目標(biāo)Tj在t 時(shí)刻的外觀特征。

因此匹配級(jí)聯(lián)模塊的輸出總成本函數(shù)可表示為

式中λ1，λ2和λ3為權(quán)重參數(shù)，用來平衡馬氏距離、外觀相似度和運(yùn)動(dòng)相似度的影響。

2.3 自適應(yīng)RB 因子

當(dāng)長(zhǎng)時(shí)間發(fā)生遮擋且設(shè)定匹配閾值過高時(shí)，可能因?yàn)橹丿B區(qū)域未達(dá)到高閾值要求而不被視為同一目標(biāo)[20]；當(dāng)遮擋發(fā)生較少時(shí)，適當(dāng)提高匹配閾值，可以使模型更關(guān)注遮擋區(qū)域。為此，本文提出了自適應(yīng)RB 因子，依據(jù)時(shí)刻的Rk和Bk及k-1時(shí)刻的Rk-1和Bk-1，動(dòng)態(tài)調(diào)整匹配閾值，以確保在遮擋區(qū)域內(nèi)的正確跟蹤。

1） 計(jì)算跟蹤斷裂率和ID 切換率的變化量：

△B = α（Bk - Bk-1） （13）

△R = α（Rk -Rk-1） （14）

式中α為轉(zhuǎn)換系數(shù)，將變化率轉(zhuǎn)換為百分比，α=100。

2） 定義Rk和Bk的權(quán)重ωR和ωB，計(jì)算IoU 閾值的總調(diào)整量△I：

△I ="ωR △R+ωB △B （15）

3） 為了確保自適應(yīng)調(diào)整策略在一個(gè)合理的范圍內(nèi)進(jìn)行，對(duì)IoU閾值進(jìn)行更新。

Ik = max（min（Ik-1- △I，"Imax），"Imin） （16）

式中：Ik?1 為 k?1 閾值； Imax和Imin分別為 IoU 閾值的上下限值。

3 實(shí)驗(yàn)驗(yàn)證

3.1 煤礦井下人員多目標(biāo)跟蹤數(shù)據(jù)集

為驗(yàn)證基于自適應(yīng)鏈接優(yōu)化的井下行人抗遮擋跟蹤方法的性能，選取井下人員視頻數(shù)據(jù)來構(gòu)建煤礦井下人員多目標(biāo)跟蹤數(shù)據(jù)集（Mine PersonnelDetection Dataset，MPDD），包括井下閘機(jī)出入口、井底硐室和井下工作面3 種場(chǎng)景的圖像數(shù)據(jù)（圖6），共計(jì)14 個(gè)視頻片段，共64 770 幀。使用DarkLabel 軟件進(jìn)行數(shù)據(jù)標(biāo)注， 并將其轉(zhuǎn)換為標(biāo)注的MOT（Multiple Object Tracking， 多目標(biāo)跟蹤） 數(shù)據(jù)集格式。數(shù)據(jù)集詳細(xì)情況與數(shù)據(jù)特點(diǎn)見表1。

3.2 實(shí)驗(yàn)準(zhǔn)備

實(shí)驗(yàn)在64 位Win11 系統(tǒng)下進(jìn)行，使用PyCharm 平臺(tái)編程， 深度學(xué)習(xí)框架選擇Pytorch1.1.1， 并搭配CUDA11.6 計(jì)算框架。圖像處理相關(guān)任務(wù)使用OpenCV?4.9.0.80 庫。實(shí)驗(yàn)硬件環(huán)境： CPU 為AMD Ryzen7 7735H@.20 GHz， 內(nèi)存為32 GiB， 顯卡為NVIDIAGeForce GTX 4060，硬盤為1 TiB NVMe SSD。所有訓(xùn)練和測(cè)試均在該環(huán)境下完成。

為了更加客觀地評(píng)估本文方法針對(duì)井下人員多目標(biāo)的跟蹤性能，分別采用不同評(píng)價(jià)指標(biāo)對(duì)鏈接優(yōu)化模塊COLinker 和井下人員跟蹤性能進(jìn)行分析。

在驗(yàn)證COLinker 模塊性能時(shí)，選擇MOT20 數(shù)據(jù)集，并使用精確率、召回率和F1 分?jǐn)?shù)作為評(píng)價(jià)指標(biāo)[21]。精確率用于衡量模型預(yù)測(cè)的正樣本中有多少是真正的正樣本，從而評(píng)估模型的準(zhǔn)確性。召回率用于衡量所有正樣本中有多少被模型正確預(yù)測(cè)，反映模型的敏感性。F1 分?jǐn)?shù)是精確率和召回率的調(diào)和平均數(shù)，綜合評(píng)價(jià)模型的性能。

在驗(yàn)證自適應(yīng)鏈接優(yōu)化的井下行人抗遮擋跟蹤方法性能方面，本文在MPTD 數(shù)據(jù)集上選取MOTA（Multiple Object Tracking Accuracy）、MOTP（MultipleObject Tracking Precision） 和IDF1（Identity F1 Score）作為評(píng)價(jià)指標(biāo)[13]。MOTA 表示跟蹤準(zhǔn)確度，反映了跟蹤過程中出現(xiàn)目標(biāo)誤檢、漏檢及ID 切換的情況。MOTP 表示跟蹤精度，反映了跟蹤過程中目標(biāo)預(yù)測(cè)框與數(shù)據(jù)集標(biāo)注結(jié)果之間的匹配程度。IDF1 表示正確識(shí)別的檢測(cè)數(shù)與平均真實(shí)數(shù)和計(jì)算檢測(cè)數(shù)之比，IDF1 值越大，說明對(duì)特定目標(biāo)進(jìn)行準(zhǔn)確跟蹤的穩(wěn)定性越強(qiáng)。

3.3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證自適應(yīng)鏈接優(yōu)化方法在煤礦井下行人遮擋環(huán)境下跟蹤的有效性和可靠性，分別進(jìn)行3 組井下人員檢測(cè)和跟蹤實(shí)驗(yàn)。首先采用YOLOv9 針對(duì)井下多目標(biāo)人員進(jìn)行訓(xùn)練，確保在進(jìn)行跟蹤前提供可靠的目標(biāo)信息和檢測(cè)輸出；然后采用COLinker 模塊進(jìn)行訓(xùn)練；最后將COLinker 模塊的輸出添加到DeepSORT 的匹配級(jí)聯(lián)模塊，在MPDD 數(shù)據(jù)集上進(jìn)行多目標(biāo)人員跟蹤實(shí)驗(yàn)，并與OLinker 模塊和AFLink模塊進(jìn)行對(duì)比。

3.3.1 COLinker 模塊實(shí)驗(yàn)分析

為驗(yàn)證添加運(yùn)動(dòng)相似度和CPCA 注意力機(jī)制對(duì)優(yōu)化軌跡鏈接的有效性，本文收集每個(gè)epoch 的概率分布數(shù)據(jù)，實(shí)驗(yàn)結(jié)果以小提琴圖進(jìn)行可視化展示[18]。COLinker， OLinker 和AFLink 模塊的預(yù)測(cè)概率分布情況如圖7 所示，可看出COLinker 模塊的預(yù)測(cè)概率分布較其他模型更為集中且精度更高，表明優(yōu)化后的模型在不同場(chǎng)景下具有更好的穩(wěn)定性和精度。

為進(jìn)一步驗(yàn)證COLinker 模塊的有效性，采用精確率、召回率和F1 分?jǐn)?shù)來綜合評(píng)估模型性能。COLinker， OLinker 和AFLink 模塊的綜合評(píng)估指標(biāo)如圖8 所示?？煽闯鯟OLinker 的精確率、召回率和F1 分?jǐn)?shù)較OLinker 和AFLink 模型更高，表明COLinker模塊在處理驗(yàn)證數(shù)據(jù)集時(shí)具有更好的一致性和可靠性，能夠在更復(fù)雜的數(shù)據(jù)場(chǎng)景下維持較高的性能水平。

為直觀觀察每個(gè)模塊的學(xué)習(xí)過程，評(píng)估模型訓(xùn)練的效率和穩(wěn)定性，記錄COLinker，OLinker 和AFLink模塊在訓(xùn)練過程中損失的變化情況，結(jié)果如圖9 所示?？煽闯鯟OLinker 模塊的訓(xùn)練損失顯著減少且驗(yàn)證損失趨于穩(wěn)定，說明其在捕捉軌跡之間相似性時(shí)具有較高的穩(wěn)定性和泛化能力。

為進(jìn)一步驗(yàn)證COLinker 模塊在遮擋條件下的性能，實(shí)驗(yàn)設(shè)計(jì)了不同遮擋程度的評(píng)估任務(wù)，選取一段總長(zhǎng)為2 760 幀且遮擋程度分布具有良好再現(xiàn)性的視頻序列，視頻序列中各遮擋程度的分布情況見表2。

由表2 可看出 ，嚴(yán)重遮擋（35%～80%）的幀數(shù)占比最高，為53.8%，部分遮擋（10%～35%）的占比為18.9%。這一分布反映了煤礦井下視頻中遮擋的復(fù)雜性和多樣性，尤其是部分遮擋到嚴(yán)重遮擋程度占絕大多數(shù)，能很好地用于評(píng)估本文方法在處理復(fù)雜遮擋場(chǎng)景下的魯棒性和適應(yīng)性。

不同遮擋程度下各模塊的軌跡斷裂恢復(fù)率對(duì)比如圖10 所示。可看出在不同遮擋程度下，COLinker模塊顯著優(yōu)于其他模塊，尤其是在部分遮擋和嚴(yán)重遮擋條件下，其軌跡斷裂恢復(fù)率較OLinker 和AFLink模塊分別高出1.6% 和2.3%，較卡爾曼濾波器提升11.2%。表明COLinker 模塊在遮擋目標(biāo)的軌跡匹配和軌跡精度上具備更強(qiáng)的魯棒性和穩(wěn)定性。

3.3.2 基于自適應(yīng)RB 因子的反饋機(jī)制實(shí)驗(yàn)分析

以每25 幀為一時(shí)刻記錄完整視頻幀中的ID 切換率和跟蹤斷裂率，經(jīng)自適應(yīng)RB 因子調(diào)整后的匹配閾值變化率折線圖如圖11 所示?？煽闯霎?dāng)視頻序列時(shí)刻內(nèi)和上升，即遮擋概率較大時(shí)，匹配閾值降低以適應(yīng)環(huán)境變化；當(dāng)時(shí)刻內(nèi)和下降時(shí)，匹配閾值上升，使模塊能更關(guān)注遮擋區(qū)域。

3.3.3 自適應(yīng)鏈接優(yōu)化方法實(shí)驗(yàn)分析

為了更加直觀說明本文方法在煤礦井下行人目標(biāo)遮擋下的跟蹤效果， 采用DeepSORT， YOLOv7?SAM[13]，OSNet[10]，F(xiàn)uCoLoT[22]和本文方法對(duì)煤礦井下視頻序列進(jìn)行定性實(shí)驗(yàn)。選取來自MPDD 的3 段視頻序列（Video1 視頻序列展示的是井口閘機(jī)區(qū)域行人監(jiān)控視頻；Video2 視頻序列展示的是典型的井底硐室區(qū)域行人候車視頻； Video3 視頻序列展示的是井下作業(yè)面區(qū)域行人作業(yè)視頻） ，實(shí)驗(yàn)結(jié)果如圖12 所示?？煽闯鲈赩ideo1 視頻序列中，DeepSORT和FuCoLoT 在多目標(biāo)遮擋情況下難以準(zhǔn)確跟蹤；YOLOv7?SAM 雖采用改進(jìn)檢測(cè)器方式能夠更準(zhǔn)確地檢測(cè)目標(biāo)，但在目標(biāo)遮擋后ID 發(fā)生變換，未能重新匹配；OSNet 優(yōu)化了視頻序列中多尺度的影響，但近距離下運(yùn)動(dòng)模糊帶來的影響使得模型不能很好地跟蹤目標(biāo)；本文方法能夠跟隨目標(biāo)運(yùn)動(dòng)，融合后的輸入特征提升了目標(biāo)的特征表達(dá)，并且COLinker 模塊能夠更好地匹配切換后的ID。在Video2 視頻序列狹遠(yuǎn)處的目標(biāo)并沒有發(fā)生移動(dòng)，YOLOv7?SAM 算法展現(xiàn)更好的檢測(cè)能力，但是在近景處，本文方法能夠更好地對(duì)快速移動(dòng)產(chǎn)生的運(yùn)動(dòng)模糊情況下的目標(biāo)進(jìn)行跟蹤。在Video3 視頻序列少目標(biāo)情況下，由于背景信息的干擾，檢測(cè)目標(biāo)的置信度較低，但本文方法能夠自適應(yīng)降低匹配閾值，關(guān)注目標(biāo)運(yùn)動(dòng)信息。

為了驗(yàn)證本文方法的泛化能力，對(duì)MOT17 數(shù)據(jù)集中的視頻序列MOT17?09?SDP 系列[23]和MOT15數(shù)據(jù)集中的視頻序列AVG?TownCentre[24]進(jìn)行跟蹤實(shí)驗(yàn)，結(jié)果如圖13 所示。可看出在對(duì)行人目標(biāo)跟蹤時(shí)，雖然目標(biāo)發(fā)生遮擋情況，但是當(dāng)目標(biāo)再次出現(xiàn)時(shí)，本文方法能更準(zhǔn)確匹配跟蹤目標(biāo)。

針對(duì)COLinker 模塊進(jìn)行定量分析，對(duì)比實(shí)驗(yàn)結(jié)果見表3?？煽闯霾捎肅OLinker 模塊對(duì)行人目標(biāo)進(jìn)行軌跡關(guān)聯(lián)與ID 匹配時(shí)，其精確率、召回率和F1 分?jǐn)?shù)較AFLink 都有很好的提升。

選取MPDD 數(shù)據(jù)集中具有典型井下特征的3 段視頻序列、MOT17 數(shù)據(jù)集中的視頻序列MOT17?09?SDP 系列和MOT15 數(shù)據(jù)集中的視頻序列AVG?TownCentre 進(jìn)行測(cè)試，并與DeepSORT，F(xiàn)uCoLoT，YOLOv7?SAM，OSNet 進(jìn)行對(duì)比，結(jié)果見表4、表5。

由表4 可看出，在Video1 中，本文方法在MOTA上較DeepSORT 提高了15.6%， 本文方法在MOTA和IDF1 上較FuCoLoT 分別提高了2.0% 和1.8%，較YOLOv7?SAM 分別提高了1.4% 和2.7%，較OSNet分別提高了2.6% 和1.8%。在Video2 中，本文方法在MOTA 和IDF1 上較DeepSORT 分別提高了16.1%和18.3%，較FuCoLoT 分別提高了4.1% 和1.4%，較YOLOv7?SAM 分別提高了2.6% 和2.3%，較OSNet分別提高了4.5% 和1.6%。在Video3 中，本文方法在MOTA 和IDF1 上較DeepSORT 分別提高了1.0%和8.3%，較FuCoLoT 分別提高了1.4% 和2.0%， 較YOLOv7?SAM 分別提高了0.7% 和2.1%，較OSNet分別提高了1.4% 和0.4%。本文方法的MOTA，MOTP和IDF1 平均為76.17%，84.13%，74.90%，較DeepSORT平均提升了14.90%， 1.83% 和10.93%，較YOLOv7?SAM 平均提升了1.57%， 0.40% 和0.37%，較OSNet平均提升了2.83%， 0.77% 和1.27%，較FuCoLoT 平均提升了2.50%，0.08% 和1.80%。說明在3 個(gè)具有井下典型特征的視頻序列上本文方法的MOTA，MOTP 和IDF1 指標(biāo)均表現(xiàn)最佳，驗(yàn)證了其在不同場(chǎng)景下的魯棒性和有效性。

由表5 可看出，在MOT17?09?SDP 序列中，本文方法的MOTA 為78.9%， 較DeepSORT 提高了11.8%，較YOLOv7?SAM 提高了0.3%。在MOTP 和IDF1 指標(biāo)上，本文方法也分別達(dá)到了83.5% 和75.6%，較DeepSORT 有顯著提升。本文方法在MOTA 上較FuCoLoT 和OSNet 分別提高了2.5% 和2.5%，在MOTP 上分別提高了0.7% 和0.6%。在AVG?TownCentre 序列中，本文方法的MOTA 為81.1%，較DeepSORT 提高了11.3%，較YOLOv7?SAM 提高了1.6%。在MOTP 和IDF1 指標(biāo)上，本文方法分別達(dá)到了84.8% 和76.4%，較DeepSORT 有顯著提升。本文方法在MOTA 上較FuCoLoT 和OSNet 分別提高了2.6% 和0.9%，在MOTP 上分別提高了1.7% 和0.9%。結(jié)果表明，本文方法不僅在特定場(chǎng)景下表現(xiàn)優(yōu)異，在公開數(shù)據(jù)集MOT17 和MOT15 上也能保持穩(wěn)定的性能，展現(xiàn)了良好的泛化能力。

4 結(jié)論

1） 針對(duì)煤礦井下環(huán)境中因遮擋頻繁導(dǎo)致的軌跡匹配不準(zhǔn)確問題，提出了一種基于自適應(yīng)鏈接優(yōu)化的井下行人抗遮擋跟蹤方法。在遮擋判定模塊中，通過結(jié)合目標(biāo)置信度變化率和IoU，對(duì)目標(biāo)的遮擋狀態(tài)進(jìn)行精準(zhǔn)判定；在COLinker 模塊中，通過豐富軌跡對(duì)輸入向量和添加CPCA 注意力機(jī)制，來擴(kuò)展總成本函數(shù)，有效緩解軌跡匹配過程中因遮擋導(dǎo)致的錯(cuò)誤匹配問題；在反饋機(jī)制中，通過計(jì)算跟蹤斷裂率和ID 切換率的變化量，引入自適應(yīng)RB 因子，以適應(yīng)因長(zhǎng)時(shí)間遮擋導(dǎo)致的軌跡斷裂問題。

2） 在煤礦井下人員多目標(biāo)跟蹤數(shù)據(jù)集上，對(duì)5 種方法進(jìn)行跟蹤實(shí)驗(yàn)。結(jié)果表明所提方法能夠更好地解決遮擋情況下的行人跟蹤問題。

3） 所提方法在公開數(shù)據(jù)集MOT17 和MOT15 上也能保持穩(wěn)定的性能，表明該方法具有良好的泛化能力。

4） 雖然所提方法在井下行人遮擋跟蹤中表現(xiàn)出優(yōu)勢(shì)，但仍存在需要改進(jìn)的方面：一方面，隨著實(shí)際應(yīng)用需求的增加，可以考慮構(gòu)建更大規(guī)模、更具挑戰(zhàn)性的煤礦井下行人遮擋數(shù)據(jù)集，以驗(yàn)證方法在更多復(fù)雜場(chǎng)景中的泛化能力；另一方面，探討不同檢測(cè)器輸入對(duì)跟蹤結(jié)果的影響，進(jìn)一步優(yōu)化檢測(cè)器和跟蹤模塊之間的協(xié)同工作，從而進(jìn)一步增強(qiáng)井下行人跟蹤的可靠性和精度。

參考文獻(xiàn)（References）：

[ 1 ]張旭輝，楊文娟，薛旭升，等. 煤礦遠(yuǎn)程智能掘進(jìn)面臨的挑戰(zhàn)與研究進(jìn)展[J]. 煤炭學(xué)報(bào)，2022，47（1）：579-597.

ZHANG Xuhui，YANG Wenjuan，XUE Xusheng，et al.Challenges and developing of the intelligent remotecontrolon roadheaders in coal mine[J]. Journal of ChinaCoal Society，2022，47（1）：579-597.

[ 2 ]李翠蕓，衡博文，謝金池. 模糊推理優(yōu)化的抗遮擋PMBM 跟蹤算法[J]. 西安電子科技大學(xué)學(xué)報(bào)，2023，50（5）：54-64.

LI Cuiyun， HENG Bowen， XIE Jinchi. Anti-occlusionPMBM tracking algorithm optimized by fuzzyinference[J]. Journal of Xidian University， 2023，50（5）：54-64.

[ 3 ]LU Xiankai， MA Chao， NI Bingbing， et al. Adaptiveregion proposal with channel regularization for robustobject tracking[J]. IEEE Transactions on Circuits andSystems for Video Technology， 2019， 31（4） ：1268-1282.

[ 4 ]牟琦，韓嘉嘉，張寒，等. 基于云邊協(xié)同的煤礦井下尺度自適應(yīng)目標(biāo)跟蹤方法[J]. 工礦自動(dòng)化， 2023，49（4）：50-61.

MU Qi， HAN Jiajia， ZHANG Han， et al. A scaleadaptivetarget tracking method for coal mineunderground based on cloud-edge collaboration[J].Journal of Mine Automation，2023，49（4）：50-61.

[ 5 ]馮磊，李斌，何勇. 基于注意力機(jī)制的煤礦工作面遮擋行人檢測(cè)[J]. 價(jià)值工程，2022，41（14）：148-150.

FENG Lei， LI Bin， HE Yong. Pedestrian detection ofcoal mine working face occlusion based on attentionmechanism[J]. Value Engineering， 2022， 41（14） ：148-150.

[ 6 ]程健，陳亮，王凱，等. 一種多特征融合的復(fù)雜場(chǎng)景動(dòng)態(tài)目標(biāo)跟蹤算法[J]. 中國礦業(yè)大學(xué)學(xué)報(bào)， 2021，50（5）：1002-1010.

CHENG Jian， CHEN Liang， WANG Kai， et al. Multifeaturefusion dynamic target tracking algorithm forcomplex scenes[J]. Journal of China University ofMining amp; Technology，2021，50（5）：1002-1010.

[ 7 ]COMANICIU D， MEER P. Mean shift analysis andapplications[C]. 7th IEEE International Conference onComputer Vision，Kerkyra，1999：1197-1203.

[ 8 ]陳偉，任鵬，田子建，等. 基于注意力機(jī)制的無監(jiān)督礦井人員跟蹤[J]. 煤炭學(xué)報(bào)，2021，46（增刊1）：601-608.

CHEN Wei， REN Peng， TIAN Zijian， et al.Unsupervised mine personnel tracking based on attentionmechanism[J]. Journal of China Coal Society， 2021，46（S1）：601-608.

[ 9 ]LI Xiaoyu， WANG Shuai， CHEN Wei， et al. Anintelligent vision-based tracking method for undergroundhuman using infrared videos[J]. Symmetry， 2022，14（8）. DOI：10.3390/SYM14081750.

[10]陳太光，鮑新平，汪濤，等. 基于深度學(xué)習(xí)的礦井巷道人員計(jì)數(shù)技術(shù)[J]. 煤礦安全，2023，54（2）：234-238.

CHEN Taiguang， BAO Xinping， WANG Tao， et al.Mine roadway personnel counting technology based ondeep learning[J]. Safety in Coal Mines， 2023， 54（2） ：234-238.

[11]張玉濤，張夢(mèng)凡，史學(xué)強(qiáng)，等. 基于深度學(xué)習(xí)的井下運(yùn)動(dòng)目標(biāo)跟蹤算法研究[J]. 煤炭工程， 2022， 54（10） ：151-155.

ZHANG Yutao， ZHANG Mengfan， SHI Xueqiang，et al. Object tracking algorithm of moving objects inunderground mine based on deep learning[J]. CoalEngineering，2022，54（10）：151-155.

[12]邵小強(qiáng)， 李鑫， 楊濤， 等. 改進(jìn)YOLOv5s 和DeepSORT 的井下人員檢測(cè)及跟蹤算法[J]. 煤炭科學(xué)技術(shù)，2023，51（10）：291-301.

SHAO Xiaoqiang， LI Xin， YANG Tao， et al.Underground personnel detection and tracking based onimproved YOLOv5s and DeepSORT[J]. Coal Scienceand Technology，2023，51（10）：291-301.

[13]范偉強(qiáng)， 王雪瑾， 張穎慧， 等. 改進(jìn)YOLOv7 和DeepSORT 的井下人員檢測(cè)與跟蹤算法[J/OL]. 煤炭科學(xué)技術(shù)： 1-13[2024-10-07]. http：//kns.cnki.net/kcms/detail/11.2402.TD.20240119.1449.006.html.

FAN Weiqiang，WANG Xuejin，ZHANG Yinghui，et al.Underground personnel detection and tracking usingimproved YOLOv7 and DeepSORT[J/OL]. CoalScience and Technology： 1-13[2024-10-07]. http：//kns.cnki.net/kcms/detail/11.2402.TD.20240119.1449.006.html.

[14]HUANG Hejun， CHEN Zuguo， ZOU Ying， et al.Channel prior convolutional attention for medical imagesegmentation[J]. Computers in Biology and Medicine，2024，178. DOI：10.1016/J.COMPBIOMED.2024.108784.

[15]ZHOU Chunluan， YUAN Junsong. Multi-label learningof part detectors for heavily occluded pedestriandetection[C]. IEEE International Conference onComputer Vision，Venice，2017：3486-3495.

[16]JAHANTIGHY A， TORABI H， MOHANNA F.Multiple targets video tracking based on extendedKalman filter in combination with particle swarmoptimization for intelligent applications[J]. SN AppliedSciences，2023，5（3）. DOI：10.1007/S42452-023-05297-9.

[17]李凡長(zhǎng)，劉洋，吳鵬翔，等. 元學(xué)習(xí)研究綜述[J]. 計(jì)算機(jī)學(xué)報(bào)，2021，44（2）：422-446.

LI Fanzhang，LIU Yang，WU Pengxiang，et al. A surveyon recent advances in meta-learning[J]. Chinese Journalof Computers，2021，44（2）：422-446.

[18]WOJKE N， BEWLEY A， PAULUS D. Simple onlineand realtime tracking with a deep association metric[C].IEEE International Conference on Image Processing，Beijing，2017：3645-3649.

[19]WANG C Y， YEH I H， MARK LIAO H Y. YOLOv9：learning what you want toLearn using programmablegradient information[C]. European ConferenceonComputer Vision，Cham，2024：1-21.

[20]李璽，查宇飛，張?zhí)熘? 深度學(xué)習(xí)的目標(biāo)跟蹤算法綜述[J]. 中國圖象圖形學(xué)報(bào)， 2019， 24（12） ：2057-2080.

LI Xi， ZHA Yufei， ZHANG Tianzhu， et al. Survey ofvisual object tracking algorithms based on deeplearning[J]. Journal of Image and Graphics， 2019，24（12）：2057-2080.

[21]DU Yunhao， ZHAO Zhicheng， SONG Yang， et al.StrongSORT： make DeepSORT great again[J]. IEEETransactions on Multimedia，2023，25：8725-8737.

[22]LUKE?I? A， ZAJC L ?， VOJí? T， et al. FuCoLoT-Afully-correlational long-term tracker[C]. AsianConference on Computer Vision，Cham，2019：595-611.

[23]NEWBURGER E， CORRELL M， ELMQVIST N.Fitting bell curves to data distributions usingvisualization[J]. IEEE Transactions on Visualizationand Computer Graphics，2023，29（12）：5372-5383.

[24]KEUPER M， TANG Siyu， ANDRES B， et al. Motionsegmentation amp; multiple object tracking by correlationco-clustering[J]. IEEE Transactions on Pattern Analysisand Machine Intelligence，2020，42（1）：140-153.

基金項(xiàng)目：國家自然科學(xué)基金青年項(xiàng)目（62303375）。