Skip to content

[TITS 2023] CAMO-MOT: Collaborative Awareness and Multi-level Optimization for Multi-Object Tracking in Crowded Scenes

论文链接：https://ieeexplore.ieee.org/document/10164676
代码地址：https://github.com/adept-thu/CAMO-MOT

CAMO-MOT 是一种专为拥挤场景设计的多目标跟踪方法，提出 协同感知（Collaborative Awareness） 与 多层优化（Multi-level Optimization） 的新框架。该方法由清华大学提出，并发表在 IEEE Transactions on Intelligent Transportation Systems (TITS) 2023。

方法概述

在高密度人群或车辆聚集的复杂环境中，目标之间高度遮挡、行为相似，极易导致跟踪失败。CAMO-MOT 针对这一问题，设计了两大关键模块：

1. 协同感知模块（Collaborative Awareness Module）

  • 利用周围目标的信息进行辅助感知，提升特征判别能力。
  • 通过图神经网络（GNN）建模目标间的上下文关系，缓解遮挡带来的目标漂移。

2. 多层优化机制（Multi-level Optimization）

  • 局部层级：细粒度地优化局部跟踪精度，提升目标检测与匹配准确率。
  • 全局层级：融合时间与空间信息，强化目标身份一致性与轨迹连贯性。

整体优化目标可简化表达为：

\[ \mathcal{L}_{\text{total}} = \mathcal{L}_{\text{det}} + \lambda_1 \mathcal{L}_{\text{assoc}} + \lambda_2 \mathcal{L}_{\text{context}} \]

其中：

  • \(\mathcal{L}_{\text{det}}\) 表示检测损失；
  • \(\mathcal{L}_{\text{assoc}}\) 表示目标关联损失；
  • \(\mathcal{L}_{\text{context}}\) 为上下文感知相关损失；
  • \(\lambda_1, \lambda_2\) 为平衡系数。

性能表现

CAMO-MOT 在多个公开数据集上测试，尤其在高密度场景下大幅超越现有方法，具有极强的泛化能力。

Dataset MOTA ↑ IDF1 ↑ HOTA ↑
Crowdhuman 高于 SOTA 显著提升 稳定提升
MOT20 76.3 74.1 66.7
MOT17 80.5 78.2 69.3

总结

CAMO-MOT 针对“拥挤、多遮挡”的复杂跟踪场景，通过协同感知与多层优化机制，显著提升多目标跟踪的鲁棒性和准确性，适用于交通监控、智能安防等多类实际场景。

Ref

https://ieeexplore.ieee.org/document/10164676
https://github.com/adept-thu/CAMO-MOT
https://zhuanlan.zhihu.com/p/17108888666
http://www.ase.tsinghua.edu.cn/info/xsxw/622
https://tech.tom.com/202211/4157400113.html
https://www.sohu.com/a/575474820_620780
https://www.x-mol.com/paper/1720501289085587456/t?adv
https://www.svm.tsinghua.edu.cn/essay/4/2029.html
https://zhuanlan.zhihu.com/p/673284404