针对多摄像头追踪挑战，本文在 DukeMTMC 数据集上通过简单的层次聚类与良好训练的人物再识别特征，展示了在该数据集上获得良好结果的方法。

Dec, 2017

本论文提出了一种基于在线分治跟踪器的方法，其将分配问题分为本地子问题，并通过选择和组合最佳功能来解决问题，从而增强了跟踪性能，并通过两个不同数据集上的实验验证了该方法的优越性。

Sep, 2015

设计了一种新的跟踪框架 MHIT，其核心在于引入运动估计模块捕捉运动信息和使用多层次深度特征和独立的相关滤波器进行跟踪，同时采用自适应的多分支相关滤波器融合方案，用于纠正特征冗余和物体局部遮挡的影响，通过实验证明，该系统可以显著提高跟踪性能，尤其是在 VOT2017 挑战赛上获得了 20.1% 的相对性能提升，并在 VOT2018 挑战赛上取得了最新的最佳表现。

Nov, 2018

本研究提出了一种创新的多摄像头车辆追踪系统，利用自监督的摄像头链接模型，自动提取关键的多摄像头关系来进行车辆匹配，并通过设置时空约束来支持跨摄像头匹配，在实际应用中具有显著的效率和成本效益改善，实验证明该方法在 CityFlow V2 基准测试中达到了自动摄像头链接方法的最新技术水平，IDF1 得分为 61.07%。

May, 2024

本论文提出了一种半自动化的包围盒标注方法，利用跟踪 - 检测方法和时间信息，采用现成的目标检测器训练，利用多重假设追踪 (MHT) 来提高检测结果的可靠性，并使用人工评估来进行迭代标注。通过实验显示，该方法可以将标注工作量减少 96%。

Jan, 2021

本文提出了一种基于图形的跟踪方法，使用新的本地成对特征，解决包含离群点的多切割问题并在 MOT16 基准测试上取得了最优效果。

Aug, 2016

本文提出了一种新的多目标多摄像机跟踪框架，利用重识别模型，结合遮挡情况、目标朝向以及人体姿态信息，采用融合后的跟踪特征进行跟踪关联，有效地处理了目标识别和跟踪断点问题，并在多摄像机难度序列中取得了优秀的性能。

Jun, 2019

本文提出了一个 hierarchical clustering 机制的跟踪框架，以便在利用 multi-stage deep network 进行 tracklet re-identification 的同时，合并 tracklets，从而提高多人追踪准确性。在 MOT16 和 MOT17 基准测试中，实验结果表明，我们的方法显著优于最先进技术。

Nov, 2018

多相机多目标跟踪（MCMT）是一种计算机视觉技术，用于在多台相机上同时跟踪多个目标。本文介绍了一种名为 CityTrack 的新型 MCMT 框架，其中包括一种集成了各种先进技术的位置感知 SCMT 追踪器以及一种用于 ICA 模块的新颖的 Box-Grained Matching（BGM）方法，该方法能够解决城市交通场景中的困难。在 CityFlowV2 数据集的公共测试集上评估了我们的方法，并取得了 84.91% 的 IDF1 指标，在 2022 AI CITY CHALLENGE 中排名第一。我们的实验证明了我们的方法在克服城市交通场景带来的挑战方面的有效性。

Jul, 2023

通过构建一个新的数据集，以及引入一个轻量级的无外貌特征全局连接模型 (Linker)，结合再识别 (Re-ID) 方法，实现了在多移动相机环境下的多目标多运动摄像头 (MTMMC) 跟踪系统的显著改进，从而推进了多移动相机的协同挖掘。

Dec, 2023