本文提出了一种基于深度学习目标检测的无人机多目标跟踪和三维定位方案，将 TrackletNet Tracker（TNT）和多视图立体技术相结合，能够对设备拍摄的对象进行检测、跟踪并测定其三维坐标。

Oct, 2019

本文提出了一种全局图模型和改进相似度度量的方法来提高多摄像头对象跟踪的性能，并且成功地将单摄像头对象跟踪和跨摄像头对象追踪区别对待。实验结果表明，即使在单摄像头对象跟踪质量不佳的情况下，该方法也能更好地发挥作用。

Feb, 2015

本文提出了一个新的全局关联图模型与链接预测方法，以预测现有的 tracklets 位置并通过交叉注意力运动建模和外观重新识别将检测与 tracklets 链接起来，以解决由于不一致的 3D 对象检测引起的问题，并提高 nuScenes 检测挑战中标准 3D 对象检测器的检测准确率。实验结果表明，该方法在现有基于视觉的跟踪数据集上表现出了 SOTA 的性能。

Apr, 2022

本篇研究论文提出了一种基于学习的三维多目标跟踪方法，在公共数据集 nuScenes 上取得了近年来最好的性能表现，采用的关键技术包括神经消息传递网络、数据关联和轨迹稳定性的处理。

Apr, 2021

文章研究了无人机导航中基于视觉的障碍物检测和跟踪问题，提出了一种实时的对象定位和跟踪策略，将对象检测和跟踪有效地集成到动态卡尔曼模型中，并使用卡尔曼滤波提供对象状态的粗略预测，而无需对其进行手动初始化，具有比同类技术更快的运行速度和竞争性的跟踪性能。

Mar, 2017

在这篇论文中，我们针对无人机移动场景中的多目标跟踪（MOT）的挑战，提出了一个新颖的通用视角匹配多目标跟踪（HomView-MOT）框架。我们引入了快速单应矩阵估计算法（FHE）来计算视频帧之间的单应矩阵，并利用多视角单应矩阵学习跨视角的标识特征，同时使用视角匹配滤波器（HMF）将不同时刻的物体边界框映射到一个共同的视角平面上进行真实的物体重叠度关联。经过广泛的实验证明，这些创新使 HomView-MOT 在著名的无人机 MOT 数据集 VisDrone 和 UAVDT 上实现了最先进的性能。

Mar, 2024

多目标跟踪应具备高度的一般化能力，然而现有的跟踪器往往无法满足各种特征，而通过研究并将其抽象成一组跟踪场景属性，我们提出了一种点对点到实例关系的跟踪框架 GeneralTrack，能够在不需要平衡运动和外观的情况下，高效地进行多场景跟踪，从而在多个基准测试中达到最先进的性能，并展示了领域泛化的潜力。

Jun, 2024

本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化，用于处理三维空间中多个移动物体的跟踪问题，并展示了在 KITTI 跟踪数据集上实验的表现。

Aug, 2020

通过对 Kalman 滤波进行改进以减小轨迹漂移噪声，并引入一种新的在线轨迹有效性机制来减少幽灵轨迹，从而在 3D 多物体跟踪中提出了 RobMOT 框架，该框架在各种检测器上表现出优于截至目前最先进方法的卓越性能，包括深度学习方法，在 MOTA 上的边缘为 3.28％，在 HOTA 上的边缘为 2.36％，并且在处理延迟上提高了 59％。

May, 2024

本文提出了一种名为 LEGO 的模块化跟踪器，通过集成图优化和自注意机制来改善现有文献中的数据关联性能，进一步提高状态更新过程，并且在 KITTI MOT 基准测试中表现出优异的性能。

Aug, 2023