多目标跟踪作为无人驾驶领域的一项核心技术,伴随着无人驾驶技术逐渐走进人们的视野,越来越多的研究人员也投身到了多目标跟踪领域进行更深层次的探索。经过长时间的技术积淀,多目标跟踪在交通安全、虚拟现实和无人驾驶等领域已经开始了应用,同时也展现出了巨大的潜力。如今目标跟踪的相关技术已经应用到了实际的生产生活中,为人们的生活带来了便利,提高了人们的生活质量。作为计算机视觉领域的一项基础工作,随着深度学习与卷积神经网络的快速发展,基于深度学习的目标跟踪算法在如今也已经被广泛的应用到了实际的生产生活中,并在各个应用领域取得了相当显著的进步与发展。在传统的多目标跟踪研究中,通常使用实际的路况信息作为训练场景,在典型的跟踪场景上进行多目标跟踪算法的设计与优化。在实际的跟踪场景中存在着多种不可避免的问题,针对各种实际存在的问题,本文在经典的跟踪模型上进行了相应的优化。本文提出的多目标跟踪模型在行人多目标跟踪数据集MOT16上获得了一定程度的性能提升,并将改进后的多目标跟踪算法应用于实际的有轨无人电车运行数据集。电车作为一种常见的交通工具,与普通跟踪场景相比其不仅需要处理复杂的运行路况信息,同时要关注轨道线的位置以及本身的运动状态,并且需要在无人电车数据集中应用多目标跟踪系统的跟踪结果实现防碰撞系统。根据上述内容所提到的各类问题,本文的主要工作可以分为以下几个部分:1.针对多目标跟踪模型配准阶段的目标相似性度量计算问题,在复杂的视频场景下由于遮挡或光照变化等原因,传统的基于像素特征的相似性度量方法难以有效表示目标间的相似度。因此本文使用深度神经网络对目标特征进行提取,并对相应的目标深度特征进行相似性计算,同时使用中心损失函数等多种相关方法对特征提取网络进行了优化,在此基础上也采用多级匹配的思想来提高目标匹配的准确率,得到更加有效的配准模型。2.针对多目标跟踪数据集中存在的目标数量变化问题,本文提出使用粒子滤波实现轨迹的生成与新生或消失目标的判断,为粒子滤波引入深度特征来优化粒子滤波的权重计算过程,通过粒子滤波的方法对跟踪轨迹进行维护与更新,构建更有效的轨迹生成模型来解决新生或消失目标等问题。3.针对实际的电车应用场景中的行人与车辆目标同时存在的问题,以本文改进后的多目标跟踪模型为基础,对电车数据集进行细节上的优化与适配工作,并在电车运行数据集上取得了良好的效果。在适配多目标跟踪系统的同时,也提供了防碰撞预警等功能,将核心的多目标跟踪模型与多个功能模块进行整合。