多目标跟踪是一项计算机视觉任务,多用在视频监控领域中,旨在分析视频,识别和跟踪行人、汽车、动物等。多目标跟踪有各种各样的应用,从视频监控到无人驾驶汽车,从动作识别到人群行为分析,从一般安全系统到显微镜图像中的跟踪单元,许多问题的分析与解决都得益于目标跟踪算法的发展。然而由于实际场景中目标很容易发生遮挡或形变,从而造成跟踪失败,因此多目标跟踪仍是一项极具挑战性的任务。而如何设计能够准确跟踪目标又不易受各种外界因素影响的特征也成为了该领域的研究重点和难点。为解决目标易发生遮挡和形变等问题,提出了一种可以通过端到端的方式学习目标表观特征的网络框架。在特征提取阶段,利用该网络框架可以提取来自不同卷积层、不同大小的目标特征,将高层语义信息与低层语义信息进行特征融合形成表观特征,再利用当前帧各个目标的表观特征和先前帧表观特征之间的高阶关系来抽象成高阶表观特征图。为了捕捉较远位置像素点之间的依赖关系,融合非局部信息,加入了残差网络模块。在数据关联阶段,用相似性矩阵来描述目标的高阶特征。通过分层数据关联和匈牙利算法求得目标之间的最佳匹配关系,从而使得该算法能处理大量的输入序列以及由于检测效果不佳导致的局部关联失败等问题,将该方法称为基于高阶表观特征融合的多目标跟踪算法,即Multi-targettracking Based on High-order Appearance Feature Fusion(MTT-HAFF)。该算法在 MOT15 和 MOT 17 测试数据集上分别进行测试,实验结果显示本文提出的算法对目标发生形变和遮挡具有良好的鲁棒性。