作为计算机视觉领域的一个重要分支,多目标跟踪技术(MOT)专注于利用视频帧的帧间信息,对表观特征和运动状态进行建模,进而同时完成多个目标的定位、ID保持和轨迹记录。它融合了最优化、深度学习和图像处理等多个领域的算法,是计算机视觉实现高级任务的重要基础。随着计算机软硬件的高速发展,该技术已悄然渗透到民用和军用的多个领域,展现出重要的研究价值。计算机视觉技术分为多个不同的层次,而将不同层次的计算机视觉任务进行优势互补,再反向用于解决多目标跟踪问题是目前MOT的一个发展趋势。DeepSORT算法将目标检测和目标分类引入目标跟踪,又结合了生成式模型和判别式模型的不同思想,是目前MOT领域的经典算法之一。然而,该算法并未考虑协方差距离对多目标条件下的重现和遮挡问题可能带来的改善,且使用的特征提取网络在行人重识别任务中的准确率较低。针对上述问题,本文从以下三方面进行了研究:1)为挖掘新型网络架构对特征提取性能提升的可能性,本文提出了一种采用“split-transform-merge”策略并基于ResNet-50/101/152标准残差块的多路残差框架,以及一种对标DeepSORT使用的wideresidualnetwork并基于多路残差框架的特征提取网络multi-pathsResNet。通过在Market-1501数据集上与wideresidualnetwork进行的对照试验,证实了“multi-pathsResNet可进一步挖掘特征信息,更快地收敛并且显著地提升特征提取能力”的预判,而试验结果也证明了本网络在行人重识别任务准确率上的提升。2)为强化不同层次计算机视觉任务相结合的有效性,本文提出了一种基于multi-pathsResNet的多目标跟踪算法PSIMoT。具体来说,为缓解因大比例遮挡带来的匹配准确度下降问题,算法采用协方差距离和余弦距离的加权和来生成代价矩阵。而加权值由设计的PSI算法计算得出,余弦距离度量的表观特征则由新设计的multi-pathsResNet提取,再结合KM算法求解代价矩阵,最终得到各目标在帧间的正确匹配。通过在MOT16训练帧集上与DeepSORT和不包含PSI算法的PSIMoT进行的对照测试,证实了“协方差距离对多目标条件的重现和遮挡问题可能带来改善”的预判,而测试结果也说明了本算法在MOTChallenge评价体系中取得了理想的跟踪效果。3)关注到无人机技术对应急救援的重要意义,以及现阶段无人机多目标跟踪领域存在的“大范围动态变化场景跟踪效果差”的难点,本文将设计的多目标跟踪算法在该领域的上述场景中进行了应用。通过效果分析,展现了本算法在无人机多目标跟踪领域一定的实用价值,也说明了算法有较强的泛化和鲁棒性。