【导读】
无需昂贵ReID网络，FastTracker凭借几何与场景认知在复杂交通场景中实现精准实时追踪。在MOT等多项基准中实现SOTA，为智慧交通带来更轻、更快的多目标跟踪新方案。>>更多资讯可加入CV技术群获取了解哦
目录
occlusion-aware 遮挡处理：不靠ReID，也能“记住”谁是谁
多目标跟踪（MOT）技术是智能监控、自动驾驶等领域的核心基础，但在现实场景中，尤其是在车辆与行人混杂、遮挡频繁的复杂交通环境中，传统方法往往表现不佳。大多数现有跟踪器（如DeepSORT、ByteTrack）虽然在行人跟踪上表现优秀，但在多类别、高密度、多方向的真实场景中泛化能力有限。
今天我们要介绍的FastTracker，正是为了解决这一问题而诞生。它不仅在不依赖重计算网络的情况下实现了多类别实时跟踪，更在多个权威数据集上刷新了记录，表现出了极强的实用性和鲁棒性。
论文标题：
FastTracker: Real-Time and Accurate Visual Tracking
论文链接：
https://arxiv.org/abs/2508.14370
代码地址：
github.com/Hamidreza-Hashempoor/FastTracker
一、核心创新：轻量而智能的跟踪机制
-
occlusion-aware 遮挡处理：不靠ReID，也能“记住”谁是谁
传统方法通常依赖复杂的卷积网络（CNN）进行重识别（Re-ID），计算成本高、难以实时运行。FastTracker提出了一种纯几何驱动的遮挡处理机制：
-
覆盖度量（Coverage Metric）：通过目标之间的空间重叠情况判断是否发生遮挡，尤其适用于大小差异明显的物体；
-
速度阻尼（DampenVelocity）：对遮挡中的目标降低其运动速度，防止轨迹漂移；
-
边界框放大（EnlargeBox）：适当扩大框体尺寸，提高重现时的匹配成功率。
这些策略共同作用，使得系统在严重遮挡后仍能保持ID一致性，如下图所示：
-
环境感知轨迹校正：让交通规则“指导”跟踪
FastTracker创新地引入了场景结构先验，比如车道方向、十字路口、人行道区域等，构建“运动锥”模型：
-
区域限制（ClampToROI）： 利用预先定义的道路区域（ROI），防止目标轨迹漂移到路外等不可能出现的区域。
-
方向约束（ProjectToCone）： 根据车道线方向定义一个合理的“运动锥”，如果目标的预测运动方向超出了这个锥形范围，就将其投影回合理的方向内。
这种方式不仅提升了轨迹连续性，也大幅减少了ID切换，尤其在结构化道路场景中效果显著。
-
两阶段匹配策略：先准后全，平衡召回与精度
继承并优化了ByteTrack的双阶段匹配机制：
-
第一阶段：高置信度检测框与现有轨迹匹配（宽松阈值，提高召回）；
-
第二阶段：低置信度检测框与未匹配轨迹匹配（严格阈值，控制误匹配）。
这一策略在保证高精度的同时，尽可能找回被遗漏的目标，尤其适用于遮挡密集的场景。
二、全新基准数据集：FastTrack Benchmark
为更全面评估跟踪器在真实交通环境中的表现，团队发布了FastTrack数据集，具备以下特点：
-
高密度：平均每帧43.5个目标，是CityFlow的5倍以上；
-
多类别：包含车辆（轿车、卡车、巴士、摩托等）与行人共9类；
-
多场景：涵盖十字路口、隧道、高速路、人行横道等12类场景；
-
多光照：包含白天、夜晚、阴影过渡等复杂光照条件。
该数据集极大弥补了现有数据集中在复杂性与真实性方面的不足。
如果你也在为寻找数据集苦恼，在Coovally上，持续集成和开源多类高质量数据集，覆盖自动驾驶、安防监控、工业检测等多个领域，推动AI开发更加高效与开放。
！！点击下方链接，立即体验Coovally！！
平台链接：https://www.coovally.com
三、实验结果：全面领先，实时高效
FastTracker在多个公开数据集与自建数据集上均达到最先进水平（SOTA），部分结果如下：
-
MOT17 测试集：
-
MOTA: 81.8 | HOTA: 66.4 | IDF1: 82.0
-
ID切换数最低（885），漏检数最低（75162）
-
MOT20 测试集（极端拥挤场景）：
-
MOTA: 77.9 | HOTA: 65.7 | IDF1: 81.0
-
全面领先ByteTrack、StrongSORT等主流方法
-
自建FastTrack数据集：
-
MOTA: 63.8 | HOTA: 61.0 | IDF1: 79.2
-
身份切换数仅为251，显著优于对比基线
-
轻量级适配能力：
即使搭配YOLOX-Nano（参数量仅1M），FastTracker仍能在MOT17上达到：
-
MOTA: 68.3 | IDF1: 71.2
-
可在边缘设备实现实时推理，极具部署价值。
除了高性能的推理部署，Coovally平台也为算法开发与实验提供了强大支持。研究人员和开发者可以在平台上使用自己熟悉的开发工具（如 VS Code、Cursor 等），通过 SSH 协议直连云端算力，享受如同本地一样的实时开发与调试体验，同时调用高性能 GPU 环境，加速实验进展。
为了帮助用户更高效地掌握模型训练全过程，Coovally平台还可以直接查看“实验日志”。在每一个实验详情页中，用户都可以实时查看训练日志、输出信息或报错内容，无需额外配置、无缝集成于工作流中！
不论是模型调参、错误排查，还是过程复现，这项新功能都将大幅提升你的实验效率。
总结：推开多类别实时跟踪的新大门
FastTracker通过轻量遮挡处理、环境感知优化、两阶段匹配三大核心创新，在不依赖昂贵ReID网络的前提下，实现了多类别、高密度、复杂场景下的精准实时跟踪。
它不仅在多项权威评测中刷新记录，还提供了首个专注于城市CCTV视角的多类别跟踪数据集FastTrack，极大推动了行业在真实场景中的算法评估与落地进展。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
