针对复杂环境下多目标跟踪过程出现的轨迹漏检、误检及身份切换等问题，提出一种基于改进YOLOX和BYTE数据关联方法的多目标跟踪算法。首先，为了增强YOLOX在复杂环境下的目标检测能力，将YOLOX骨干网络与Vision Transformer结合，增强网络的局部特征提取能力，同时加入α-GIoU损失函数，进一步增加网络边界框的回归精度；其次，为了满足算法实时性要求，采用BYTE数据关联方法，摒弃传统特征重识别（Re-ID）网络，进一步提高了多目标跟踪算法的速度；最后，为了改善光照、遮挡等复杂环境下的跟踪问题，采用更加适应非线性系统的扩展卡尔曼滤波，提高了网络在复杂场景下对跟踪轨迹的预测精度。实验结果表明：所提算法对MOT17数据集的multiple object tracking accuracy（MOTA）、identity F1-measure（IDF1）指标分别为73.0%、70.2%，相较于目前最优的ByteTrack，分别提升了1.3个百分点、2.1个百分点，number of identity switches（IDSW）则减少了3.7%；同时所提算法取得了51.2 frame/s的跟踪速度，满足系统实时性要求。

随着技术的不断发展, 传统多目标跟踪算法在红外警戒设备应用上面临新的挑战与要求。讨论了基于多模标签多伯努利-支持向量机的扇扫红外警戒设备图像多目标跟踪问题。首先分析了传统多目标跟踪算法运用于扇扫红外警戒设备存在的不足之处, 提出了基于多模标签多伯努利-支持向量机滤波算法的优势; 分析了基于多模标签多伯努利滤波-支持向量机算法运用于扇扫红外警戒设备面临的问题, 并提供了对应的解决方案。仿真结果表明, 在典型复杂背景下, 该算法的弱小目标航迹抗干扰成功率平均提升20%左右, 对仅50%检测率的弱小目标的建航成功率提升45%以上, 显著提高了弱小多目标跟踪能力。

为了精确估计概率假设密度(PHD)滤波器的目标数量, 提出了一种基于信息加权共识滤波器(ICF)并使用数据聚类的基数补偿方法, 将ICF用于信息融合。在密集杂波环境中, 当量测中的噪声和杂波较高时, 会出现跟踪丢失的情况, 进而目标数量估计性能下降。因此, 在PHD滤波器中加入基数补偿过程, 基于信息融合步骤, 使用从PHD滤波器中获得的估计基数和通过数据聚类获得的量测基数,得到最终的目标数量估计。为了验证所提方法的性能, 进行了仿真模拟, 证明了多目标的跟踪性能得到改善。

针对现有多目标跟踪算法精度不高的问题，提出了一种融合YOLO-V4与改进SiameseRPN的多目标跟踪算法。首先通过YOLO-V4网络自动获取跟踪目标，制作模板后输入SiameseRPN跟踪网络；然后在模板分支中采用背景自适应策略初始化模板，并且融合残差连接构建Siamese网络；最后通过匈牙利算法对YOLO-V4的检测结果和改进SiameseRPN的跟踪结果进行数据关联，实现多目标跟踪。实验结果表明，与其他算法相比，所提算法具有较好的跟踪性能，在目标尺度变化、外观变化、部分遮挡等情况下能够实现稳定跟踪。

针对现有自动驾驶多目标跟踪算法融合多传感信息的方式不能充分发挥协同作用的问题，提出了一种基于多模态特征融合与可学习式目标相似度估计的三维多目标跟踪算法。多模态特征融合模块对图像和点云特征进行基于通道注意力机制的特征融合，进一步提升了多模态特征的表达能力。目标相似度估计模块通过网络直接生成相似度矩阵，以可学习方式实现多目标之间的跨模态联合推理，避免了大量的人工参数设定。将所提算法在KITTI数据集上进行了验证与测试，其高阶跟踪精度（HOTA）在测试集中达到了69.24%，表明所提算法在精度上优于其他算法，具有较好的鲁棒性。

为了克服卡尔曼滤波在远距离以及遮挡情形下跟踪不准确的问题, 设计了一个多目标实时跟踪框架, 利用神经网络预测目标物体在三维空间里的状态, 使用匈牙利算法逐帧进行数据关联, 设计轨迹管理模块管理相应的轨迹, 实现多目标跟踪。相较于传统的框架, 该框架不需要在图像空间执行卡尔曼滤波, 不仅能在高帧速率准确跟踪遮挡目标, 而且对远距离目标也有优异的表现。以 KITTI 数据集进行测试, 性能指标如下: 多目标跟踪准确度为 79.22，多目标跟踪精确度为 78.33, 多数丢失数为 54.19, 多数跟踪数为 13.21, ID 转变数为 16, 运行速度为 39 帧/秒。相较于传统的卡尔曼框架, 准确率提升了 11%，并且抗遮挡性也有大幅度提升。