新一代单目标 AI 跟踪算法，解决典型困难场景下的跟踪稳定性问题

 

---

作为具备算法定制开发的公司，成都慧视之前的目标跟踪算法均是采用相关跟踪，通过在线更新分类模型来实现目标的定位跟踪。即以当前帧目标区域为正样本，背景区域为负样本，基于机器学习或其他方法训练分类器，后续帧用训练好的分类器寻找最优区域。

 

但是这样的算法在很多场景下会出现高概率的丢失目标，所以在经过我司算法工程师的努力下，新一代单目标 AI 跟踪算法：基于检测 + 跟踪联合优化的高效跟踪方案面世。

 

该算法以目标检测 + 目标跟踪为核心技术路线，针对传统单目标跟踪在复杂场景下易漂移、鲁棒性不足、速度与精度难以兼顾等问题，进行了从结构到策略的全面优化，实现了跟踪性能与实用性的显著提升。

 

 

算法整体思路

本算法采用检测驱动跟踪、跟踪辅助检测的联合推理架构，通过检测与跟踪模块的信息互补与置信度融合，在保证实时性的同时，大幅提升跟踪框稳定性与抗干扰能力。

 

相比传统跟踪算法的主要提升

在遮挡、尺度变化、快速运动、背景杂乱等典型困难场景下，较传统方法有大幅度提升。

 

 

抗遮挡与重捕获能力更强

传统跟踪在目标被遮挡后极易丢失，本算法依靠检测模块的主动重检机制，可在遮挡消失后快速找回目标，大幅降低跟踪失败率。

 

实时性更优，部署更友好

算法整体结构轻量化，在通用硬件平台上可实现实时跟踪推理，相比复杂深度跟踪模型，速度提升明显，同时支持嵌入式端与边缘设备部署。

 

场景与目标类型适应更广

不依赖人工设计特征，依靠深度特征完成检测与匹配，对行人、车辆、特定物体等通用单目标均具备良好泛化能力，在多场景数据集上表现稳定。