HIT框架：基于分层IoU的多目标跟踪创新方法

1. 项目概述

在计算机视觉领域，多目标跟踪(MOT)一直是一个极具挑战性的任务。北京邮电大学团队提出的HIT(Hierarchical IoU Tracking)框架，通过创新的"基于间隔的分层IoU跟踪"方法，为这一领域带来了新的思路。与当前主流方法相比，HIT最大的特点在于其简洁性和高效性——仅使用IoU(交并比)作为关联线索，摒弃了复杂的表观特征和基于学习的模块，却能在多个基准测试中达到甚至超越现有方法的性能。

核心创新点：用"轨迹间隔"替代传统"时间窗口"作为分层依据，构建了一个统一、简洁且有效的离线跟踪框架。

2. 现有方法的问题与HIT的解决方案

2.1 当前MOT方法的三大范式

当前主流的MOT方法主要分为三类：

1. 混合范式（如ByteTrack、StrongSORT++）：

   • 先在线跟踪，后离线优化
   • 问题：两阶段分离设计导致性能次优

2. 聚类范式：

   • 先生成短轨迹再聚类
   • 问题：各阶段需要不同设计，扩展性差

3. 纯分层范式（如SUSHI）：

   • 使用固定时间窗口划分层级
   • 问题：忽略不同轨迹间固有可靠性差异

2.2 HIT的核心设计思路

HIT采用了一种全新的分层关联策略：

1. 初始状态：将每个检测框视为独立轨迹片段
2. 分层关联：
   • 第一层(Δt=1)：只关联相邻帧
   • 第二层(Δt=2)：允许间隔一帧的关联
   • 依此类推，逐步处理长距离关联
3. 优势：
   • 优先保证高质量轨迹片段的纯度
   • 逐步处理缺失和长距离关联
   • 所有层级统一使用IoU作为关联线索

3. HIT框架的技术细节

3.1 整体架构

HIT框架的工作流程可以分为以下几个关键步骤：

1. 检测框输入：接收目标检测器输出的边界框
2. 分层关联：
   • 按预设间隔阈值(如Δt=1,2,5...)逐层关联
   • 使用卡尔曼滤波器进行运动预测
3. 轨迹优化：通过分层策略逐步完善轨迹

3.2 三大不一致性问题及解决方案

在实际应用中，HIT团队发现了三个关键问题并提出了针对性解决方案：

3.2.1 目标尺寸不一