多目标跟踪是计算机视觉的基础任务，其目标是在一段视频中将同一身份 的物体检出并关联起来。性能优异的多目标跟踪器可以帮助动作识别与自动驾 驶等任务。在实际场景中，多目标跟踪常常面临的场景是非常复杂的，比如严重 遮挡、光照变化等。这给多目标跟踪问题带来了严重的挑战。 与单目标跟踪相比，多目标跟踪涉及到同时跟踪多个目标，而每个目标内部 也可以抽取多视图特征。为了处理复杂场景下的多目标跟踪，有必要挖掘多目标 跟踪的各个粒度下特征的关系，通过对关系进行建模，能够获得更加鲁棒的多目 标跟踪器。随着关系建模方法的发展，如何分析多目标跟踪的多个粒度特征之间 的关系，进而更好地对多目标跟踪的问题进行建模和解决，成为了计算机视觉研 究的热点问题。 本文对多个粒度的特征进行了分析和建模，通过挖掘同一实例的不同视图、 不同实例、以及实例构成的群组之间的关系弥补了多目标跟踪系统中存在的问 题和不足。这三个粒度的关系是递进的关系，从实例内的不同视图的特征，到实 例之间，再到实例构成的群组之间。具体来说，本文从以下三个方面进行了研究： • 基于视图关系建模的多目标跟踪。本文分析极度密集场景下行人跟踪的 问题，提出了一种联合行人人头视图和全身视图进行跟踪的方法：利用人头框动 态生成行人全身框，利用去噪声的行人重识别特征辅助人头框的跟踪。通过人头 特征与全身特征的关系建模，以及人头框几何与全身框几何的关系推导，同时利 用了人头的少遮挡特性和全身框的高判别力的特征，在人头跟踪数据集上取得 了最好的效果。 • 基于实例关系建模的多目标跟踪。本文分析多目标跟踪的运动模型，提出 了一种多实例之间利用自注意力机制进行关系建模的多目标跟踪运动模型，即 利用自注意力和互注意力的网络，迭代的对多个实例之间进行关系建模和运动 预测。通过对多个实例之间建立有效的自注意力关系，本文提出的方法在拥挤的 场景下减少了多目标运动模型的混淆。 • 基于群组关系建模的多目标跟踪。本文分析了多目标跟踪的训练整体流 程，提出了一个可微分的群组关系建模的模型。多目标跟踪的训练可以定义为跟 I 基于关系建模的视觉多目标跟踪 踪片段群组与检测结果群组的匹配过程，通过设计可微分的匹配算法，弥补了之 前多目标跟踪模型训练与推理的不一致性。通过对实例之间组成的群组之间的 关系进行建模和微分设计，本文提出的方法得到了更好的表观模型，在拥挤场景 下性能提升显著。 本文扩展了关系建模方法在在线多目标跟踪问题中的应用范围，使用关系 建模的方式，在多个粒度下挖掘特征之间的关系，更好地解决了复杂情况下的多 目标跟踪问题。