1技術背景
實際應用中常發生于低特征環境下，如目標同質化、紋理缺失、光照不足、目標遮擋等，MOT方法面臨檢測失效痛點，且無法關聯并重建軌跡。
為解決痛點，近年來視覺測量工程師們對傳統MOT方法不斷進行優化改進：
路徑一基于深度學習特征增強MOT，核心引入深度神經網絡自動提取目標的深度特征，并通過結合長短時記憶網絡模型對目標的運動軌跡和外觀特征進行聯合建模實現多目標跟蹤，優勢在于自動處理大量數據并學習有用特征，可處理部分低特征場景下的多目標跟蹤任務，但模型泛化能力有限，當訓練樣本與實際應用場景存在差異時，無法有效檢測。
路徑二生成式特征增強MOT， 核心引入生成式模型增強檢測目標的視覺特征，如生成與實際目標相似但具有不同視角、光照條件的新圖像，結合生成特征與原始特征，用于后續目標匹配與軌跡關聯。該方法一定程度上解決低特征環境下多目標跟蹤難題，但面臨計算成本高、對生成模型質量敏感以及實時性困局。
2技術路徑
3關鍵突破
幾何重建：基于極線約束的雙視角匹配與三維重建，即利用左右高速
攝像機的內參與外參計算基礎矩陣F，并通過極線幾何約束篩選匹配點對，最終使用雙目幾何三角化重建得到3D點云，包含噪聲和離群點。
時空聚類：追蹤多幀圖像中的三維點位置構建三維軌跡，再按空間一致性與幀時間連續性對三維點進行分簇，合并距離接近、變化趨勢一致的點形成連續軌跡，刪除連續幀中出現次數小于閾值的“短軌跡”，以剔除不穩定或偶然出現的噪聲點，得到初步篩選后的有效三維軌跡集合。
物理驗證：將三維軌跡重投影到左右高速攝像機圖像平面，對比左右圖像上的投影軌跡，去除重復匹配的軌跡。
軌跡糾錯與重連：通過對軌跡進行三維二次曲線擬合，并計算實際軌跡點到擬合曲線的誤差，標記超出誤差閾值的異常區間，斷開異常軌跡段，再依據軌跡分段的空間位置和時間連續性計算相似度，對滿足條件的軌跡段進行重連并平滑處理，恢復完整連續軌跡。
4案例驗證
5技術展望
千眼狼“基于空間聚類的MOT技術”通過結合雙視角匹配與三維重建，有效解決了低特征環境下的目標跟蹤難題，利用極線約束篩選匹配點對，通過三維重建獲取準確位置信息，采用空間聚類方法優化軌跡，減少了誤匹配和軌跡斷裂問題，具有較強的抗噪能力和軌跡糾錯機制，顯著提升了跟蹤精度和穩定性。千眼狼將通過算法優化提高實時性，進一步提升低特征場景下高速運動目標跟蹤檢測與關聯效率。
微信公眾號
官方抖音
400-859-1866