Basketball-SORT: An Association Method for Complex Multi-object Occlusion Problems in Basketball Multi-object Tracking

最近基于深度学习的目标检测方法在多目标跟踪算法中取得了显著的进展。目前的多目标跟踪方法主要关注行人或车辆场景，但篮球运动场景通常伴随着三个或更多具有相似外观和高强度复杂运动的物体遮挡问题，我们称之为复杂多目标遮挡（CMOO）。在这里，我们提出了一种名为Basketball-SORT的在线稳健的MOT方法，专注于篮球视频中的CMOO问题。为了克服CMOO问题，我们使用基于球员投影位置的相邻帧轨迹，而不是使用基于交并比（IoU）的方法。我们的方法根据篮球场景的特点设计了篮球比赛限制（BGR）和重新获取长期失去的ID（RLLI），并且还基于球员轨迹和外观特征解决了遮挡问题。实验结果表明，我们的方法在篮球固定视频数据集上实现了63.48％的高阶跟踪准确度（HOTA）得分，优于其他最近流行的方法。总体而言，我们的方法比最近的MOT算法更有效地解决了CMOO问题。

本文旨在解决篮球比赛中复杂多目标遮挡（CMOO）问题，提出一种名为Basketball-SORT的在线鲁棒多目标跟踪算法。

本文通过设计篮球比赛限制（BGR）和重新获取长时间失去的ID（RLLI）等方法，基于球员的轨迹和外观特征解决目标遮挡问题，避免使用基于IoU的方法，实现了对CMOO问题的有效解决。

本文使用了篮球比赛固定视频数据集进行实验，Basketball-SORT算法在HOTA评估指标上达到了63.48%的高准确率，表现优于其他最近流行的算法。

最近在该领域的相关研究包括：Multi-Object Tracking with Quadruplet Convolutional Neural Networks、DeepSORT等。