因此，对于每个序列，我们测量上述性能指标与其对象检测器的MODA评分的比例，得到缩放分数-s-MOTA, s-IDF1和s-MT。图5显示了五个常见序列的平均分数，我们的方法明显优于其他方法，表明头部检测跟踪更适合于在行人密度高的环境中进行跟踪，在这种环境中保持身份非常重要，同样值得注意的是，HeadHunter使用的是ResNet-50骨干，而不是其他方法使用的Resnet-101骨干，此外，Tracktor++、HAM HI和DD TMA都使用深度网络提取外观特征，而HeadHunter-T使用基于颜色直方图的外观特征，通过折衷我们的跟踪空间(包围框的大小)来避免相互遮挡，我们观察到显著的性能提升，并显著降低了计算成本，这表明，在关注身份保持的实时跟踪应用中，头部检测的跟踪模式更可取。
7. 结论
为了改进在密集人群中跟踪行人的算法，我们引入了一个新的数据集CroHD，用于头部检测跟踪，为了进一步量化跟踪器在描述行人运动方面的效果，我们引入了一个新的度量，IDEucl。我们开发了两种新的基线方法，HeadHunter, HeadHunter-t分别用于CroHD上的头部检测和头部跟踪，我们证明，HeadHunter-T在身份保存跟踪应用方面比现有的用于头部跟踪的先进跟踪器更可靠，此外，HeadHunter-T在计算复杂度适中的情况下性能良好，为未来专注于低计算复杂度和实时应用的跟踪方法的研究提供了机会，我们也希望CroHD能够在连续的领域中发挥作用，比如人群计数和人群运动分析。
