多传感器跟踪系统旨在通过整合不同传感器模态的互补信息来准确监控和识别目标，这对于在各种天气和光照条件下的交通监控至关重要（Ghahremannezhad, Shi, & Liu (2023); Ounoughi & Ben Yahia (2023)）。最近的研究（Lee & Kwon (2021); Li et al. (2025a); Wang, Zhan, Li, Zhong, & Cao (2022)）表明，当多个传感器同时检测到目标时，利用交叉验证可以提高检测可靠性。然而，这些方法在单源检测时面临重大挑战，即目标仅被一个传感器观测到。这样的检测引入了关于它们是否代表真实目标或误报的固有不确定性。图1(a)通过示例说明了这一挑战：单源检测（仅雷达或仅相机）存在根本的不确定性：它可能代表另一个传感器未检测到的真实车辆，或者是由检测传感器产生的误报。传统的跟踪系统缺乏有效机制来解决这些冲突，导致轨迹碎片化和错误轨迹，从而显著降低了监控性能。因此，解决由单源检测引起的目标存在不确定性对于在复杂交通环境中保持跟踪连续性和准确性至关重要。
为了解决单源检测的不确定性，现有方法遵循两种主要策略。第一种策略使用概率数据关联来处理测量不确定性。Mahler (2003)引入了随机有限集（RFS）理论用于多目标跟踪，该理论将目标和测量值都建模为随机集合。在此基础上，最近的方法采用贝叶斯过滤（Ishtiaq, Gostar, Bab-Hadiashar, & Hoseinnezhad (2023); Xue, Wei, & Huang (2024)）和联合概率数据关联（Nan et al. (2025); Yan et al. (2022)）来计算测量值到轨迹的关联概率。当多个传感器提供重叠覆盖和同时检测时，这些方法可以实现高准确性。然而，当只有一个传感器报告检测结果时，由于缺乏 corroborating 测量值，这些概率方法在区分真实目标和误报方面性能显著下降。第二种策略通过多目标跟踪框架利用时间信息（Bewley, Ge, Ott, Ramos, & Upcroft (2016); Wojke, Bewley, & Paulus (2017); Zhang et al. (2022)）。这些方法在连续帧中保持轨迹假设，并应用运动模型来预测目标位置。对于单源检测，这种方法在误报率和轨迹初始化延迟之间面临根本的权衡。保守的阈值可以减少误报，但会增加确认新目标的延迟。宽松的阈值可以加快轨迹初始化，但会导致更高的误报率。这两种策略都需要传感器之间的空间相关性或帧之间的时间相关性来验证检测结果。因此，开发能够独立验证单源检测的方法对于保持多传感器系统中的跟踪鲁棒性至关重要。
在这项工作中，我们提出了一种分层多传感器跟踪框架（HMT-SUV），用于解决多传感器系统中由单源检测引起的目标存在不确定性问题。我们的方法通过直接评估缺乏跨传感器确认的观测结果的可靠性来解决检测不确定性，如图1(b)所示。该框架包括四个关键组成部分：（1）一种跨传感器冲突识别机制，将检测结果分为成对检测和单源检测两类；（2）一种基于检测的背景恢复技术，用于构建可靠的背景参考；（3）一种多尺度局部显著性验证方法，通过分析不同空间尺度上的结构差异来区分真实目标和误报；（4）一种分层轨迹确认策略，根据检测来源类型应用不同的阈值。这种方法显著减少了轨迹碎片化和错误轨迹，同时保持了计算效率，如图1(c)所示。
本文的主要贡献总结如下：
•我们提出了一种分层多传感器跟踪框架，明确地对单源检测的可靠性进行建模和验证，从根本上解决了目标存在不确定性问题。
•我们开发了一种基于检测的背景恢复技术，能够在具有不同照明和天气条件的复杂交通环境中构建可靠的参考模型。
•我们提出了一种多尺度局部显著性验证方法，通过分析不同空间尺度上的结构差异，并结合自适应权重和跨尺度关系，在具有挑战性的环境条件下稳健地区分真实目标和误报。
•在多传感器路边（MSR）数据集上的广泛实验表明，我们的方法比多传感器基线方法提高了11.4个百分点，比广泛使用的视觉跟踪方法提高了35个百分点以上。在具有挑战性的夜间降雨条件下，我们的方法性能仅下降了9.3个百分点，而视觉跟踪方法在同一条件下性能下降了约50个百分点。
