【泡泡图灵智库】DeepSORT： 结合深度数据关联度量方法的简易实时在线目标追

　　SORT (Simple Online And Realtime Tracking) 和其改进版本 DeepSORT 是该团队在 16 年和 17 年先后发表于 ICIP的两篇工作, 其目标都是为了解决多目标跟踪(Multiple Object Tracking) 问题, 更为具体来说是关注了自动驾驶场景中, 以二维表示的行人及车辆等目标的多目标跟踪. 这一系列算法的侧重点在于在线跟踪效率和实时性, 在此前提下同时保持较高的跟踪精度.

　　包含二维边框中心(u ,v), 高宽比, 高度, 以及前述每一个状态在图像坐标系下的变化速率. 作者假设匀速的运动模型以及线性的观测模型, 运用标准的卡尔曼滤波器求解. 当检测与正在跟踪的目标关联时，检测到的边界框用于更新目标状态，如果没有检测与目标关联，则只使用线性速度模型进行预测, 预测结果为上述状态向量的前四个维度.

　　运动信息 : 使用卡尔曼滤波器的预测结果与新的检测结果之间的马氏距离(平方)进行运动信息的关联:

　　当一个目标被长时间遮挡后, 卡尔曼滤波预测的不确定性会大大增加, 即预测状态的协方差会更大, 然而计算马氏距离时使用了协方差矩阵的逆, 因此马氏距离会更小, 离均值欧氏距离远的点可能和分布中距离较近的点获得同样的马氏距离, 甚至会倾向于选择不确定度较大的长时间遮挡目标, 这会带来潜在的错误匹配.

　　这一系列算法的核心思想还是采用了传统的单假设追踪方法和逐帧的数据关联, 初期的 SORT 算法的弊端非常明显, 为了追求实时性做了较多的准确性, 其能够达到较高的精度很大程度上取决于检测器的输入结果较为理想. DeepSORT相对成熟, 在处理目标长时间遮挡情况上有一定提升, 但在精确度(误检数目) 上仍有较大的提升空间.任弼时的子女