标签：SORT Tracking 匹配 Realtime 卡尔曼滤波 算法 阶段 FrRCNN

零 前言
原论文地址：原文
代码地址：代码
今天开始学习多目标跟踪里的经典算法。

背景知识：
卡尔曼滤波：卡尔曼滤波
匈牙利算法：待补充
  \space  
一 各部分笔记

1.1 Abstract
SORT算法的重点是实时，它只是结合了熟悉的简单的技术(匈牙利算法和卡尔曼滤波)，但是具有较快的速度。

1.2 Introduction
MOT问题的关键部分是数据关联问题。然而对于现存的一些算法，很难权衡精度与速度，如下图所示：

在本文的模型中，在跟踪过程中忽略外观特征，仅使用边界框的位置和大小。并且长短时闭塞(?,short and long term occlusion)也被忽略，因为它们很少发生，而且会徒增复杂度。

SORT的重点是高效可靠地处理帧关联。 相比于增加检测的鲁棒性，SORT直接用目标探测的最新进展（指的是FrRCNN？）直接地解决这个问题。

1.3 Literature Review
在这一部分，主要提了一个创新点：相对于两阶段匹配算法，SORT只用了一阶段。所谓两阶段匹配算法，就是用匈牙利算法对相邻帧之间的目标进行匹配生成很多tracklets，之后使用这些tracklets进行二次匹配，以解决遮挡等问题引起的轨迹中断。但这种二阶段匹配方式弊端也很明显，因为这种方式先天地要求必须以Offline的方法进行跟踪，而无法做到Online。

SORT将这种二阶段匹配算法改进为了一阶段方法，并且可以在线跟踪。（参考知乎专栏）

1.4 Methodology
本文采用的是Faster Region CNN，FrRCNN是一个由两个阶段组成的端到端框架。第一阶段提取特征并为第二阶段提出区域，然后在提出的区域中对对象进行分类。

• 此框架的优点是，参数在两个阶段之间共享，从而创建一个高效的检测框架。此外，网络体系结构本身可以替换为任何设计，以实现对不同体系结构的快速实验，从而提高检测性能。

对于已有的跟踪器(MDP)和本文提出的跟踪器，FrRCNN都有着最好的表现，如下表所示：

但好像…从这个表看不出propose的tracker比MDP优秀太多…

SORT通过Kalman滤波来预测目标位置，系统的状态向量为：
x = [ u , v , s , r , u ˙ , v ˙ , s ˙ ] x=[u,v,s,r,\dot{u},\dot{v},\dot{s}] x=[u,v,s,r,u˙,v˙,s˙]
其中 u , v u,v u,v分别是目标中心坐标点的水平和竖直坐标， s , r s,r s,r分别指检测框的面积和纵横比，但认为纵横比是常数。引入线性速度模型，用Kalman滤波进行位置预测。

在数据关联阶段，采用带权重的匈牙利算法进行匹配。权重就是IOU距离(intersection-over-union distance)。IOU说白了就是交并比，两个框相交部分和并部分的面积之比，能衡量两个框的相似程度。

二 总结

SORT是一个比较简单的算法，我的理解是用FrRCNN做探测，用卡尔曼滤波加匈牙利算法做跟踪。但是局限性也挺大，首先是线性运动模型可能并不精准，而且没有考虑同一目标再出现的重识别(re-identification)问题。

标签：SORT,Tracking,匹配,Realtime,卡尔曼滤波,算法,阶段,FrRCNN
来源： https://blog.csdn.net/wjpwjpwjp0831/article/details/120855571

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。