目标跟踪——SORT算法原理浅析
目标跟踪文章目录
目标跟踪——SORT算法原理浅析
目标跟踪——Deep Sort算法原理浅析
基于yolov5与Deep Sort的流量统计与轨迹跟踪
文章目录
- 目标跟踪文章目录
- SORT算法
-
- 卡尔曼滤波
- 匈牙利算法
- SORT核心算法流程
- 总结
SORT算法
Simple Online and Realtime Tracking(SORT)是一个非常简单、有效、实用的多目标跟踪算法。在SORT中，仅仅通过IOU来进行匹配虽然速度非常快，但是ID switch依然非常严重。
SORT最大特点是基于Faster RCNN的目标检测方法，并利用卡尔曼滤波算法与匈牙利算法，极大提高了多目标跟踪的速度。
SORT算法核心就是卡尔曼滤波和匈牙利算法。
卡尔曼滤波
卡尔曼滤波被广泛应用于无人机、自动驾驶、卫星导航等领域，简单来说，其作用就是基于传感器的测量值来更新预测值，以达到更精确的估计。
假设我们要跟踪位置变化，如下图所示，蓝色的分布是卡尔曼滤波预测值，红色的分布是传感器的测量值，黄色的分布就是预测值基于测量值更新后的最优估计。
匈牙利算法
匈牙利算法解决的是一个分配问题，在多目标跟踪主要步骤中的计算相似度的，得到了前后两帧的相似度矩阵。匈牙利算法就是通过求解这个相似度矩阵，从而解决前后两帧真正匹配的目标。
SORT核心算法流程
Detections是通过目标检测器得到的目标框，Tracks是轨迹信息。核心是匹配的过程与卡尔曼滤波的预测和更新过程。
SORT算法的工作流程如下：
目标检测器得到目标框Detections，同时卡尔曼滤波器预测当前的帧的Tracks, 然后将Detections和Tracks进行IOU匹配，最终得到的结果分为：
- Unmatched Tracks，这部分被认为是失配，Detection和Track无法匹配，如果失配持续了T次，该目标ID将从待跟踪目标中删除。
- Unmatched Detections, 这部分说明没有任意一个Track能匹配Detection, 所以要为这个detection分配一个新的track。
- Matched Track，这部分说明得到了匹配。
卡尔曼滤波可以根据Tracks状态预测下一帧的目标框状态。
卡尔曼滤波更新是对观测值(匹配上的Track)和估计值更新所有track的状态。
总结
作者使用了Faster RCNN来进行模型的检测，并使用Kalman滤波预测状态，基于检测框位置和IOU的匈牙利算法，使得算法有很高的效率，但是这么频繁的ID切换，在实际应用中跟踪的价值会大打折扣！
下一篇文章将讲解一下在SORT算法上进行优化的Deep SORT算法。
如果阅读本文对你有用，欢迎一键三连呀！！！
2022年3月30日14:49:03
