目标跟踪 （七）MOT SORT DEEPSORT 卡尔曼滤波 匈牙利算法

https://zhuanlan.zhihu.com/p/90835266

Tracking-by-Detecton 基于目标检测的结果来进行目标跟踪：

• 匈牙利算法（KM算法）：将前一帧中的跟踪框tracks与当前帧中的检测框detections进行关联，通过外观信息、马氏距离、或者IOU来计算代价矩阵
• 卡尔曼滤波：基于传感器的测量值（在目标跟踪中即目标检测器）与跟踪器的预测值，实现更精确的估计。（结合预测（先验分布）和测量更新（似然）的状态估计算法）

关键步骤：

deeposrt改进：代价函数增加代表运动模型的马氏距离和代表外观模型的Re-ID特征。

检测器生成detections → 预测tracks→ 使用匈牙利算法将新tracks和detecions进行匹配 → 用每对中的detection进行对应的track卡尔曼滤波更新

1）在目标跟踪中，需要估计track的以下两个状态：

均值(Mean)：表示目标的位置信息，由bbox的中心坐标 (u, v)，宽高比r，高h，以及各自的速度变化值组成，由8维向量表示为 。

协方差(Covariance )：表示目标位置信息的不确定性，由8x8的对角矩阵P表示，矩阵中数字越大则表明不确定性越大。

2）track在t+1时刻的状态：   卡尔曼滤波器采用匀速模型和线性观测器模型

track在t+1时刻的协方差矩阵P'         

 

协方差是经验参数，初始状态为

系统噪声矩阵

3）基于卡尔曼滤波器的预测结果进行匹配：

采用匈牙利算法/KM算法先对Klaman滤波器预测阶段得到的运动估计和观测进行关联。

匹配成功的则进行Kalman滤波器的更新，匹配失败的跟踪轨迹则视为丢失，匹配失败的观测量则视为新增轨迹；

4）匹配成功后，对track根据匹配对的检测结果进行更新。

a.测量矩阵H将track的均值向量x'映射到检测空间

detection与track的均值误差：

b. 将协方差矩阵P'映射到检测空间，加上噪声矩阵

检测器噪声矩阵

c.计算卡尔曼增益K，用于估计误差的重要程度

d.计算更新后的均值向量x和协方差矩阵P