多目标跟踪sort的加速思路

此帖记录一下在视觉感知项目中的一些曲折经历。

机子是NVIDIA Jetson AGX，具体型号未知。

单独启用一个ros结点做目标跟踪，因为deepsort多了一个网络，延时可能比较高，遂用了更简单的sort。

第一次在agx上跑了一下，发现延迟非常高，纯sort的耗时在30ms以上，有些帧甚至达到60+ms，这肯定不正常啊。

首先分析各模块耗时：

	主机	agx
kf_predict	0.46	4.04
assignment	0.15	1.27
kf_update	0.24	30.05
pop	0.11	1.89

note: 以上结果统计的不够严谨，但是大体能表征一下趋势。

• kf_predict：使用卡尔曼滤波根据上一帧的位置来预测当前帧的位置
• assignment：使用匈牙利匹配分配检测框和轨迹框
• kf_update：对匹配框使用卡尔曼滤波做更新
• pop：删掉未匹配的轨迹框

对新出现的检测框我忘了统计了，就是一个初始化的时间，应该不是sort时间长的主要原因（次要原因应该都称不上）。

通过对比，发现agx的耗时正常来说应该是我用的主机的10倍左右，但是kf_update时间异常，查了一下self.kf这个类，发现都是用的filterpy这个库，遂点进去查看。

from filterpy.kalman import KalmanFilter

发现主机和agx上的kalman类文件竟然不完全一样，推测可能是python版本的问题导致库不同（主机上是py3.8，agx上是py3.6）。
注意观察py3.6上的库多了一部分计算，尝试删去这部分之后kf_update部分节约了十几ms，后来我直接把py3.8的类复制到agx上调用，kf_update部分直接从30.05 -> 11.6ms，这只是第一步。

虽然速度有了大大提升，但是有时仍然会因为cpu性能或者其他原因导致每帧延迟掉到15fps以下（这是/neuvition的发布频率），虽然我设置了接收器消息队列长度为1，但仍然不能及时接收到最新消息，导致图像持续滞后（不知道为啥，希望大佬指教一番），这次的主要原因仍然是kf_update。

我又分析了一下kf_update内部的计算过程，除了一次求逆外都是矩阵乘法，按理说不应该这么慢。重点来了，问题恰恰出在了求逆矩阵上，源码里直接用 np.linalg.inv() 求逆矩阵，在一次KalmanFilter.update 中占了足足三分之一的时间（罪大恶极）。

找到问题就好解决了，想到deepsort中KalmanFilter.update用了cholesky矩阵分解加快求解，把 S^T K^T =(PH^T)T 通过求S的逆，变成了AX=B的问题，可以显著提高速度。

将

self.SI = self.inv(self.S)
self.K = dot(PHT, self.SI)

改为

chol_factor, lower = scipy.linalg.cho_factor(
            self.S, lower=True, check_finite=False)
        
self.K = scipy.linalg.cho_solve(
     (chol_factor, lower), PHT.T,
     check_finite=False).T

单个track的kf_update不便于比较，这里我直接放整个sort的结果：

• 20.69ms -> 9.86ms

速度有了质的飞跃，这就是第二步。

后记

该说不说，deepsort相比于sort在KalmanFilter上有了很大改进，自带一个类文件，不用担心因为python自带的filterpy.kalman库版本不一样导致的效率不同，同时逆运算通过trick获得了极大的速度提升。

经过前两步的加速，sort结点已经完全达到了使用要求，于是没有采用其他加速方法，设想中可以再利用numba来加速kalmanfilter的矩阵运算或者是sort中的iou计算。

此外，若sort中需要夹杂其他任务，如车牌检测，则最好用多线程并行处理，以此保证sort的速度，详情可参见我的另一篇博客python threading多线程实例。