[论文阅读] BoT-SORT: Robust Associations Multi-Pedestrian Tracking

这篇文章是今年6月底发布的一篇多目标跟踪(MOT)的屠榜方法，命名为BoT-SORT。作者来自以色列的特拉维夫大学（Tel-Aviv University）。本文简单谈谈我对这个算法的理解，因为也是MOT领域的初学者，如有错误希望各位读者修正，也欢迎大家一起探讨。
PS：文章内部分图片是原创，如需转载请注明出处。

paper: https://arxiv.org/abs/2206.14651
code: https://github.com/NirAharon/BOT-SORT

算法在IDF1和MOTA两个指标上都做到了SOTA：

在MOT的诸多算法中，可以将其分成两类——即TBD（Tracking by Detection）范式和JDE范式。TBD范式是two-shot的算法，即在保证检测结果准确的基础上实现跟踪算法（比较经典的算法有SORT/DeepSORT/ByteTrack/OC-SORT等等）。JDE范式则是one-shot的算法，旨在一步到位，使用检测的方法同步实现跟踪。这篇文章提出的算法应属于TBD范式，下面是TBD范式的一般流程:
文章首先简单阐述了“SORT-LIKE”系列方法的缺陷，其贡献点也是旨在解决这些问题：
现存主要问题有两个：

• 由于卡尔曼滤波和相机运动两个因素，导致的Bounding box预测不准确；
• Re-ID任务和检测任务的平衡问题（在跟踪任务中加入Re-ID)

解决方式主要有三个：

1. 改进KF的状态向量；
2. 使用相机运动补偿方式改进bounding box的预测；
3. 加入Re-ID的度量，提高跟踪的准确度。

下面分别简单介绍这三个贡献：

1.卡尔曼滤波的改进

改进后的效果：

这部分的有效性文章通过后面的消融实验来证实，具体KF的推导比较繁琐，我的理解就是把之前使用的宽高比变成了使用宽和高。

2. 相机运动补偿

作者认为相机的运动会导致检测框的漂移，即便是静止的相机，目标中人物也可能会因为不规则运动导致目标的振动。
这部分使用opencv中的全局运动估计（GMC）技术来表示背景运动。首先提取图像关键点，再利用稀疏光流进行基于平移的局部异常点抑制的特征跟踪。然后使用RANSAC计算放射变换矩阵，在将预测的边界框从k-1帧坐标变换到其下一阵第k帧的坐标。

效果：

题外话：这部分相机运动补偿的工作其实StrongSORT（DeepSORT的改进）也有做过，在StrongSORT中使用的是ECC方法。

3. IoU&ReID Fusion

为了提取Re-ID特征，采用了FastReID库中BoT 之上的更强的baseline——SBS（2020年提出）+ ResNeSt50作为骨干网络。这部分在StrongSORT中也用了相同的backbone。

在外观分支，具体实现：
余弦相似度和用于匈牙利算法的代价矩阵计算：

最后我们回顾下这个方法的pipeline，上面描述的三部分就对应pipeline中的以下三部分：

熟悉MOT算法的朋友肯定一眼就看得出来，整体的流程和ByteTrack是一样的：

• 第一次联合高分置信度的目标，并作Re-ID和IOU的匹配；
• 第二次联合低分置信度的目标。

这里借用 ByteTrack的图，看得更明显一些：
在第一次关联（关联1）中，ByteTrack的作者也表示过，使用过Re-ID分支作匹配，但效果一般。其中使用的是DeepSort的策略，使用简单的CNN提取RE-ID特征：

其实在看过文章和一些源码以后，发现BoT-SORT貌似是把ByteTrack中认为无效的工作捡起来重做了。具体一些，是把之前的DeepSORT更换为其更强大的变体——StrongSORT:

无论是提取re-id特征的backbone部分还是后续使用的相机运动补偿和EMA策略，基本流程都和StrongSORT一致。

最后是实验部分：


加入相机运动补偿（CMC）的效果：

总体来说，在我看来其实这篇文章的创新点，或者说能够work的亮点主要在RE-ID上。但在limitation部分作者也说了，加入RE-ID之后速度非常慢，这个我也有进行一些测试，fps只能达到5以内，没办法实时。但是在短时遮挡的情况下，算法可以很好地跟住目标，这点要比ByteTrack/oc-sort这些方法要好。

很多地方语焉不详，文章的翻译和一些解析也可以参考 https://blog.csdn.net/jacke121/article/details/125568958…