基于深度学习的目标跟踪sort与deep-sort

SORT：

论文地址：http://arxiv.org/pdf/1602.00763.pdf

代码地址：https://github.com/abewley/sort

deep-SORT：

论文地址：https://arxiv.org/pdf/1703.07402.pdf

代码链接：https://github.com/nwojke/deep_sort

 

SORT篇

文章方法

将tracking对象状态传播到未来的帧中(主要使用卡尔曼滤波以及线性速度的假设)，将当前的检测与现有的对象相关联，并管理被跟踪对象的age。

1. 目标检测

使用Faster-RCNN进行detection,文章通过对比来说明detection的质量对后续的tracking至关重要。(我们可以使用yolo以及ssd等网络进行目标检测，以提高速度以及精度)

2. 估计模型

当检测与目标相关联时，检测到的边界框用于更新目标状态，其中速度分量通过卡尔曼滤波框架最优地求解；

如果target没有跟detection相连，就用线性速度模型对taeget进行预测；（线性速度模型的预测错误率较高）

3. 数据组合

在将detection分配给现有track时，通过预测其在当前帧中的新位置来估计每个目标

使用每个detection和所有预测的bonding box的IOU距离来计算assignment cost matrix；

小于IOU阈值的assignment 会被拒绝，源码中阈值设置为0.3；

文章指出使用IOU distance 可以解决 tracking 中的短暂遮挡问题，这是由于IOU distance更倾向于检测相交尺寸，在图片有部分遮挡的情况下，IOU变化不是很大，但遮挡面积很大时，必然有影响。如果遮挡时间较长会重新分配track，造成出错。࿰