多目标追踪算法Deepsort（2）复现MOTA低解决方法

参考资料：

deepsort paper: https://arxiv.org/abs/1602.00763(https://arxiv.org/abs/1602.00763)

deepsort github：GitHub - ZQPei/deep_sort_pytorch: MOT tracking using deepsort and yolov3 with pytorch(https://github.com/ZQPei/deep_sort_pytorch)

当我搞清楚代码流程后，着手开始在MOT16数据集上进行复现，由于没有注册成功，就先再训练集上跑一跑，然而发现MOTA竟然只有30，要知道论文中足足有60呢：

FN达到了67763，说明有很多没有追踪到，我检查追踪结果的视频，发现了原因，很多人没有检测到。这是由于这个复现项目的检测采用了yolov3，这个模型没有在MOT16数据集上训练过，对于一些较暗，较小的目标检测不到，就无法进行追踪了。而MOT16官方使用的det文件是由DPM检测器得到的，其检测效果也很差，MOTA也在30左右。

查阅论文后我发现，作者直接使用了POI检测器的检测文件，可以在这里下载Poi检测器的检测文件（https://drive.google.com/open?id=0B5ACiy41McAHMjczS2p0dFg3emM）（百度网盘链接 链接：https://pan.baidu.com/s/1Tnq_Eqnm49_JjLe75QX86g 提取码：qwer），将检测模块替换为poi的检测结果，替换的方法也非常简单，只需要读取poi的文件后，将这一帧送入deepsort的检测信息替换即可。注意需要对坐标进行一下变换，poi检测器中的检测框坐标是左上角坐标，而deepsort处理时需要中心点坐标，代码为：

detection_data = np.loadtxt('mot02_det.txt',delimiter=',')
detection_data_frame = []
for k in detection_data :
    if k[0] == idx_frame:
        detection_data_frame.append(k)
                
detection_data_frame = np.array(detection_data_frame)
bbox_xywh = detection_data_frame[:,2:6]
bbox_xywh[:,0] = bbox_xywh[:,0] + 0.5*bbox_xywh[:,2]
bbox_xywh[:,1] = bbox_xywh[:,1] + 0.5*bbox_xywh[:,3]
cls_conf = detection_data_frame[:,6]
# do tracking
outputs = self.deepsort.update(bbox_xywh, cls_conf, im)

果然替换后MOTA达到了55，很接近论文中的结果

我调皮的读取了ground truth的检测文件，结果也非常amazing啊，MOTA达到了68，可以看到当前MOT任务的MOTA与检测的质量还是息息相关的。

Deepsort作为一个经典的DBT算法，在工业界，简单稳定快速，精度也还可以，落地还是可以的。在学术界，还是有一些out了，改进也挺难的，毕竟从sort到Deepsort才提了1.6个点（本人尝试用fastreid替换了特征提取模块，效果也很一般）。希望大佬们批评指正。