多目标跟踪-DeepSort分析（一）论文解读及代码架构

先引入多目标跟踪DeepSort的论文地址及代码链接（Python版）：

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

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

写在前面：

    这些天看了deepsort的论文及源码，并在网上检索一些相关资料（不是很多），现结合论文、博客及自己的理解进行总结。
    本文为第一篇，首先对论文进行解读，然后对github的代码进行简要的流程分析及解读，后期还会对所用算法进行具体的展开。
    
    本文结构：
        一、论文重点部分解读
        二、代码流程及算法分析

1. 论文重点部分解读

1.1. 轨迹处理及状态估计（track handing and state estimation）

第i时刻的状态用8维状态空间表示：

其中，u，v表示目标框的中心坐标；
γ，h（第三和第四个值）表示宽高比（宽高比应该为一个常量）、高度；
以上四个值构成观测变量。
以及图像坐标系下的速度（导数）

对于每条轨迹 k 都有一个阈值a用于记录轨迹从上一次成功匹配到当前时刻的时间。当该值大于提前设置的阈值 Amax 则认为改轨迹终止，直观上说就是长时间匹配不上的轨迹认为已经结束。
轨迹的三种状态：（在代码中定义为枚举变量）
tentative（初始默认状态）
confirmed
deleted

enum TrackState
{
     Tentative = 1
     Confirmed = 2
     Deleted = 3
}

在匹配时，对于没有匹配成功的检测都认为可能产生新的轨迹。但由于这些检测结果可能是一些错误警告，所以：
对这种新生成的轨迹标注状态 tentative （初始默认状态）；
然后判定在接下来的连续3帧中是否连续匹配成功，若成功，则标注为 confirmed ，认为是新轨迹产生；
否则，标注为 deleted，删除 。另外，超过预先设置的Amax = 30 的轨迹，也被认为离开场景，并标注为 deleted，删除 。

        if self.state == TrackState.Tentative: