simple online and realtime tracking

多目标跟踪是相对于单目标跟踪而言的，它要求对于每一个目标都跟踪上，因此就出现了目标之间如何匹配的问题，常见的例如IOU匹配等。说到匹配，跟re-id有些类似。另外需要提的一点是，在众多的跟踪问题中，人的跟踪是比较难的，原因在于人的姿态会变，因此匹配时可能会导致前后帧由于形变无法匹配的问题。

问题定义

输入：视频流
输出：具有唯一id的物体位置和物体的运动轨迹

目前tracking方法分类

现在tracking基本上分为两类，一类是model-free的方法，一类是tracking by detection的方法。前者通过初始化目标，在后续帧中只跟踪已有的目标，这样会导致新出现的物体没办法跟踪。后者是每隔几帧就用检测结果和现有跟踪结果做匹配，是现在比较流行的跟踪方法。

simple online and realtime tracking

主要思想是将当前帧的检测结果跟之前帧的轨迹匹配上。它的算法重点有两部分，分别是卡尔曼滤波和匈牙利匹配算法。整体算法分为四部分：1）目标检测 2）将目标状态传递到未来帧中 3）将传入的状态信息与现有检测结果关联 4）管理跟踪对象的生命周期
下图是tracking的示例
下图是该算法所能达到的性能

目标检测部分

检测器只对行人感兴趣，无视其他类别，并且将检测概率置信度高于0.5的目标传递到跟踪框架，因此这个算法的一个特点是，检测器的好坏直接影响tracking的性能，如下图所示：

估计模型

其中，u和v代表目标中心的水平和垂直的像素位置，s和r分别表示目标的尺度（面积）和目标框的比例值
当一个目标被检测时，检测框用于更新目标的状态，其中速度分量将用kalman滤波框架来解决。如果没有检测，目标的状态用线性速度模型来预测，无矫正过程

数据关联

在为现有目标分配检测时，每个目标框的bbox几何框都是通过预测当前帧新的位置估计得到的
assignment cost matrix 分配代价矩阵通过每个检测结果和现有目标的预测框间的IOU距离计算得到
分配方法通过使用匈牙利算法得到最佳优化
此外，到检测到的IOU与预测目标物间IOU小于IOUmin阈值时，检测的物体被拒绝分配。

创建与输出跟踪ID

当目标进入和离开图像时，唯一的ID需要被创建或者销毁。创建跟踪器时，我们认为任何检测结果重叠小于IOUmin时，存在没有被跟踪的对象。使用边界框的几何图形来初始化跟踪器，并使速度设置为0
当跟踪器到t帧未被检测到时，将终止这个跟踪器
实验结果如下如所示

data set

MOT是常用的数据集，其他常见的数据集如下图

benchmark

准确度（accuracy）：它度量算法跟踪目标的准确程度。将false positive false negative率和 mismatch结合成一个单独的数， 对整体的跟踪性给出一个比较合理评估

精度（precision）：通过bounding box重叠和/或距离来度量目标跟踪的精确程度
完整性（completeness）：完整性度量指的是ground truth trajectories被跟踪的完整度
鲁棒性（robustness）：通过从遮挡中恢复出来的能力来评估MOT算法的度量标准