Deep Sort：SIMPLE ONLINE AND REALTIME TRACKING WITH A DEEP ASSOCIATION METRIC

1、准备：
轻松理解卡尔曼滤波：https://www.jianshu.com/p/f6ce8943560c?from=singlemessage
马氏距离（Mahalanobis distance）：平移、旋转、尺度、不变性，考虑量纲、模式分布。
https://www.cnblogs.com/DPL-Doreen/p/8183909.html
余弦距离：余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量，余弦相似度更加注重两个向量在方向上的差异，而非距离或长度上。平移旋转不变性
2、关键点：
（1）整合两种距离：
On the one hand, the Mahalanobis distance provides information about possible object locations based on motion that are particularly useful for short-term predictions. On the otherhand, the cosine distance considers appearance information that are particularly useful to recover identities after longterm occlusions, when motion is less discriminative.
一方面，马氏距离提供了基于运动的可能物体位置信息，这对短期预测特别有用。另一方面，余弦距离考虑的是在长时间闭塞后，当运动的辨别性较低时，对恢复身份特别有用的外观信息。
（2）
（3）
3、结果