paper:https://arxiv.org/pdf/1703.07402.pdf
code:https://github.com/weixu000/libtorch-yolov3-deepsort
deepsort是我接触的最适合用来做部署的多目标跟踪框架,典型的detection based tracking(DBT)方式,效果也相当不错,据我所知,目前很多厂商包括科研机构都在此算法上做进一步创新,但实际上,整来整去也就是在提取特征的那个模型训练或者第一级的检测模型训练,原理上的创新真的很少。进一步的比对现在的完全基于深度学习的Siamese 系列(单目标追踪),我觉得落地效果真的要好很多,因此解读这篇基础且重要的文章,注意本文只是简单解读论文,区别于我写的目标检测文章详细的写出了细节,本文真正很多的细节和目标匹配流程需要更加仔细的阅读代码。
我提供的code链接是基于c++的可部署的代码,非pytorch,detection部分借助于基于libtorch的yolov3,表征学习基于预训练好的行人的特征提取模块。本文尽量按照论文结构进行解读。
code解析参考博文:https://blog.csdn.net/sgfmby1994/article/details/98517210
code解析使用的是并非我提供的code,python代码,但是更易理解,分析很到位。
前情提要:
sort理解(我的简单理解-哪里有问题请纠正我):根据检测器的结果,得到本帧的所有bbox,里上上一阵的匹配结果更新卡尔曼滤波器后,得到这一帧的预测结果,使用两个for循环来对每个检测结果和预测结果计算iou获得iou矩阵,再利用匈牙利算法进行匹配并基于设定的iou阈值来进行筛选得到匹配id,对于没有匹配上的id&#