ByteTrack流程剖析（C++版本）

1、简介

本文主要用于记录当前阶段对Bytetrack官方代码进行剖析进展，方面后面优化。
ByteTrack 发表于ECCV 2022，顶会的文章，主要用于目标跟踪。整体设计思路较为简单，并且作者在github上开源代码，python及cpp的都有，可以快速使用和部署。看git上介绍，PaddleDetection继承了这个方法。

优点：策略简单，效果好，性能优越，易于部署
关于具体介绍和测试效果，可以去看官方github，这里不涉及使用，仅涉及原理剖析。
还是贴一张效果图吧

2、设计原理

首先看paper上给的原生算法描述：

这里描述一下整体流程并结合CPP源码补充细节

# 同样编写伪代码
输入:视频序列V;目标检测函数Det;检测置信度阈值t
输出:视频轨迹T
  初始化轨迹T为空
  遍历视频V中的每一帧图像Fk:
  	Dk一张图像中全部目标检测框集合,初始化为空
  	D-high,存放置信度大于t的检测框,初始化为空
  	D-low,存放置信度小于t的检测框,初始化为空
  	Dk = Det(Fk),Dk为一帧图像中的目标检测框集合，包含位置信息和置信度
  	遍历检测框集合Dk中的每一个框d
  		如果d.score(置信度) > t,将d放入集合D-high
  		否则，将d放入集合D-low
  	遍历轨迹集合T中的每个轨迹track： // 激活状态的连续轨迹(上一帧追踪到了)和不连续轨迹(上一帧没追踪到)
  		对轨迹track进行卡尔曼滤波,得到预测状态下的track
	// 第一次匹配
  	使用similarity算法关联轨迹集合T(卡尔曼更新后的)与集合D-high
  	未匹配到的检测框放入集合D-remain
  	没有匹配到track的放入集合T-remain,注意这里T-remain只包含激活状态下未匹配的连续轨迹，去除不连续轨迹
	// 第二次匹配
	使用similarity算法关联轨迹集合T-remain与集合D-low
	没有匹配到轨迹track的放入集合T-re_remain，标记为移除状态
	没有匹配到的检测框直接丢弃
	将T-re_remain从T中移除

到这里翻译完毕，是不是看的一头雾水，因为给的算法隐藏了很多细节，不完整，我重新整理细节

1. 输入一帧图像，经过模型输出若干检测框，将检测框分为两种，大于阈值T(用户设定)的为D_high，小于T的为D_low
2. 如果是首次计算，因为轨迹为空，将阈值大于S(用户设定)的检测框设置为轨迹TP，并设置为激活状态，等待下一帧，重新执行1
3. 对轨迹TP进行卡尔曼滤波，得到新的预测轨迹TP_N，将上一次匹配到(状态tracked)和没有匹配的(状态lost)轨迹分别用T和L表示，则TP=T+L
4. 匹配高阈值：计算轨迹TP_N的预测框和检测框D_high的IOU指标，使用IOU进行匹配（这里作者用了lapjv算法，据说是匈牙利算法的10倍性能),匹配到的轨迹保留，这里记作A。则A由部分T和部分L组成；令TP_R=T-A∩T，则未匹配到的检测框记为Box_U
5. 匹配低阈值：计算轨迹TP_R的预测框和检测框D_high的IOU，使用IOU进行匹配，匹配到的轨迹保留，这里记作B，未匹配的检测框丢弃。未匹配到的轨迹状态改为lost,记作L_N=TP_R-B
6. 匹配未激活轨迹：计算为激活轨迹TP_U与检测框Box_U的IOU，使用IOU进行匹配，匹配到的轨迹保留，这里记作C，未匹配到的轨迹状态标记为移除。未匹配到的检测框记为K=Box_U-C，作为新的未标记轨迹
7. 则新的轨迹为TP’ = A + B + C,新的未标记轨迹K，然后重复步骤1

3、流程剖析

使用图形方法展示处理流程
1、轨迹初始化，因为轨迹初始为空，所以第一次进入的检测框，如果置信度大于形成轨迹阈值，就可以作为激活状态的轨迹。
初始化轨迹

2、根据设置的阈值，将新的检测框划分为高阈值和低阈值，轨迹经过卡尔曼滤波更新自己的位置状态，生成预测框。将预测框和高阈值检测框进行IOU计算，并使用lapjv算法进行匹配。对于没有匹配到的高阈值检测框，后面和未激活状态的轨迹进行再次匹配。

对于没有匹配到的轨迹，再次和低阈值检测框进行匹配。低阈值没有匹配到的检测框直接舍弃，没有匹配到的轨迹状态设置为lost，即当前未匹配的非连续轨迹。

3、对于没有匹配到轨迹的高阈值检测框，如果是首次出现，则将其设置为状态为未激活状态的轨迹，这里设置为Tracks-tmp。

如果Tracks-tmp非空，高阈值检测框和Tracks-tmp进行匹配，匹配到高阈值检测框的轨迹状态设置为激活状态，未匹配到轨迹的高阈值检测框成为新的未激活状态的轨迹。

4、进行新的轨迹分类
未激活状态的轨迹Tracks-tmp更新，由未匹配到轨迹的高阈值检测框转化
状态为lost的不连续轨迹Tracks-lost更新，由未匹配到检测框的连续轨迹转化

激活状态，新的连续轨迹，由匹配到检测框的连续轨迹+匹配到检测框的非连续轨迹+匹配到检测框的未激活轨迹组成。

5、新一轮匹配，非连续轨迹也会参加高阈值检测框匹配，但是在低阈值检测框中，不再参与。如果非连续轨迹N次匹配都失败的话，状态设置为移除状态。

6、剩余的步骤和上面一样，只有状态更新存在差异

至此，byteTrack整个处理流程完毕！！！

官方源码还是比较啰嗦的，后面准备优化简化流程