【多传感器融合】SORT算法原理

SORT算法原理（匈牙利匹配+卡尔曼滤波跟踪）

将卡尔曼滤波与匈牙利匹配算法结合起来铸就了 SORT（Simple Online and Realtime Tracking）算法，该算法能够快速的完成匹配和跟踪的目的。
如图 3-10，上下两图分别为 T1 时刻和 T2 时刻，假设 T1 时刻成功跟踪了某个单个物体，ID 为 1，绘制物体跟踪 BBox（紫色）。

T2 时刻物体检测 BBox 总共有 3 个（橙色），预测 T2 时刻物体跟踪的 BBox（紫色）有 1 个，解决紫色物体跟踪 BBox 如何与橙色物体检测 BBox 关联的算法，就是 SORT 物体跟踪算法要解决的核心问题。
SORT 关联两个 BBox 的核心算法是：用 IOU 计算 Bbox 之间的距离以及匈牙利算法选择最优关联结果。物体跟踪与物体检测是两件不同的事，物体跟踪是把物体跟踪预测的 BBox与物体检测的 BBox 关联，然后用对应的物体检测 BBox 代表成功跟踪的 BBox结果。如图 3-11 所示，从上到下分别为 T1 时刻、T2 时刻、T3 时刻：T1 时刻已经成功跟踪了 3 个检体（不同颜色的 BBox 代表不同的物体 ID），T2 时刻除了所有物体检测的新位置 BBox（橙色），还要物体跟踪预测的 Bbox（非橙的其它不同颜色 BBox）与物体检测 Bbox（橙色）关联，从而分辨出哪一个物体跟踪的 Bbox 对应哪一个物体检测的 BBox，从而产生 T2 时刻的物体跟踪 BBox结果（包括新增物体跟踪器跟踪 T2 中新检测到的物体），T3 时刻如果被追踪的物体发生了遮挡（红框 BBox 的物体），那么要继续能找到该物体并追踪（避免 ID Switch）。

SORT 算法中的代价矩阵为上一帧的 M 个目标与下一帧的 N 个目标两两目标之间的 IOU，小于阈值的匹配不成功（源码中阈值设置为 0.6）。SORT 算法流程如图 3-12 所示：

使用 2D MOT 2015 benchmark dataset[72]开源数据集对该模块进行测试，多对象匹配指标如表 3-1，对于各测试集大部分的对象匹配度都比较高，故匹配模块性能良好。

多目标状态预测估计的主要工作就是进行对多目标的运动状态的运动学估计，另外对于多传感器权重分配所需的方差信息予以提供，该部分可输出多目标预测框，实际跟踪框如图 3-13 所示，且根据卡尔曼增益评判检测框和预测框哪个更加可信，根据其卡尔曼增益输出跟踪框。