MOT （Beyond Pixels: Leveraging Geometry and Shape Cues for Online Multi-Object Tracking）demo阅读

变量：

• all_wts:3D-3D,3D-2D和2D-2D权重
  global_id：车辆总数
  K_all：相机内参
  angleMapdetectionsQ_dnos：原帧车辆回归框号
  detectionsT_dnos：下一帧车辆回归框号
  result_for_kitti_eval：预估结果
  total_detecions总检测数
  params_carCuboid(avgCar_Sz, sz_ub,sz_lb)：车辆参数
  sz_lb：车参上界
  sz_ub：车参下界
  avgCar_Sz[l, h, w]：车参：长，宽，高
  params_2D3D      = struct( K,  n, h);
  K：相机内参
  n[0，1，0]：道路平面
  h：摄像机离地高度
  detection       = struct( 'dno',      -1.0,    ...  
                    'bbox',       zeros（4,1),   ...
                    'sigma_2D',    zeros(3,3),   ...
                    'yaw',        0.0,           ... 
                    'bvolume',    [],            ... 
                    'bvolume_proj',   [],        ...   
                    'k',              [],        ... 
                    'origin',      zeros(3,1),   ... 
                    'start_frame',    -1.0,      ... 
                    'end_frame',      -1.0,      ... 
                    'sigma_3D',       zeros(4,4)    ...                               
   );
  dno：车辆号
  bbox：车辆检测区域
  sigma_2D：2D激活函数
  yaw：偏航角
  bvolume：3D边界体积（bvolume），它是将偏航和LBH错误应用于平均汽车长方体边界后得到的点的凸包bvolume_projk：边界体积凸包
  origin：车辆位置原点
  start_frame：起始帧
  end_frame：终止帧
  sigma_3D：3D激活函数
  num_matches：匹配数
  pose：Monocular ORBSLAM获取参数[平移量，旋转量，偏航量]
  detections：车辆检测矩阵
  feautes_2D2D：图像特征矩阵
  start_fno：起始帧号
  end_fno：终止帧号
  scoreMatrices_for_seq(end_fno, 1)当前帧得分矩阵
  first_time：是否是首帧
  num_detectionsQ：当前帧检测出的车辆数
  num_detectionsT：下一帧检测出的车辆数
  detectionsQ：当前帧检测出的车辆位置回归框
  detectionsT：下一帧检测出的车辆位置回归框
  motion[1*4]：帧移动量

   

函数

• getCanonicalCuboid(avg_sz):在图像二维图像上生成长方体
  getOffsetBasedOnYaw([车宽，车高]，yaw):计算要应用到X的偏移量，即回归框底线的中心，以实际到达车辆的中心。此偏移只能应用于Z方向。 
  generateScoreMatrices(detectionsQ, detectionsT)：生成得分矩阵
  get3D3DMatchScore(detectionsT{j}.bvolume, detectionsQ{i}.bvolume)：3D车辆物体相交程度
  get3D2DMatchScore(detectionsT{j}.bbox, detectionsQ{i}.bvolume_proj)：3d投影相交程度
  generate2D2DScoreMatrix(features_2D2D{i}, features_2D2D{i+1})：车辆回归框特征相似度矩阵

   

初始化权重，车参，结构体，导入pose矩阵，bounding box矩阵，feature矩阵，angle_map矩阵：

addpath('../third_party');
         % 33  32  22  vp
all_wts = [0.6 0.4 0.2 0.0];
       
dcolors = distinguishable_colors(800);

for ww = 1:size(all_wts,1)
    
    c33 = all_wts(ww,1);
    c32 = all_wts(ww,2);
    c22 = all_wts(ww,3);
    cvp = all_wts(ww,4);       
            
    % 道路平面和相机高度
    n =  [0; 1; 0];
    h =  1.72;
    
    % 平均车参    avgCar_Sz = [4.3; 2; 2];
    sz_ub     = [34; 31.5; 31.5];
    sz_lb     = [-34; -31.5; -31.5];
    
    K_all     = load('../Data/calib/calib_all_test.txt');
    
    
    angleMap = containers.Map([ 90:270 90:-1:0 360:-1:270], [0:-1:-180 0:90 90:180]);        
    
    hungarian_association = false;      
    detectionsQ_dnos = [];
    detectionsT_dnos = [];
    
    for s = [2]        
        
        seqNo = s;                                        
    
        result_for_kitti_eval = [];
        
        total_detecions = 0;
        
        %% SETUP PARAMETERS

        image_path    = sprintf('../Data/images/image_02/test/%04d',seqNo);      
        pose_path     = sprintf('../