DeepSort整体流程梳理及匈牙利算法解析

卡尔曼滤波后面更新。

算法原理

DeepSort核心在于其对目标的外观特征和运动特征的联合使用，以及对目标匹配问题的优化处理。该算法通过融合目标检测的结果，结合匈牙利算法和卡尔曼滤波，实现对多个目标的持续跟踪。

一、主要步骤

1、目标检测：DeepSort算法依赖目标检测器（如YOLO）来确定视频中每一帧的目标位置，检测器的输出包括目标的边界框（bounding box）和类别。
2、特征提取：DeepSort使用CNN来提取目标的外观特征。这些特征对于目标的再识别（Re-ID）至关重要，因为即使目标在视频中被临时遮挡或丢失，这些特征也能帮助算法重新识别和关联目标。
3、匹配和跟踪：匹配过程主要涉及检测框和预测框之间的相似度计算，并使用匈牙利算法找最优匹配解。
4、级联匹配：是一种匹配机制，优先将检测结果与高置信度的轨迹进行匹配，然后再匹配低置信度的轨迹，有助于提高匹配的准确性。
5、轨迹管理：维护每个目标的轨迹，并对新检测到的目标初始化新的轨迹；它还设置了确认状态（confirmed）和未确认状态（unconfirmed），以处理遮挡和临时丢失的情况。

二、算法流程：