目标跟踪研究（一）

前言

  近年来，基于深度学习的单目标跟踪算法取了显著的进步，但深度学习在多目标跟踪领域仍局限于基于图像识别领域的成果进行迁移，缺乏对跟踪场景复杂性的考虑，因此多目标跟踪问题仍没有得到充分研究。除了单目标跟踪中存在的光照变化、尺度变化、背景杂波，目标的形状变化、姿态变化、部分遮挡、快速运动、运动模糊等问题，在多目标跟踪中相较于单目标跟踪还存在以下问题：a.目标数量影响；b.维持目标ID；c.目标间的交互和遮挡；d.相似外观；e.轨迹起始和终止；f.目标再识别（跟踪目标再次出现）等问题。
  因此需要解决测量帧内目标的相似度，包括外观相似（摄像头分辨困难），运动模式相似（雷达分辨困难），轨迹交叉、目标遮挡或碰撞（摄像头和雷达分辨均困难），相互运动模式（其中有两种，分别为社会力模式，即目标会根据对环境和其他物体的观察，改变自我运动模式；人群运动模式，该属于目标特别密集的场景，个人运动模式和外观难以分辨）等。

  根据图可以看出，基于视觉的目标跟踪算法主要有2个方向：（1）基于相关滤波和深度学习的结合；（2）端到端的深度神经网络框架。左边为深度学习方向的积累，属于广度高但深度不足情况；而右边相关滤波方向的发展，呈迭代式深层发展。视觉跟踪领域的神经网络框架中，以2017年提出2018年流行的Sia