IOU Tracker

github: https://github.com/bochinski/iou-tracker

1. 简介

这两天看了一下本篇关于多目标跟踪的论文，提出了一种简单高效的跟踪模型——IOU Tracker。就像标题所说，它速度快、基于TBD(tracking-by-detection)、不需要图像信息。

就我认为，这篇论文是适应当前（当时）的研究环境提出来的，起一个引领方向的作用。它基于两个重要假设：

• 检测器足够优秀（high precision detections）
• 视频帧率足够高（high frame rates）

2. 算法详述

为什么要做这种假设呢？带着这个疑问，我们先来看一下IOU Tracker的算法：

算法本质十分简单，简单介绍一下：

• 检测前：用σl滤除得分过低的detections
• 对每一个激活状态的轨迹，在当前帧找到对应的最大IOU的detection，并用σIOU限制其是否可以加入该轨迹
• 当前帧的未匹配detections，作为新的轨迹，变为激活状态
• 另外，一个轨迹还需要满足：(1)轨迹中至少一个detection得分高于σh；(2)轨迹时间不少于tmin

所以，其实本算法仅仅利用了检测结果和四个阈值而已：

• σl：检测前过滤
• σIOU：核心跟踪指标
• σh、tmin：检测后过滤
  

这里再额外说一下检测后过滤的两个阈值的作用：

• tmin：过短的轨迹一般是FP问题（当然也有可能过滤掉真实的短轨迹，如果我们真的想留住它，那就修改算法吧~）
• σh：保证轨迹跟踪的目标确实有用！（a true object of interest）又需要低分检测框来保证轨迹的完整性

这就是基本的算法内容了，那我们回到开始提到的两个基本假设，是不是也好理解了呢？

• IOU Tracker过度依赖于检测框的性能，而如今检测的性能也足够好，所以才造就了此类简单的跟踪算法
• 由于本算法是基于帧间IOU进行连接的，所以我们当然不希望目标在帧间变化过快，因为这会影响IOU的可靠性；高帧率可以在一定程度上保证帧间目标的变化足够小

3. 性能与评价

前面提到过，我认为这篇文章就是一个引领方向的作用，他给了我们一个适应当前环境的跟踪优化基准，并希望我们在此基础上做进一步工作。我十分希望在这里贴一下作者自己的评价：

若要总结一下本跟踪器的特点，也是十分简单的：
优点

1. 简单（原理、实现简单，不需视觉信息）
2. 快速（计算代价足够低，甚至不足以和检测器相比拟；且由于其速度快，后续方便在此基础上做扩展）

缺点

1. 依赖检测器性能
2. 依赖帧间变化程度：这个方面还是挺宽的，比如尺寸变化、长宽比变化、遮挡问题等；另外可以想象到，拍摄设备的稳定程度也严重影响tracker性能（如果你的相机是移动的，那很容易造成帧间大幅变化）

另外值得一提的是，从算法原理上可以看出，本算法容易被漏检FN影响性能；而相应的，它对虚检FP具有包容性。这是容易理解的，漏检的bbox是无法被IOU tracker利用的，而虚检的bbox可以用阈值进行过滤。

原文中还有更多的技术细节，以及完整的实验方法，这里就不详述了，感兴趣的读者请参见原文~