【目标跟踪算法】Strong SORT多目标跟踪模型论文解析+代码详解

frootguo

已于 2023-03-17 14:11:43 修改

阅读量3.9k

点赞数 5

分类专栏：深度学习文章标签：算法目标跟踪深度学习

于 2023-03-17 13:56:34 首次发布

本文链接：https://blog.csdn.net/qq_43348528/article/details/129619337

版权

62 篇文章 6 订阅

订阅专栏

Strong SORT算法基于经典的Deep SORT模型，并从目标检测模型、表征特征模型和匹配算法等各个方面对其进行了升级优化。
在这里插入图片描述

对于Strong SORT算法的表观特征分支部分，主要是进行了2方面的优化，一是优化了特征提取器的能力，二是利用了EMA（Exponential moving average）特征更新策略从而取代Deep SORT算法中的特征库。

Strong SORT使用了更强大的表观特征提取器BoT来代替原来简单的CNN网络。以ResNeSt50作为主干并在DukeMTMC-reID数据集上进行预训练，该表观特征提取器可以提取更多的判别特征。
此外，将特征库替换为EMA（Exponential moving average）特征更新策略。对于轨迹i在第t帧的表观特征如下：

EMA特征更新策略不仅仅增强了匹配的质量，同时也节省了匹配的时间，不再需要和特征库（通常是1条轨迹保留近100个特征向量组成）相匹配。

对于Strong SORT算法的运动模型分支部分，主要是进行了2方面的优化，一是采用ECC算法（Enhanced Correlation Coefficient）进行了摄像机运动补偿，二是使用了NSA卡尔曼算法取代了传统的卡尔曼算法。

ECC算法（Enhanced Correlation Coefficient）
ECC算法全名是增强相关系数算法，这个算法是适用于图像配准任务的。也就是对于两张内容差异小，但是存在光照、尺度、颜色、平移等变换影响的图像，将二者对齐。
NSA卡尔曼滤波算法
在Deep SORT中，基于线性运动假设的卡尔曼滤波器用于对物体运动进行建模。它由状态估计步骤和状态更新步骤组成。卡尔曼滤波器先产生当前状态变量的估计，以及它们的不确定性。然后用估计状态和测量值的加权平均值更新这些估计值。