SORT-1 项目配置运行-WINDOWS

SORT系列

SORT-1 项目配置运行-WINDOWS
SORT-2 卡尔曼滤波推导和示例
SORT-3 匈牙利算法和SORT类
SORT-4 SORT项目代码解析
本项目地址

论文原文：论文地址
项目地址：项目地址
论文翻译：不断进步的咸鱼
参考：
代码详解：SORT详解： 代码解读_计算机视觉-Archer的博客-CSDN博客_sort算法详解
卡尔曼滤波部分代码：卡尔曼滤波代码
匈牙利算法和KM算法：匈牙利算法和KM

配置过程：
1.首先将项目下载到本地。

2.按照项目要求配置环境

• 安装依赖包

pip install -r requirments.txt

• 如果不需要演示，只运行 tracker 跟踪器的话，直接运行脚本即可

python sort.py

• 如果要演示运行结果，则需要下载数据集。数据集下载
  
• 建立符号链接（symbolic link，与软链接类似），将数据集路径链到项目地址下。

## LINUX 环境
ln -s [源文件] [目标文件]

##如果不带 -s 参数，则是硬链接

## WINDOWS环境
mklink /d [目标路径] [源路径]

# /d 表示文件目录链接
# 例如：
mklink /d D:\MOT\project\sort-master\sort-master\mot_benchmark D:\MOT\dataset\MOT15\MOT15

执行该命令后，项目路径下多出了该文件。

• 运行配置

可以直接在终端执行脚本运行

python sort.py --display

也可以在 Pycharm 中配置运行参数。


设置脚本路径和形参，则可以直接点击运行即可。

• 运行成功
  

卡尔曼滤波器

学习视频：卡尔曼滤波器原理+代码 （非常推荐！！！）

• 卡尔曼滤波是一种利用线性系统状态方程，通过系统输入观测数据，对系统状态进行最优估计的算法。
• 由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可以看做滤波的过程。
• 卡尔曼滤波在测量方差已知的情况下，能够从一系列存在测量噪声的数据中，估计动态系统的状态。

符号说明：
$$

ps：xk,pk 是根据前一时刻的状态预测来得，所以状态空间的高斯分布是预测来得。

最终的分布是，两个分布构成的联合分布。

联合分布的求法：

将两个高斯分布带入公式，可得K。

在处理 ${\mu }^{‘}$时，注意，构建的高斯分布是关于观测空间的(Dz1)，但最终需要的是状态空间(Dx1)。所以将 u '表示为 $HXk$，以建立与状态空间的关系。

带入得：

在目标跟踪任务中，当存在 zk，即有检测框时，调用更新方程，更新 xk,pk；否则不存在时，使用预测方程，预测出一个 xk,pk。