算法详解_【MOT】详解SORT与卡尔曼滤波算法

1 前言

SORT（SIMPLE ONLINE AND REALTIME TRACKING），从名字上看，就感觉该方法应当很简单。

作者论文提到

Despite only using a rudimentary combination of familiar techniques such as the Kalman Filter and Hungarian algorithm for the tracking components, this approach achieves an accuracy comparable to state-of-the-art online trackers

该算法提出于2016年，作者仅灵活地使用了卡尔曼滤波算法和匈牙利算法的结合，就实现了当时SOTA的表现效果。结果非常amazing呀！

有关卡尔曼滤波算法和匈牙利算法，网上均有相关的博客进行教程，我们这篇文章先推荐几篇不错的教程，后面根据自己的理解，并结合SORT的论文和代码进行详解。

卡尔曼滤波：

英文：

http://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/#mathybits​www.bzarg.com

中文：

论智：图说卡尔曼滤波，一份通俗易懂的教程​zhuanlan.zhihu.com

匈牙利算法：

ZihaoZhao：带你入门多目标跟踪（三）匈牙利算法&KM算法​zhuanlan.zhihu.com

上面这些文章，都是我入门SORT或者DeepSORT时细读的，个人觉得还不错。

接下来就简单聊聊卡尔曼滤波这个硬骨头，以及他是怎么被用到SORT中的。

2 卡尔曼滤波

在阅读我对卡尔曼滤波的理解前，希望你已经看过上面发过的链接了。

如下图所示（图来源于这儿）。由此可见，卡尔曼滤波主要有两个过程，一个叫做（1）预测，另一个叫做（2）更新。

图 1 卡尔曼滤波的双过程

何为预测，何为更新呢？

这里举个例子，一个机器小车在路上走（路不一定平哈），假设他k-1时候的状态是

,这个状态不妨包含两个参数

• （1）当前位置参数
• （2）当前速度参数

我们在后台可以看到这个小车的一些运行参数，比如（速度、加速度、转角等）。那么我们根据这些运行参数来推理时刻k机器小车的状态是可行的。比如这里假设机器小车是均速直线运动的，那么预测的

那么这个预测的状态就是

由于状态信息中，每个变量间可能存在一定的相关性，所以存在一个描述相关性的协方差矩阵

。当然了，这个

协方差矩阵也是会随着 状态的预测而进行 调整的。具体的调整规则，在前面链接中作者已经探讨过了。以上的过程被称为 预测