Deepsort原理分析

        Deepsort前身是SORT，全称为Simple Online and Realtime Tracking，中文名为简单在线实时追踪。SORT的的基本思想为用Faster R-CNN检测框检测出人所在的位置，用卡尔曼滤波预测出人所在的位置，最后对这两处检测结果用匈牙利算法做IOU匹配，IOU匹配的结果只有3种可能性：轨迹失配、检测失配、匹配轨迹，对于这三种情况SORT会做出不同的反应，具体如下图。实时检测时一般情况下画面上是有多个目标的，针对多个目标的处理步骤一般如下，见第二张图：

        匹配轨迹指的是当检测框与卡尔曼滤波预测框的IOU匹配符合要求时，卡尔曼滤波马上会刷新一下新的预测框，一直符合要求就一直这样继续下去。  轨迹失配指的是卡尔曼滤波预测的预测框检测不到目标检测的检测框，如果持续T_lost次，那么很可能这个物体已经离开这个画面了，所以删除该ID目标，检测失配一般指的是画面中突然多出来了一个人，此时检测框检测出来了，预测框还没预测出来这时候检测与预测就失配了，此时就给他分配一个新的ID，如下图所示：

         总而言之，最核心最关键的还是匈牙利算法，之所以用匈牙利算法是因为一幅画面中有多个目标检测框和预测框，我们是需要知道他们之间的映射关系的，匈牙利算法解决的是(最优)分配问题，具体看下图，用到目标检测中就是每一个目标检测框和卡尔曼滤波预测出来的检测框的IOU距离越大越好。SORT算法的缺点如下图2：

         为了解决SORT的问题引入Deepsort，Deepsort在SORT的基础上加了级联匹配和新轨迹的确认，最核心的概括起来就是引入了表观信息(需要训练的)并使用级联匹配来提高SORT的表现，他能够处理目标被长时间遮挡的情况，降低ID switch。