ByteTracker行人跟踪核心代码解读

byteTracker中因为目标检测和行人跟踪是解耦的，因此这里主要分析的是byteTracker中的代码。

也即是分析当给定一帧图片frame_id,给定这帧中的box列表，行人跟踪类是怎么跟踪每条轨迹的。

也就是https://github.com/ifzhang/ByteTrack中位于目录tutorials/trades/byte_tracker中的代码。

首先这个代码中最重要的两个类，一个是轨迹类STrack，一个是跟踪类BYTETracker类。
前者是每条轨迹，后者管理目前视频流中的所有轨迹，并在新的一帧到来之后通过调用类方法update更新当前视频流中的轨迹状态（可能有新的轨迹，可能有旧的轨迹失去跟踪目标框，可能有目标框匹配成功，可能有之前丢失目标框的轨迹重新匹配成功）。

之所以写这个代码解读，是因为每次重新捡起来阅读的时候都被各种参数搞得晕头转向，很容易混淆不同参数的含义。索性写个详细的笔记记录一下。

一、轨迹类STrack

这里面保存的都是轨迹自身的状态。跟踪类BYTETracker类通过调用轨迹的属性和方法来进行轨迹状态的管理。

1 属性集合

属性名称	类型	含义
self._tlwh	列表	保存目标框属性
self.is_activated	bool	该轨迹是否是激活状态（也就是保持追踪中）,如果是视频流的第一帧，那么第一次update的时候，该属性就是True，如果不是第一帧，那么需要第二次匹配成功的时候才会设置为True（考虑一下误识别的情况，这就可以理解了，只有当连续两帧都匹配成功，才认为这个轨迹可靠）。
self.kalman_filter	类实例	在第一次调用activate()函数时，设置卡尔曼滤波器
self.mean, self.covariance	ndarray	保存卡尔曼滤波对于这个轨迹的mean和convariance.其中len(mean)=8(x,y,a,h,va,vy,va,vh),v表示速度，covariance为[8,8]。在第一次调用activate()函数时进行初始化，初始化根据目标框的坐标进行估计
self.tlbr	ndarray	如果self.is_activated=True，那么就是根据卡尔曼滤波预测的左上角和右下角坐标,如果self.is_activated=False，那么就是当前检测框观测值的左上角和右下角坐标
self.tlwh	ndarray	如果self.is_activated=True，那么就是根据卡尔曼滤波预测的左上角和宽高，如果self.is_activated=False，那么就是当前检测框观测值的左上角和宽高
self.score	float	轨迹分数，采用当前帧的目标框分数作为轨迹分数
self.tracklet_len	int	轨迹追踪的帧数，初始为0，后面每追踪成功（调用update方法），则+1
self.state	TrackState	TrackState.New，Tracked,Lost