deepsort算法流程简介

研究了一段时间的FairMOT，但是对其跟踪部分类似于Deepsort的算法并不熟悉，惭愧啊。于是补习一下这个广泛应用在工业界的经典而又简单的tracking算法。由于很多博客已经说的很详细了，这里只谈一下自己对于流程的一些概述和理解。

我们面临的任务是这样的：在某一帧，有许多个之前的track，以及当前帧的detection，我们希望的是把这些detection分配给之前的轨迹。如果匹配成功，那么该detection就分配给那个track，如果detection未匹配，则只能产生一个新的轨迹。

所以tracking问题的核心就在于如何进行最好的匹配？

Sort算法中仅采用track与detection之间的IOU作为代价矩阵，采用卡尔曼滤波进行预测更新，用匈牙利算法做二分图匹配。这样只是尽可能多的匹配上检测框，并不能保证匹配的准确性（因为他只是在意框之间的位置关系，并不在意框里面的内容或者特征是什么），会导致大量的Id switch。

因此Deepsort中引入了级联匹配，主要是不仅仅考虑框之间的位置关系，更要在意track和detection两者之间的特征要相近。

对于轨迹的一些知识

我们可以把轨迹分为三种状态：confirmed，unconfirmed以及deleted。（1）confirmed轨迹表示之前有若干帧连续成功匹配的轨迹，并且到当前帧为止，连续未匹配的帧数小于给定阈值（30帧？）；（2）unconfirmed一般是刚产生的轨迹，连续匹配帧数还没达到设定的标准（好像是连续3帧匹配成功就能成为confirmed）；（3）deleted是已经被删除的轨迹，有两种来源：其一是confirmed轨迹连续很多帧没有匹配到，超过了设定的阈值；其二是unconfirmed轨迹在某一帧没匹配成功，直接删除。

我们还需要将每个confirmed轨迹设置优先级：轨迹到上一次成功匹配的时间越长（也就是说越久没有匹配成功），则该轨迹的优先级越低。因为作者说一个track的不确定性会随着未匹配次数的增多而增加。而当两个track去竞争一个detection的时候，不确定性更大的track和detection之间的马氏距离更小