AI City challenge2018冠军论文阅读

原文：论文
代码：github
这个队伍的想法很创新，首先他对于SCT，没有采用深度学习提取特征的这种方法，而是偏向使用图像图形学的知识，而且对于mtmc的处理，大部分论文使用了聚类的办法，但是它采用了计算非训练的方法，经由reid之后，去一一匹配。
下面说一下他的创新点：首先进行相机校准。
为什么要进行相机校准呢：在多镜头多目标的追踪下，需要利用不同镜头下的物体视觉信息，减少被遮挡区域，并且提供目标和场景的3D信息，相机视图对于3D场景有畸变作用，比如你不能确定远处的物体到底有多远，所以要使用相机校准还原3D场景。

相机校准

现附上一位大佬的博客吧：3D重建之相机校准
简而言之，相机拍照会经历3个坐标系：图像坐标系，相机坐标系，世界坐标系。相机的参数分为两个：相机内参和相机外参，内参用于相机坐标系投影到图像像素，外参用于将世界坐标系投影到相机坐标系。内参一般是不随时间变化的，可以通过matlab等校准工具求得，外参需要在实际过程中求得。
在这个比赛里，他们对相机校准进行了优化，首先他们在相机图像上选了n段直线，记录他们的坐标(x,y)，然后通过参数矩阵把它投到了3D中，然后使用了Google map来获取真实制的坐标，并且计算预估值和真实值的误差，来反复校准相机参数（E