【多目标跟踪】DeepSort调试及代码实现

最新推荐文章于 2025-07-30 11:17:26 发布

孤帆扁舟去

最新推荐文章于 2025-07-30 11:17:26 发布

阅读量9k

点赞数 4

CC 4.0 BY-SA版权

分类专栏：计算机视觉文章标签：多目标跟踪

本文链接：https://blog.youkuaiyun.com/weixin_42490152/article/details/99994949

本文详细介绍了DeepSort在多目标跟踪中的处理流程，包括预测和更新阶段。通过Kalman滤波预测目标位置，使用余弦距离和马氏距离进行匹配，并结合匈牙利算法进行指派。同时，文章涵盖了特征更新、新目标初始化和追踪器管理等关键步骤。

F. Yu, W. Li, Q. Li, Y. Liu, X. Shi, J. Yan. POI: Multiple Object Tracking with High Performance Detection and Appearance Feature. In BMTT, SenseTime Group Limited, 2016.
github:https://github.com/nwojke/deep_sort

deep_sort代码处理流程解析

按视频帧顺序处理，每一帧的处理流程如下：
1.读取当前帧目标检测框的位置及各检测框图像块的深度特征(此处在处理实际使用时需要自己来提取)；
2.根据置信度对检测框进行过滤，即对置信度不足够高的检测框及特征予以删除；
3.对检测框进行非最大值抑制，消除一个目标身上多个框的情况；
4.预测：使用kalman滤波预测目标在当前帧的位置
5.更新：更新kalman追踪器参数及特征集，另外进行目标消失、新目标出现的判断

4.预测

kalman滤波公式1和2:
x(k)=Ax(k−1)
p(k)=Ap(k−1)A^T+Q，
其中，x(k−1) 为目标的状态信息（代码中的mean），为上一帧中目标的信息[center x,center y,aspect ration,height,0,0,0,0];p(k−1)为目标的估计误差(代码中的covariance)；A为状态转移矩阵；Q为系统误差；

#mean
mean_pos = measurement
mean_vel = np.zeros_like(mean_pos)
mean = np.r_[mean_pos, mean_vel]

#covariance
self._std_weight_position = 1. / 20
self._std_weight_velocity = 1. / 160    （可调参数）
std = [
            2 * self._std_weight_position * measurement[3],
            2 * self._std_weight_position * measurement[3],
            1e-2,
            2 * self._std_weight_position * measurement[3],
            10 * self._std_weight_velocity * measurement[3],
            10 * self._std_weight_velocity * measurement[3],
            1e-5,
            10 * self._std_weight_velocity * measurement[3]]
        covariance = np.diag(np.square(std