weixin_45303602的博客

ByteTrack算法是一种基于目标检测的追踪算法，和其他非ReID的算法一样，仅仅使用目标追踪所得到的bbox进行追踪。追踪算法使用了卡尔曼滤波预测边界框，然后使用匈牙利算法进行目标和轨迹间的匹配。ByteTrack算法的最大创新点就是对低分框的使用，作者认为低分框可能是对物体遮挡时产生的框，直接对低分框抛弃会影响性能，所以作者使用低分框对追踪算法进行了二次匹配，有效优化了追踪过程中因为遮挡造成换id的问题。没有使用ReID特征计算外观相似度非深度方法，不需要训练。

比如我track.py跑的MOT16-13的视频，就会在目录的inference/output下生成一个MOT16-13.txt的文本，依次跑完7个训练视频（视频我会放在最后），可得到7个txt文件（需要自己跑代码生成），将得到的txt文件放在data/trackers/mot_challenge/MOT16-train/data/下即可（3.1.1节提到的），准备工作就完成了。跟踪权重：ckpt.t7（deep_sort_pytorch/ deep_sort/ deep/ checkpoint文件夹下）

函数set_id的作用就是为当前目标设置ID，它的输入变量是被设置目标ID的中心点坐标centerPt，返回的是该目标的ID号return_id。在这里，我们除了为目标标注ID外，还实现了另一个功能：绘制了该目标的运动轨迹，所以这里的坐标不仅仅是当前帧的坐标，还包括以前同一目标的坐标。由于我们已经把当前帧内出现的ID保存在了now_id内，所以我们只需要把id_history内的ID与now_id比较，将now_id内没有出现的ID从id_history内剔除掉即可。id_counter为目标ID的编号。

DeepSORT（Deep learning based SORT）是一种基于深度学习的视觉目标跟踪算法，它结合了深度学习和传统的目标跟踪算法SORT（Simple Online and Realtime Tracking）。DeepSORT基于目标检测器（如YOLO、Faster R-CNN等）检测每一帧图像中的目标，并使用多特征融合（Muti-feature Fusion）技术对目标进行表示和描述，然后使用SORT算法对目标进行跟踪。