SORT论文阅读笔记

目前的想法： 若此时tracker为未更新状态，则直接使用前面匹配上的运动轨迹状态做平均预估下一帧轨迹状态，不使用KF预测。 然后使用ORU插值 为了之后的KF

最大的好处： 快

对于oc-sort的ocr ， 虽然是丢失轨迹的检测值和重新出现的检测值IOU关联，但是 在遮挡期间，仍然使用KF对丢失轨迹预测，(预测后的结果你又不用来匹配 这无疑是一种浪费) ，我认为这里还是用KF的目的是通过T-remain 去找到（下图）

和当前Z-remain匹配。

---

OC-SORT

现有的方法对运动预测都是基于线性运动假设，对非线性运动、遮挡、低帧率视频就没有好的处理效果

SORT有三个缺点：

1.帧率很高的情况，目标位移的噪声可能就和位移大小本身差不多（因为位移会很小），这样Kalman的方差会很大。

2.由于遮挡等原因，如果没有新的轨迹和检测匹配，那目标的噪声可能会积累。证明了误差积累关于时间是平方关系。

3.Kalman主要依赖于状态估计、线性模型，把观测只作为辅助信息。作者认为现在的检测器足够强，应该已经可以把观测作为主要信息了（Observation-Centirc的来源）

一、OOS（Observation-centric Online Smoothing）：减少KF带来的累积误差

bytetrack中的轨迹插值： 轨迹插值是一种有效的后处理方法来获得那些完全被遮挡的物体的框。

这个oos貌似和byte中的轨迹插值就是一回事

现在心里有个疑问 oos是按照匀速运动平滑 但是如果一个人被遮挡后 反方向走 会被追踪到吗

OCM（Observation-centric Momentum）：在代价矩阵中加入轨迹的方向一致性，更好地实现匹配

三 OCR（Observation-centric Recovery）：恢复由于遮挡造成的跟丢问题

“其实单图像检测器其实性能还是蛮差的，他这完全抛弃估计，以检测为中心感觉误差会更差，特别是在自动驾驶等大数据集、复杂场景下，单图像的性能比激光、融合差一大截。”

OCR和OOS都是为了解决被遮挡后 KF预测不可靠的问题

参考：(103条消息) [论文阅读笔记13]Observation-Centric SORT(OCSORT)论文中的公式推导-优快云博客