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，这显然会破坏track的持续性。因此对于confirmed轨迹，需设置优先级，循环的进行级联匹配。
级联匹配
只有confirmed状态的轨迹才会进行级联匹配，主要是运用外观的余弦距离和马氏距离作为代价矩阵。外观特征很简单，就是把box送入到一个CNN中，得到一个embedding就是特征向量。通过余弦距离，就可以得到每一个track与每一个detection之间特征的相似性（假设track有i个，detection有j个，就得到了i*j的关联矩阵）。我们把超过某个阈值的值置为无穷大（因为值越小表明越相似，先筛除掉一些feature很不一样的）。接着对每一个track和detection计算其位置的马氏距离，以排除掉虽然特征相似但距离很远的匹配，即把马氏距离矩阵某些大于指定阈值的值置为无穷，该矩阵维度与前者相同。这样把两个矩阵按照一定的权重相加，就作为最终的代价矩阵，进行后续的匈牙利算法的二分匹配。
ps：这里的马氏距离其实就是欧式距离的改进版，其好处可以参考其他博文，这里不做详述。
IOU匹配
IOU匹配就是把unconfirmed轨迹和上一帧匹配到的confirmed轨迹（通过卡尔曼滤波预测后的位置），去和剩下的detection计算IOU，以IOU为代价，通过匈牙利算法进行匹配。
因此通过级联匹配和IOU匹配，就可以得到match的轨迹和detection，没有match的轨迹，以及没有match的detection。
后续就是把很久没匹配到的confirmed轨迹删除，或者为匹配到的unconfirmed轨迹删除，将没匹配到的detection分配新的轨迹，卡尔曼滤波更新，调整没有match的轨迹的优先级等一些操作，以便下一帧的运算。
下面一张图个人认为很好的deepsort算法描述图：
由于没详细看过代码，过程难免会有些细节疏忽，不过大致流程就是这样，如有错误请指正。