目录
简介
多目标跟踪，在DeepSORT提出之前是SORT算法（SORT论文链接）,但是它对身份变换的问题，仅仅采取框和框之间距离的匹配方式，没有考虑框内的内容，所以容易发生ID-switch，不过这个问题已经在2017年的论文中进行了解决,即我们今天要介绍的 DeepSORT。
本文前提是需要对卡尔曼滤波器比较了解，如果不了解建议跳转：【五分钟会，半小时懂】卡尔曼滤波器(Kalman Filter)—目标跟踪（含源码）_xian0710830114的专栏-CSDN博客_连续卡尔曼滤波卡尔曼滤波器在目标跟踪中的使用https://blog.csdn.net/xian0710830114/article/details/122304509?spm=1001.2014.3001.5501
DeepSORT流程图
名词解释
Detections：目标检测器得出的结果，有bboxs和分类、置信度。
Tracks：在整个跟踪流程中用于流转的一个对象，有这些重要属性：
mean：八个值的均值，这八个值是center_x，center_y，aspect_ratio，h，v_center_x，v_center_y，v_aspect_ratio，v_h
covariance:协方差矩阵
track_id：跟踪目标的id
n_init：在track状态被设置为“Deleted”之前，连续错过的最大次数。
max_age：最大寿命，一个跟踪目标出现max_age次，会被删除。
feature：bbox中改对象的特征向量，每次update时这个list会增加一个元素。
hits：观测更新的总次数。
age：自第一次出现以来的总帧数。
time_since_update：自上次测量更新以来的总帧数。
state：1-Tentative创建的Track标为暂定 2-Confirmed已经确认过 3-Deleted
Unmatched Detections：未匹配的Detections
Unmatched Tracks：未匹配的Tracks
Matched Tracks：已匹配的Tracks，匹配次数在3以下的是未确认状态-Unconfirmed，匹配超过3次变成已确认状态-Confirmed。
Confirmed:已经确认匹配的Tracks。
Unconfirmed:未确认匹配的的Tracks。
整体流程
步骤1-预测状态:
上一轮迭代产生的Tracks经过卡尔曼滤波的预测，计算出本轮的mean和covariance，数据的状态（Confirmed和Unconfirmed）是不变的。路径①②
步骤2-第一次匹配:
将步骤1中的Tracks和本轮目标检测器检测出Detections一起送入Cascade进行匹配，产生三种状态的结果Unmatched Tracks,Unmatched Detections,Matched Tracks。路径③④
步骤3-第二次匹配:
但是步骤2的检测会有遗漏，将其与步骤1中未确定的Tracks合并，用IOU Match再匹配一遍得出比较靠谱的Unmatched Tracks,Unmatched Detections,Matched Tracks。路径⑤⑥
步骤4-处理失效对象:
未匹配的Tracks中还没确认的(Unconfirmed)和已确认(Confirmed)但是age超过阈值的state设为Delete。路径⑦⑧⑨⑩
步骤5-输出结果并为下一轮准备数据，其中合并了下面三个来源的Tracks:
(1)步骤3和步骤4中的已匹配的Tracks合并，进行卡尔曼滤波的update，同时age+1，输出Tracks。路径⑪⑫⑬
(2)步骤3中的未匹配的Detections新建出Tracks。⑭
(3)步骤4中已确认而且未超龄的Track⑮
这三个来源的Tracks合在一起作为本轮的输出同时也是下一次迭代的输入，继续步骤1。
重点节点解释
【1】KF预测
1.执行KF.predict,计算mean和covariance
2.寿命age+=1
3.time_since_update+=1，这个值执行KF.predict时+1，执行KF.update时设置成0
4.上一轮迭代传过来的Confirmed和Unconfirmed状态不变，Confirmed已经确定是被跟踪对象的送入【1】去跟新的Detections去匹配，没确认的Unconfirmed送入【3】去做IOU匹配。
【2】Cascade匹配，匹配tracks和detections
1.循环迭代max_age次，直到没有Unmatched Detections
2.利用每个bbox的特征向量计算cos距离
3.匈牙利算法做匹配，会得到三种结果unmatched_detections unmatched_tracks matched_tracks
【3】IOU匹配
IOU匹配沿用了SORT的做法，是将Cascade匹配中的判断距离的算法变成了IOU。
在Cascade匹配后加一个IOU匹配在为了处理剩下的没有匹配的Detections和Tracks，Cascade匹配可能发生漏检，某时刻，预测的轨迹tracks还在，但是检测器没有检测到与之对应的目标。
为什么会有detection匹配失败的情况呢？
可能某一时刻有一个物体是新进入的镜头（比如，之前一直只有三个物体，某时刻突然镜头中出现了第四个新物体），就会发生detection匹配不到tracks的情况，因为这个物体是新来的，在这之前并没有它的轨迹用于预测；还有一种情况就是物体长时间被遮挡，导致检测到的物体没有可以与之匹配的轨迹。
针对上述匹配失败问题，处理方法就是对匹配失败的tracks和匹配失败的detection进行IOU匹配。如果能匹配成功，则再进行更新，然后继续进行预测–观测–更新的追踪流程。
【5】KF Update
1.执行kf.update
2.将特征向量存入feature
3.hits += 1
4.time_since_update = 0
5.if hits>3:state=Confirmed