DeepSORT
Re-ID
checkpoint（deepsort的 ReID网络权重）
reid_model_factory.py(reid网络模型库)
SORT
detection.py
(通过相应目标检测模型将视频中每一帧图片的检测结果(边框坐标及置信度得分)封装于 Detection类，此外该类包含了ReID模块提取的外观语义特征以及不同边框坐标形式转换方法)
iou_matching.py(iou匹配)
def iou(bbox, candidates): # 计算IOU
def iou_cost(tracks, detections, track_indices=None,
detection_indices=None): # 计算IOU cost distance 最后返回一个matrix
kalman_filter.py
def __init__(self): # 初始化参数
def initiate(self, measurement): # 对于未匹配到的目标新建一个track,一般这样的检测目标都是新生目标
def predict(self, mean, covariance)： # 卡尔曼滤波根据当前时刻状态预测下一时刻状态
def project(self, mean, covariance): # 投影目标状态分布到测量空间
def update(self, mean, covariance, measurement): # 根据观测值和预测值更新轨迹值
def gating_distance(self, mean, covariance, measurements,
only_position=False): # 计算马氏距离
linear_assignment.py(匈牙利分配)
def min_cost_matching(
distance_metric, max_distance, tracks, detections, track_indices=None,
detection_indices=None): # 最小cost（IOU）匹配
def matching_cascade(
distance_metric, max_distance, cascade_depth, tracks, detections,
track_indices=None, detection_indices=None): # 级联匹配
def gate_cost_matrix(
kf, cost_matrix, tracks, detections, track_indices, detection_indices,
gated_cost=INFTY_COST, only_position=False): # 代价矩阵中的数据由余弦距离计算出来，然后通过马氏距离（实现在gating_distance）对该代价矩阵做出修正，将代价矩阵（costing_matix）中的每个大于阈值的数，置为一个极大的值。
nn.matching.py(对于每个目标，返回最近邻居的距离度量, 即与到目前为止已观察到的任何样本的最接近距离。)
def _pdist(a, b): # 计算两个向量之间的欧式距离
def _cosine_distance(a, b, data_is_normalized=False): # 计算余弦距离并归一化
def _nn_euclidean_distance(x, y): # 计算欧氏距离最近邻距离
def _nn_cosine_distance(x, y): # 计算余弦距离最近邻距离
class NearestNeighborDistanceMetric(object): # 度量轨迹和目标框最近距离，即根据对应确认态轨迹(同一ID)以往所有时刻的外观语义特征与当前目标框的外观语义特征，计算轨迹和目标框的关联距离(相似度)
def __init__(self, metric, matching_threshold, budget=None): # 初始化
def partial_fit(self, features, targets, active_targets): # 调整存储特征的字典使其中存储的特征都是状态为confirmed的对象的
def distance(self, features, targets): # 计算目标框的外观语义特征与对应确认态轨迹(同一ID)以往所有的外观语义特征(欧式或余弦)距离矩阵
preprocessing.py(检测框前处理)
def non_max_suppression(boxes, max_bbox_overlap, scores=None): # 对检测结果进行一个前处理，主要是抑制重叠冗余的检测框
track.py(存储单个轨迹的状态和信息以及负责单个轨迹的预测和更新)
class TrackState: # 定义了轨迹的三种状态
class Track:
def __init__(self, mean, covariance, track_id, class_id, n_init, max_age,
feature=None): # 初始化状态
def to_tlwh(self): # 得到bbox尺寸（左上，宽，高）
def to_tlbr(self):# 得到bbox尺寸（左上，右下）
def get_yolo_pred(self): # 得到yolo 检测框
def increment_age(self): # 预测下一帧轨迹时调用 age+1 time_since_updata+1
def predict(self, kf): # 预测下一帧轨迹信息
def update(self, kf, detection, class_id): # 更新匹配成功的轨迹信息
def mark_missed(self): # 是否将轨迹状态转为删除态
def is_tentative(self): # 状态为在考察期
def is_confirmed(self): # 状态是确认的轨迹
def is_deleted(self): # 轨迹被删除
Tracker.py（存储所有轨迹(集合)的状态和信息，负责轨迹的初始化以及所有轨迹(集合)的预测和更新同时封装了数据匹配模块;）
class Tracker: GATING_THRESHOLD = np.sqrt(kalman_filter.chi2inv95[4])# 设置马氏距离门限
def __init__(self, metric, max_iou_distance=0.9, max_age=30, n_init=3, _lambda=0): # 初始化
def predict(self): # 预测轨迹集合中所有轨迹的下一帧信息
def increment_ages(self): # 视频帧中未检测到目标时调用 因无法进行卡尔曼滤波更新，故不再额外进行卡尔曼滤波预测，但需要更新相应轨迹信息
def update(self, detections, classes): # 更新轨迹集合中所有的轨迹状态和信息
def _full_cost_metric(self, tracks, dets, track_indices, detection_indices): # 使用外观特征和运动特征(门控距离)并结合相关阈值计算相似度矩阵
def _match(self, detections): # 进行级联匹配和IOU匹配，获取匹配成功轨迹和目标框、匹配失败轨迹以及匹配失败目标框
def _initiate_track(self, detection, class_id): # 初始化轨迹状态和信息
deep_sort
class DeepSort(object):
def __init__(self, model, device, max_dist=0.2, max_iou_distance=0.7, max_age=70, n_init=3, nn_budget=100): # 定义一些超参数 选择模型和cuda
def update(self, bbox_xywh, confidences, classes, ori_img, use_yolo_preds=False): # 更新每一帧轨迹
def _get_features(self, bbox_xywh, ori_img): # 提取re-id特征
YOLOV5
track.py
（将deepsort后得到的每一个框的id信息加入到 yolo的检测框上 ，这一步是属于检测器系列的）