https://zhuanlan.zhihu.com/p/90835266
Tracking-by-Detecton 基于目标检测的结果来进行目标跟踪：
- 匈牙利算法（KM算法）：将前一帧中的跟踪框tracks与当前帧中的检测框detections进行关联，通过外观信息、马氏距离、或者IOU来计算代价矩阵
- 卡尔曼滤波：基于传感器的测量值（在目标跟踪中即目标检测器）与跟踪器的预测值，实现更精确的估计。（结合预测（先验分布）和测量更新（似然）的状态估计算法）
关键步骤：
deeposrt改进：代价函数增加代表运动模型的马氏距离和代表外观模型的Re-ID特征。
检测器生成detections → 预测tracks→ 使用匈牙利算法将新tracks和detecions进行匹配 → 用每对中的detection进行对应的track卡尔曼滤波更新
1）在目标跟踪中，需要估计track的以下两个状态：
均值(Mean)：表示目标的位置信息，由bbox的中心坐标 (u, v)，宽高比r，高h，以及各自的速度变化值组成，由8维向量表示为 
。
协方差(Covariance )：表示目标位置信息的不确定性，由8x8的对角矩阵P表示，矩阵中数字越大则表明不确定性越大。
2）track在t+1时刻的状态： 卡尔曼滤波器采用匀速模型和线性观测器模型
track在t+1时刻的协方差矩阵P'
协方差是经验参数，初始状态为
系统噪声矩阵
3）基于卡尔曼滤波器的预测结果进行匹配：
采用匈牙利算法/KM算法先对Klaman滤波器预测阶段得到的运动估计和观测进行关联。
匹配成功的则进行Kalman滤波器的更新，匹配失败的跟踪轨迹则视为丢失，匹配失败的观测量则视为新增轨迹；
4）匹配成功后，对track根据匹配对的检测结果进行更新。
a.测量矩阵H将track的均值向量x'映射到检测空间
detection与track的均值误差：
b. 将协方差矩阵P'映射到检测空间，加上噪声矩阵
检测器噪声矩阵
c.计算卡尔曼增益K，用于估计误差的重要程度
d.计算更新后的均值向量x和协方差矩阵P
