deepsort算法 & 卡尔曼滤波 & 匈牙利算法

目标追踪最核心的两个算法就是卡尔曼滤波和匈牙利算法算法。

卡尔曼滤波：根据当前帧中的轨迹预测下一帧的轨迹。

匈牙利算法:将预测的目标位置与检测到的目标位置进行匹配，实现对目标的准确跟踪。

Sort算法

Sort算法分为以下几个步骤：
1.卡尔曼滤波预测轨迹
2.利用匈牙利算法匹配当前帧 目标检测（Detection） 的结果以及步骤一中卡尔曼滤波预测的轨迹进行匹配 （IOU匹配）
3.若匹配成功，卡尔曼滤波进行更新，若匹配失败则直接删除。

Deep Sort算法

Deep Sort算法是在Sort算法基础上进行了一系列的优化，其中最重要的优化就是增加了级联匹配。主要步骤如下：
1.卡尔曼滤波预测轨迹
2.利用匈牙利算法匹配当前帧 目标检测（Detection） 的结果以及步骤一中卡尔曼滤波预测的轨迹进行匹配 （级联匹配 + IOU匹配）
3.卡尔曼滤波进行更新

https://blog.csdn.net/qq_43591839/article/details/126008607

多目标追踪

随着目标的移动，是不是同一个人。是不是之前那个目标。
如果目标突然不见了，等它再出现，要判断他是不是之前识别的人，id不能变。

既要得到每一帧检测结果
也要看看当前每一帧还是不是之前的人。

卡尔曼滤波

必须是一帧一帧的，不是当前是第一帧，下次是第5帧。

卡尔曼滤波的初始值

预测值和估计值都有误差，卡尔曼滤波就是想办法综合预测值和预测值得到更优的结果。

如何实现跟踪？

从当前帧 的绿框开始，来预测下一帧绿框移动的位置，即蓝框。如果预测框与真实框接近，那么他们就是同一个人。

当下一帧一个观众突然冲出来，遮挡住2号球员，那么预测值发现预测与真实的位置相差较远，那么就把真实框，设置为新的人，赋予新的id.

怎么从当前位置对下一个位置预测？

估计阶段

卡尔曼滤波的预测有两个部分，上面是对状态的更新。
下面是关系的更新。Q是噪音矩阵，关系中也有不可控的因素。比如今天跟女朋友好好的，明天就翻脸了，不知道为啥。

更新阶段

K是卡尔曼增益，也是权重项。

追踪问题中需要考虑的状态：

状态包括：位置，速度，协方差矩阵。

位置和速度

位置用 中心点坐标（cx,cy),r=h/w,h 表示。(cx,cy,r,h) 
速度包括xywh四个方向的速度。(vx,vy,vr,vh)
(cx,cy,r,h,vx,vy,vr,vh)

协方差矩阵

描述多个变量的关系，此时每个变量跟自己和其它变量的关系。

补充：

协方差

协方差是衡量两个变量共同变化程度的一个值。
1.当协方差为正，表示两个变量变化一致。当一个变量增加，另一个也会增加。
2.当协方差为负，表示两个变量变化相反，一个增，一个会减。
3.当为0时，表示两个变量没有线性关系。 

协方差矩阵与相关性分析

https://zhuanlan.zhihu.com/p/434086112

匈牙利算法

用于解决匹配问题，到底匹配到谁。

完成匹配的同时最小化代价矩阵。当前帧检测到的目标该匹配到前面哪个目标。

有时候并不是最优的，而是尽可能多的分配。

小例子

就是看怎么分配代价矩阵最小。

比如第一个分配第一个任务，第三个人分培第二个任务，第二个人分配第三个任务。

在目标追踪中

匹配的例子：
https://www.bilibili.com/video/BV1Ws4y1d7BL/?p=8&spm_id_from=pageDriver&vd_source=ebc47f36e62b223817b8e0edff181613

如何构建代价矩阵呢？

外观匹配是对框内的目标提取特征，与预测的框看是否匹配