论文笔记：SORT

1. 简介

这是发表在ICIP 2016上的一篇文章。文章提出了一个基于卡尔曼滤波和匈牙利算法的多目标跟踪算法，实现了高速跟踪。

2. 动机

之前的算法建立的模型够过于复杂，因此算法的速度很慢或者精度不高。本算法只采用一些简单的信息（位置、速度、尺度，跟踪过程不使用外形特征），从而实现高速且较快的多目标跟踪。

3. 方法

检测

使用faster rcnn的检测结果，只取其中行人部分（且输出概率大于80%）。

建模

每个目标的状态表示为如下向量：
$\mathbf{x}=[u,\ v,\ s,\ r,\dot{u},\dot{v},\dot{s}]^{T}$x=[u, v, s, r,u˙,v˙,s˙]T
如果检测框跟一个跟踪目标匹配，就更新目标的状态（速度用卡尔曼滤波处理）。如果没有检测框与跟踪目标匹配，就用线性速度模型简单地更新目标状态。

数据关联

用匈牙利算法匹配检测位置和跟踪目标的状态，使之拥有尽可能大的IOU。此外，IOU低于IOU$_{min}$min​的框忽略。

跟踪ID的新建与删除

当一个检测结果与现存的被跟踪目标IOU低于IOU$_{min}$min​，就初始化一个新的跟踪目标并把速度设为0 。
当存在$T_{LOST}$TLOST​帧没有匹配到一个检测结果，这个跟踪目标就自动删除。考虑到线性速度模型精度太差，文中$T_{LOST}$TLOST​取1 。

4.结果

评测指标

• MOTA (↑): Multi-object tracking accuracy.

• MOTP (↑): Multi-object tracking precision.

• FAF (↓): number of false alarms per frame.

• MT (↑): number of mostly tracked trajectories. I.e. target has the same label for at least 80% of its life span.

• ML (↓): number of mostly lost trajectories. i.e. target is not tracked for at least 20% of its life span.

• FP (↓): number of false detections.

• FN (↓): number of missed detections.

• ID SW (↓): number of times an ID switches to a different previously tracked object.

• Frag (↓): number of fragmentations where a track is interrupted by miss detection.

实验结果