多目标追踪SORT算法简介

背景
    
随着神经网络在目标检测领域的广泛应用，目标追踪问题越来越多地借助检测方法来实现，即Tracking by Detection。SORT算法是由昆士兰科技大学的Alex Bewley于2016年在ICIP会议上提出的针对多目标追踪(Multi Object Tracking, MOT)问题的解决方案。
    
方法简介
    
SORT算法主要包含以下几个关键步骤：
    
     
        
      
基于当前帧对每个目标进行检测，得到两个检测框：一个是通过检测模块获取的物体检测框，另一个是通过卡尔曼滤波算法基于上一帧中目标位置的预测结果。
        
      
计算两个检测框之间的交并比（IOU），使用IOU作为匹配程度的衡量标准。
        
      
采用匈牙利算法完成检测框与预测框的匹配。
    
     
    
值得注意的是，SORT算法不依赖于复杂的训练过程，可将其与任何检测算法结合使用。其独特之处在于仅基于检测框的位置信息进行匹配，实现了较高的追踪速度。
    
优缺点分析
    
     
        
      
优点：算法逻辑简洁高效，运行速度快。
        
      
缺点：仅使用检测框位置信息进行匹配，忽略了物体外观特征信息。在存在遮挡或目标消失重出现的场景下，容易出现大量的Switch-ID现象，影响追踪精度。
    
     
    
改进与发展
    
基于SORT算法的改进工作由原作者团队完成，提出了DeepSort算法。在DeepSort中，增加了基于物体外观特征的128维描述向量，优化了检测框与预测框的匹配策略，为多目标追踪问题提供了更为全面的解决方案。