【】目标检测与跟踪概述

随着信息技术的发展，基于视觉的运动目标的检测与跟踪已逐渐渗透到人们生活的方方面面，其重要性日益突出，吸引着越来越多的国内外学者和研究机构参与在这个领域的研究。目前，基于视觉的运动目标检测与跟踪已广泛应用于视频监控、虚拟现实、人机交互、行星探测、行为理解等领域。
SORT是一种快速在线多目标跟踪（MOT）算法，基于TBD（Traking-by-Detection）策略，这些特征决定了SORT的实用性，多目标跟踪方法的重点是为在线和实时应用有效的关联对象。
SORT算法仅使用基本算法，例如卡尔曼滤波和匈牙利算法作为跟踪组件。本文将使您对目标跟踪任务和SORT算法的工作流程有一个初步的了解。
卡尔曼滤波算法
卡尔曼滤波理论是卡尔曼博士在1960年访问美国宇航局时首次提出的，它震惊了美国宇航局，并为著名的“阿波罗”计划做出了贡献，使人类首次登上月球。
卡尔曼滤波是基于时域描述的线性动态系统。其模型是一个马尔可夫链，该马尔可夫链基于一个受高斯噪声干扰的线性算子。
系统的状态可以由向量表示，其元素为实数。随着离散时间的增加，线性运算符将作用于当前状态，生成新状态，并带来一些噪声，并且还将添加一些已知的控制信息。同时，另一个受噪声干扰的线性算子将产生这些隐藏状态的可见输出。
假设我们想要实时获得机器人在空间中的位置，我们需要一个机器人运动模型。如果我们不知道机器人的确切运动模型，我们可以简单地假设它是一个匀速运动模型。
对于运动模型，我们可以通过一组状态变量来表示：

本文插图
其中

本文插图
我们只记录位置和速度，根据我们的模型和期望得到的数据，我们可以将任何数据变量放入系统状态。
根据轨道在k-1时刻的状态x ，我们预测k时刻的状态x为:

本文插图
令F为状态转移矩阵，则

本文插图
卡尔曼滤波假设所有变量的值都服从正态分布，那么系统各变量之间的不确定性可以用协方差来表示。系统状态的协方差记为P_k ，因为我们有以下公式:

本文插图
综合上述运动模型，我们可以得到状态变量和误差的更新公式:

本文插图
我们将这个预测误差矩阵记录为Q ，它代表预测中的高斯噪声。误差的简单叠加就可以得到一个完整的预测转换方程：

本文插图
我们还需要一个传感器来提供系统状态的观测数据，并通过实测值来细化前一阶段模型的预测值。传感器可以测量的变量由其功能决定。
假设我们有一个可以直接获取机器人位置状态量p的传感器， p = [x ， y ， z] 。传感器测量的范围和单位可能与系统状态变量的范围和单位不一致，因此我们需要进行以下转换：

本文插图
其中H是变换矩阵。由于高斯噪声的影响，传感器的读数会在一定范围内波动。我们将传感器测量值的不确定度的方差记为R ，传感器实际返回的值记为z_k 。