精选文章，第一时间送达

目标跟踪(Object-Tracking)问题是目前深度学习中研究的热点问题，主要用在安防监控和自动驾驶上，其中目标跟踪问题又分为单目标跟踪问题和多目标跟踪问题。

单目标跟踪是指在视频的初始帧上框出单个目标，然后预测后续帧中该目标的大小和位置，单目标跟踪典型算法有:Mean Shift、TLD(基于在线学习的跟踪)、KCF(基于相关滤波性)。多目标跟踪不像单目标跟踪一样先在初始帧上框出单个目标，而是追踪多个目标的大小和位置，且每一帧中目标的数量和位置都会有变化，多目标跟踪算法典型有：SORT、DeepSORT。

多目标跟踪MOT(Multi-Object-Tracking)：主要任务是给定一个图像序列，找到图像序列中运动的物体，并将不同帧的运动物体进行识别，也就是给定一个确定准确的ID,这些物体可以是任意的，物体可以是人、车辆、各种动物等。

多目标跟踪算法分类

如上图所示，多目标跟踪算法可分为基于检测的多目标跟踪DBT（Detection-Based Tracking）和基于初始框无需检测器的多目标跟踪DFT(Detection-Free Tracking)。在单目标跟踪中，我们往往会使用给定的初始框，在后续视频帧中对初始框内的物体进行位置预测。而多目标跟踪算法，大部分都是不考虑初始框的，原因是目标的频繁消失与产生问题。

在多目标跟踪领域常用的跟踪策略是TBD（Tracking-by-Detecton），又或者也可叫DBT（Detection-Based-Tracking）。即在每一帧进行目标检测，再利用目标检测的结果来进行目标跟踪，这一步也称为数据关联。而DFT(Deteciton-Free Tracking),常常用于需要人工标定视频的第一帧图像中的目标，之后边检测边跟踪，常用于单目标跟踪，因为DFT目标需要人工标定，对于非第一帧出现的目标或者中间帧消失的目标没办法处理。

如上图，多目标跟踪又可以分为在线跟踪(Online Tracking)和离线跟踪（Offline Tracking）。在线跟踪（Online）是指当前帧的预测只能使用当前帧与之前的帧的信息来进行跟踪，也就是说视频中的第3帧只能使用视频之前的第2帧和第一帧的目标的信息来进行跟踪，Online跟踪是不允许修改以往的跟踪结果。离线跟踪(Offline) : 没有在线跟踪只能使用之前帧的局限，对于每一帧的预测，离线跟踪都能使用整个视频的信息，更容易获得一个全局最优解，Offline跟踪是可以修改以往的跟踪结果。

多目标跟踪问题

一般多目标跟踪，需要处理以下几个问题：

处理新目标的出现和老目标的消失；跟踪目标的运动预测和相似度判别，即上一帧与下一帧目标的匹配；跟踪目标之间的重叠和遮挡处理；跟踪目标丢失一段时间后再重新出现的再识别。

如上图，多目标跟踪算法工作流程如下：

第一步：给定视频原始帧

第二步：运行对象检测器，如Faster Rcnn、YOLO等目标检测算法，检测以获得对象的边界框。

第三步：将所有目标检测框中对应的目标抠出来，进行特征提取(包括表观特征或者运动特征)。

第四步: 进行相似度计算，计算前后两帧目标之间的匹配程度（前后属于同一个目标的之间的距离比较小，不同目标之间的距离比较大）。

第五步：数据关联，为每个对象分配目标的ID，常用匈牙利算法。

多目标跟踪算法benckmarkMOT 数据集：是2015年开始的 MOT Challenge多目标检测跟踪挑战赛提出的数据集，关注的目标主要是移动的行人和车辆，目前MOT Challenge挑战赛发布了MOT15、MOT16、MOT17、MOT18、MOT19、MOT20版本数据集。数据集主页：KITTI数据集: 针对自动驾驶的数据集，由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。KITTI包含市区、乡村和高速公路等场景采集的真实图像数据，每张图像中最多达15辆车和30个行人，还有各种程度的遮挡与截断。数据集主页：多目标跟踪算法评价指标

对于多目标跟踪，最主要的评价指标就是MOTA，这个指标综合了三点因素：FP、FN、IDsw。FP即FalsePostive，为误检测的目标数量；FN即FalseNegetive，为未检出的真实目标数量；IDsw.即同一目标发生ID切换的次数。MOTA越高，代表一个Tracker综合性能越好，上限为100，下限负无穷。

往期精彩：

《-》Yolov3算法实现社交距离安全检测项目讲解和实战（Social Distance Detector）

《-》万字长文，用代码的思想讲解Yolo3算法实现原理，Visdrone数据集和自己制作数据集两种方式在Pytorch训练Yolo模型