Byte算法是用来解决如何充分利用，由于遮挡导致置信度变低的得分框问题（在目标检测中得分低的框也留下来）
Byte中将得分框按照一定阈值划分为高分框和低分框，对于高分框来说按照正常方法送入跟踪器，并使用IOU计算代价矩阵，后利用匈牙利算法分配；对于低分框，利用未匹配上的框和低分的框进行iou匹配，然后同样利用匈牙利算法进行分配
对于视频或者图片流来说，未匹配上的框，大概率是这帧这个物体被遮挡或者走出画面了导致的
ByteTrack: Multi-Object Tracking by Associating Every Detection Box
卡尔曼滤波用于变化的动态系统中，由当前状态和观测值相融合估计下一状态，是数据融合过程，迭代过程。
tracking-by-detection是MOT中一个经典高效流派，通过相似度（位置、外观、运动信息）来关联检测框得到跟踪轨迹，目前大部分MOT方法会选择一个阈值，只保留高于这个阈值的检测结果来做关联到跟踪结果，低于阈值检测结果直接丢弃。
在low score detection boxes中计算和tracklets相似性来识别object和background，具体实现方法：
1.基于tracklets相似性（motion similarity）将高置信度detection boxes匹配到tracklets上，用kalman滤波器预测当前轨迹在下一帧的位置。motion similarity计算方式是通过计算kalman预测的boxes和low confidence boxes之间iou表示
2.在unmatched tracklets中进行二次匹配，通过预测和低置信度box之间的iou进行二次匹配
引用概念：trajectory轨迹：为MOT输出量，一个Trajectory对应一个目标在一段时间内的位置序列
tracklet轨迹片段：trajectory组成部分，完整的trajectory是由属于同一个目标的tracklets组成
mot问题中常常使用数据关联方法，利用detection关联成一个个tracklets，后将tracklets组合成完整trajectory
byte输入为一个视频序列V，对象检测器Det，检测分数阈值，输出视频轨迹为T，每个轨迹包含边界框和每帧中对象的标识。
采用卡尔曼滤波来预测T中每个轨迹当前帧中新位置，第一次关联是在高分检测框与所有tracks之间执行的，相似性可以通过在高分检测框与跟踪轨迹的预测框之间的iou和reid特征距离来计算。利用匈牙利算法来完成相似新的匹配，保留未匹配的检测结果Dremain，保留未匹配的轨迹Tremian
第二次关联在低分检测框和第一次关联后的余下轨迹Tremain之间执行，保留着未被匹配的轨迹和删除所有未被匹配的低分检测框，视为背景。发现在第二个关联中单独使用iou作为相似性很重要，低分数检测框通常包含严重遮挡和运动模糊。
最后，在第一次关联后，从未匹配的高分检测框中初始化新轨迹。每个帧的输出是当前帧中轨迹的边界框和标识，不会输出Tlost的框和标识
Original: https://blog.csdn.net/Coding18/article/details/126401642
Author: Coding18
Title: 【bytetrack模型笔记】
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/687718/
转载文章受原作者版权保护。转载请注明原作者出处！