点击查看Evernote原文。
#@author: gr
#@date: 2014-10-17
#@email: forgerui@gmail.com
Multi_Object Tracking Framework
行人检测结果detections。
使用各种特征创建一个联系detections和tracker的代价矩阵，并利用矩阵进行匈牙利(Hugrian)分配。
更新tracker状态。(包括分配得到检测结果的跟踪器， 和未分配得到检测结果的跟踪器)
没有分配的结果作为新的tracker加入。
删除丢失的tracker。
显示tracker结果。
关键：
在第2步，又叫data association（数据关联），即把检测结果正确地分配给跟踪器。这是进行多目标跟踪的核心问题。选取什么样有效的特征进行数据关联成为许多论文的创新点，选择正确的特征可以得到有效的association cost矩阵，即加入这些创新的特征后可以有效地提高跟踪正确率，跟踪速率。
Lost Tracker
当跟踪失败时，仍可以使用Kalman Filter继续预测行人的路径，并在这个预测范围搜索。
Evaluation
1. 2012-avss-Online Multi-Person Tracking by Tracker Hierarchy
R. Kasturi, D. Goldgof, P. Soundararajan, V. Manohar, J. Garofolo, R. Bowers, M. Boonstra, V. Korzhova, and J. Zhang. Framework for performance evaluation of face, text, and vehicle detection and tracking in video: Data, metrics, and protocol. PAMI, 31(2):319–336, 2009.
2. 2014-cvpr-Occlusion Geodesics for Online Multi-Object Tracking
K. Bernardin and R. Stiefelhagen. Evaluating Multiple Ob-ject Tracking Performance: The CLEAR MOT Metrics.EURASIP JIVP,2008.
3. 2014-eccv-What Do I See? Modeling Human Visual Perception for Multi-person Tracking
Li, Y., Huang, C., Nevatia, R.: Learning to associate: Hybridboosted multi-target tracker for crowded scene. In: Proc. CVPR. pp. 2953–2960 (2009)
evaluation metrics：
召回率： 正确匹配目标数 / 总的实际的目标数
精确度： 正确匹配目标数 / 总的输出目标。
GT： 实际轨道的编号。
MT%： Mostly tracked，跟踪结果覆盖groudtruth长度多于80%的GT轨道的百分比。
ML%： Mostly lost, 跟踪结果覆盖groundtruth长度少于20%的GT轨道的百分比。
Frag： 跟踪结果与实际轨道比较出错的总次数。越小越好。
IDS: 一个跟踪轨道改变它id的总次数。越小越好。