参考资料：

deepsort paper: https://arxiv.org/abs/1602.00763

deepsort github：GitHub - ZQPei/deep_sort_pytorch: MOT tracking using deepsort and yolov3 with pytorch

kaleman filter：https://blog.csdn.net/u010720661/article/details/63253509

Deepsort算法代码流程

一。初始化

重要的初始化参数有：max_dist（特征最大值余弦距离）, min_confidence（检测框最小置信度），最大nms_max_overlap（非极大值抑制最大重叠）, max_iou_distance=0.7（最大交并比距离）, max_age（确定态追踪器未匹配帧数超过这个值被删除）, n_init=3（临时态追踪器连续匹配帧数吵超过这个转为确定态）, nn_budget（每个轨迹保存过去nn_budget帧的状态）

二。预测

进行kalman filter预测

首先调用deepsort类的self.tracker.predict，之后调用tracker类的track.predict(self.kf)，最后调用track类的self.mean, self.covariance = kf.predict(self.mean, self.covariance) ，其原理为

利用kalman filter由k-1的状态和协方差预测k时刻的状态和协方差。

状态包括：bbox的中心坐标 (cx, cy)，宽高比r，高h，以及各自的速度变化值，x = [cx, cy, r, h, vx, vy, vr, vh]，协方差为8*8的对角矩阵，分别代表状态各个变量的方差。在tracker初始化时对状态和协方差进行初始化，状态速度变量初始化值为0，协方差根据h初始化为一个较小值。

预测时的Fk矩阵为对角线和次次次次对角线为1，利如cx(k+1) = cx(k) + vx(k)，u为0，Q类似于初始值，依赖于h的一个小噪声。

三。匹配

首先调用deepsort类的self.tracker.update(detections)

3.1进行匹配：（调用tracker类的matches, unmatched_tracks, unmatched_detections = self._match(detections)）

3.1.1首先对confirmed tracker的进行级联匹配

（先调用linear_assignment类的matching cascade函数，在上一函数内调用linear_assignment类的min_cost_matching（计算代价矩阵和卡余弦距离阈值的函数），在上一函数内调用NearestNeighborDistanceMetric类的distance计算余弦距离，利用gate_cost_matrix计算马氏距离并卡马氏距离阈值）

在confirmed tracker中更新代数（time_since_update）小的优先匹配（调用min_cost_matching，metric为余弦），首先计算n个detection和m个tracker中k个feature的余弦距离（1-向量内积），每个detection和一个tracker的余弦距离为与其k个feature距离的最小值，构成的代价矩阵（cost_matrix）维度为（m*n）。之后计算由卡尔曼滤波预测的位置信息和真实位置之间马氏距离，并将马氏距离超过阈值的匹配对去掉（将其余弦距离设置为1e5）。之后将代价矩阵中大于最大余弦距离的值设去掉（方法同上）。之后将代价军阵送入匈牙利算法进行匹配（scipy.optimize.inear_sum_assignment），得到成功匹配对，和未匹配的detection和tracker。

3.1.2其次对于iou candidate进行IOU匹配（linear_assignment.min_cost_matching(iou_matching.iou_cost）

unconfirmed tracker和unmatched tracker中更新代数为1的tracker组成iou candidate，进行IOU匹配（min_cost_matching，metric为iou），得到代价矩阵，同样进行匈牙利匹配。

3.1.3最后返回匹配的tracker和detection，未匹配的tracker，和未匹配的detection。

四。更新

根据匹配结果更新状态(self.tracks[track_idx].update(self.kf, detections[detection_idx]))

4.1对匹配上的tracker，利用kalman滤波器更新状态,其中tentative态连续匹配上3帧进入confirmed态.

kalman filter更新原理为：首先将预测状态映射至与预测同一维度（KalmanFilter.project），Hk维度为4*8的单位阵，相当于只取位置信息，之后计算卡尔曼增益并进行更新（KalmanFilter.predict）

4.2对未匹配的tracker,对于tentative态的tracker，将其删除；对于confirmed态的tracker。若其time_since_update>70,则将其删除。

4.3对未匹配的detection，则初始化一个新的tracker。self._initiate_track（）