:
目标追踪 ByteTrack 算法详细流程分析(看街拍追踪演示视频)
2024年08月21日 16:38
原理介绍
ByteTrack是字节跳动与2021年10月份公开的一个全新的多目标跟踪算法，原论文是《ByteTrack: Multi-Object Tracking by Associating Every Detection Box》。
ByteTrak的MOTA和FPS等指标上都实现了较好的性能，要优于现有的大多数MOT（多目标追踪）算法。
github地址：https://github.com/ifzhang/ByteTrack
演示：
ByteTrack介绍
先前的多目标追踪算法一般在完成当前帧的目标检测后只会保留置信度比较大的检测框用于进行目标跟踪，比如图中置信度为0.9和0.8的目标框。
而在ByteTrack中，作者保留了所有的检测框并且通过阈值将它们分成了高置信度检测框和低置信度检测框。ByteTrack 可以有效解决一些遮挡，且能够保持较低的 ID Switch。因为目标会因为被遮挡检测置信度有所降低，当重新出现时，置信度会有所升高。算法特点在于：
- 当目标逐渐被遮挡时，跟踪目标与低置信度检测目标匹配。
- 当目标遮挡逐渐重现时，跟踪目标与高置信度检测目标匹配。
算法基本原理
ByteTrack 并不是连接所有检测框形成一个追踪轨迹，而是通过预测和验证的方法来确定追踪轨迹。对于每一个轨迹使用卡尔曼滤波来预测轨迹下一个位置（预测框），然后计算检测框和预测框的IOU，最后通过匈牙利算法匹配IOU，返回匹配成功和失败的轨迹。
追踪算法的详细步骤：
- 在开始追踪之前给每一目标创建追踪轨迹
- 通过卡尔曼滤波预测每一个追踪轨迹的下一帧边界框
- 通过检测器获得目标的检测框，根据置信度将检测框分为高分框和低分框
- 首先针对高分框，计算高分框和预测框的IOU ，使用匈牙利算法匹配IOU，获得3个结果：已匹配的轨迹与高分框，未成功匹配的轨迹，未成功匹配的高分框。匹配成功后将追踪轨迹中的框更新为高分检测框
- 然后针对低分框，计算低分框和上一步未匹配上的预测框的IOU，使用匈牙利算法匹配IOU，获得3个结果：已匹配的轨迹与低分框，未成功匹配的轨迹，未成功匹配的低分框。匹配成功后将追踪轨迹中的框更新为检测框
- 最后针对未匹配上的高分检测框，将其和状态未激活的轨迹匹配，获得3个结果：匹配、未匹配轨迹、未匹配检测框。对于匹配更新状态，对于未匹配轨迹标记为删除，对于未匹配检测框，置信度大于高阈值+0.1新建一个跟踪轨迹，小于则丢弃。
代码实现
在介绍代码之前首先要了解基础概念。ByteTrack 主要由两个类组成，一个是轨迹管理类STrack，一个轨迹匹配逻辑处理类BYTETracker。
- STrack：轨迹的创建，更新，删除
- BYTETracker：匹配流程处理，置信度高低划分、轨迹匹配等
STrack
Strack 是轨迹的类，每一个实例都是一个轨迹。Strack拥有核心方法包括：
- multi_predict 卡尔曼滤波预测
- activate 轨迹创建
- re_activate 轨迹重新激活
- update 轨迹更新
# 这个类是用来存放轨迹的，每个轨迹都有一些自己的属性，例如id、边界框、预测框、状态等等
class STrack(BaseTrack):
# 单例模式
shared_kalman = KalmanFilter()
def __init__(self, tlwh, score):
self._tlwh = np.asarray(tlwh, dtype=np.float)
self.kalman_filter = None
# 保存卡尔曼滤波对这个轨迹的平均值和协方差
self.mean, self.covariance = None, None
# 是否是激活状态
self.is_activated = False
# 轨迹分数
self.score = score
# 轨迹追踪的帧数，每次追踪成功都会+1
self.tracklet_len = 0
def predict(self):
mean_state = self.mean.copy()
if self.state != TrackState.Tracked:
mean_state[7] = 0
self.mean, self.covariance = self.kalman_filter.predict(mean_state, self.covariance)
@staticmethod
def multi_predict(stracks):
if len(stracks) > 0:
multi_mean = np.asarray([st.mean.copy() for st in stracks])
multi_covariance = np.asarray([st.covariance for st in stracks])
for i, st in enumerate(stracks):
if st.state != TrackState.Tracked:
multi_mean[i][7] = 0
multi_mean, multi_covariance = STrack.shared_kalman.multi_predict(multi_mean, multi_covariance)
for i, (mean, cov) in enumerate(zip(multi_mean, multi_covariance)):
stracks[i].mean = mean
stracks[i].covariance = cov
def activate(self, kalman_filter, frame_id):
"""Start a new tracklet"""
self.kalman_filter = kalman_filter
self.track_id = self.next_id()
self.mean, self.covariance = self.kalman_filter.initiate(self.tlwh_to_xyah(self._tlwh))
self.tracklet_len = 0
self.state = TrackState.Tracked
if frame_id == 1:
self.is_activated = True
# self.is_activated = True
self.frame_id = frame_id
self.start_frame = frame_id
def re_activate(self, new_track, frame_id, new_id=False):
self.mean, self.covariance = self.kalman_filter.update(
self.mean, self.covariance, self.tlwh_to_xyah(new_track.tlwh)
)
self.tracklet_len = 0
self.state = TrackState.Tracked
self.is_activated = True
self.frame_id = frame_id
if new_id:
self.track_id = self.next_id()
self.score = new_track.score
def update(self, new_track, frame_id):
"""
Update a matched track
:type new_track: STrack
:type frame_id: int
:type update_feature: bool
:return:
"""
self.frame_id = frame_id
self.tracklet_len += 1
new_tlwh = new_track.tlwh
self.mean, self.covariance = self.kalman_filter.update(
self.mean, self.covariance, self.tlwh_to_xyah(new_tlwh))
self.state = TrackState.Tracked
self.is_activated = True
self.score = new_track.score
@property
# @jit(nopython=True)
def tlwh(self):
"""Get current position in bounding box format `(top left x, top left y,
width, height)`.
"""
if self.mean is None:
return self._tlwh.copy()
ret = self.mean[:4].copy()
ret[2] *= ret[3]
ret[:2] -= ret[2:] / 2
return ret
@property
# @jit(nopython=True)
def tlbr(self):
"""Convert bounding box to format `(min x, min y, max x, max y)`, i.e.,
`(top left, bottom right)`.
"""
ret = self.tlwh.copy()
ret[2:] += ret[:2]
return ret
@staticmethod
# @jit(nopython=True)
def tlwh_to_xyah(tlwh):
"""Convert bounding box to format `(center x, center y, aspect ratio,
height)`, where the aspect ratio is `width / height`.
"""
ret = np.asarray(tlwh).copy()
ret[:2] += ret[2:] / 2
ret[2] /= ret[3]
return ret
def to_xyah(self):
return self.tlwh_to_xyah(self.tlwh)
@staticmethod
# @jit(nopython=True)
def tlbr_to_tlwh(tlbr):
ret = np.asarray(tlbr).copy()
ret[2:] -= ret[:2]
return ret
@staticmethod
# @jit(nopython=True)
def tlwh_to_tlbr(tlwh):
ret = np.asarray(tlwh).copy()
ret[2:] += ret[:2]
return ret
def __repr__(self):
return 'OT_{}_({}-{})'.format(self.track_id, self.start_frame, self.end_frame)
BYTETracker
BYTETracker 是轨迹创建、更新、删除等流程类。拥有一个主要的方法，那就是update。通过预测框和已存在轨迹的运算不断更新轨迹路线。代码实现的流程图如下：
下面分析代码实现流程
初始化参数，包括需要保存的追踪轨迹、丢失轨迹、删除轨迹、高低分阈值等。追踪的工作原理是对每一帧进行判断处理，同时也需要对连续帧判断，所以这里定义的就是全局保存的轨迹。
class BYTETracker(object):
def __init__(self, args, frame_rate=30):
# 已追踪的轨迹
self.tracked_stracks = [] # type: list[STrack]
# 丢失的轨迹
self.lost_stracks = [] # type: list[STrack]
# 删除的轨迹
self.removed_stracks = [] # type: list[STrack]
self.frame_id = 0
self.args = args
#self.det_thresh = args.track_thresh
# 区分高低分检测框的阈值
self.det_thresh = args.track_thresh + 0.1
# 最大丢失时间
self.buffer_size = int(frame_rate / 30.0 * args.track_buffer)
self.max_time_lost = self.buffer_size
# 卡尔曼滤波器
self.kalman_filter = KalmanFilter()
定义每一帧流程处理之后的结果，包括追踪到的轨迹、重新追踪到的轨迹、丢失的轨迹等
def update(self, output_results):
self.frame_id += 1
# 以下列表是本轮匹配中临时结果存放的列表
# 保存当前帧标记为追踪到轨迹
activated_starcks = []
# 保存当前帧标记为追踪到之前丢失的轨迹
refind_stracks = []
# 保存当前帧标记为丢失的目标轨迹
lost_stracks = []
# 保存当前帧标记为丢失的轨迹
removed_stracks = []
筛选出高分框和低分框
# 高分框
remain_inds = scores > self.args.track_thresh
# 低分框0.1-阈值之间
inds_low = scores > 0.1
inds_high = scores < self.args.track_thresh
# 筛选分数处于0.1<分数<阈值
inds_second = np.logical_and(inds_low, inds_high)
dets_second = bboxes[inds_second]
scores_second = scores[inds_second]
# 筛选分数超过阈值
dets = bboxes[remain_inds]
scores_keep = scores[remain_inds]
筛选出正常追踪轨迹和第一次追踪轨迹
# 处于追踪阶段但是未激活的，也就是只追上了一帧的目标。也就是第一次追踪的轨迹
unconfirmed = []
tracked_stracks = [] # type: list[STrack]
for track in self.tracked_stracks:
if not track.is_activated:
unconfirmed.append(track)
else:
tracked_stracks.append(track)
高分匹配，并根据三种匹配结果分别做不同的处理
"""------------第一次匹配，高分检测框匹配-----------"""
# 将追踪状态为激活和标记为丢失的轨迹合并得到track_pool
strack_pool = joint_stracks(tracked_stracks, self.lost_stracks)
# 将strack_pool送入muti_predict进行预测（卡尔曼滤波）
STrack.multi_predict(strack_pool)
# 计算strack_pool中轨迹的预测框和detections检测框的iou_distance(代价矩阵)
dists = matching.iou_distance(strack_pool, detections)
if not self.args.mot20:
dists = matching.fuse_score(dists, detections)
# 用匹配阈值match_thresh=0.8过滤较小的iou，利用匈牙利算法进行匹配，得到匹配成功的轨迹, 未匹配成功的轨迹, 未匹配成功的检测框
matches, u_track, u_detection = matching.linear_assignment(dists, thresh=self.args.match_thresh)
# 遍历matches，轨迹之前状态为Tracked，调用update方法，并加入到activated_stracks。
# 轨迹之前的状态不是Tracked的，调用re_activate，并加入refind_stracks
# matches = [itracked, idet] itracked是轨迹的索引，idet是当前检测框的索引，意思是第几个轨迹匹配第几个目标框
for itracked, idet in matches:
track = strack_pool[itracked]
det = detections[idet]
if track.state == TrackState.Tracked:
# 更新轨迹预测框为当前检测框
track.update(detections[idet], self.frame_id)
activated_starcks.append(track)
else:
track.re_activate(det, self.frame_id, new_id=False)
# refind_stracks是重新追踪到的轨迹
refind_stracks.append(track)
低分匹配，并做不同的处理。
"""-------------第二次匹配：低分检测框匹配-----------------"""
if len(dets_second) > 0:
detections_second = [STrack(STrack.tlbr_to_tlwh(tlbr), s) for
(tlbr, s) in zip(dets_second, scores_second)]
else:
detections_second = []
# 找出第一次匹配后没匹配到的轨迹
r_tracked_stracks = [strack_pool[i] for i in u_track if strack_pool[i].state == TrackState.Tracked]
# 第一次未匹配的轨迹和低置信度检测框的匹配
dists = matching.iou_distance(r_tracked_stracks, detections_second)
# 用匹配阈值match_thresh = 0.5 过滤较小的iou，利用匈牙利算法进行匹配，得到matches, u_track, u_detection
matches, u_track, u_detection_second = matching.linear_assignment(dists, thresh=0.5)
# 遍历matches，轨迹之前状态为Tracked，调用update方法，并加入到activated_stracks。
# 轨迹之前的状态不是Tracked的，调用re_activate，并加入refind_stracks
for itracked, idet in matches:
track = r_tracked_stracks[itracked]
det = detections_second[idet]
if track.state == TrackState.Tracked:
track.update(det, self.frame_id)
activated_starcks.append(track)
else:
track.re_activate(det, self.frame_id, new_id=False)
refind_stracks.append(track)
# 遍历u_track（第二次匹配也没匹配到的轨迹），将state不是Lost的轨迹，调用mark_losk方法，并加入lost_stracks，等待下一帧匹配（本流程开始时会合并追踪状态轨迹和丢失状态轨迹）。
# 一个轨迹既没有被高分检测框匹配，也没有被低分检测框匹配，那么就会被当作丢失轨迹
for it in u_track:
track = r_tracked_stracks[it]
if not track.state == TrackState.Lost:
track.mark_lost()
# lost_stracks：上一帧还在持续追踪但是这一帧两次匹配不到的轨迹
lost_stracks.append(track)
第三次匹配，将未匹配的高分框和第一次追踪的轨迹匹配。
"""----------第三次匹配，处理之前没有匹配上的高分检测框-------------"""
# 没有匹配上的高分检测框
detections = [detections[i] for i in u_detection]
# unconfirmed是第一次出现的目标，生成了轨迹但是不是激活状态。计算第一次出现的目标和没有匹配上的高分检测框的iou_distance
dists = matching.iou_distance(unconfirmed, detections)
if not self.args.mot20:
dists = matching.fuse_score(dists, detections)
# 用阈值match_thresh=0.8过滤较小的iou，利用匈牙利算法进行匹配，得到matches, u_track, u_detection
matches, u_unconfirmed, u_detection = matching.linear_assignment(dists, thresh=0.8)
# 遍历匹配的轨迹，更新状态为激活，并将轨迹保存到当前活跃轨迹中
for itracked, idet in matches:
unconfirmed[itracked].update(detections[idet], self.frame_id)
activated_starcks.append(unconfirmed[itracked])
# 遍历未匹配轨迹，调用mark_removd方法，并加入removed_stracks
for it in u_unconfirmed:
# 中途出现一次的轨迹和当前目标框匹配失败，删除该轨迹，认为是检测器误判
track = unconfirmed[it]
track.mark_removed()
removed_stracks.append(track)
最后将未匹配上的高分检测框再次判断，符合条件就设置成新轨迹
# 遍历未匹配上的高分检测框，对于score大于self.det_thresh，调用activate方法，并加入activated_stracks
for inew in u_detection:
track = detections[inew]
if track.score < self.det_thresh:
continue
# 新建轨迹并调用activate。新建轨迹的激活状态：如果视频开始第一帧就新建轨迹那么激活状态为True，剩下帧新建轨迹激活状态都是False
track.activate(self.kalman_filter, self.frame_id)
#把新的轨迹加入到当前活跃轨迹中
activated_starcks.append(track)
最后就是将每一帧匹配的结果更新到全局结果中，然后进行一轮匹配。
小结
可以匹配的流程图上看出来，ByteTrack 不仅对高分框感兴趣，而且对低分框有关注。将低分框当作疑似遮挡的目标，将高分框当作匹配的轨迹或者新轨迹，这样有效追踪遮挡的物体，提高追踪的准确性。
完整代码：
class BYTETracker(object):
def __init__(self, args, frame_rate=30):
# 已追踪的轨迹
self.tracked_stracks = [] # type: list[STrack]
# 丢失的轨迹
self.lost_stracks = [] # type: list[STrack]
# 删除的轨迹
self.removed_stracks = [] # type: list[STrack]
self.frame_id = 0
self.args = args
#self.det_thresh = args.track_thresh
# 区分高低分检测框的阈值
self.det_thresh = args.track_thresh + 0.1
# 最大丢失时间
self.buffer_size = int(frame_rate / 30.0 * args.track_buffer)
self.max_time_lost = self.buffer_size
# 卡尔曼滤波器
self.kalman_filter = KalmanFilter()
def update(self, output_results):
self.frame_id += 1
# 以下列表是本轮匹配中临时结果存放的列表
# 保存当前帧标记为追踪到轨迹
activated_starcks = []
# 保存当前帧标记为追踪到之前丢失的轨迹
refind_stracks = []
# 保存当前帧标记为丢失的目标轨迹
lost_stracks = []
# 保存当前帧标记为丢失的轨迹
removed_stracks = []
# 第一步：将objects转换为x1，y1，x2，y2，score的格式，并构建strack
if output_results.shape[1] == 5:
scores = output_results[:, 4]
bboxes = output_results[:, :4]
else:
output_results = output_results.cpu().numpy()
scores = output_results[:, 4] * output_results[:, 5]
bboxes = output_results[:, :4] # x1y1x2y2
# 根据传入的阈值将检测框分为高分框和低分框
# 高分框
remain_inds = scores > self.args.track_thresh
# 低分框0.1-阈值之间
inds_low = scores > 0.1
inds_high = scores < self.args.track_thresh
# 筛选分数处于0.1<分数<阈值
inds_second = np.logical_and(inds_low, inds_high)
dets_second = bboxes[inds_second]
scores_second = scores[inds_second]
# 筛选分数超过阈值
dets = bboxes[remain_inds]
scores_keep = scores[remain_inds]
# 初始化追踪轨迹
if len(dets) > 0:
'''Detections'''
detections = [STrack(STrack.tlbr_to_tlwh(tlbr), s) for (tlbr, s) in zip(dets, scores_keep)]
else:
detections = []
''' Add newly detected tracklets to tracked_stracks'''
# 遍历保存state为Tracked的数组self.tracked_stracks，每一个元素代表一个轨迹，每个轨迹的state为Tracked，但是有激活状态的区分
# is_activated: 追踪状态为激活的轨迹，也就是至少追上了两帧以上的轨迹
# 处于追踪阶段但是未激活的，也就是只追上了一帧的目标。也就是第一次追踪的轨迹
unconfirmed = []
tracked_stracks = [] # type: list[STrack]
for track in self.tracked_stracks:
if not track.is_activated:
unconfirmed.append(track)
else:
tracked_stracks.append(track)
"""------------第一次匹配，高分检测框匹配-----------"""
# 将追踪状态为激活和标记为丢失的轨迹合并得到track_pool
strack_pool = joint_stracks(tracked_stracks, self.lost_stracks)
# 将strack_pool送入muti_predict进行预测（卡尔曼滤波）
STrack.multi_predict(strack_pool)
# 计算strack_pool中轨迹的预测框和detections检测框的iou_distance(代价矩阵)
dists = matching.iou_distance(strack_pool, detections)
if not self.args.mot20:
dists = matching.fuse_score(dists, detections)
# 用匹配阈值match_thresh=0.8过滤较小的iou，利用匈牙利算法进行匹配，得到匹配成功的轨迹, 未匹配成功的轨迹, 未匹配成功的检测框
matches, u_track, u_detection = matching.linear_assignment(dists, thresh=self.args.match_thresh)
# 遍历matches，轨迹之前状态为Tracked，调用update方法，并加入到activated_stracks。
# 轨迹之前的状态不是Tracked的，调用re_activate，并加入refind_stracks
# matches = [itracked, idet] itracked是轨迹的索引，idet是当前检测框的索引，意思是第几个轨迹匹配第几个目标框
for itracked, idet in matches:
track = strack_pool[itracked]
det = detections[idet]
if track.state == TrackState.Tracked:
# 更新轨迹预测框为当前检测框
track.update(detections[idet], self.frame_id)
activated_starcks.append(track)
else:
track.re_activate(det, self.frame_id, new_id=False)
# refind_stracks是重新追踪到的轨迹
refind_stracks.append(track)
"""-------------第二次匹配：低分检测框匹配-----------------"""
if len(dets_second) > 0:
detections_second = [STrack(STrack.tlbr_to_tlwh(tlbr), s) for
(tlbr, s) in zip(dets_second, scores_second)]
else:
detections_second = []
# 找出第一次匹配后没匹配到的轨迹
r_tracked_stracks = [strack_pool[i] for i in u_track if strack_pool[i].state == TrackState.Tracked]
# 第一次未匹配的轨迹和低置信度检测框的匹配
dists = matching.iou_distance(r_tracked_stracks, detections_second)
# 用匹配阈值match_thresh = 0.5 过滤较小的iou，利用匈牙利算法进行匹配，得到matches, u_track, u_detection
matches, u_track, u_detection_second = matching.linear_assignment(dists, thresh=0.5)
# 遍历matches，轨迹之前状态为Tracked，调用update方法，并加入到activated_stracks。
# 轨迹之前的状态不是Tracked的，调用re_activate，并加入refind_stracks
for itracked, idet in matches:
track = r_tracked_stracks[itracked]
det = detections_second[idet]
if track.state == TrackState.Tracked:
track.update(det, self.frame_id)
activated_starcks.append(track)
else:
track.re_activate(det, self.frame_id, new_id=False)
refind_stracks.append(track)
# 遍历u_track（第二次匹配也没匹配到的轨迹），将state不是Lost的轨迹，调用mark_losk方法，并加入lost_stracks，等待下一帧匹配（本流程开始时会合并追踪状态轨迹和丢失状态轨迹）。
# 一个轨迹既没有被高分检测框匹配，也没有被低分检测框匹配，那么就会被当作丢失轨迹
for it in u_track:
track = r_tracked_stracks[it]
if not track.state == TrackState.Lost:
track.mark_lost()
# lost_stracks：上一帧还在持续追踪但是这一帧两次匹配不到的轨迹
lost_stracks.append(track)
"""----------第三次匹配，处理之前没有匹配上的高分检测框-------------"""
# 没有匹配上的高分检测框
detections = [detections[i] for i in u_detection]
# unconfirmed是第一次出现的目标，生成了轨迹但是不是激活状态。计算第一次出现的目标和没有匹配上的高分检测框的iou_distance
dists = matching.iou_distance(unconfirmed, detections)
if not self.args.mot20:
dists = matching.fuse_score(dists, detections)
# 用阈值match_thresh=0.8过滤较小的iou，利用匈牙利算法进行匹配，得到matches, u_track, u_detection
matches, u_unconfirmed, u_detection = matching.linear_assignment(dists, thresh=0.8)
# 遍历匹配的轨迹，更新状态为激活，并将轨迹保存到当前活跃轨迹中
for itracked, idet in matches:
unconfirmed[itracked].update(detections[idet], self.frame_id)
activated_starcks.append(unconfirmed[itracked])
# 遍历未匹配轨迹，调用mark_removd方法，并加入removed_stracks
for it in u_unconfirmed:
# 中途出现一次的轨迹和当前目标框匹配失败，删除该轨迹，认为是检测器误判
track = unconfirmed[it]
track.mark_removed()
removed_stracks.append(track)
# 遍历未匹配上的高分检测框，对于score大于self.det_thresh，调用activate方法，并加入activated_stracks
for inew in u_detection:
track = detections[inew]
if track.score < self.det_thresh:
continue
# 新建轨迹并调用activate。新建轨迹的激活状态：如果视频开始第一帧就新建轨迹那么激活状态为True，剩下帧新建轨迹激活状态都是False
track.activate(self.kalman_filter, self.frame_id)
#把新的轨迹加入到当前活跃轨迹中
activated_starcks.append(track)
# 遍历lost_stracks，对于丢失超过max_time_lost(30)的轨迹，调用mark_removed方法，并加入removed_stracks
for track in self.lost_stracks:
if self.frame_id - track.end_frame > self.max_time_lost:
track.mark_removed()
removed_stracks.append(track)
# 收集所有状态为Tracked的轨迹，包括本轮更新的activated_starcks和refind_stracks，以及上一轮的self.tracked_stracks
# 遍历tracked_stracks，筛选出state为Tracked的轨迹，保存到tracked_stracks。self.tracked_stracks中在本轮匹配中如果两轮都没有匹配上会被置为lost状态
self.tracked_stracks = [t for t in self.tracked_stracks if t.state == TrackState.Tracked]
# 将activated_stracks，refind_stracks合并到track_stracks
self.tracked_stracks = joint_stracks(self.tracked_stracks, activated_starcks)
self.tracked_stracks = joint_stracks(self.tracked_stracks, refind_stracks)
# 更新self.lost_stracks保存的轨迹，从self.lost_stracks中剔除变成追踪状态的轨迹
self.lost_stracks = sub_stracks(self.lost_stracks, self.tracked_stracks)
self.lost_stracks.extend(lost_stracks)
# 更新self.removed_stracks保存的轨迹， 从self.removed_stracks中剔除变成追踪状态的轨迹
self.lost_stracks = sub_stracks(self.lost_stracks, self.removed_stracks)
self.removed_stracks.extend(removed_stracks)
# 调用remove_duplicate_stracks函数，计算tracked_stracks，lost_stracks的iou_distance，对于iou_distance<0.15的认为是同一个轨迹，
# 对比该轨迹在track_stracks和lost_stracks的跟踪帧数和长短，仅保留长的那个
self.tracked_stracks, self.lost_stracks = remove_duplicate_stracks(self.tracked_stracks, self.lost_stracks)
# 遍历self.tracked_stracks，将所有的is_activated为true的轨迹输出
output_stracks = [track for track in self.tracked_stracks if track.is_activated]
return output_stracks
def joint_stracks(tlista, tlistb):
exists = {}
res = []
for t in tlista:
exists[t.track_id] = 1
res.append(t)
for t in tlistb:
tid = t.track_id
if not exists.get(tid, 0):
exists[tid] = 1
res.append(t)
return res
def sub_stracks(tlista, tlistb):
stracks = {}
for t in tlista:
stracks[t.track_id] = t
for t in tlistb:
tid = t.track_id
if stracks.get(tid, 0):
del stracks[tid]
return list(stracks.values())
def remove_duplicate_stracks(stracksa, stracksb):
pdist = matching.iou_distance(stracksa, stracksb)
pairs = np.where(pdist < 0.15)
dupa, dupb = list(), list()
for p, q in zip(*pairs):
timep = stracksa[p].frame_id - stracksa[p].start_frame
timeq = stracksb[q].frame_id - stracksb[q].start_frame
if timep > timeq:
dupb.append(q)
else:
dupa.append(p)
resa = [t for i, t in enumerate(stracksa) if not i in dupa]
resb = [t for i, t in enumerate(stracksb) if not i in dupb]
return resa, resb
参考：
https://blog.csdn.net/wentinghappyday/article/details/128376299
https://blog.csdn.net/weixin_43731103/article/details/123665507
csdn付费文档，惠存
目标跟踪之 MOT 经典算法：ByteTrack 算法原理以及多类别跟踪-CSDN博客.pdf
多目标跟踪（MOT）中的卡尔曼滤波（Kalman filter）和匈牙利(Hungarian)算法详解_mot 卡尔曼滤波-CSDN博客.pdf
From:https://www.cnblogs.com/goldsunshine/p/18372078
本文地址: http://shuzixingkong.net/article/1307
什么是Packer Packer 是一个强大的工具，它可以帮助我们轻松地构建各种类型的镜像，如虚拟机镜像、Docker 镜像等。 Packer 的工作原理是通过定义一个配置文件，该文件描述了要构建的镜像的特征和要求。然后 Packer 使用这个配置文件来执行一系列的步骤，例如安装必要的软件、配置系统
前言 当前.NET环境下,生成WebApi代理类的工具已经有很多选择了,比如OpenApi Generator,NSwag和Refitter等,不同的工具生成的代码风格以及实现方式略有不同,比如Refitter生成的客户端是Refit风格. 本人比较喜欢Refit风格的标注风格因此还是比较喜欢使用R
poi的excel导出 这个导出依赖于模板文件，可便捷设置表头样式。 也可以不使用模板，直接创建。 1.引入poi依赖 <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi<
2024-08-21：用go语言，给定一个从 0 开始索引的整数数组 nums 和一个整数 k，请设计一个算法来使得数组中的所有元素都大于或等于 k，返回所需的最少操作次数。 每次操作可以执行以下步骤： 1.选择数组中最小的两个整数 x 和 y。 2.从数组中删除 x 和 y。 3.计算 min(x
P7706 文文的摄影布置 题解 原题 读完题，发现是线段树。单点修改+区间查询。 不过查询的值有些奇怪，就是了，我们考虑用线段树维护这个 ψ 值(下称待求值)。 对于一个区间的待求值，大概有四种情况： 如上图四种情况分别为： 待求值最大值在左区间 待求值最大值在右区间 \(a_i与b_j\) 在左
WPF：MVVM的由来与属性绑定的过程 1、MVVM （1）MVVM是什么? MVVM（Model-View-ViewModel）是一种软件架构设计模式MVVM模式。有助于分离应用程序的业务逻辑和用户界面层，使得开发过程更易于管理，同时也便于单元测试。 Model? 现实世界中对象的抽象结果。
77. 组合 给定两个整数 n 和 k，返回范围 [1, n] 中所有可能的 k 个数的组合。 你可以按 任何顺序 返回答案。 示例 1： 输入：n = 4, k = 2 输出： [ [2,4], [3,4], [2,3], [1,2], [1,3], [1,4], ] 示例 2： 输入：n = 1
CVSS（Common Vulnerability Scoring System）提供了一种根据漏洞的主要特征进行打分，反映其严重性的方法。CVSS 已成为被广泛使用的标准。 下面是CVSS 3.1版本计算器的界面截图，本文对Base Score的打分标准做解读，并提供一些建议。同时会对每个维度选项
