论文：arxiv
code: github
数据：还未找到
文章贡献
总流程
探索创新
更换了卡尔曼的状态量，以及Q，R矩阵。
运动相机补偿
相机的运动可以概括为相机姿态变化的刚性运动以及图像中目标变化的非刚性运动。
在没有额外信息（惯导设备，IMU设备，相机的内参矩阵）情况下，采用两个相邻帧进行映射出 相机的刚性运动。
采用opencv中视频稳定模块进行转化，实现这个视频补偿。（该方法是适合背景运动的情况）
提取关键点
局部异常点去除的稀疏光流跟踪
用RANSAC方法求取出仿射矩阵 A k − 1 k A_{k-1}^k Ak−1k
采用稀疏配准技术可忽略场景中的动态运动目标
首先利用光流 计算出转化矩阵
再通过转化矩阵进行调整状态向量X
再进行卡尔曼预测进行跟踪
IOU与reid进行融合
reid 首先进行指数平滑：
e i k = α e i k − 1 + ( 1 − α ) f i k e_i^k=\alpha e_i^{k-1}+(1-\alpha)f_i^k eik=αeik−1+(1−α)fik
f i k f_i^k fik是指现在求解出来的轨迹 α \alpha α设置0.9
常规的外观特征 A a A_a Aa与运动特征 A m A_m Am融合方法
C = λ A a + ( 1 − λ ) A m C=\lambda A_a+(1-\lambda)A_m C=λAa+(1−λ)Am
其中 λ \lambda λ通常设置为0.98
新的关联矩阵C
d ^ i , j c o s = { 0.5 ⋅ d i , j c o s , ( d i , j c o s < θ e m b ) ⋀ ( d i , j i o u < θ i o u ) 1 , o t h e r w i s e \hat{d}_{i,j}^{cos}= \begin{cases} 0.5 \cdot d_{i,j}^{cos},(d_{i,j}^{cos}<\theta _{emb})\bigwedge(d_{i,j}^{iou}<\theta _{iou})\\ 1,\rm{otherwise} \end{cases} d^i,jcos={0.5⋅di,jcos,(di,jcos<θemb)⋀(di,jiou<θiou)1,otherwise
C i , j = m i n { d i , j i o u , d ^ i , j c o s } C_{i,j}=min\{d_{i,j}^{iou},\hat{d}_{i,j}^{cos}\} Ci,j=min{di,jiou,d^i,jcos}
其中 C i , j C_{i,j} Ci,j是C矩阵中的i，j的位置的值
实验部分
检测网络使用YOLOX
特征提取采用SBS-50模型，自己训练的
cMOTA被提出使用
疑惑点
疑惑点
