在科學研究中，從方法論上來講，都應“先見森林，再見樹木”。當前，人工智能學術研究方興未艾，技術迅猛發(fā)展，可謂萬木爭榮，日新月異。對于AI從業(yè)者來說，在廣袤的知識森林中，系統(tǒng)梳理脈絡，才能更好地把握趨勢。

最近做了一些多目標跟蹤方向的調(diào)研，因此把調(diào)研的結(jié)果以圖片加文字的形式展現(xiàn)出來，希望能幫助到入門這一領域的同學。也歡迎大家和我討論關于這一領域的任何問題。

01

相關方向

這些是我所了解的多目標跟蹤（MOT）的一些相關方向。其中單目標跟蹤（VOT/SOT）、目標檢測（detection）、行人重識別（Re-ID）都是非常熱門的方向。而偏視頻的相關方向就比較冷門。而且今年五月DukeMTMC因為隱私問題不再提供MTMCT的數(shù)據(jù)了，MTMCT的研究也是舉步維艱。

02

核心步驟

MOT算法的通常工作流程：

(1)給定視頻的原始幀；

(2)運行對象檢測器以獲得對象的邊界框；

(3)對于每個檢測到的物體，計算出不同的特征，通常是視覺和運動特征；

(4)之后，相似度計算步驟計算兩個對象屬于同一目標的概率；

(5)最后，關聯(lián)步驟為每個對象分配數(shù)字ID。

因此絕大多數(shù)MOT算法無外乎就這四個步驟：

①檢測?

②特征提取、運動預測?

③相似度計算?

④數(shù)據(jù)關聯(lián)。

其中影響最大的部分在于檢測，檢測結(jié)果的好壞對于最后指標的影響是最大的。

但是，多目標追蹤的研究重點又在相似度計算和數(shù)據(jù)關聯(lián)這一塊。所以就有一個很大的問題：你設計出更好的關聯(lián)算法可能就提升了0.1個點，但別人用一些針對數(shù)據(jù)集的trick消除了一些漏檢可能就能漲好幾個點。所以研究更好的數(shù)據(jù)關聯(lián)的回報收益很低。因此多目標追蹤這一領域雖然工業(yè)界很有用，但學術界里因為指標數(shù)據(jù)集的一些原因，入坑前一定要三思。

03

評價指標

關于評價指標：

第一個是傳統(tǒng)的標準，現(xiàn)在已經(jīng)沒人用了，就不介紹了。

第二個是06年提出的CLEAR MOT。現(xiàn)在用的最多的就是MOTA。但是這個指標FN、FP的權重占比很大，更多衡量的是檢測的質(zhì)量，而不是跟蹤的效果。

第三個是16年提出的ID scores。因為都是基于匹配的指標，所以能更好的衡量數(shù)據(jù)關聯(lián)的好壞。

04

數(shù)據(jù)集

數(shù)據(jù)集用的最多的是MOTChallenge，專注于行人追蹤的。

第二個KITTI的是針對自動駕駛的數(shù)據(jù)集,有汽車也有行人，在MOT的論文里用的很少。

還有一些其他比較老的數(shù)據(jù)集現(xiàn)在都不用了。

15年的都是采集的老的數(shù)據(jù)集的視頻做的修正。

16年的是全新的數(shù)據(jù)集，相比于15年的行人密度更高、難度更大。特別注意這個DPM檢測器，效果非常的差，全是漏檢和誤檢。

17年的視頻和16年一模一樣，只是提供了三個檢測器，相對來說更公平。也是現(xiàn)在論文的主流數(shù)據(jù)集。

19年的是針對特別擁擠情形的數(shù)據(jù)集，只有CVPR19比賽時才能提交。

這個是MOT16公開檢測器上的結(jié)果?？梢钥吹綇?7年開始，MOTA就漲的很慢了。關注一下這個幀率有20Hz的算法MOTDT也是我后面要講的一個。

這個是MOT16私有檢測器上的結(jié)果?？梢钥吹?strong>檢測器性能的好壞對于結(jié)果的影響非常重要。SOTA算法換了私有檢測器后性能直接漲了快20個點。

這個是MOT17公開檢測器上這幾年比較突出的算法。注意因為這個數(shù)據(jù)集用了三個檢測器，所以FP、FN這些指標也都幾乎是16數(shù)據(jù)集的三倍。

05

SORT和DeepSORT

關鍵算法

從這兩個工業(yè)界關注度最高的算法說起。

SORT作為一個粗略的框架，核心就是兩個算法：卡爾曼濾波和匈牙利匹配。

卡爾曼濾波分為兩個過程：預測和更新。預測過程：當一個小車經(jīng)過移動后，且其初始定位和移動過程都是高斯分布時，則最終估計位置分布會更分散，即更不準確；更新過程：當一個小車經(jīng)過傳感器觀測定位，且其初始定位和觀測都是高斯分布時，則觀測后的位置分布會更集中，即更準確。

匈牙利算法解決的是一個分配問題。SK-learn庫的linear_assignment_和scipy庫的linear_sum_assignment都實現(xiàn)了這一算法，只需要輸入cost_matrix即代價矩陣就能得到最優(yōu)匹配。不過要注意的是這兩個庫函數(shù)雖然算法一樣,但給的輸出格式不同。具體算法步驟也很簡單，是一個復雜度??的算法。

DeepSORT的優(yōu)化主要就是基于匈牙利算法里的這個代價矩陣。它在IOU Match之前做了一次額外的級聯(lián)匹配，利用了外觀特征和馬氏距離。

外觀特征就是通過一個Re-ID的網(wǎng)絡提取的，而提取這個特征的過程和NLP里詞向量的嵌入過程（embedding）很像，所以后面有的論文也把這個步驟叫做嵌入（起源應該不是NLP，但我第一次接觸embedding是從NLP里）。然后是因為歐氏距離忽略空間域分布的計算結(jié)果，所以增加里馬氏距離作為運動信息的約束。

SORT

這個SORT的流程圖非常重要，可以看到整體可以拆分為兩個部分，分別是匹配過程和卡爾曼預測加更新過程，都用灰色框標出來了。一定要把整個流程弄明白。后面的多目標追蹤的大框架基本都由此而來。

關鍵步驟：軌跡卡爾曼濾波預測→ 使用匈牙利算法將預測后的tracks和當前幀中的detecions進行匹配（IOU匹配）?→ 卡爾曼濾波更新

對于沒有匹配上的軌跡，也不是馬上就刪掉了，有個T_lost的保存時間，但SORT里把這個時間閾值設置的是1，也就是說對于沒匹配上的軌跡相當于直接刪了。

關于這點論文里的原話是：

首先，恒定速度模型不能很好地預測真實的動力學，其次，我們主要關注的是幀到幀的跟蹤，其中對象的重新識別超出了本文的范圍。

這篇文章的機翻在《SORT》論文翻譯

http://www.harlek.cn/2019/12/06/sort-lun-wen-fan-yi/

DeepSORT

這是DeepSORT算法的流程圖，和SORT基本一樣，就多了級聯(lián)匹配（Matching Cascade）和新軌跡的確認（confirmed）。

這篇文章的機翻在《DeepSORT》論文翻譯

http://www.harlek.cn/2019/12/06/deepsort-lun-wen-fan-yi/

關鍵步驟：軌跡卡爾曼濾波預測→ 使用匈牙利算法將預測后的tracks和當前幀中的detecions進行匹配（級聯(lián)匹配和IOU匹配） → 卡爾曼濾波更新

級聯(lián)匹配是核心，就是紅色部分，DeepSORT的絕大多數(shù)創(chuàng)新點都在這里面，具體過程看下一張圖。?

關于為什么新軌跡要連續(xù)三幀命中才確認？個人認為有這樣嚴格的條件和測試集有關系。因為測試集給的檢測輸入非常的差，誤檢有很多，因此軌跡的產(chǎn)生必須要更嚴格的條件。

級聯(lián)匹配流程圖里上半部分就是特征提取和相似度估計，也就是算這個分配問題的代價函數(shù)。主要由兩部分組成：代表運動模型的馬氏距離和代表外觀模型的Re-ID特征。

級聯(lián)匹配流程圖里下半部分數(shù)據(jù)關聯(lián)作為流程的主體。為什么叫級聯(lián)匹配，主要是它的匹配過程是一個循環(huán)。從missing age=0的軌跡（即每一幀都匹配上，沒有丟失過的）到missing age=30的軌跡（即丟失軌跡的最大時間30幀）挨個的和檢測結(jié)果進行匹配。也就是說，對于沒有丟失過的軌跡賦予優(yōu)先匹配的權利，而丟失的最久的軌跡最后匹配。

論文關于參數(shù)λ（運動模型的代價占比）的取值是這么說的：

在我們的實驗中，我們發(fā)現(xiàn)當相機運動明顯時，將λ= 0設置是一個合理的選擇。

因為相機抖動明顯，卡爾曼預測所基于的勻速運動模型并不work，所以馬氏距離其實并沒有什么作用。但注意也不是完全沒用了，主要是通過閾值矩陣（Gate Matrix）對代價矩陣（Cost Matrix）做了一次閾值限制。

關于DeepSORT算法的詳細代碼解讀我比較推薦：目標跟蹤初探（DeepSORT）

https://zhuanlan.zhihu.com/p/90835266

但關于卡爾曼濾波的公式講的不是很詳細，具體推導可以看看?Kalman Filter 卡爾曼濾波

http://www.harlek.cn/2019/12/02/qia-er-man-lu-bo/

改進策略

看到這個DeepSORT的流程圖不知道大家可以想到什么優(yōu)化的地方？其實有幾個點是很容易想到的。

第一點，把Re-ID網(wǎng)絡和檢測網(wǎng)絡融合，做一個精度和速度的trade off；

第二點，對于軌跡段來說，時間越長的軌跡是不是更應該得到更多的信任，不僅僅只是級聯(lián)匹配的優(yōu)先級，由此可以引入軌跡評分的機制；

第三點，從直覺上來說，檢測和追蹤是兩個相輔相成的問題，良好的追蹤可以彌補檢測的漏檢，良好的檢測可以防止追蹤的軌道飄逸，用預測來彌補漏檢這個問題在DeepSORT里也并沒有考慮；

第四點，DeepSORT里給馬氏距離也就是運動模型設置的系數(shù)為0，也就是說在相機運動的情況下線性速度模型并不work，所以是不是可以找到更好的運動模型。

06

最新進展

這是最近比較新的一些方法。

工業(yè)界青睞的算法在學術界其實并不重視，一方面是因為開源的原因，另一方面可以看到頂會的算法都不是注重速度的，通常用了很復雜的模塊和trick來提升精度。

而且這些trick不是一般意義的trick了，是針對這個數(shù)據(jù)集的或者說針對糟糕檢測器的一些trick， 對于實際應用幾乎沒有幫助。

第一篇論文是基于DeepSORT改進的，它的創(chuàng)新點在于引入了軌跡評分機制，時間越久的軌跡可信度就越高，基于這個評分就可以把軌跡產(chǎn)生的預測框和檢測框放一起做一個NMS，相當于是用預測彌補了漏檢。

第二篇論文是今年9月份發(fā)在arxiv上的一篇論文，它的工作是把檢測網(wǎng)絡和嵌入網(wǎng)絡結(jié)合起來，追求的是速度和精度的trade off。

MOTDT

這是剛才列舉的第一篇論文（MOTDT）的流程圖，大概和DeepSORT差不多。這個圖畫的比較簡單，其實在NMS之前有個基于SqueezeNet的區(qū)域選擇網(wǎng)絡R-FCN和軌跡評分的機制。這兩個東西的目的就是為了產(chǎn)生一個統(tǒng)一檢測框和預測框的標準置信度，作為NMS的輸入。

這篇文章的翻譯在《Real-Time Multiple People Tracking With Deeply Learned Candidate Selection And Person Re-ID》論文翻譯

http://www.harlek.cn/2019/12/02/real-time-multiple-people-tracking-with-deeply-learned-candidate-selection-and-person-re-id-lun-wen-fan-yi/

JDE

這是剛才第二篇論文（JDE）里的結(jié)構(gòu)圖。這個方法是基于YOLOv3和MOTDT做的。它網(wǎng)絡前面都和YOLOv3一樣的，主要就是在特征圖里多提取了一個嵌入（embedding）向量，采取的是類似于交叉熵的triplet loss。因為是多任務學習，這篇論文還用了一篇18年的論文提出來的自動學習損失權重方案：通過學習一組輔助參數(shù)自動地對非均勻損失進行加權。最后的結(jié)果是精度上差不太多，F(xiàn)PS高了很多。

這篇文章的翻譯在?《Towards Real-Time Multi-Object Tracking》論文翻譯

http://www.harlek.cn/2019/11/27/towards-real-time-multi-object-tracking-lun-wen-fan-yi/

07

未來展望

最后用多目標追蹤未來的一些思考作為結(jié)尾，這句話是最近的一篇關于多目標追蹤的綜述里的。

它在最后提出對未來的方向里有這樣一句話，用深度學習來指導關聯(lián)問題。其實現(xiàn)在基于檢測的多目標追蹤都是檢測模塊用深度學習，Re-ID模塊用深度學習，而最核心的數(shù)據(jù)關聯(lián)模塊要用深度學習來解決是很困難的?，F(xiàn)在有一些嘗試是用RNN，但速度慢、效果不好，需要走的路都還很長。

我個人覺得短期內(nèi)要解決實際問題，還是從Re-ID的方面下手思考怎樣提取更有效的特征會更靠譜，用深度學習的方法來處理數(shù)據(jù)關聯(lián)不是短時間能解決的。

參考文獻：

[1] Alex Bewley, Zongyuan Ge, Lionel Ott, Fabio Ramos, and Ben Upcroft. Simple online and realtime tracking. In2016 IEEE International Conference on Image Processing (ICIP), pages 3464–3468. IEEE, 2016.

[2] Nicolai Wojke, Alex Bewley, and Dietrich Paulus. Simple online and realtime tracking with a deep associationmetric. In2017 IEEE International Conference on Image Processing (ICIP), pages 3645–3649. IEEE, 2017.

[3] Chen Long, Ai Haizhou, Zhuang Zijie, and Shang Chong. Real-time multiple people tracking with deeplylearned candidate selection and person re-identification. InICME, 2018.

[4] Zhongdao Wang, Liang Zheng, Yixuan Liu, Shengjin Wang. Towards Real-Time Multi-Object Tracking. arXiv preprint arXiv:1909.12605

[5] Gioele Ciaparrone, Francisco Luque Sánchez, Siham Tabik, Luigi Troiano, Roberto Tagliaferri, Francisco Herrera. Deep Learning in Video Multi-Object Tracking: A Survey. arXiv preprint arXiv:1907.12740

編輯：黃飛

?