多目標跟蹤大概有兩種方式：

Option1

基于初始化幀的跟蹤，在視頻***幀中選擇你的目標，之后交給跟蹤算法去實現(xiàn)目標的跟蹤。這種方式基本上只能跟蹤你***幀選中的目標，如果后續(xù)幀中出現(xiàn)了新的物體目標，算法是跟蹤不到的。這種方式的優(yōu)點是速度相對較快。缺點很明顯，不能跟蹤新出現(xiàn)的目標。

Option2

基于目標檢測的跟蹤，在視頻每幀中先檢測出來所有感興趣的目標物體，然后將其與前一幀中檢測出來的目標進行關聯(lián)來實現(xiàn)跟蹤的效果。這種方式的優(yōu)點是可以在整個視頻中跟蹤隨時出現(xiàn)的新目標，當然這種方式要求你前提得有一個好的“目標檢測”算法。

本文主要講述Option2的實現(xiàn)原理，也就是Tracking By Detecting的跟蹤方式。這篇文章沒有源碼鏈接，關于“目標檢測”算法的源碼可以參見我上一篇文章，至于“軌跡跟蹤”算法的源碼實現(xiàn)很簡單，看完本文相信大家都能寫出來，Python實現(xiàn)大概200行不到。

Tracking By Detecting的跟蹤過程

Step1：使用目標檢測算法將每幀中感興趣的目標檢測出來，得到對應的(位置坐標, 分類, 可信度)，假設檢測到的目標數(shù)量為M；

Step2：通過某種方式將Step1中的檢測結果與上一幀中的檢測目標(假設上一幀檢測目標數(shù)量為N)一一關聯(lián)起來。換句話說，就是在M*N個Pair中找出最像似的Pair。

對于Step2中的“某種方式”，其實有多種方式可以實現(xiàn)目標的關聯(lián)，比如常見的計算兩幀中兩個目標之間的歐幾里得距離(平面兩點之間的直線距離)，距離最短就認為是同一個目標，然后通過匈牙利算法找出最匹配的Pair。當讓，你還可以加上其他的判斷條件，比如我用到的IOU，計算兩個目標Box(位置大小方框)的交并比，該值越接近1就代表是同一個目標。還有其他的比如判斷兩個目標的外觀是否相似，這就需要用到一種外觀模型去做比較了，可能耗時更長。

在關聯(lián)的過程中，會出現(xiàn)三種情況：

1）在上一幀中的N個目標中找到了本次檢測到的目標，說明正常跟蹤到了；

2）在上一幀中的N個目標中沒有找到本次檢測到的目標，說明這個目標是這一幀中新出現(xiàn)的，所以我們需要把它記錄下來，用于下下一次的跟蹤關聯(lián)；

3）在上一幀中存在某個目標，這一幀中并沒有與之關聯(lián)的目標，那么說明該目標可能從視野中消失了，我們需要將其移除。(注意這里的可能，因為有可能由于檢測誤差，在這一幀中該目標并沒有被檢測到)

存在的問題

上面提到的跟蹤方法在正常情況下都能夠很好的工作，但是如果視頻中目標運動得很快，前后兩幀中同一個目標運動的距離很遠，那么這種跟蹤方式就會出現(xiàn)問題。

如上圖，實線框表示目標在***幀的位置，虛線框表示目標在第二幀的位置。當目標運行速度比較慢的時候，通過之前的跟蹤方式可以很準確的關聯(lián)(A, A’)和(B, B’)。但是當目標運行速度很快（或者隔幀檢測）時，在第二幀中，A就會運動到***幀中B的位置，而B則運動到其他位置。這個時候使用上面的關聯(lián)方法就會得到錯誤的結果。

那么怎樣才能更加準確地進行跟蹤呢？

基于軌跡預測的跟蹤方式

既然通過第二幀的位置與***幀的位置進行對比關聯(lián)會出現(xiàn)誤差，那么我們可以想辦法在對比之前，先預測目標的下一幀會出現(xiàn)的位置，然后與該預測的位置來進行對比關聯(lián)。這樣的話，只要預測足夠精確，那么幾乎不會出現(xiàn)前面提到的由于速度太快而存在的誤差。

如上圖，我們在對比關聯(lián)之前，先預測出A和B在下一幀中的位置，然后再使用實際的檢測位置與預測的位置進行對比關聯(lián)，可以***地解決上面提到的問題。理論上，不管目標速度多么快，都能關聯(lián)上。那么問題來了，怎么預測目標在下一幀的位置？

方法有很多，可以使用卡爾曼濾波來根據(jù)目標前面幾幀的軌跡來預測它下一幀的位置，還可以使用自己擬合出來的函數(shù)來預測下一幀的位置。實際過程中，我是使用擬合函數(shù)來預測目標在下一幀中的位置。

如上圖，通過前面6幀的位置，我可以擬合出來一條（T->XY）的曲線（注意不是圖中的直線），然后預測目標在T+1幀的位置。具體實現(xiàn)很簡單，Python中的numpy庫中有類似功能的方法。

仍然存在的不足

即使如此***了，還是存在不足。

軌跡預測的前提是需要知道目標前面若干幀的軌跡信息，因此在剛開始，目標的軌跡是預測不到的，或者說預測得不準。所以在剛開始的幾幀，我們還是需要使用原來的方式進行對比關聯(lián)。