论文框架流程_2

Multi-target tracking using CNN-based features: CNNMTT(2019)

先验知识：行人以群类分（独自走的行人自成一组），以组中心更好地估计行人在下一帧的位置；
训练CNN方法SGD（随机梯度下降）；
实验数据集：MOT16；
总流程：

1. 使用Faster R-CNN在MOT16上的结果；
2. 计算cost graph，cost graph代表匹配对象和track的cost：
   

• apperance通过CNN提取，分别获取对象和track的特征，然后计算P(app)（w(app)为参数）:

• List item

. 进行分组并计算分数：
▲x(i,j)是对象平均相对位移距离，范围为最后15帧中，每三帧取一帧（为了加快算法计算速度）；W、H为目标的bounding box；

di为平均位移向量；

w和w`分别为i和j的宽（h同）；

3. 使用Hungarian algotrithm匹配目标和track，以cost graph为计算依据；第一次使用Hungarian algorithm使用（最小affinity）来约束，目的是找到最stable track来更新组（group）；
4. 更新组的步骤：找到最stable track，基于对象与组中心的相对位置和他们在新时刻的位置计算组中心：
   
   然后更新对每个对象位置的估计：
   most stable track计算：
5. 第二轮Hungarian algorithm使用更新后的cost graph计算关联；
6. 重新评估组；
7. 更新track：添加无匹配的对象的track；删除长期无匹配对象的track；
8. 输出最stable track；
   训练的CNN参数表：