目标跟踪心得篇三：结合MMTracking代码逐行分析卡尔曼滤波及二分图原理

虽然卡尔曼（KF算法）和二分图（KM算法）在目标跟踪任务中完全可以当黑盒用。但是在发论文时（比如小目标跟踪需要在卡尔曼滤波中做平滑）则需要对原始代码进行必要的修改。首先，为什么我们要用卡尔曼滤波器？如果直接用detector的结果进行跟踪行不行？假设我的detector检测到了前一帧的结果，也检测到了当前帧的结果，直接拿它们俩做匹配实现跟踪不可以吗？我们举这样一个例子：假设我们用高德地图进行导航，在有GPS信号时定位是很精准的，但在隧道中GPS信号弱，有很多噪声的时候，定位就不精准了，但我们又希望定位准确，这个时候该怎么办。就要用到卡尔曼滤波了。对应到视觉跟踪任务：观测值为前面所有帧的检测结果（卡尔曼滤波会不断的根据前一帧进行更新迭代），卡尔曼滤波会根据观测值预测出当前帧可能出现的目标位置，再拿这些可能的位置和当前帧的检测结果做匹配。 其中，在视觉跟踪任务中，卡尔曼滤波的强假设为线性运动。本质上说，卡尔曼滤波就是一个最优估计。我们来看代码：

---

接着上节，我们说mmtracking-1.0.0rc1\mmtrack\models\mot\by