REAL-TIME MULTIPLE PEOPLE TRACKING WITH DEEPLY LEARNED CANDIDATE SELECTION AND PERSON RE-IDENTIFICATION
针对问题：不可靠检测结果和已有tracks的关联；
适用场景：On-line(real-time)，tracking-by-detection
框架分两部分：candidate选择、数据关联；
candidates selection
候选人X的分数计算：
1(·)为真输出1否则输出0；
- classfication probability计算：
分类器框架：
输入图片，输出预测的分数图; - 使用ROI定义每一个待分类的候选ROIx=(x0,y0,w,h)，其中左上角(x0,y0)，高h，宽w；
- 为了实时性能，encoder为一个轻量级全卷积网络；
- 为了增加输出分数图的空间精度，decoder引入上采样；
- 在ground truth的bounding box附近采样得到正样本，在背景采样得到负样本；
- ROI池化对位置敏感，将每个ROI划分为K*K个网格；
- 一个分数图对应一个bin，从K*K个分数图中提取bins(size=K * K)的响应；
计算公式：
σ为sigmoid函数；Zi为第i个分数图；
- tracklet confidence计算：
对于每一帧，用Kalman滤波预测track的新位置，问题是不适用于长期追踪；
tracklet可信度用时间信息来测量滤波的准确性；
- 候选者在连续帧中的时间关联生成tracklet，track是tracklet集；
- track丢失则kalman滤波重新初始化，所以只用最后的tracklet描述track的可信度；
track可信度计算：
data association
算法来自《Deeply-learned part-aligned representations for person reidentification》
用图像特征的欧氏距离描述相似度；用一个三元组T描述图像的身份T=<Ii,Ij,Ik>，其中<Ii,Ij>来自同一个人的正对，<Ii,Ik>来自不同人的负对；损失函数定义如下：
通过忽略容易处理的tracklet来增加区分度；m为正；
层级数据关联：有最大距离阈值的图像侦测结果进行关联track——>基于IoU关联剩下的候选者——>没有关联的侦测结果新建track;
优势：只需要从侦测中提取ReID特征；
算法总览：