【目标跟踪】ByteTrack详解与代码细节

文章目录

一、前言
二、代码详解
- 2.1、新起航迹
- 2.2、预测
- 2.3、匹配
- 2.4、结果发布
- 2.5、总结
三、流程图
四、部署

一、前言

论文地址：https://arxiv.org/pdf/2110.06864.pdf

git地址：https://github.com/ifzhang/ByteTrack

ByteTrack 在是在 2021 年 10 月公开发布的，在ECCV 2022中获奖。它以一种简单的设计方式击败了当时各路“魔改”跟踪器，在 MOT17 数据上首次突破了80 MOTA，并且在单张 V100 中推理速度高达 30
FPS。我把 ByteTrack 核心思想概括为：

区分高置信度检测框与低置信度检测框，不同置信度检测框采取不同处理方式。
保留低置信度检测框，在后续可能会重新确认为 confirm 状态。而不是像传统 MOT 算法选择删除。

ByteTrack 可以有效解决一些遮挡，且能够保持较低的 IDSwith。目标会因为被遮挡检测置信度有所降低，当重新出现时，置信度会有所升高。可以想象：

当目标逐渐被遮挡时，跟踪目标与低置信度检测目标匹配。
当目标遮挡逐渐重现时，跟踪目标与高置信度检测目标匹配。

另外，要慎重考虑并处理检测的假阳性，无目标检测出低置信度框的情况。

网上常常把DeepSort与ByteTrack进行比较，关于ByteTrack与 DeepSort，他们各有限制，我们要根据实际情况选用合适的算法。

ByteTrack：跟踪效果非常依赖检测的效果。如果检测器的效果好，跟踪也会取得不错的效果。
DeepSort：使用了外观描述符和复杂的匹配算法，可能在某些复杂场景下计算量较大，影响实时性能。

二、代码详解

要真正理解通、理解透，啃源码是必不可少的。也不是说非要看懂源码才可以跑通项目，而是看懂之后可以吹牛，也不是为了非要吹牛，至少你自己也有成就感。

废话不多说，直接来！代码详解这一节有点难度。如果一时理解不了，可以先点赞收藏，后续再慢慢啃。。。

方便理解，不按照代码顺序，按照航迹起始到消亡顺序分析。

2.1、新起航迹

只有是高（大于 high_thrash）置信度框才可以新起航迹。区分高低置信度检测框阈值是 track_thresh = 0.5。但一般high_thresh设定的值要比 track_thresh 大。如high_thresh = 0.6。新起的航迹中 state = Tracked，只第一帧新起航迹 is_activated =True，否则is_activated = false。

	this->state = TrackState::Tracked;
	if (frame_id == 1)
	{
		this->is_activated = true;
	}
	//this->is_activated = true;
	this->frame_id = frame_id;
	this->start_frame = frame_id;

总结：当第一帧时，航迹本身为空时，只有置信度超过 high_thresh 时，才新起始航迹，此时state = Tracked，is_activated =
true。后续只有未匹配的且置信度很高（超过high_thresh ）时才新起始航迹，此时state = Tracked，is_activated = false。

2.2、预测

合并is_activated = true 与 state = Lost 航迹。合并后进行预测，预测遵循kalman滤波预测。

每个新的检测信息都会初始化一个 STrack 对象，此对象是否能新起航迹前文已经明确了。源码中的 tlbr 顺序是个坑顺序并非是top，left，bottom，right。实际上是left，top，right，bottom。刚开始我也理解错了，至今我都未明白为什么用这种顺序命名。

	if (objects.boxes.size() > 0)
	{
		for (int i = 0; i < objects.boxes.size(); i++)
		{
			std::vector<float> tlbr_;   // x1,y1,x2,y2
			tlbr_.resize(4);
			tlbr_[0] = objects.boxes[i].x;
			tlbr_[1] = objects.boxes[i].y;
			tlbr_[2] = objects.boxes[i].x + objects.boxes[i].w;
			tlbr_[3] = objects.boxes[i].y + objects.boxes[i].h;
			float score = objects.boxes[i].score;
			STrack strack(STrack::tlbr_to_tlwh(tlbr_), score);
			if (score >= track_thresh)
			{
				detections.push_back(strack);
			}
			else
			{
				detections_low.push_back(strack);
			}
			
		}
	}

tlbr_to_tlwh 会把 x1,y1,x2,y2 转化成 x1,y1,w,h。新起航迹时，activate 函数中 tlwh_to_xyah ,会把 x1, y1, w, h 转变为 xCenter，yCenter，w / h，h。然后放进 kalman 滤波初始化，初始化其状态与协方差。

void STrack::activate(byte_kalman::KalmanFilter &kalman_filter, int frame_id)
{
     此处省略代码
	auto mc = this->kalman_filter.initiate(xyah_box);
     此处省略代码
}

此时 _motion_mat 为一个 8*8 的矩阵。对应运动状态方程为匀速。

box 状态 mean为：（xCenter,yCenter,w/h,h,Vx,Vy,Vr,Vh）。预测predict 获得新状态 new_mean = _motion_mat * mean.T

	void KalmanFilter::predict(KAL_MEAN &mean, KAL_COVA &covariance)
	{
		//revise the data;
		DETECTBOX std_pos;
		std_pos << _std_weight_position * mean(3),
			_std_weight_position * mean(3),
			1e-2,
			_std_weight_position * mean(3);
		DETECTBOX std_vel;
		std_vel << _std_weight_velocity * mean(3),
			_std_weight_velocity * mean(3),
			1e-5,
			_std_weight_velocity * mean(3);
		KAL_MEAN tmp;
		tmp.block<1, 4>(0, 0) = std_pos;
		tmp.block<1, 4>(0, 4) = std_vel;
		tmp = tmp.array().square();
		KAL_COVA motion_cov = tmp.asDiagonal();
		KAL_MEAN mean1 = this->_motion_mat * mean.transpose();
		KAL_COVA covariance1 = this->_motion_mat * covariance *(_motion_mat.transpose());
		covariance1 += motion_cov;

		mean = mean1;
		covariance = covariance1;
	}

更新协方差 covariance = _motion_mat * convariance *_motion_mat.T + motion_cov 。
montion_cov为过程噪声矩阵。一般可以保持不变，初始化时可以设定，源码中设定为与 w/h 相关的对角矩阵。

2.3、匹配

这部分是整个论文思想的亮点，也是代码中容易让人混淆的地方。

第一次匹配预测框与高置信度检测框

预测框：2.2中的跟踪预测框。他们state为Tracked或Lost
高置信度检测框：置信度大于track_thresh中的检测框，文中track_thresh 设定为0.5。

文中采取了计算 iou 进行匹配，预测框与检测框的交并比。当预测框匹配上时，此时state = Tracked,is_activated = true。匹配上后需要更新框的状态mean与协方差covariance。

kalman中update：

	KAL_DATA
		KalmanFilter::update(
			const KAL_MEAN &mean,
			const KAL_COVA &covariance,
			const DETECTBOX &measurement)
	{
		KAL_HDATA pa = project(mean, covariance);
		KAL_HMEAN projected_mean = pa.first;    // x,y,r,h
		KAL_HCOVA projected_cov = pa.second;    // _update_mat * covariance * (_update_mat.transpose()) + diag

		Eigen::Matrix<float, 4, 8> B = (covariance * (_update_mat.transpose())).transpose();
		Eigen::Matrix<float, 8, 4> kalman_gain = (projected_cov.llt().solve(B)).transpose(); // eg.8x4
		Eigen::Matrix<float, 1, 4> innovation = measurement - projected_mean; //eg.1x4
		auto tmp = innovation * (kalman_gain.transpose());
		KAL_MEAN new_mean = (mean.array() + tmp.array()).matrix();
		KAL_COVA new_covariance = covariance - kalman_gain * projected_cov*(kalman_gain.transpose());
		return std::make_pair(new_mean, new_covariance);
	}

首先进入project函数，得到 projected_mean 与 projected_con。我们先看 project 进行了什么操作。

	KAL_HDATA KalmanFilter::project(const KAL_MEAN &mean, const KAL_COVA &covariance)
	{
		DETECTBOX std;
		std << _std_weight_position * mean(3), _std_weight_position * mean(3),
			1e-1, _std_weight_position * mean(3);
		KAL_HMEAN mean1 = _update_mat * mean.transpose();
		KAL_HCOVA covariance1 = _update_mat * covariance * (_update_mat.transpose());
		Eigen::Matrix<float, 4, 4> diag = std.asDiagonal();
		diag = diag.array().square().matrix();
		covariance1 += diag;
		return std::make_pair(mean1, covariance1);
	}

mean 1*8矩阵（xCenter, yCenter, w/h, h, Vx, Vy, Vr, Vh）
mean1 相当于提取了 mean 中前四个元素。
covariance1 是为了方便后续更新 covariance 一个中间量。
diag 为测量噪声协方差，文中设定与过程噪声矩阵类似。
kalman_gain 为卡尔曼增益，原本需要求 projected_cov 的逆矩阵，再与 B 矩阵相乘求得，这里直接通过解线性方程组的形式求的，省略了一些计算步骤。
new_mean 与 new_covariance 为新的 box 状态与新的协方差。预测框与高置信度检测框匹配成功后，无论此时目标 state 为Tracked 还是 Lost，都需更新为Tracked状态，且is_activated 均更新为 true。且都需要进行 kalman 中 update 操作。一旦目标匹配后：

（1）目标的state 均变为 Tracked

（2）目标的is_activated 均变为true

（3）目标的mean与covariance均需update

第一次未匹配上的预测框与检测框额外缓存。方便后续操作。

第二次匹配第一次未匹配的预测框与低置信度检测框

第一次未匹配的预测框：第一次未匹配上，state为Tracked的预测框。state为Tracked表明该目标为上一帧匹配上的目标
低置信度检测框：置信度小于track_thresh中的检测框，文中track_thresh = 0.5。

匹配仍然计算iou匹配。匹配上的目标与第一次匹配类似处理。未匹配上的目标会被标记，state后续可能会被修改为Lost。

第三次匹配 is_activated=false 的跟踪框与第一次未匹配的高置信度检测框

is_activated=false的跟踪框：上一帧新起的目标，只有上一帧新起的目标is_activate才为false,且此时的框并未做predict处理，也就是说用的上一帧的原始检测框匹配
第一次未匹配的高置信度检测框：置信度大于track_thresh，但是第一次未与状态为is_activated跟踪目标匹配。

如果目标匹配上，则（1）state = Tracked（2）is_activated = true（3）mean 与 covariance 均 update。

如果目标未匹配上，此时状态会变为 Removed，此目标会被永久移除。为了要连续两规避偶尔出现某一帧假阳性，至少需帧高置信度的检测才可被 confirm，有机会参与后续计算。

2.4、结果发布

在发布结果前，需要变更BYTETrack类成员变量的值。

当 Lost 状态超过 max_time_lost时，state 从 Lost 变为 Removed，此目标被永久遗忘。max_time_lost 构造函数时就已经设定。设定10或者30，根据实际情况调整。
当成员 state 从 Lost 变为 Tracked 或 Remove d时，this->lost_stracks 需剔除id一致的。

this->lost_stracks = sub_stracks(this->lost_stracks, this->tracked_stracks);
this->lost_stracks = sub_stracks(this->lost_stracks, this->removed_stracks);
remove_duplicate_stracks(resa, resb, this->tracked_stracks, this->lost_stracks);    // 移除 重复路径

当有重复路径时，存活帧数一致，航迹相似。也需剔除此lost航迹。输出结果：只有当 is_activated = true、state=Tracked 时，才会输出目标

2.5、总结

检测目标未匹配上时，只有当置信度大于 0.6 才可以新起航迹，其他情况直接被遗忘。此时新起航迹 is_activated 为 false（第一帧不同，第一帧新起航迹 is_activated 默认为 true），当与下一帧置信度大于 0.5 的检测目标在第三次匹配匹配上时（is_activated=false 的目标没资格参与前两次匹配），此时 is_activated 变为 true。此时被标记为 confirm，才有资格被输出。
跟踪航迹在匹配中成功匹配，此时无论 state = tracked、is_activated=true。可以参与下一帧匹配中的前两次匹配。如果前两次匹配都未成功，则此时 state = Lost，只能参与下一帧第一次匹配，如果连续 max_time_lost 帧在第一次匹配都未匹配上，此时会被遗忘 Removed，永久移除此航迹。

三、流程图

要是看到这里还没看明白，再给你一张我自制的流程图。

四、部署

要是实在看不明白源码，也不想明白，只想在本地跑跑效果看看。那就直接看这里。

环境：linux cmake编译

数据集：https://motchallenge.net/data/MOT17/

git地址：https://github.com/ifzhang/ByteTrack

先 clone 源码下来。链接前文已经给出。c++ 代码在 deploy 文件夹下，博主选用的 ncnn\cpp 文件夹下的代码。下方有 include 与 src 就是全部代码了。

CMakeLists.txt 缺啥链接啥。

mian.cpp 文件大概思路就是读取 det.txt 文件，保存每一帧的检测结果。给个大概得代码

BYTETracker byteTrack = BYTETracker(10, 30);
for (int fi = 0; fi < maxFrame; fi++) { // maxFrame 帧
    std::vector<ObjectTrack> trackResult;
    byteTrack.update(detFrameData[fi], trackResult);
}

trackResult为自己定义的结果

只需对 BYTETracker.cpp 文件引用进去, 把 update 修改为

void BYTETracker::update(const DetectInfo& objects, std::vector<ObjectTrack>& outTracks)
{
    // 在函数末尾 添加代码
	for (auto i = 0; i < output_stracks.size(); i++)
	{
		outTracks.push_back({
							static_cast<uint>(output_stracks[i].track_id), 
							static_cast<uint>(output_stracks[i].tlbr[0]),
							static_cast<uint>(output_stracks[i].tlbr[1]),
							static_cast<uint>(output_stracks[i].tlbr[2]),
							static_cast<uint>(output_stracks[i].tlbr[3]),
							output_stracks[i].score			
						});
	}
}