卡尔曼滤波：相对于Sort算法中7个维度的信息，Deepsort中使用了8个维度的信息，分别为目标框中心坐标（u，v），长宽比γ，高h以及这四个变量的一阶导数，表示变换速率。且和Sort中一样，其都定义为一个恒速模型，即后面四个变量都设定为常数。这部分个人认为改动不大，相当将原来的面积部分——改动为检测框的长框比和其中一维高或宽的变化
观测状态的定义：在Sort中，当卡尔曼滤波检测到结果，立即会将结果进行跟新，也即去和检测框进行IOU匹配。而在Deepsort中，我们把检测到的结果分为确定态和非确定态，初始时均为非确定态，只有连续3帧的匹配上（这里的匹配，和Sort中的直接IOU匹配类似）才能转为确定态，而转为确定态的预测结果，则会根检测框进行Matching Cascade-级联匹配。这一步的改变，我认为是DeepSort中优越与Sort的重要因素。

指派分配问题

代价矩阵的定义：在Sort中，对于代价矩阵，即是直接计算卡尔曼滤波预测出来的结果和检测网络结果的IOU作为代价矩阵。而在DeepSort中，由上面所说的，在非确定态下和Sort类似，都是以IOU为代价矩阵。而在确定态下DeepSort引入了马氏距离和余弦距离。在DeepSort中马氏距离最终用于筛选掉不符合要求的框，而余弦距离才是作为真正的代价矩阵的计算。其中余弦距离计算的不是卡尔曼预测的结果和检测网络的结果，而是计算REID网络作用与前两者之后的结果。REID网络详情等下次再说。

其实Sort和DeepSort实质上就是由这两部分组成的，具体没有说到的细节，可以自己去代码中自己看看。

二、DeepSort中的级联匹配Matching Cascade

根据上面所说的在DeepSort中，对于卡尔曼滤波的结果分为确定态和非确定态，对于确定态的预测结果，才会进行级联匹配。其实整个级联匹配的过程也十分简单。

在卡尔曼滤波结果中，对于确定态的跟踪框集合我们记为T，当前目标检测出来的结果集合我们记为D。

第一步

我们先将这两者T和D内的结果对应的图像送到REID网络中（我们这里先不管得到的是什么），然后去计算网络计算出来结果的余弦距离，以此作为代价矩阵costmatrix这里记为C。

第二步

我们再去计算检测和预测结果的马氏距离，然后根据统计学和实验所得的阈值，去除掉不符合马氏距离和余弦距离阈值的匹配项。（这里马氏距离仅仅作为去除不符合的匹配项而已）

这里的检测结果为检测框的（x，y，a，h）NX4的形式，预测框结果则为卡尔曼滤波预测出来结果的协方差矩阵8X8，以此去计算的马氏距离。

第三步

根据预测框的更新状态（这里更新状态是指，这个预测框距离上一次被匹配成功的时间），越新的预测框（也即距离上一次被匹配上的帧数越短的），越优先根据C的结果进行匈牙利算法进行匹配——也即作者认为，越新的框越有可能和当前的检测框匹配上。

最后根据B中的结果去划分匹配上的集合和未匹配上的集合。

级联匹配其实十分简单，概况起来其实就上面的三步，但他却十分有效的解决了Sort中IDSW的问题，一部分归功于DeepSort中引入REID网络来提取行人特征，另一部分就是在提出了级联匹配这个算法。

级联匹配算法，相对于提升了每个预测器的寿命，不至于只要检测不到就会被删除。

核心代码就在下面了，这下面的代码，我个人觉得是整个DeepSort的核心代码了。

    def _match(self, detections):
        # 计算阈值筛选过的cost_matrix
        def gated_metric(tracks, dets, track_indices, detection_indices):
            features = np.array([dets[i].feature for i in detection_indices])
            targets = np.array([tracks[i].track_id for i in track_indices])
            # 这里使用的是cosine distance
            cost_matrix = self.metric.distance(features, targets)
            # 根据马氏距离，卡方分布阈值筛选cost_matrix
            cost_matrix = linear_assignment.gate_cost_matrix(self.kf, cost_matrix, tracks, dets, track_indices,detection_indices)

            return cost_matrix

        # 将跟踪器分为确定性状态跟踪器和不确定性状态跟踪器
        confirmed_tracks = [i for i, t in enumerate(self.tracks) if t.is_confirmed()]
        unconfirmed_tracks = [i for i, t in enumerate(self.tracks) if not t.is_confirmed()]

        # Associate confirmed tracks using appearance features.
        # 对于确定性的跟踪器结果，使用外观特征进行和检测器结果匹配
        matches_a, unmatched_tracks_a, unmatched_detections = \
            linear_assignment.matching_cascade(gated_metric, self.metric.matching_threshold, self.max_age,
                                                self.tracks, detections, confirmed_tracks)

        # Associate remaining tracks together with unconfirmed tracks using IOU.
        # 剩下的跟踪框和不确定状态的跟踪框使用IOU进行匹配
        iou_track_candidates = unconfirmed_tracks + [k for k in unmatched_tracks_a if self.tracks[k].time_since_update == 1]
        unmatched_tracks_a = [k for k in unmatched_tracks_a if self.tracks[k].time_since_update != 1]
        matches_b, unmatched_tracks_b, unmatched_detections = \
            linear_assignment.min_cost_matching(iou_matching.iou_cost, self.max_iou_distance, self.tracks,
                                                detections, iou_track_candidates, unmatched_detections)

        matches = matches_a + matches_b
        unmatched_tracks = list(set(unmatched_tracks_a + unmatched_tracks_b))
        return matches, unmatched_tracks, unmatched_detections