A Baseline for 3D Multi-odject Tracking：多目标跟踪方法

ref: https://zhuanlan.zhihu.com/p/80993033

流程：

使用PointRCNN的目标检测结果来跟踪；

使用卡尔曼滤波器跟踪；

使用匈牙利算法匹配前后帧的对象。

特点：

使用了3D的卡尔曼滤波器

优点：

简单快速效果好

使用的特征和状态转移模型？

10-dimensional vector T = (x, y, z, θ, l, w, h, vx, vy, vz) ，没有使用角速度，加入后效果不好；

状态转移方程是恒定速率模型

论文的结果表显示使用2D的卡尔曼效果也还挺好，MOTA 仅仅降低了一个百分点左右；

匈牙利匹配的cost matrix 是什么？

是跟踪器预测的3D box 和 检测的3D box的 3dIOU矩阵；

怎么创建跟踪器跟踪器的？ 怎么销毁的？

至少3帧发现同一个物体，才会创建跟踪器（Fmin）

丢失物体的跟踪器，还会继续检测2帧（age）

为什么有一个把x,y,z,alpha,l,w,h 的顺序调换的步骤，后续又换回来了？

这里 pointRCNN 给出的结果顺序是反的，代码里面只是把它重新调整回来而已。

状态转移矩阵为什么要加3个1，恒速率模型怎么得到它的？

因为 下一时刻距离=上一时刻距离+速度，所以三个方向的速度要加1，但是实际上这里有个问题，每个时刻的间隔不一定是1秒，这样算会带来误差。

使用数据集

kitti MOT 数据集；

这么快的原因？

使用了numba 加速

Total Tracking took: 98.099 for 8008 frames or 81.6 FPS

没有使用 numba 加速

Total Tracking took: 145.496 for 8008 frames or 55.0 FPS

可以得出，不使用 numba 加速的话，速度降低了 32%；

匈牙利算法和NN、 GNN方法有什么区别？

没有很大的差别，都是用于求解指派问题的方法，NN是局部最优，GNN和匈牙利是全局最优；

可以做的改进：

1 把 KF 改为 UKF、EKF效果应该更好吧；

2 使用循环计算 3D IOU 应该是比较慢的，这里其实可以使用2D IOU，并且可以使用 cython 的计算过程来进一步加速。