作者：Jinkun Cao, Xinshuo Weng, Rawal Khirodkar, Jiangmiao Pang, Kris Kitani

作者单位：Carnegie Mellon University，The Chinese University of Hong Kong，Shanghai AI Laboratory

发布时间：2022

发布期刊/会议：Arxiv

出版商：

论文全称：Observation-Centric SORT: Rethinking SORT for Robust Multi-Object Tracking

论文地址：https://arxiv.org/abs/2203.14360v1

论文代码：

https://github.com/noahcao/OC_SORT

https://github.com/PaddlePaddle/PaddleDetection

https://github.com/mikel-brostrom/Yolov5_StrongSORT_OSNet

地位：

个人理解

• **创新点：**开发一种 基于运动模型的MOT方法，该方法对遮挡和非线性目标运动具有鲁棒性。
• 为什么：遮挡或非线性运动情况下的大多数错误都是由基于线性运动假设的运动模型引起的。与目标检测和Re-ID相比，运动模型的研究相对较少。通过解决线性运动模型在MOT中的局限性，可以在没有其他线索（如外观特征）的情况下获得最先进的跟踪性能。
• 怎么做：
  1. 提出了以观测为中心的在线平滑（Observation-centric Online Smoothing，OOS）策略，来减少在Kalman滤波状态估计时由于没有新的观测与现有轨迹匹配导致的Kalman估计的误差积累。
  2. 在cost matrix中加入轨迹的方向一致性，以便更好地匹配轨迹和观测。设计的动机是线性运动假设中的轨迹动量，因此称之为以观测为中心的动量**（Observation-Centric Momentum， OCM）**。证明了：用大时间间隔估计两点之间的方向可以降低对噪声的敏感性。
  3. 为了处理目标在短时间间隔内由于遮挡而没有被跟踪到（inactive）的情况，通过将其上一次匹配的观测与最新的观测相关联来恢复被中断的轨迹，称之为以观测为中心的恢复**（Observation-Centric Recovery，OCR）**