多目标跟踪：运动模型

在多目标跟踪（Multi-Object Tracking, MOT）中，运动模型（Motion Model）用于预测目标在当前帧的位置，即在新图像到来之前，基于历史轨迹对目标进行“推测”。这一步是数据关联的重要组成部分。

一、什么是运动模型？

运动模型是一个基于时间序列的目标位置预测方法。它尝试基于目标的历史状态（如位置、速度）来预测其在下一帧中的位置。

常见形式：

位置（t） + 速度 → 预测位置（t+1）

二、常用运动模型类型

一、匀速直线模型（Constant Velocity）

假设目标做匀速运动：

优点：

• 简单快速，适合静态摄像头、缓慢移动的目标

• 多用于初始版本的跟踪器，如 SORT

二、卡尔曼滤波（Kalman Filter）

一种线性高斯滤波器，用来估计目标的状态（位置、速度）并不断更新：

• 状态变量：

  • [x, y, dx, dy]（位置和速度）

• 两步：

  • 预测（predict）

  • 更新（update）

适用场景：

• 目标短期运动平稳、遮挡少

• DeepSORT、ByteTrack 等常用

PyTorch/NumPy 简化实现：

from filterpy.kalman import KalmanFilter

kf = KalmanFilter(dim_x=4, dim_z=2)
kf.x = [x, y, dx, dy]  # 初始化位置速度
kf.predict()
kf.update(measured_position)

三、扩展卡尔曼滤波（EKF）/无迹卡尔曼滤波（UKF）

• 适合非线性运动（如曲线运动）

• 处理更加复杂，但常见于目标跟踪精度要求更高的系统（如雷达）

四、匀加速模型（Constant Acceleration）

• 假设目标具有加速度

适用于：

• 体育比赛、高速交通目标跟踪

五、粒子滤波（Particle Filter）

• 使用随机采样（粒子）估计目标状态分布

• 能处理非线性、非高斯问题

适用于：

• 多遮挡、非规则路径下目标的轨迹预测

• 无法用高斯建模的复杂环境

三、运动模型在 MOT 中的作用

四、与外观模型的配合

实际跟踪中，运动模型和外观模型通常联合使用：

融合方法：

• 线性组合距离度量（如马氏距离 + 外观 cosine 距离）

五、动手示例：Kalman 运动预测

from filterpy.kalman import KalmanFilter
import numpy as np

kf = KalmanFilter(dim_x=4, dim_z=2)

kf.F = np.array([[1, 0, 1, 0],
                 [0, 1, 0, 1],
                 [0, 0, 1, 0],
                 [0, 0, 0, 1]])  # 状态转移矩阵

kf.H = np.array([[1, 0, 0, 0],
                 [0, 1, 0, 0]])  # 测量矩阵

kf.x = np.array([400, 300, 0, 0])  # 初始位置
kf.P *= 1000.  # 协方差

# 预测下一位置
kf.predict()
pred = kf.x[:2]
print("Predicted:", pred)

# 模拟观测更新
measured = np.array([402, 301])
kf.update(measured)
print("Updated:", kf.x[:2])

六、结语