1.思想
本文解决关于相似外观物体多目标跟踪的问题。本文也是基于先检测再跟踪。其主要思想是将目标的运动模型建模，然后根据运动模型进行预测。与其他方法不同之处在于不必设置大量参数，而且可以恢复丢失的数据。
本文的研究是对另外几篇研究的综合。包括：
1)将[1]中的公式
的约束条件
改为
2)相似性的求解是本文的提出的动力学模型的关键点。本文通过构造hankel矩阵[2]来并估计其秩，来衡量两个的tracklet的相似性。
3)通过以上更改之后需要使用GLA进行求解[3]。本文使用的是一个该求解方法的toolbox。通过GLA分配之后，哪些跟踪块应该合并，就被确定。确定了这个之后，就可以实际合并。
注意，文章中合并多个跟踪块并不是一次性实现的。不是把所有的跟踪块拿出来，计算相似性，分配，就完事了。实际上，这样的效率肯定不行。作者使用了窗口的方法。本文采用了三个阶段的策略。假设窗口大小为60。第一阶段：先将1：60的目标合并，61：120的目标合并，依次类推。第二阶段：将30：90的目标合并，91：151的目标合并，依次类推。最后一阶段，先将窗口翻倍，这里为120。将1：120目标合并，121：240目标合并，依次类推。这个阶段的窗口较大，所以，时间也比较长。
本文的贡献在于：转化为GLA求解，，引入hankel，在hankel中使用二值标记来标识数据的缺失（用于恢复丢失数据）,迭代的方法来估计rank
2.代码框架
本文代码应该是从更大的项目中提取出来的，包含了很多无用代码，注释，以及空白行。代码命名规律为：itl表示跟踪块tracklet相关的函数，smot表示hankel相关的函数。idl2itl.m将检测数据转化为跟踪块。代码核心在于associate_itl。其中compute_itl_simiarity_matrix.m用于计算相似性。其中包含构造hankel，ihtls算法等。GLA使用的是一个toolbox，基本没有做更改。其中fast_hstln_mo的代码，解决hankel rank估计。具体的符号与[2]一致。建议参照 [2]，说得非常清楚，甚至有例子。
如果想用一个新的数据集来测试算法，需要生成对应的itl文件。itl文件格式为, 总帧数。下面每个序列表示一个目标，格式为目标编号，起始帧号，结束帧号，x坐标，y坐标，宽度，高度，Omega。
[1]Pirsiavash H, Ramanan D, Fowlkes C C. Globally-optimal greedy algorithms for tracking a variable number of objects, Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on. IEEE, 2011: 1201-1208.
[2]H. Park, L. Zhang, and J. Rosen. Low rank approximation of a hankel matrix by structured total least norm. BIT Numerical Mathematics, 39(4):757–779, 1999. 2, 4
[3]S. Gold, A. Rangarajan, et al. Softmax to softassign: Neural network algorithms for combinatorial optimization. J. of Artificial Neural Nets., 2(4):381–399, 1995. 3
一旦有了意志，脚步也会轻松起来。
