简介基于卡尔曼滤波与最大权值匹配算法实现的多目标跟踪 Python 工程面向计算机视觉方向初学者、课程设计与毕业设计人群可解决课堂实践中缺乏完整可运行示例代码的痛点。工程包含 main.py、kalman.py、matcher.py、utils.py 等核心模块并附详细注释提供测试视频与结果演示图方便对照算法流程校验运行效果项目说明文档对代码结构、模块职责和匹配策略作了梳理适合在此基础上二次开发或嵌入课程报告。资源包为 zip 格式共 219 个文件以 txt 说明文档和 6 个 Python 源码文件为主另有视频演示、示例截图、Git 配置及 License 信息压缩包体积约 15.9MB目录层次清晰。已有 432 人学习下载能让读者快速理解卡尔曼滤波预测与最大权值匹配关联的实际落地过程节省从零搭建环境、排查依赖与调试参数的时间。1. 卡尔曼滤波加最大权值匹配为什么是多目标跟踪里性价比最高的组合多目标跟踪最容易翻车的环节不是检测而是关联。检测器输出的只是当前这一帧的目标框把这一帧的框和上一帧的轨迹正确连成一条线才是跟踪的核心。很多人在视频里看到目标 ID 跳来跳去、一个目标被分成好几段第一反应是检测不准其实问题多半出在状态预测和匹配策略上。这份源码给出的方案很直接卡尔曼滤波负责预测每条轨迹在下一帧的位置最大权值匹配负责把预测框和检测框做全局最优的一一配对。两者都不依赖 GPU也没有可学习的参数纯 Python 加 numpy 就能在 CPU 上跑到接近实时适合固定摄像头下的车流统计、行人计数、实验室测量等场景。对于想弄清楚“跟踪到底怎么串起来”的从业者这套代码是把黑匣子拆开看内部机制的最好起点。2. 跟踪系统拆解卡尔曼预测、最大权值匹配、轨迹生命周期2.1 卡尔曼滤波负责什么状态预测与协方差更新为什么不用粒子滤波卡尔曼滤波的论文发表在上世纪 60 年代的国际顶级期刊上之后大半个世纪里它一直是线性系统中做状态估计的默认工具。今天深度学习把目标检测推得很远但跟踪里“基于历史轨迹推下一步位置”这件事卡尔曼滤波依然是开销最小、行为最可解释的方案。在多目标跟踪中我们把每个目标建模成一个状态向量。常见写法是x [cx, cy, w, h, vx, vy]其中 cx、cy 是目标框中心的横纵坐标w、h 是框的宽高vx、vy 是中心点的速度。卡尔曼滤波做的事情分两步预测和更新。预测用运动方程把状态往前推一步更新用当前帧的检测结果去修正预测值。这里不是简单地把检测框赋值给轨迹而是让位置和速度互相约束这一帧框偏了速度项会吸收一部分误差下一帧的预测就不会完全跟着检测的噪声乱跑。状态协方差 P 是这个滤波器里最容易被忽视的部分。P 表示我们对状态估计的不确定程度刚新建轨迹时不确定度大P 初值要给得大一些随着不断更新P 会逐渐收敛。和 P 配套的两个矩阵是过程噪声 Q 和测量噪声 R。Q 表示运动模型本身有多少不确定性R 表示检测框本身有多少噪声。这两个矩阵直接决定轨迹是“跟手”还是“平滑”后面第 4 章会专门展开。为什么不直接上粒子滤波因为粒子滤波要在状态空间里撒上千个粒子做重采样每帧的计算量是卡尔曼滤波的几十倍。固定视角、目标运动近似匀速或匀加速的场景里线性高斯模型的误差完全可接受。像网上免费 python 源码大全里的多目标跟踪实现很多跑不动问题就出在把粒子滤波和检测器硬凑在一起而这里的轻量组合反而能长时间稳定运行。2.2 最大权值匹配为什么多目标关联要一次配对而非逐目标贪心拿到卡尔曼的预测框和检测器的检测框之后下一步是决定“哪个轨迹对应哪个检测”。最直觉的做法是最近邻每条轨迹找离自己最近的检测框。这个方案在目标少、运动简单时能用但一旦目标交叉或短暂遮挡最近邻会做出局部最优的选择实际却把整条轨迹的 ID 带偏。正确做法是把关联建模成一个带权二部图。图的一侧是所有已有轨迹另一侧是当前帧所有检测框轨迹 i 和检测框 j 之间有一条边边的权值是两者的相似度一般是 IoU。目标是让匹配的总相似度最大同时保证每个轨迹最多匹配一个框、每个框最多匹配一条轨迹。这就是标题里说的最大权值匹配问题求解它的经典算法是匈牙利算法复杂度 O(n^3)在轨迹数几十条时毫无压力。这里要注意一个容易混淆的地方scipy 的 linear_sum_assignment 函数求的是最小代价匹配而我们的目标是最大权值。实现时把相似度 IoU 转成代价 1 - IoU求出的最小总代价就等价于最大总相似度。权值越大代价越小两条边是同一个优化问题的两个视角。举一个典型场景甲和乙两个目标相向而行中间位置发生交叉。最近邻做法在第 5 帧可能把甲的轨迹错配到乙的框上因为那一帧乙的框离甲的预测框更近。最大权值匹配会把“甲到乙框”和“乙到甲框”两条低相似度边同时考虑宁可让两边都不完美也不允许单边抢占导致另一边落空。全局最优比局部最近更重要这是关联问题里最核心的认知。2.3 轨迹生命周期新建、确认、丢失与删除跟踪不是每帧把所有轨迹简单更新一遍就结束。一个检测框出现后它要先经过“试用期”连续命中几帧才被确认为正式轨迹一条轨迹失去匹配后也不能立刻删除不然目标只是被遮挡一帧ID 就会瞬间断裂。这套源码里的轨迹生命周期分成四个阶段未确认轨迹第一次出现的检测框新建的轨迹hits 计数器等于 1。已确认轨迹连续命中 min_hits 帧后转为正式轨迹之后参与输出和计数。丢失轨迹某帧没有匹配到任何检测框age 开始累加。删除轨迹age 超过 max_age 后从轨迹列表移除。这个机制是为了对抗两类噪声。一类是检测器的单帧误检一个仅在某一帧冒出来的虚假框如果不经过确认阶段就会被当成真实目标长期跟踪另一类是检测器的漏检目标被栏杆挡了半秒如果匹配失败立刻删轨迹目标再出现时就会得到一个新的 ID计数会翻倍。实现上不需要复杂的状态机两个计数器加两个阈值就够hits 递增表示连续命中age 递增表示连续丢失。阈值 min_hits 和 max_age 的取值直接影响跟踪鲁棒性第 4 章会说明怎么设。3. 跑通这份 Python 源码环境、卡尔曼类、关联函数与主循环3.1 环境准备Python 版本、SciPy 和 OpenCV 的安装顺序这份源码只依赖三个库numpy、scipy、opencv-python。scipy 提供 linear_sum_assignmentopencv 负责读视频和画框numpy 是矩阵运算的地基。不需要 torch不需要 GPU一台普通办公机就能跑。建议用 conda 新建独立环境避免把系统 Python 搞乱conda create -n mot python3.9 conda activate mot pip install numpy scipy opencv-pythonnumpy 装 1.21 以上版本scipy 装 1.7 以上opencv-python 装 4.x 即可。如果你之前没有装过 Python先去官网下载安装包安装时勾选 Add to PATH如果用的是 VSCode装好 Python 插件后在右下角把解释器切换到 mot 环境否则 import scipy 会报 ModuleNotFoundError。这是 python 安装教程里最常被跳过的一步也是新手在这类源码上卡住的第一道坎。压缩包解开后代码大致分为四个角色卡尔曼滤波器类、IoU 计算与关联函数、跟踪器主类、演示脚本。你不需要一次理解全部按下面顺序从卡尔曼类开始读读完再跑 demo思路就顺了。3.2 卡尔曼滤波类的关键代码F、H、P、Q、R 这五个矩阵的初值卡尔曼类是这个项目的核心代码本身不长但矩阵的含义要想清楚。下面是一个可运行的简化实现import numpy as np class KalmanBoxTracker: 状态向量: [cx, cy, w, h, vx, vy] 观测向量: [cx, cy, w, h] 简化版采用匀速运动模型w 和 h 不随速度变化。 def __init__(self, bbox, track_id): cx (bbox[0] bbox[2]) / 2.0 cy (bbox[1] bbox[3]) / 2.0 w bbox[2] - bbox[0] h bbox[3] - bbox[1] self.id track_id self.hits 1 self.age 0 self.last_bbox bbox dt 1.0 self.F np.array([ [1, 0, 0, 0, dt, 0], [0, 1, 0, 0, 0, dt], [0, 0, 1, 0, 0, 0], [0, 0, 0, 1, 0, 0], [0, 0, 0, 0, 1, 0], [0, 0, 0, 0, 0, 1]], dtypenp.float32) self.H np.array([ [1, 0, 0, 0, 0, 0], [0, 1, 0, 0, 0, 0], [0, 0, 1, 0, 0, 0], [0, 0, 0, 1, 0, 0]], dtypenp.float32) self.P np.eye(6) * 50.0 # 初始协方差不确定度大一点 self.Q np.eye(6) * 0.05 # 过程噪声小值表示信任运动模型 self.R np.eye(4) * 5.0 # 测量噪声检测框像素误差约 2 个像素 self.x np.array([[cx], [cy], [w], [h], [0], [0]], dtypenp.float32) def predict(self): self.x self.F self.x self.P self.F self.P self.F.T self.Q self.age 1 return self._to_bbox() def update(self, bbox): cx (bbox[0] bbox[2]) / 2.0 cy (bbox[1] bbox[3]) / 2.0 w bbox[2] - bbox[0] h bbox[3] - bbox[1] z np.array([[cx], [cy], [w], [h]], dtypenp.float32) S self.H self.P self.H.T self.R K self.P self.H.T np.linalg.inv(S) y z - self.H self.x self.x self.x K y self.P (np.eye(6) - K self.H) self.P self.hits 1 self.last_bbox bbox return self._to_bbox() def _to_bbox(self): cx, cy, w, h self.x[0, 0], self.x[1, 0], self.x[2, 0], self.x[3, 0] h max(h, 1.0) w max(w, 1.0) return [cx - w / 2, cy - h / 2, cx w / 2, cy h / 2]代码里的逻辑分三段看。初始化阶段定义五个矩阵F 是状态转移矩阵它让 cx 加上 vx 乘以 dt 得到新位置cy 同理H 是观测矩阵我们只能测到框的中心和宽高看不到速度所以 H 从 6 维状态里取出前 4 维。P 初始化为 50表示刚看到目标时不信任自己的预测Q 取 0.05表示运动模型本身偏差很小R 取 5对应检测框中心点大约有几像素的测量误差。predict 方法只做两件事状态走一步协方差变大一点。这样做出的预测框给关联阶段使用。update 方法里先算卡尔曼增益 K再用检测值和预测值的差 y 修正状态。修正后协方差变小表示这次更新后我们对目标位置的把握更高了。_width、_height 下限设为 1 是为了防止 w、h 被更新成负数这是很多移植代码会漏掉的细节。如果你的场景里检测框经常抖动把 R 调大到 15 到 30轨迹会更平滑但代价是急转弯场景下跟踪会滞后几帧。3.3 最大权值匹配的实现IoU 代价矩阵与 linear_sum_assignment 的调用关联函数是第二块核心。先把检测框和预测框的 IoU 算出来再交给 scipy 做全局匹配。完整实现如下from scipy.optimize import linear_sum_assignment def iou(boxA, boxB): xA max(boxA[0], boxB[0]) yA max(boxA[1], boxB[1]) xB min(boxA[2], boxB[2]) yB min(boxA[3], boxB[3]) inter_w max(0, xB - xA) inter_h max(0, yB - yA) inter_area inter_w * inter_h area_a (boxA[2] - boxA[0]) * (boxA[3] - boxA[1]) area_b (boxB[2] - boxB[0]) * (boxB[3] - boxB[1]) return inter_area / (area_a area_b - inter_area 1e-6) def associate(tracks, detections, iou_threshold0.3): # tracks 是已经预测过一轮的轨迹列表每条轨迹返回预测框 # detections 是当前帧检测框列表 if len(tracks) 0 or len(detections) 0: return [], list(range(len(detections))), list(range(len(tracks))) cost np.zeros((len(tracks), len(detections)), dtypenp.float32) for t, trk in enumerate(tracks): pred_bbox trk.predict() for d, det in enumerate(detections): cost[t, d] 1.0 - iou(pred_bbox, det) row_idx, col_idx linear_sum_assignment(cost) matched [] unmatched_dets [] unmatched_trks [] for r, c in zip(row_idx, col_idx): if cost[r, c] 1.0 - iou_threshold: matched.append([r, c]) else: unmatched_dets.append(c) unmatched_trks.append(r) matched_set set(col_idx) for d in range(len(detections)): if d not in matched_set: unmatched_dets.append(d) trk_set set(row_idx) for t in range(len(tracks)): if t not in trk_set: unmatched_trks.append(t) return matched, unmatched_dets, unmatched_trks这里的核心是代价矩阵 cost。行是轨迹列是检测每个元素表示这条轨迹和这个检测的相异程度。IoU 越大1 - IoU 越小匹配的代价越低。linear_sum_assignment 返回的 row_idx 和 col_idx 是一一对应的配对索引表示在全局约束下总代价最小的方案。代码里有两个容易出错的地方。第一个是配对后必须做门限检查如果最小代价仍然高于 1 - iou_threshold说明这两者根本不重叠不能因为“只能匹配一次”就硬绑此时要把这对索引分别放进未匹配集合。第二个是 scipy 返回的索引不会覆盖所有行和列没有参与匹配的检测和轨迹必须用补集方式单独收集否则新建轨迹和删除轨迹都会漏。变量命名上返回的 matched 是列表每个元素是 [轨迹索引, 检测索引]后续主循环直接按这个结果做更新。3.4 主循环与模拟检测把源码接到 YOLO 等真实检测器上跟踪器主类把滤波器、匹配、生命周期串起来演示脚本用一个模拟检测器验证全流程。下面是主循环的骨架class Tracker: def __init__(self, iou_threshold0.3, max_age30, min_hits3): self.tracks [] self.next_id 1 self.iou_threshold iou_threshold self.max_age max_age self.min_hits min_hits def update(self, detections): if len(self.tracks) 0: for det in detections: self.tracks.append(KalmanBoxTracker(det, self.next_id)) self.next_id 1 return # 匹配前先对每条轨迹做预测 pred_tracks [t for t in self.tracks] matched, unmatched_dets, unmatched_trks associate( pred_tracks, detections, self.iou_threshold) # 匹配成功的轨迹用检测框做更新 for trk_idx, det_idx in matched: self.tracks[trk_idx].update(detections[det_idx]) # 未匹配的轨迹 age 加 1超过阈值删除 for trk_idx in unmatched_trks: self.tracks[trk_idx].age 1 if self.tracks[trk_idx].age self.max_age: self.tracks.pop(trk_idx) # 未匹配的检测框新建轨迹 for det_idx in unmatched_dets: self.tracks.append(KalmanBoxTracker(detections[det_idx], self.next_id)) self.next_id 1注意 update 开头处理的是“第一帧没有任何轨迹”的情况。之后的每一帧先对现有轨迹统一 predict再做关联。匹配成功的轨迹调用 update 吸收检测值未匹配的轨迹只增加 age未匹配的检测则新建。演示环境里没有真实视频我一般会用有 ground truth 的运动轨迹来造检测框这样最后能直接算指标。下面是一个模拟检测器输出两个相向运动的高斯噪声框def fake_detector(frame_id): boxes [] gt1 [60 3 * frame_id, 80 1.5 * frame_id, 80 3 * frame_id, 104 1.5 * frame_id] gt2 [500 - 2.5 * frame_id, 90 2 * frame_id, 520 - 2.5 * frame_id, 114 2 * frame_id] for g in [gt1, gt2]: noise np.random.normal(0, 2.0, size4) boxes.append([g[0] noise[0], g[1] noise[1], g[2] noise[2], g[3] noise[3]]) return boxes主循环把 fake_detector 的输出丢给 tracker再把每条轨迹的 last_bbox 画到画布上保存成视频文件。真实项目中把 fake_detector 替换成检测模型的输出即可常见做法是# dets model(frame) # 假设返回 [x1, y1, x2, y2, conf] # dets [d[:4] for d in dets if d[4] 0.4]转换时注意两点。检测模型输出的坐标系统如果是中心点加宽高格式要换算成左上角右下角格式否则 IoU 算出来全是错的。另外低置信度检测必须在进入关联前过滤掉否则每帧多出十来个噪声框会拖慢匹配速度并制造大量短命轨迹。4. 参数调优IoU 阈值、确认帧数、丢失容忍、Q/R 矩阵这五个旋钮4.1 IoU 阈值关联门限与轨迹判别同时受限ioU_threshold 是这份源码里最直接的一个参数它同时扮演两个角色门限和判据。关联阶段只有当 1 - IoU 小于阈值对应的代价时才接受配对低于门限的配对全部判为失败。这就意味着阈值越高配对要求越严格。常见取值的参考意义如下场景IoU 阈值说明密集行人、目标遮挡频繁0.15 - 0.2放宽配对条件轨迹不容易断但误配概率上升常规车流、固定视角0.3 - 0.4默认区间绝大多数场景适用小目标检测、帧率低0.1 - 0.15目标跨帧位移大预测框和检测框重叠少调参时的直觉是这样的如果发现目标没被遮挡却新开了轨迹说明阈值过高预测框和检测框因为检测抖动重叠不够被误判为“无匹配”如果发现两条轨迹互相交换说明阈值过低离得近的不同目标被绑到了一起。从这个角度说先调 IoU 阈值再动别的参数。4.2 min_hits 与 max_age轨迹的确认期和冷静期min_hits 控制一条轨迹需要连续命中几帧才算确认。设 1 时任何单帧噪声都会生成永久轨迹设 3 到 5 时误检一般挺不过确认期就被丢弃。检测器比较稳、误检少的场景用 3 即可检测器在低光照下闪烁明显时调到 5 到 6。max_age 控制一条轨迹失去匹配后能存活多少帧。这个值要和视频帧率挂钩25 FPS 的视频里目标被遮挡 0.5 秒就是 12 帧max_age 至少给 15 到 20 帧作为余量。设得太小遮挡结束后目标必然变成新 ID设得太大轨迹数量会慢慢积压每条轨迹每帧都要和所有检测算一次 IoU计算量线性上涨。经验值 30 在多数场景够用但如果你发现卡顿先看轨迹数是不是悄悄涨到了几百条。4.3 Q 和 R 矩阵滤波跟手程度与平滑程度的平衡Q 和 R 是卡尔曼滤波里最能体现“玄学”的两个矩阵但它们的行为规律很明确。Q 是过程噪声表示我们对运动模型的信任程度。Q 变小滤波器更相信匀速运动假设预测框更平滑但目标转弯时跟不上Q 变大滤波器更迁就检测值预测反应快但输出抖得更厉害。R 是测量噪声表示我们对检测框的信任程度。R 变小检测值权重变大轨迹紧贴检测框噪声会被直接放大R 变大滤波结果更平滑但会有明显的滞后感。我一般从 Q 0.05、R 5.0 起步。目标是缓慢移动的人或车Q 保持在 0.01 到 0.05目标是快速变向的人比如运动员Q 提到 0.1 到 0.2。R 的调整看检测器的稳定性YOLO 系列在 640 分辨率下的框定位误差约为 2 到 4 像素R 设 5 合理如果检测框肉眼可见地抖动R 调大到 20 再观察。P 的初值也值得注意。P 初始化成 50表示刚看到目标时状态估计非常不确定如果把 P 设成 0滤波器会过度相信初始状态前几帧的更新修正量会被严重压缩轨迹开局阶段会明显滞后。4.4 进阶代价矩阵用马氏距离替代或补充 IoUIoU 只关心两个框的几何重叠完全不使用卡尔曼滤波的速度信息。当目标高速斜穿画面相邻两帧的预测框和检测框可能只有很小重叠IoU 阈值被迫放宽误配随之增多。这时可以用马氏距离代替 IoU或至少作为门控条件。def mahalanobis_cost(state, covariance, bbox_center): diff np.array([ bbox_center[0] - state[0, 0], bbox_center[1] - state[1, 0] ]) cov covariance[:2, :2] np.eye(2) * 1e-6 return diff.reshape(1, 2) np.linalg.inv(cov) diff.reshape(2, 1)马氏距离利用协方差把“预测位置的不确定程度”编码进去。如果预测框协方差已经很大即使检测框偏离较远马氏距离也不会立刻拒绝如果协方差很小检测框偏离一点就会被判定为不匹配。这个特性天然适合处理遮挡后目标重现的场景。常见做法是用马氏距离做硬门控马氏距离小于 9.21二维卡方分布 1% 显著性水平的临界值才允许进入匹配IoU 仍然作为代价参与优化。两个条件同时满足既利用运动信息又不放弃框重叠的直观约束。代价是每个匹配对都要算一次 2x2 矩阵求逆轨迹超过 50 条时耗时上升明显可以用预计算协方差逆矩阵来优化。5. 避坑把这份源码跑起来之后的五个高频翻车点5.1 现象一更新就报矩阵维度错误运行到 update 方法时报错错误信息类似 ValueError: could not broadcast input array from shape (4,) into shape (6,)。原因几乎都是坐标格式不统一检测框以左上角右下角格式喂进来而卡尔曼类内部状态是中心点加宽高测量向量长度对不上或者有人在类外直接操作 self.x把 6 维状态覆盖成 4 维。解决方法是把 bbox 转换统一放在 KalmanBoxTracker 的 update 和init内部外部一律传 [x1, y1, x2, y2]内部只处理 [cx, cy, w, h]。调试时先打印 self.x.shape 和 z.shape一眼就能看出是谁不匹配。5.2 现象匹配结果出现一对多轨迹和检测对不齐用 linear_sum_assignment 之后发现同一个检测框出现在两条轨迹的匹配结果里。这不是算法的问题而是没处理未匹配集合。scipy 返回的 row_idx 和 col_idx 只包含参与最优匹配的索引没有进入配对的轨迹和检测不会出现在返回值里。如果主循环直接用这份返回值遍历就会漏掉新建和删除逻辑下一帧的索引错位会越积越深。解决方法是补齐未匹配索引用集合差集把剩下的检测和轨轨迹分别收集再走新建和删除分支。5.3 现象目标被遮挡一下ID 就跳成新目标这是多目标跟踪最经典的坑。先检查 max_age遮挡半秒对应十几帧如果 max_age 设为 10 以内轨迹在遮挡期间就被删了目标回来一定是新 ID。其次检查 IoU 阈值目标归来时预测框已经漂移了一截阈值设成 0.6 这种偏高值会直接拒绝匹配。经验值是把 max_age 调到 30IoU 阈值降到 0.3同时让未匹配轨迹在等待期间调用 predict 继续外推。如果这样还断考虑把关联代价从 IoU 换成马氏距离或者两者并用。5.4 现象预测框宽高变负、坐标跑出画面跟踪全乱卡尔曼状态向量里的 w 和 h 在反复更新中可能被修正成负值尤其当检测框本身极窄或检测器输出异常框时。负宽高会直接摧毁 IoU 计算后续匹配全是无效值。解决分三层第一_to_bbox 里强制 w、h 不低于 1第二predict 之后对预测框做图像边界裁剪不让 cx、cy 跑到画面外太远第三检查喂入的检测框如果检测器输出了明显超宽、超高的异常框先过滤掉再进关联。坐标负数在所有卡尔曼跟踪类实现里都容易踩用这个顺序排查基本能压住。5.5 现象帧率上不去匹配比检测还慢轨迹几十条、检测几十条时嵌套循环算 IoU 会变成性能瓶颈。每帧要算几千次 Python 循环内的 max、min 和除法帧率自然掉到个位数。最直接的改法是向量化批量 IoU把预测框和检测框都堆成矩阵一次算出行列式 IoU 矩阵替代双层循环。另一个常用做法是降低关联频率检测每帧做关联每两帧做一次中间帧直接沿用上一帧匹配结果。遮挡不严重的固定场景可以接受这种折中。6. 验收而不是看着炫用仿真 ground truth 算 IDSW 和 MOTA6.1 构造交叉轨迹的仿真数据视觉验收很容易骗人。两个目标在视频里跑来跑去眼睛看着好像每条轨迹都跟住了但你不知道目标 ID 切换了几次。我的习惯是先造一个带 ground truth 的仿真场景两个目标从画面两端相向而行中间必然交叉这就是 ID Switch 的高发场景。在 fake_detector 里ground truth 本身就是已知的 gt1 和 gt2给每个 gt 框打上真实 ID 作为标签。之后跟踪器输出的 ID 和 ground truth ID 逐帧做对比差异一目了然。6.2 用轻量脚本统计 IDSW 与 MOTA两个指标就够了ID Switch即同一目标真实 ID 对应了多个跟踪 ID 的次数MOTA多目标跟踪准确率综合了漏检、误检和 ID 跳变的损失。MOTA 的简化计算方式如下def compute_mota(gts, preds, total_frames): fp 0 fn 0 idsw 0 gt_count sum(len(g) for g in gts) for frame_id in range(total_frames): gt_ids set(gts[frame_id].keys()) pred_ids set(preds[frame_id].keys()) fp len(pred_ids - gt_ids) fn len(gt_ids - pred_ids) idsw count_id_switch(gts[frame_id], preds[frame_id]) mota 1.0 - (fp fn idsw) / gt_count return mota逐帧把 ground truth 和跟踪结果的 ID 对齐统计多出来的框、漏掉的框和 ID 跳变次数用这个值评判调参效果。同样的代码结构可以迁移到真实数据集上只要把标注文件读进来替换 gts 即可。6.3 每个调参轮次都留下状态日志我调试这类源码时会在每一帧把关联矩阵、卡尔曼预测框、速度状态写进 CSV 文件而不是只在窗口里画框。调完一组参数后回放 CSV 里同一帧的数据对比不同参数下匹配的取舍就能看出是谁抢了谁的匹配。这看起来多花几分钟但能省掉大量反复看视频的无效时间。多目标跟踪的调试本来就是从看不出来的差异里找原因数据日志比肉眼可靠得多。这也是我做这类项目以来最划算的一个习惯希望帮到你。本文还有配套的精品资源点击获取