OC-SORT（Observation-Centric SORT）是一种以观测为中心的多目标跟踪算法，旨在解决传统 SORT 算法在目标遮挡、外观变化和复杂交互场景下关联准确性不足的问题。以下是其详细介绍：
核心创新点
- 以观测为中心的在线平滑（OOS） ：该策略旨在缓解卡尔曼滤波器（KF）在长时间遮挡或非线性运动时因缺乏观测数据导致的误差累积问题。当目标被遮挡时，OOS 通过引入历史观测数据建立虚拟轨迹，在目标重新出现时反向修正 KF 的状态参数，从而减少累积误差。例如，当目标短暂消失后，OOS 利用其消失前的观测值生成虚拟轨迹，并基于新观测值对轨迹进行平滑校准，避免因预测偏差导致的跟踪漂移。
- 以观测为中心的恢复（ORU） ：ORU 专门处理因短时遮挡导致的轨迹中断问题。当目标重新出现时，ORU 尝试将目标的最后一次有效观测值与新到达的检测框进行关联，而非依赖 KF 的预测结果。例如，若目标在第 t 帧丢失并在第 t+k 帧重新出现，ORU 会直接比较第 t 帧的观测位置与第 t+k 帧的检测位置，通过几何相似性（如 IoU）判断是否为同一目标。这种方法减少了对预测的依赖，尤其适用于遮挡频繁或运动突变的场景。
- 以观测为中心的动量（OCM）：OCM 通过将轨迹的方向一致性融入数据关联的代价矩阵，优化目标匹配的准确性。传统方法仅依赖位置或速度的相似性，而 OCM 额外考虑轨迹运动方向的连续性。具体而言，OCM 计算轨迹与当前检测框的速度方向差异，并将此差异作为关联代价的一部分。例如，若某轨迹历史运动方向与新检测框的速度方向一致，则关联代价更低，从而优先匹配。这一设计有效解决了线性运动假设下因方向突变（如转弯）导致的误匹配问题。
算法原理
- 运动一致性约束：利用轨迹历史运动模式提高关联鲁棒性，通过计算轨迹与检测之间的运动方向相似性，来度量运动相似性。
- 轨迹恢复机制 ：解决短期遮挡导致的轨迹中断。维护一个候选轨迹池，对未匹配的检测进行逆向关联，使用滑动窗口匹配历史观测，当 ReID_score > τ_app 且 IoU > τ_geo 时，认为是同一目标。
状态向量设计
采用 8 维状态向量，其中(xc,yc)为中心坐标，w,h为宽高，x˙c等为对应速度。当检测丢失时，采用虚拟观测更新。
性能评估
在 MOT17 数据集上，OC-SORT 的典型指标表现出色，如 MOTA 达到 63.2%，IDF1 达到 68.5%，ID Switches 为 534，相比 SORT 和 DeepSORT 有显著提升。
应用建议
检测器选择推荐 YOLOv5 或 Faster R - CNN，同时需要根据场景调整 λ 系数 、卡尔曼噪声参数 等进行参数调优，可集成 OpenCV 或 Supervisely进行可视化展示。a