深层分类对象 简单的模块，可通过其键对对象进行递归排序。 安装 $ npm install deep-sort-object - NPM $ bower install deep-sort-object bower 浏览器文件名为index.umd.js ，它支持CommonJS，AMD和globals（ deepForEach ）。 如果要在旧的浏览器上运行此模块，则必须包括 。 用法 下面的示例基于nodejs 。 var sortobject = require ( 'deep-sort-object' ) ; sortobject ( { 'z' : 'foo' , 'b' : 'bar' , 'a' : [ { 'z' : 'foo' , 'b' : 'bar' }

目标行人轨迹跟踪的权重，也就是ckpt.t7权重文件，已经帮大家下载好了，方便使用

多目标跟踪(SORT,Deep_SORT,IOU17,SST)代码，亲身测试在MOT17上运行成功，需要准备相应的数据集及标签

根据Deep SORT的代码进行算法流程分析，通过列举了前4 帧的跟踪流程，对每一帧各种结果的可能性进行了分析，便于研究多目标跟踪方向的道友们更好的理解代码流程。本人也是初学者，若有解释不到位或者借鉴不当之处，欢迎联系指正！

资源为视频检测算法代码包括算法的模型，算法实现的原理是：首先在视频检测跟踪之前，对所有目标已经完成检测，那么当第一帧进来时，以检测到的目标初始化并创建新的跟踪器，标注ID，输出行人图片，输出一组向量，通过比对两个向量之间的距离，来判断两副输入图片是否是同一个行人。在后面帧进来时，先到卡尔曼滤波器中得到由前面帧box产生的状态预测和协方差预测，并且使用确信度较高的跟踪结果进行预测结果的修正。求跟踪器所有目标状态与本帧检测的box的IOU，通过匈牙利算法寻找二分图的最大匹配，在多目标检测跟踪问题中为寻找前后两帧的若干目标的匹配最优解，得到IOU最大的唯一匹配，在去掉匹配值小于iou_threshold的匹配对。 用本帧中匹配到的目标检测box去更新卡尔曼跟踪器，计算卡尔曼增益，状态更新和协方差更新。并将状态更新值输出，作为本帧的跟踪box，再对于本帧中没有匹配到的目标重新初始化跟踪器。 yolo v3首先通过特征提取网络对输入图像提取特征，得到一定size的feature map，通过尺寸聚类确定anchor box。对每个bounding box网络预测4个坐标偏移。如果feature map某一单元偏移图片左上角坐标,bounding box预选框尺寸为，即anchor尺寸，那么生成对预测坐标为,此为feature map层级.而为真值在feature map上的映射，通过预测偏移使得与一致。类别预测方面为多标签分类，采用多个scale融合的方式做预测。