1、得到索引

self.args.track_thresh是轨迹阈值。轨迹的得分是iou得分乘以框的置信度。
remain_inds 是高得分的框的索引。
inds_second 是低得分的框的索引（介于0.1到self.args.track_thresh之间）。

        remain_inds = scores >= self.args.track_thresh
        
        inds_low = scores > 0.1
        inds_high = scores < self.args.track_thresh

        inds_second = np.logical_and(inds_low, inds_high)
        dets_second = bboxes[inds_second] # 低得分的框
        dets = bboxes[remain_inds]  # 高得分的框
        scores_keep = scores[remain_inds] # # 高得分的框的对应score
        scores_second = scores[inds_second] # 低得分的框的对应score

2、高得分框参与匹配，可能会留下有匹配不了的框

detections 中是高得分的框做成的STrack类。

        if len(dets) > 0:
            '''Detections'''
            detections = [STrack(STrack.tlbr_to_tlwh(tlbr), s) for
                          (tlbr, s) in zip(dets, scores_keep)]
        else:
            detections = []

之前没确认的STrack是unconfirmed。
之前处于追踪中的STrack是tracked_stracks。【track.is_activated】

        ''' Add newly detected tracklets to tracked_stracks'''
        unconfirmed = []
        tracked_stracks = []  # type: list[STrack]
        for track in self.tracked_stracks:
            if not track.is_activated:
                unconfirmed.append(track)
            else:
                tracked_stracks.append(track)

用跟踪着的track和lost的track都参与高分框detections 的匹配。
这一步是关键计算：dists = matching.fuse_score(dists, detections) # ！！ IOU分数乘以框的置信度分数！！

和所有的检测框计算iou的时候，用的是卡尔曼预测出的框。

        ''' Step 2: First association, with high score detection boxes'''
        strack_pool = joint_stracks(tracked_stracks, self.lost_stracks) # 跟踪着的track和lost的track
        # Predict the current location with KF
        STrack.multi_predict(strack_pool) # 更新mean和covariance
        dists = matching.iou_distance(strack_pool, detections) # 和所有的检测框计算iou，越小越匹配。1就是没有交合。
        if not self.args.mot20:
            dists = matching.fuse_score(dists, detections) # ！！ IOU分数乘以框的置信度分数！！

使用matching.linear_assignment进行匹配，之前的【STrack对象】是否能匹配上现在的【检测框】，依靠self.args.match_thresh 作为阈值。matches是配对了的，比如 [(1,2)] 就表示strack_pool中第1个【STrack对象】和detections中第2个检测框匹配上了。
显然，u_track就是剩下的没匹配成功的【STrack对象】序号，比如[4]。
u_detection 就是剩下的没匹配成功的detections中的检测框序号，比如[0]。

        matches, u_track, u_detection = matching.linear_assignment(dists, thresh=self.args.match_thresh) # matches是匹配的，u_track是没有匹配的track，u_detection是没有匹配的检测框

对匹配上的matches，如果track.state == TrackState.Tracked，更新【STrack对象】（卡尔曼的更新步骤）。

否则就是track.re_activate(det, self.frame_id, new_id=False)（里面也是卡尔曼的更新步骤）。

        for itracked, idet in matches:
            track = strack_pool[itracked]
            det = detections[idet]
            if track.state == TrackState.Tracked:
                track.update(detections[idet], self.frame_id)
                activated_starcks.append(track)
            else:
                track.re_activate(det, self.frame_id, new_id=False)
                refind_stracks.append(track)

3、低得分框参与匹配

r_tracked_stracks 中是在追踪中的【STrack对象】，而且高分框没匹配上剩下的。

        ''' Step 3: Second association, with low score detection boxes'''
        # association the untrack to the low score detections
        if len(dets_second) > 0:
            '''Detections'''
            detections_second = [STrack(STrack.tlbr_to_tlwh(tlbr), s) for
                                 (tlbr, s) in zip(dets_second, scores_second)]
        else:
            detections_second = []
        r_tracked_stracks = [strack_pool[i] for i in u_track if strack_pool[i].state == TrackState.Tracked]
        dists = matching.iou_distance(r_tracked_stracks, detections_second)

采用更低的阈值进行选取matching.linear_assignment(dists, thresh=0.5 )。

        matches, u_track, u_detection_second = matching.linear_assignment(dists, thresh=0.5)

能匹配上的依旧激活。

        for itracked, idet in matches:
            track = r_tracked_stracks[itracked]
            det = detections_second[idet]
            if track.state == TrackState.Tracked:
                track.update(det, self.frame_id)
                activated_starcks.append(track)
            else:
                track.re_activate(det, self.frame_id, new_id=False)
                refind_stracks.append(track)

对高分框和低分框都匹配不上的【STrack对象】，放入lost_stracks。
到这里，对上一帧出现的所有【STrack对象】，都已经有了归宿，要么去activated_starcks、要么去refind_stracks、要么来到这里的lost_stracks。

        for it in u_track:
            track = r_tracked_stracks[it]
            if not track.state == TrackState.Lost:
                track.mark_lost()
                lost_stracks.append(track)

4、处理 unconfirmed 匹配

什么要分高得分框匹配和低得分框匹配？因为可以分得更准。

unconfirmed 是之前的状态不满足：track.state == TrackState.Tracked。

u_detection 中是高得分的框，而且在第一次匹配中没有匹配到【STrack对象】剩下来的。

这里尝试进行将 unconfirmed 与 u_detection 进行匹配，碰碰运气。这样可能匹配上，就不用重新给这个框一个新的ID。

这里使用 thresh=0.7，这些thresh其实都是一个重要的超参，你的检测模型低置信度，那这些thresh超参都需要调整，而不是只调整最开始那个。

        '''Deal with unconfirmed tracks, usually tracks with only one beginning frame'''
        detections = [detections[i] for i in u_detection]
        dists = matching.iou_distance(unconfirmed, detections)
        if not self.args.mot20:
            dists = matching.fuse_score(dists, detections)
        matches, u_unconfirmed, u_detection = matching.linear_assignment(dists, thresh=0.7)

处理匹配上的（matches）。

        for itracked, idet in matches:
            unconfirmed[itracked].update(detections[idet], self.frame_id)
            activated_starcks.append(unconfirmed[itracked])

对于不确信的u_unconfirmed，这次高分框匹配不到的话，将u_unconfirmed中的【STrack对象】加入到removed_stracks。

        for it in u_unconfirmed:
            track = unconfirmed[it]
            track.mark_removed()
            removed_stracks.append(track)

5、创建新的【STrack对象】

得分高的框，匹配不到任何已有的【STrack对象】，直接分配一个新的ID让这个框成为【STrack对象】，加入到activated_starcks。

        """ Step 4: Init new stracks"""
        for inew in u_detection:
            track = detections[inew]
            if track.score < self.det_thresh:
                continue
            track.activate(self.kalman_filter, self.frame_id)
            activated_starcks.append(track)

6、扔掉太久没匹配到框的【STrack对象】

上一帧的【STrack对象】，匹配不到框，就会成为lost_stracks。
在这里遍历lost_stracks中的【STrack对象】，太久都无法找到框匹配，超出定义的buffer_size，会扔到removed_stracks中。

        """ Step 5: Update state"""
        for track in self.lost_stracks:
            if self.frame_id - track.end_frame > self.max_time_lost:
                track.mark_removed()
                removed_stracks.append(track)

7、输出追踪框

self.tracked_stracks 中是上一帧的所有【STrack对象】，在这一帧里面，有的被分入unconfirmed中，而unconfirmed中没有匹配高分框的话就会标志被标志移除【见4、处理 unconfirmed 匹配】。所以下面这句话就挑选中上一帧还处于追踪的【STrack对象】。

self.tracked_stracks = [t for t in self.tracked_stracks if t.state == TrackState.Tracked]

下面这句就将这一帧能被追踪的所有【STrack对象List】activated_starcks 加到一起。

在这一帧里面，什么条件才能被加入到activated_starcks：

1、 高分框和上一帧的【STrack对象List】tracked_stracks匹配成功，满足track.state == TrackState.Tracked。

2、低分框和上一帧的【STrack对象List】tracked_stracks匹配成功，以更低松懈阈值匹配，满足track.state == TrackState.Tracked。

3、高分框和上一帧的【STrack对象List】unconfirmed匹配成功，以更低松懈阈值。

4、啥都没落着的高分框，自成一个【STrack对象】，加入到activated_starcks。

self.tracked_stracks = joint_stracks(self.tracked_stracks, activated_starcks)

下面这句就将这一帧能被追踪的所有【STrack对象List】refind_stracks加到一起。

在这一帧里面，什么条件才能被加入到refind_stracks：

1、 高分框和上一帧的【STrack对象List】tracked_stracks匹配成功，不满足track.state == TrackState.Tracked，重新激活。

2、低分框和上一帧的【STrack对象List】tracked_stracks匹配成功，以更低松懈阈值匹配，不满足track.state == TrackState.Tracked，重新激活。

self.tracked_stracks = joint_stracks(self.tracked_stracks, refind_stracks)

更新 lost_stracks ，lost_stracks 里面有被追踪起来的就删除掉。

self.lost_stracks = sub_stracks(self.lost_stracks, self.tracked_stracks)
self.lost_stracks.extend(lost_stracks)
self.lost_stracks = sub_stracks(self.lost_stracks, self.removed_stracks)
self.removed_stracks.extend(removed_stracks)

去除重叠对象。

self.tracked_stracks, self.lost_stracks = remove_duplicate_stracks(self.tracked_stracks, self.lost_stracks)

【STrack对象List】中被激活的会输出出去。这里比较坑比的一点是，只有一个帧的高分检测目标框，不会是一个activated的状态（除非是整个过程的第一帧）。

 output_stracks = [track for track in self.tracked_stracks if track.is_activated]

坑比的一点，请看vcr：