第30名方案：仿射变换与投票式DeepSORT聚类

祝贺大家取得优异的成绩，特别是获奖者们。这是一段非常耗费精力但也非常有趣的比赛经历！

大家的解决方案都非常出色且令人印象深刻。我没有什么高深的内容可以补充，但我之所以分享这个方案，是因为我认为它的简洁性值得一谈。它仅仅使用了提供的边界框和标准的DeepSORT。

该方案利用DeepSORT聚类，并通过仿射变换矩阵将坐标从跟踪数据转换到视频图像坐标，从而进行投票分配。

流程管道

• 对提供的边界框应用DeepSORT。
• 然后在每一帧上执行：
  • 获取仿射变换矩阵（使用4个真值点进行最小二乘法最小化）。
  • 线性分配。
  • 对聚类进行投票。
  • 当某个聚类获得足够的票数时，分配标签。
  • 对于经过一段时间后获得足够票数分配给另一个标签的聚类，进行拆分处理。

获取仿射变换矩阵

为了在第一帧获取仿射变换矩阵，该方法使用了4组球员-边界框组合作为真值。利用图像中最外侧的边界框（左、上、下、右），并尝试使用每一侧最外侧的6名球员，将其作为真值分配给边界框，然后比较每种组合的分配成本。

• 获取外侧边界框（左、上、下、右）。
• 遍历：
  • 尝试外侧球员（跟踪数据）的组合。
  • 对所有球员计算变换。
  • 进行线性分配并获取分配成本。
• 获取具有最小分配成本的变换矩阵。

在前20帧中，得分在大多数情况下都是100%。在随后的帧中，变换矩阵是使用最孤立的边界框/球员计算的。
（图片：边界框旁边的小方块是跟踪数据的变换结果）

随着比赛的进行，该方案主要在以下方面遇到问题：'z'轴（深度）问题、球员倒地时的处理，以及分配包含混合球员的聚类。但它具有恢复能力，能够再次获得高分。（如下图所示，在第302帧恢复了100%的准确率）

得分

排名：第30名
公开榜单：0.814
私有榜单：0.732