创新点：（解决相机运动的问题、mis-detection、re-track）
当ROI有相似外观的时候，MOT就变得比较难了。在那种情况下，对于判别多个物体，运动线索就显得很重要了。为了处理不可预测的相机运动，在目标间的一种结构化运动约束因其对相机运动的鲁棒性而被使用。在本文中，提出了一种新的数据关联方法，该方法可以在出现大的相机运动的时候，有效的利用结构化的运动约束。除此之外，为进一步提高对于mis-detections和false positives的数据关联的鲁棒性，一种新的事件聚合方法被使用，目的是在在线进行MOT时，将结构性约束纳入分配成本（assignment costs）。
本文提出了一种新的数据关联方法，对在线2D MOT而言，可以有效地利用物体间结构化的运动约束，在这个过程中，把相机运动和由频繁mis-detection导致的歧义性考虑进来。这一结构化的约束由物体间位置和速度的差异来表示。使用这约束，本文介绍了一种新的cost function，把球机运动（global camera motion）考虑进来以关联多个目标。此外，为降低由mis-detections导致的歧义性，提出了一种事件聚合法，考虑到了结构化约束和分配事件。
所提的数据关联和结构化约束可以被纳入two-step在线2D MOT框架中。第一阶段，即使在出现大的相机移动和相机抖动的情况下，也使用所提的结构化约束事件聚合法，这样能够鲁棒的持续估计被跟踪的物体。第二阶段，推断并且恢复帧间的missing objects以减轻来自检测器的mis-detection的问题。SO，在帧间使用物体的结构化约束，可以再次跟踪（re-track）到第一阶段来自于被跟踪物体的missing ones。
本文方法使用结构化约束来解决the online 2DMOT problem with the frame-by-frame data association that assigns objects to correct detections。集成结构化约束，并且考虑到abrupt camera motion和由mis-detections导致的歧义性。Predicted missing objects by structural constraint。
总之，在这篇文章中，提出了一种新的数据关联方法，可以有效的在出现大的相机motion时使用结构化的运动约束。此外，为了减轻由于mis-detection and multiple detections造成的歧义性，提出了一种新的事件聚合方法以将结构化约束整合到assignment event costs中。最后，所提的数据关联方法和结构化约束被合成了the two-step online 2D MOT algorithm which simultaneously tracks objects and recovers missing objects。
