创新点：

本文展示了MOT可以在一个框架中表示，检测和数据关联可同时执行。本文的方法可以克服基于数据关联的MOT方法的限制（跟踪的性能取决于目标检测的结果）。方法的核心是结构化学习，即为每一个目标学习一个模型并且推断所有目标的最佳位置。这一结构化学习的推断通过目标身份感知网络流（Target Identity-aware Network Flow，TINF）来实现。在这个网络中，每个节点编码每个目标属于那个节点的概率。所提的拉格朗日松弛法可寻找网络高质量的解。在优化的过程中，一个soft的空间约束在图的节点间被使用，这能够帮助降低拥挤环境下具有相似外观的近邻目标之间的歧义性。此外，在单个框架中自动检测和跟踪目标有助于帮助解决由于频繁遮挡和目标重叠而导致的歧义性。

贡献：

①提出了一种新的将判别式学习与全局数据关联相结合的MOT方法。

②介绍了一种新的目标身份感知网络并且通过拉格朗日松弛法有效地优化。

③展示了所提的迭代优化法较IP/LP解法更加有效。

④用soft-spatial约束替代了目标检测方法中的nms的步骤，且进一步提升了结果。

In this paper，提出了一种基于online discriminative learning的跟踪方法，可以同时解决检测和全局数据关联by integrating a new global data association technique into the inference of a structured learning tracker。