1.代码原理
该程序逐个读取帧图片，并对帧图片逐个进行多行人检测、多目标追踪。该方法是在线方法，将逐个读取帧图片改为逐帧读取视频即可实现在线处理视频。
1.1 多行人检测。
使用gluoncv中的预训练模型faster_rcnn_fpn_bn_resnet50_v1b_coco实现多行人检测，这一步骤见detect.py。
1.2 多目标追踪。
使用sort算法实现多目标追踪，详见https://github.com/abewley/sort。
2.代码部署
2.1 配置环境。
安装python==3.6，安装requirements.txt中要求的库（代码运行实际用到的库可能少于该文件，因此建议根据代码安装所需要的库）。
2.2 准备数据。
有两种方法准备数据：
2.2.1 将A-data文件夹放入当前目录，A-data文件夹中为Track1 Track2等子文件夹，每个子文件夹中存有.jpg帧图片。
2.2.2 修改run.py的第97行，将input_folder改为A-data文件夹所在路径。
2.3 运行程序run.py。
2.4 程序输出。
程序运行时会打印处理进度及估计的剩余时间。
程序运行完成后，会在当前目录下生成output文件夹，文件夹中存有Track1 Track2等数据集对应的检测结果，.avi文件用于观察检测追踪效果，.txt文件是用于提交的文本文件。
3.调参
3.1 多目标检测模型的选择。
修改detect.py第10行(YOLO.__init__)即可，可选模型及其名称、效果详见gluoncv官网
3.2 sort算法参数的修改。
run.py第34行，参数含义见sort.py。
3.3 将sort改为deepsort。
详见https://github.com/nwojke/deep_sort。
TODO：经尝试，经deep_sort处理后的检测框位置有变形、偏移现象，待解决。
3.4 输入输出路径见run.__main__
2021-06-12 23:14:24
11.21MB
1
用于进行运动目标识别追踪的视频文件，可用于从视频中检测出运动的小球并绘制其运动轨迹，可配合Python+opencv+kalman（卡尔曼）滤波实现视频中运动物体追踪和轨迹绘制这一博客使用
2021-05-19 17:51:15
11.36MB
1