当前多目标追踪大多遵循了Tracking-by-detection范式完成跟踪任务。Tracking-by-detection范式将追踪任务分为两步完成：目标检测与数据关联。公式解读是针对“Global Transformer Tracking”这篇论文中对训练策略及推理的一些公式理解。
2022-11-05 21:22:20
11.38MB
1
利用opencv的多目标追踪算法，实现对视频中鼠标选取的多个对象进行跟踪处理，算法可以自行选择，现为kcf算法
2022-07-08 11:10:13
12.45MB
为了克服核相关滤波(KCF)只根据目标外观模型追踪时准确性低的不足,融入运动模型,计算了检测目标框和预测目标框的交并比(IOU)。通过匈牙利算法,确定了目标间的最优关联。KCF和IOU模型都具有快速响应的特点,因此算法可满足在线处理数据的要求。在公开的2DMOT2015、MOT16数据集上进行实验,将所提方法与其他优秀方法相比,在保证30 frame/s以上处理速度的同时,追踪准确性提高10%以上。
2022-03-11 21:32:46
7.4MB
1
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