Deep SORT和YOLO v4

导读

本文来自github，很实用的一个应用。

git仓库地址：https://github.com/LeonLok/Multi-Camera-Live-Object-Tracking

这个存储库包含了我的目标检测和跟踪项目。所有这些都可以托管在云服务器上。

由于有ImageZMQ，你还可以使用自己的异步处理IP相机。

Deep SORT 和 YOLO v4

Check out我的Deep SORT repository：https://github.com/LeonLok/Deep-SORT-YOLOv4，查看我使用的跟踪算法，其中包括Tensorflow 2.0、异步视频处理和低置信度跟踪过滤。

交通流量计数

这个项目是目标计数应用的一个扩展。

功能

使用DETRAC数据集生成的244,617幅图像进行训练。可以在这里找到我创建的转换代码。

我把这篇论文：https://ieeexplore.ieee.org/document/8909903作为数据准备和训练的指南。

每个跟踪id只计数一次。

通过查看被跟踪目标的路径与计数线的交叉点对目标进行计数。

因此，那些跟丢了但用相同的ID重新跟踪的仍然会被计数。

使用低置信度滤波进行跟踪，来自上面同样的论文。

提供更低的假阳性率。

跟踪目标显示平均检测置信度。

跟踪的类别由最常见的检测类别确定。

显示检测结果是可选的(但是隐藏了平均检测置信度)。

可以使用多个IP摄像头。

方向计数可以配置为基于角度。

每一小时的间隔记录计数。

总的计数

基于类别的计数

记录每个计数目标的交叉详细信息。

交叉时间

交叉点坐标

交叉角度

可以托管在云服务器上。

注意，由于DETRAC不包含任何摩托车，它们是唯一被忽略的车辆。此外，DETRAC数据集只包含中国的交通图像，因此由于缺乏训练数据，它很难正确地检测出其他国家的某些车辆。例如，它经常会将掀背车误归为suv，或者由于不同的颜色方案而无法识别出租车。

目标计数

这个项目最初打算成为一个应用程序，用于使用我自己的智能手机计算当前在多个房间的人数，服务器被远程托管。下面展示了对人和汽车的检测、跟踪和计数。

功能

对当前视场中的物体进行计数

跟踪可选

支持多个IP相机

每间隔一个小时记录一次当前的计数

当前的总数

当前每个类别的计数

可以托管在云服务器上

使用我自己的智能手机作为IP相机

训练你自己的机动车跟踪模型

我使用DETRAC训练带有v3标注的数据集训练了YOLOv4和Deep SORT模型。我提供了将DETRAC训练图像和v3标注转换为正确格式的脚本，用于训练YOLOv4模型和Deep SORT跟踪模型。

Deep SORT 转换参数

DETRAC图像转换为Market 1501训练格式。

遮挡阈值 - 忽略遮挡比率过高的车辆序列。

截断阈值 - 忽略截断率过高的车辆序列。

出现的次数 - 车辆序列太短(即没有足够的图像)被丢弃后，考虑遮挡和截断比率。

YOLO 转换参数

DETRAC图像被转换成Darknet YOLO训练格式。

遮挡阈值 - 忽略遮挡比率过高的车辆序列。

截断阈值 - 忽略截断率过高的车辆序列。

两种模型都在DETRAC训练集上进行了训练和评估，但由于缺少v3标注，测试集还没有评估，我也没有MATLAB用于Deep SORT的评估软件。到目前为止，对于我的用例来说，它已经足够好了。

使用的硬件

Nvidia GTX 1070 GPU

i7-8700K CPU

为了让大家了解我们的期望，我可以运行两个流量计数流，每个流大约10fps(正如你在流量计数gif中看到的)。当然，这在很大程度上取决于流分辨率以及用于检测和跟踪的帧数。

YOLO v3 vs. YOLO v4

当我第一次开始目标计数项目时，我使用YOLOv3，跟踪帧率大约是10FPS，很难一次运行多个流。使用YOLOv4可以更容易地运行具有更高分辨率的两个流，并提供更好的检测精度。

依赖

Tensorflow-GPU 1.14

Keras 2.3.1

opencv-python 4.2.0

ImageZMQ

numpy 1.18.2

Flask 1.1.1

pillow

这个项目是在Python 3.6上构建和测试的。

责任编辑：lq