導讀

本文來自github，很實用的一個應用。

項目github倉庫地址：

https://github.com/LeonLok/Multi-Camera-Live-Object-Tracking

這個存儲庫包含了我的目標檢測和跟蹤項目。所有這些都可以托管在云服務器上。

由于有ImageZMQ，你還可以使用自己的異步處理IP相機。

Deep SORT 和 YOLO v4

Check out我的Deep SORT repository：https://github.com/LeonLok/Deep-SORT-YOLOv4，查看我使用的跟蹤算法，其中包括Tensorflow 2.0、異步視頻處理和低置信度跟蹤過濾。

交通流量計數

這個項目是目標計數應用的一個擴展。

功能

使用DETRAC數據集生成的244,617幅圖像進行訓練。可以在這里找到我創建的轉換代碼。

我把這篇論文：https://ieeexplore.ieee.org/document/8909903作為數據準備和訓練的指南。

每個跟蹤id只計數一次。

通過查看被跟蹤目標的路徑與計數線的交叉點對目標進行計數。

因此，那些跟丟了但用相同的ID重新跟蹤的仍然會被計數。

使用低置信度濾波進行跟蹤，來自上面同樣的論文。

提供更低的假陽性率。

跟蹤目標顯示平均檢測置信度。

跟蹤的類別由最常見的檢測類別確定。

顯示檢測結果是可選的(但是隱藏了平均檢測置信度)。

可以使用多個IP攝像頭。

方向計數可以配置為基于角度。

每一小時的間隔記錄計數。

總的計數

基于類別的計數

記錄每個計數目標的交叉詳細信息。

交叉時間

交叉點坐標

交叉角度

可以托管在云服務器上。

注意，由于DETRAC不包含任何摩托車，它們是唯一被忽略的車輛。此外，DETRAC數據集只包含中國的交通圖像，因此由于缺乏訓練數據，它很難正確地檢測出其他國家的某些車輛。例如，它經常會將掀背車誤歸為suv，或者由于不同的顏色方案而無法識別出租車。

目標計數

這個項目最初打算成為一個應用程序，用于使用我自己的智能手機計算當前在多個房間的人數，服務器被遠程托管。下面展示了對人和汽車的檢測、跟蹤和計數。

功能

對當前視場中的物體進行計數

跟蹤可選

支持多個IP相機

每間隔一個小時記錄一次當前的計數

當前的總數

當前每個類別的計數

可以托管在云服務器上

使用我自己的智能手機作為IP相機

訓練你自己的機動車跟蹤模型

我使用DETRAC訓練帶有v3標注的數據集訓練了YOLOv4和Deep SORT模型。我提供了將DETRAC訓練圖像和v3標注轉換為正確格式的腳本，用于訓練YOLOv4模型和Deep SORT跟蹤模型。

Deep SORT 轉換參數

DETRAC圖像轉換為Market 1501訓練格式。

遮擋閾值 - 忽略遮擋比率過高的車輛序列。

截斷閾值 - 忽略截斷率過高的車輛序列。

出現的次數 - 車輛序列太短(即沒有足夠的圖像)被丟棄后，考慮遮擋和截斷比率。

YOLO 轉換參數

DETRAC圖像被轉換成Darknet YOLO訓練格式。

遮擋閾值 - 忽略遮擋比率過高的車輛序列。

截斷閾值 - 忽略截斷率過高的車輛序列。

兩種模型都在DETRAC訓練集上進行了訓練和評估，但由于缺少v3標注，測試集還沒有評估，我也沒有MATLAB用于Deep SORT的評估軟件。到目前為止，對于我的用例來說，它已經足夠好了。

使用的硬件

Nvidia GTX 1070 GPU

i7-8700K CPU

為了讓大家了解我們的期望，我可以運行兩個流量計數流，每個流大約10fps(正如你在流量計數gif中看到的)。當然，這在很大程度上取決于流分辨率以及用于檢測和跟蹤的幀數。

YOLO v3 vs. YOLO v4

當我第一次開始目標計數項目時，我使用YOLOv3，跟蹤幀率大約是10FPS，很難一次運行多個流。使用YOLOv4可以更容易地運行具有更高分辨率的兩個流，并提供更好的檢測精度。

依賴

Tensorflow-GPU 1.14

Keras 2.3.1

opencv-python 4.2.0

ImageZMQ

numpy 1.18.2

Flask 1.1.1

pillow

這個項目是在Python 3.6上構建和測試的。

責任編輯：lq