国内比较高端的设计网站,佛山骏域网站建设,制作网站需要域名还需要什么,施工企业qc小组文章目录 1 前言2 先上成果3 多目标跟踪的两种方法3.1 方法13.2 方法2 4 Tracking By Detecting的跟踪过程4.1 存在的问题4.2 基于轨迹预测的跟踪方式 5 训练代码6 最后 1 前言
#x1f525; 优质竞赛项目系列#xff0c;今天要分享的是
基于深度学习的视频多目标跟踪实现 … 文章目录 1 前言2 先上成果3 多目标跟踪的两种方法3.1 方法13.2 方法2 4 Tracking By Detecting的跟踪过程4.1 存在的问题4.2 基于轨迹预测的跟踪方式 5 训练代码6 最后 1 前言 优质竞赛项目系列今天要分享的是
基于深度学习的视频多目标跟踪实现
该项目较为新颖适合作为竞赛课题方向学长非常推荐 更多资料, 项目分享
https://gitee.com/dancheng-senior/postgraduate
2 先上成果 3 多目标跟踪的两种方法
3.1 方法1
基于初始化帧的跟踪在视频第一帧中选择你的目标之后交给跟踪算法去实现目标的跟踪。这种方式基本上只能跟踪你第一帧选中的目标如果后续帧中出现了新的物体目标算法是跟踪不到的。这种方式的优点是速度相对较快。缺点很明显不能跟踪新出现的目标。
3.2 方法2
基于目标检测的跟踪在视频每帧中先检测出来所有感兴趣的目标物体然后将其与前一帧中检测出来的目标进行关联来实现跟踪的效果。这种方式的优点是可以在整个视频中跟踪随时出现的新目标当然这种方式要求你前提得有一个好的“目标检测”算法。
学长主要分享Option2的实现原理也就是Tracking By Detecting的跟踪方式。
4 Tracking By Detecting的跟踪过程
**Step1**使用目标检测算法将每帧中感兴趣的目标检测出来得到对应的(位置坐标, 分类, 可信度)假设检测到的目标数量为M
**Step2**通过某种方式将Step1中的检测结果与上一帧中的检测目标(假设上一帧检测目标数量为N)一一关联起来。换句话说就是在M*N个Pair中找出最像似的Pair。
对于Step2中的“某种方式”其实有多种方式可以实现目标的关联比如常见的计算两帧中两个目标之间的欧几里得距离(平面两点之间的直线距离)距离最短就认为是同一个目标然后通过匈牙利算法找出最匹配的Pair。当让你还可以加上其他的判断条件比如我用到的IOU计算两个目标Box(位置大小方框)的交并比该值越接近1就代表是同一个目标。还有其他的比如判断两个目标的外观是否相似这就需要用到一种外观模型去做比较了可能耗时更长。
在关联的过程中会出现三种情况
1在上一帧中的N个目标中找到了本次检测到的目标说明正常跟踪到了
2在上一帧中的N个目标中没有找到本次检测到的目标说明这个目标是这一帧中新出现的所以我们需要把它记录下来用于下下一次的跟踪关联
3在上一帧中存在某个目标这一帧中并没有与之关联的目标那么说明该目标可能从视野中消失了我们需要将其移除。(注意这里的可能因为有可能由于检测误差在这一帧中该目标并没有被检测到) 4.1 存在的问题
上面提到的跟踪方法在正常情况下都能够很好的工作但是如果视频中目标运动得很快前后两帧中同一个目标运动的距离很远那么这种跟踪方式就会出现问题。 如上图实线框表示目标在第一帧的位置虚线框表示目标在第二帧的位置。当目标运行速度比较慢的时候通过之前的跟踪方式可以很准确的关联(A, A’)和(B, B’)。但是当目标运行速度很快或者隔帧检测时在第二帧中A就会运动到第一帧中B的位置而B则运动到其他位置。这个时候使用上面的关联方法就会得到错误的结果。
那么怎样才能更加准确地进行跟踪呢
4.2 基于轨迹预测的跟踪方式
既然通过第二帧的位置与第一帧的位置进行对比关联会出现误差那么我们可以想办法在对比之前先预测目标的下一帧会出现的位置然后与该预测的位置来进行对比关联。这样的话只要预测足够精确那么几乎不会出现前面提到的由于速度太快而存在的误差 如上图我们在对比关联之前先预测出A和B在下一帧中的位置然后再使用实际的检测位置与预测的位置进行对比关联可以完美地解决上面提到的问题。理论上不管目标速度多么快都能关联上。那么问题来了怎么预测目标在下一帧的位置
方法有很多可以使用卡尔曼滤波来根据目标前面几帧的轨迹来预测它下一帧的位置还可以使用自己拟合出来的函数来预测下一帧的位置。实际过程中我是使用拟合函数来预测目标在下一帧中的位置。 如上图通过前面6帧的位置我可以拟合出来一条T-XY的曲线注意不是图中的直线)然后预测目标在T1帧的位置。具体实现很简单Python中的numpy库中有类似功能的方法。
5 训练代码
这里记录一下训练代码来日更新
if FLAGS.mode eager_tf:# Eager mode is great for debugging# Non eager graph mode is recommended for real trainingavg_loss tf.keras.metrics.Mean(loss, dtypetf.float32)avg_val_loss tf.keras.metrics.Mean(val_loss, dtypetf.float32)for epoch in range(1, FLAGS.epochs 1):for batch, (images, labels) in enumerate(train_dataset):with tf.GradientTape() as tape:outputs model(images, trainingTrue)regularization_loss tf.reduce_sum(model.losses)pred_loss []for output, label, loss_fn in zip(outputs, labels, loss):pred_loss.append(loss_fn(label, output))total_loss tf.reduce_sum(pred_loss) regularization_lossgrads tape.gradient(total_loss, model.trainable_variables)optimizer.apply_gradients(zip(grads, model.trainable_variables))logging.info({}_train_{}, {}, {}.format(epoch, batch, total_loss.numpy(),list(map(lambda x: np.sum(x.numpy()), pred_loss))))avg_loss.update_state(total_loss)for batch, (images, labels) in enumerate(val_dataset):outputs model(images)regularization_loss tf.reduce_sum(model.losses)pred_loss []for output, label, loss_fn in zip(outputs, labels, loss):pred_loss.append(loss_fn(label, output))total_loss tf.reduce_sum(pred_loss) regularization_losslogging.info({}_val_{}, {}, {}.format(epoch, batch, total_loss.numpy(),list(map(lambda x: np.sum(x.numpy()), pred_loss))))avg_val_loss.update_state(total_loss)logging.info({}, train: {}, val: {}.format(epoch,avg_loss.result().numpy(),avg_val_loss.result().numpy()))avg_loss.reset_states()avg_val_loss.reset_states()model.save_weights(checkpoints/yolov3_train_{}.tf.format(epoch))6 最后 更多资料, 项目分享
https://gitee.com/dancheng-senior/postgraduate
