Tracking with darkflow

简介

这个小项目的目的是将对象跟踪添加到yolov2并实现实时多个对象跟踪。

当前的体系结构仅设置为仅跟踪一种类型的对象，但是应该易于概括所有对象。

目前支持人们跟踪（因为Deep_sort提供的权重接受了人们跟踪的培训）

依赖性

 python
numpy
opencv 3
tensorflow 1.0
Cython.
sklean.

用于使用排序：

scikit-learn

scikit-image

FilterPy

设置

1-克隆此存储库： git clone https://github.com/bendidi/Tracking-with-darkflow.git

2-初始化所有子模型： git submodule update --init --recursive

3-转到DarkFlow目录并进行到位构建： python3 setup.py build_ext --inplace

入门

下载权重：

在此处阅读有关Yolo（在DarkNet中）的更多信息，并在此处下载权重文件，如果找不到重量文件，Trieu已将其上载在此处，其中包括V1.0的yolo-full和yolo-tiny ，V1.1的tiny-yolo-v1.1和yolo的Tiny-Yolo-V1.1和Yolo，Yolo， tiny-yolo-voc v2 v2。

我在此项目中使用/测试的Artchituction是cfg/yolo.cfg ，重物bin/yolo.weights 。

接下来，您需要在此处下载deep_sort权重（网络文件夹），由nwojke提供

NWOJKE提供的Deep_sort权重已取消。您可以从这里获得它们（感谢 @louxy126）

提取文件夹并将其复制到deep_sort/resources

在run.py中编辑标志以下配置：

• demo ：要使用的视频文件的路径，如果您想使用相机，请将“相机”设置为“相机”

• model ：用于Yolo的模型配置，您可以在此处获取更多信息和.cfg文件（将它们放入DarkFlof/ cfg/文件夹中）

• load ：与所选型号一起使用的相应权重（将它们放入DarkFlow/bin/）更多信息。

• threshold ：Yolo检测的信心阈值

• gpu ：要使用多少GPU，0表示使用CPU

• track ：激活跟踪是否

• trackObj ：哪些对象可以跟踪为列表（请注意，Deep_sort的编码器仅受到人的培训，因此您需要训练自己的编码器，其中更多信息）

• saveVideo ：是否保存视频

• BK_MOG ：添加OpenCV的MOG背景减法模块，仅当Yolo无法检测到视频中的人（低质量，...）时使用它来检测围绕移动对象的框

• tracker ：要使用的跟踪器：“ deep_sort”或“ sort”

        **NOTE** : "deep_sort" only supports people tracking as it was only trained to track people(the code for training is not yet published)
  
        **TODO** : add support for GOTURN tracker(tensorflow implementation)
  
        **TODO** : add support for opencv trackers (MIL,KCF,TLD,MEDIANFLOW)
  

• skip ：跳过框架以增加FPS，可能会降低准确性！

• csv ：以格式保存检测的CSV文件（frame_id，object_id，x，y，w，h）

• display ：处理是否在处理时显示视频

接下来，您只需要运行python run.py ，然后享受！

一些数字：

`使用yolo.cfg的速度：

 YOLO with track Flag set to False : 30fps

YOLO with track Flag set to True (deep_sort) : 14 fps

YOLO with track and background subtraction Flags set to True : 10.5 fps

在（1024，1280，3）NVIDIA GTX 1080上的分辨率视频上进行的测试

跳过多达3帧可以提高速度，同时保持跟踪的准确性

Disclamer：

该项目使用的代码来自以下方式：

Trieu/DarkFlow：用于实时对象检测和分类。

nwojke/deep_sort：使用深层关联度量的简单在线实时跟踪。

请关注链接以了解每个项目的所有功能。

引用

Yolov2：

 @article{redmon2016yolo9000,
  title={YOLO9000: Better, Faster, Stronger},
  author={Redmon, Joseph and Farhadi, Ali},
  journal={arXiv preprint arXiv:1612.08242},
  year={2016}
}

deep_sort：

 @article{Wojke2017simple,
  title={Simple Online and Realtime Tracking with a Deep Association Metric},
  author={Wojke, Nicolai and Bewley, Alex and Paulus, Dietrich},
  journal={arXiv preprint arXiv:1703.07402},
  year={2017}
}

种类 ：

 @inproceedings{Bewley2016_sort,
  author={Bewley, Alex and Ge, Zongyuan and Ott, Lionel and Ramos, Fabio and Upcroft, Ben},
  booktitle={2016 IEEE International Conference on Image Processing (ICIP)},
  title={Simple online and realtime tracking},
  year={2016},
  pages={3464-3468},
  keywords={Benchmark testing;Complexity theory;Detectors;Kalman filters;Target tracking;Visualization;Computer Vision;Data Association;Detection;Multiple Object Tracking},
  doi={10.1109/ICIP.2016.7533003}
}