0 前言

🔥 優(yōu)質(zhì)競賽項目系列，今天要分享的是

🚩 深度學(xué)習(xí)多目標(biāo)跟蹤 實時檢測

該項目較為新穎，適合作為競賽課題方向，學(xué)長非常推薦！

🥇學(xué)長這里給一個題目綜合評分(每項滿分5分)

• 難度系數(shù)：3分
• 工作量：3分
• 創(chuàng)新點：4分

🧿 更多資料, 項目分享：

https://gitee.com/dancheng-senior/postgraduate

2 先上成果

3 多目標(biāo)跟蹤的兩種方法

3.1 方法1

基于初始化幀的跟蹤，在視頻第一幀中選擇你的目標(biāo)，之后交給跟蹤算法去實現(xiàn)目標(biāo)的跟蹤。這種方式基本上只能跟蹤你第一幀選中的目標(biāo)，如果后續(xù)幀中出現(xiàn)了新的物體目標(biāo)，算法是跟蹤不到的。這種方式的優(yōu)點是速度相對較快。缺點很明顯，不能跟蹤新出現(xiàn)的目標(biāo)。

3.2 方法2

基于目標(biāo)檢測的跟蹤，在視頻每幀中先檢測出來所有感興趣的目標(biāo)物體，然后將其與前一幀中檢測出來的目標(biāo)進行關(guān)聯(lián)來實現(xiàn)跟蹤的效果。這種方式的優(yōu)點是可以在整個視頻中跟蹤隨時出現(xiàn)的新目標(biāo)，當(dāng)然這種方式要求你前提得有一個好的“目標(biāo)檢測”算法。

學(xué)長主要分享Option2的實現(xiàn)原理，也就是Tracking By Detecting的跟蹤方式。

4 Tracking By Detecting的跟蹤過程

**Step1：**使用目標(biāo)檢測算法將每幀中感興趣的目標(biāo)檢測出來，得到對應(yīng)的(位置坐標(biāo), 分類, 可信度)，假設(shè)檢測到的目標(biāo)數(shù)量為M；

**Step2：**通過某種方式將Step1中的檢測結(jié)果與上一幀中的檢測目標(biāo)(假設(shè)上一幀檢測目標(biāo)數(shù)量為N)一一關(guān)聯(lián)起來。換句話說，就是在M*N個Pair中找出最像似的Pair。

對于Step2中的“某種方式”，其實有多種方式可以實現(xiàn)目標(biāo)的關(guān)聯(lián)，比如常見的計算兩幀中兩個目標(biāo)之間的歐幾里得距離(平面兩點之間的直線距離)，距離最短就認為是同一個目標(biāo)，然后通過匈牙利算法找出最匹配的Pair。當(dāng)讓，你還可以加上其他的判斷條件，比如我用到的IOU，計算兩個目標(biāo)Box(位置大小方框)的交并比，該值越接近1就代表是同一個目標(biāo)。還有其他的比如判斷兩個目標(biāo)的外觀是否相似，這就需要用到一種外觀模型去做比較了，可能耗時更長。

在關(guān)聯(lián)的過程中，會出現(xiàn)三種情況：

1）在上一幀中的N個目標(biāo)中找到了本次檢測到的目標(biāo)，說明正常跟蹤到了；

2）在上一幀中的N個目標(biāo)中沒有找到本次檢測到的目標(biāo)，說明這個目標(biāo)是這一幀中新出現(xiàn)的，所以我們需要把它記錄下來，用于下下一次的跟蹤關(guān)聯(lián)；

3）在上一幀中存在某個目標(biāo)，這一幀中并沒有與之關(guān)聯(lián)的目標(biāo)，那么說明該目標(biāo)可能從視野中消失了，我們需要將其移除。(注意這里的可能，因為有可能由于檢測誤差，在這一幀中該目標(biāo)并沒有被檢測到)

4.1 存在的問題

上面提到的跟蹤方法在正常情況下都能夠很好的工作，但是如果視頻中目標(biāo)運動得很快，前后兩幀中同一個目標(biāo)運動的距離很遠，那么這種跟蹤方式就會出現(xiàn)問題。

如上圖，實線框表示目標(biāo)在第一幀的位置，虛線框表示目標(biāo)在第二幀的位置。當(dāng)目標(biāo)運行速度比較慢的時候，通過之前的跟蹤方式可以很準(zhǔn)確的關(guān)聯(lián)(A, A’)和(B,
B’)。但是當(dāng)目標(biāo)運行速度很快（或者隔幀檢測）時，在第二幀中，A就會運動到第一幀中B的位置，而B則運動到其他位置。這個時候使用上面的關(guān)聯(lián)方法就會得到錯誤的結(jié)果。

那么怎樣才能更加準(zhǔn)確地進行跟蹤呢？

4.2 基于軌跡預(yù)測的跟蹤方式

既然通過第二幀的位置與第一幀的位置進行對比關(guān)聯(lián)會出現(xiàn)誤差，那么我們可以想辦法在對比之前，先預(yù)測目標(biāo)的下一幀會出現(xiàn)的位置，然后與該預(yù)測的位置來進行對比關(guān)聯(lián)。這樣的話，只要預(yù)測足夠精確，那么幾乎不會出現(xiàn)前面提到的由于速度太快而存在的誤差

如上圖，我們在對比關(guān)聯(lián)之前，先預(yù)測出A和B在下一幀中的位置，然后再使用實際的檢測位置與預(yù)測的位置進行對比關(guān)聯(lián)，可以完美地解決上面提到的問題。理論上，不管目標(biāo)速度多么快，都能關(guān)聯(lián)上。那么問題來了，怎么預(yù)測目標(biāo)在下一幀的位置？

方法有很多，可以使用卡爾曼濾波來根據(jù)目標(biāo)前面幾幀的軌跡來預(yù)測它下一幀的位置，還可以使用自己擬合出來的函數(shù)來預(yù)測下一幀的位置。實際過程中，我是使用擬合函數(shù)來預(yù)測目標(biāo)在下一幀中的位置。

如上圖，通過前面6幀的位置，我可以擬合出來一條（T->XY）的曲線（注意不是圖中的直線），然后預(yù)測目標(biāo)在T+1幀的位置。具體實現(xiàn)很簡單，Python中的numpy庫中有類似功能的方法。

5 訓(xùn)練代碼

這里記錄一下訓(xùn)練代碼，來日更新

?
if FLAGS.mode == ‘eager_tf’:
# Eager mode is great for debugging
# Non eager graph mode is recommended for real training
avg_loss = tf.keras.metrics.Mean(‘loss’, dtype=tf.float32)
avg_val_loss = tf.keras.metrics.Mean(‘val_loss’, dtype=tf.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, training=True)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

🧿 更多資料, 項目分享：

https://gitee.com/dancheng-senior/postgraduate