多摄像头实时目标跟踪和计数，使用YOLOv4，Deep SORT和Flask

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。

感谢相关贡献者

• 
  
  
  https://github.com/miguelgrinberg/flask-video-streaming
  


• 
  
  
  https://github.com/Ma-Dan/keras-yolo4
  


• 
  
  
  https://github.com/nwojke/deep_sort
  


• 
  
  
  https://github.com/Qidian213/deep_sort_yolov3
  


• 
  
  
  https://github.com/yehengchen/Object-Detection-and-Tracking