CenterNet中怎么利用deepsort實(shí)現(xiàn)多目標(biāo)跟蹤

CenterNet簡介

傳統(tǒng)的基于關(guān)鍵點(diǎn)的目標(biāo)檢測方法例如最具代表性的 CornerNet通過檢測物體的左上角點(diǎn)和右下角點(diǎn)來確定目標(biāo)，但在確定目標(biāo)的過程中，無法有效利用物體的內(nèi)部的特征，即無法感知物體內(nèi)部的信息，從而導(dǎo)致該類方法產(chǎn)生了很多誤檢 (錯(cuò)誤目標(biāo)框)。CenterNet利用關(guān)鍵點(diǎn)三元組即中心點(diǎn)、左上角點(diǎn)和右下角點(diǎn)三個(gè)關(guān)鍵點(diǎn)而不是兩個(gè)點(diǎn)來確定一個(gè)目標(biāo)，使網(wǎng)絡(luò)花費(fèi)了很小的代價(jià)便具備了感知物體內(nèi)部信息的能力，從而能有效抑制誤檢。另外，為了更好的檢測中心點(diǎn)和角點(diǎn)，我們分別提出了 center pooling 和 cascade corner pooling 來提取中心點(diǎn)和角點(diǎn)的特征。我們方法的名字叫 CenterNet，是一種 one-stage 的方法。

其抑制誤檢的原理基于以下推論：如果目標(biāo)框是準(zhǔn)確的，那么在其中心區(qū)域能夠檢測到目標(biāo)中心點(diǎn)的概率就會(huì)很高，反之亦然。因此，首先利用左上和右下兩個(gè)角點(diǎn)生成初始目標(biāo)框，對每個(gè)預(yù)測框定義一個(gè)中心區(qū)域，然后判斷每個(gè)目標(biāo)框的中心區(qū)域是否含有中心點(diǎn)，若有則保留該目標(biāo)框，若無則刪除該目標(biāo)框，其原理如下圖所示：

 

代碼連接：https://github.com/xingyizhou/CenterNet

Deepsort簡介

Deepsort主要由以下算法組成：

• 1、卡爾曼濾波

• 2、馬氏距離

• 3、PCA主成分分析

• 4、匈牙利算法

• 5、行人重識(shí)別

• 6、MOT評(píng)價(jià)指標(biāo)

其中每一個(gè)講起來又是一大堆，所以留著以后有時(shí)間詳細(xì)講解。

下面一張圖概括且很好的展示了deepsort的算法：

 

獲取代碼

git clone https://github.com/kimyoon-young/centerNet-deep-sort.git

安裝repo

conda env create -f CenterNet.yml
pip install -r requirments.txt

快速啟動(dòng)

CENTERNET_PATH = 'CENTERNET_ROOT/CenterNet/src/lib/'

to

e.g) CENTERNET_PATH = '/home/kyy/centerNet-deep-sort/CenterNet/src/lib/'

運(yùn)行demo

python demo_centernet_deepsort.py