代码库:https://github.com/xinshuoweng/AB3DMOT
搭建环境:
Ubuntu 16.04、Python 3.7.6 in Anaconda、Pytorch 1.2 + CUDA 9.2
预研环境搭建参照PointRCNN环境搭建及运行所述
KITTI object tracking数据集下载
数据集官网:http://www.cvlibs.net/datasets/kitti/eval_tracking.php
按照项目说明进行预研时,只需要下载image_02数据集:
http://www.cvlibs.net/download.php?file=data_tracking_image_2.zip
Xinshuo_PyToolbox准备
该项目需要作者的工具包https://github.com/xinshuoweng/Xinshuo_PyToolbox
需要安装其requirements.txt所述的package,之后将其中所有文件夹直接放入AB3DMOT文件夹内即可
步骤
1. install dependeny:
$ cd path/to/AB3DMOT
$ pip install -r requirements.txt
2. Inference - run our tracker on the KITTI MOT validation set with the provided detection:
$ python main.py pointrcnn_Car_val
$ python main.py pointrcnn_Pedestrian_val
$ python main.py pointrcnn_Cyclist_val
选择一条即可,例如pedestrian
3. 将image_2数据包内的文件解压至data/KITTI/resources
4. 修改visualization.py内的变量seq_list为想要可视化的sample number,例如:
seq_list = ['0000', '0001', '0002', '0003', '0004', '0005', '0006', '0007', '0008']
5. 执行python visualization.py pointrcnn_Pedestrian_val (对应步骤2的pointrcnn_Pedestrian_val)
6. 在results/pointrcnn_Pedestrian_val/trk_image_vis查看结果
效果评价
- 容易将长方体/柱状物识别成车辆/行人,识别车辆时尤为明显,但这种误判一般发生在道路区域外,-且持续帧数很少;
- 可能将骑自行车的人判别为一般行人;
- 没有明显漏判情况,但在发生遮挡时追踪很可能被打断致使追踪对象id不稳定;