检测+识别+轨迹——深度学习的解决方案
IT周见智的系列博客:视频多目标跟踪系列,思路分享
- (1)[AI开发]Python+Tensorflow打造自己的计算机视觉API服务
- (2)[AI开发]基于深度学习的视频多目标跟踪实现
- (3)[AI开发]视频多目标跟踪高级版(离自动驾驶又‘近’了一点点)
- (4)[AI开发]将深度学习技术应用到实际项目
- (5)[AI开发]centOS7.5上基于keras/tensorflow深度学习环境搭建
- (6)[AI开发]基于DeepStream的视频结构化解决方案
- (7)[AI开发]目标跟踪之行为分析
1. AI开发]Python+Tensorflow打造自己的计算机视觉API服务
- CV:图像分类、图像目标检测、视频检测跟踪。应用于图像和视频,给图像打tag,分析视频中的物体及对应坐标和轨迹
- image classification, target/object detection
2. [AI开发]基于深度学习的视频多目标跟踪实现
据我目前了解掌握,多目标跟踪大概有两种方式:
Option1
基于初始化帧的跟踪,在视频第一帧中选择你的目标,之后交给跟踪算法去实现目标的跟踪。这种方式基本上只能跟踪你第一帧选中的目标,如果后续帧中出现了新的物体目标,算法是跟踪不到的。这种方式的优点是速度相对较快。缺点很明显,不能跟踪新出现的目标。
Option2
基于目标检测的跟踪,在视频每帧中先检测出来所有感兴趣的目标物体,然后将其与前一帧中检测出来的目标进行关联来实现跟踪的效果。这种方式的优点是可以在整个视频中跟踪随时出现的新目标,当然这种方式要求你前提得有一个好的“目标检测”算法。
本文主要讲述Option2的实现原理,也就是Tracking By Detecting的跟踪方式。这篇文章没有源码链接,关于“目标检测”算法的源码可以参见我上一篇文章,至于“轨迹跟踪”算法的源码实现很简单,看完本文相信大家都能写出来,Python实现大概200行不到。
-
TBD的跟踪方式更好,即先检测再跟踪。检测->关联。轨迹跟踪的算法很简单。
-
具备目标识别,检测、轨迹跟踪,id维持等功能