视频轨迹跟踪分析——他山之石

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