软件杯 深度学习交通车辆流量分析 - 目标检测与跟踪 - python opencv

0 前言

🔥 优质竞赛项目系列，今天要分享的是

🚩 **基于深度学习得交通车辆流量分析 **

该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！

🥇学长这里给一个题目综合评分(每项满分5分)

• 难度系数：3分
• 工作量：3分
• 创新点：5分

🧿 更多资料, 项目分享：

https://gitee.com/dancheng-senior/postgraduate

1 课题背景

在智能交通系统中，利用监控视频进行车流量统计是一个研究热点。交管部门通过实时、准确地采集车流量信息，可以合理分配交通资源、提高道路通行效率，有效预防和应对城市交通拥堵问题。同时随着车辆数量的增加，交通违章现象频出，例如渣土车违规上道、工程车辆违规进入城市主干道、车辆停放在消防通道等，这一系列的交通违规行为给城市安全埋下了巨大隐患。对于交通管理者而言，加强对特定车辆的识别和分类管理尤为重要。然而，在实际监控识别车辆时，相当一部分车辆图像存在图像不全或者遮挡问题，极大降低了监控识别准确率。如何准确识别车辆，是当前车辆检测的重点。

根据实际情况，本文将车辆分为家用小轿车、货车两类进行车辆追踪和速度识别。

2 实现效果

可识别图片视频中的轿车和货车数量，检测行驶速度并实时显示。

关键代码

​

# 目标检测
    def yolo_detect(self, im):

        img = self.preprocess(im)

        pred = self.m(img, augment=False)[0]
        pred = pred.float()
        pred = non_max_suppression(pred, self.conf_thres, self.iou_thres )

        pred_boxes = []
        for det in pred:

            if det is not None and len(det):
                det[:, :4] = scale_coords(
                    img.shape[2:], det[:, :4], im.shape).round()

                for *x, conf, cls_id in det:
                    lbl = self.names[int(cls_id)]
                    x1, y1 = int(x[0]), int(x[1])
                    x2, y2 = int(x[2]), int(x[3])
                    pred_boxes.append(
                        (x1, y1, x2, y2, lbl, conf))

        return pred_boxes

3 DeepSORT车辆跟踪

多目标在线跟踪算法 SORT（simple online andrealtime
tracking）利用卡尔曼滤波和匈牙利匹配，将跟踪结果和检测结果之间的IoU作为代价矩阵，实现了一种简单高效并且实用的跟踪范式。但是 SORT
算法的缺陷在于所使用的关联度量（association
metric）只有在状态估计不确定性较低的情况下有效，因此算法执行时会出现大量身份切换现象，当目标被遮挡时跟踪失败。为了改善这个问题，Deep SORT
将目标的运动信息和外观信息相结合作为关联度量，改善目标消失后重新出现导致的跟踪失败问题。

3.1 Deep SORT多目标跟踪算法

跟踪处理和状态估计

Deep SORT
利用检测器的结果初始化跟踪器，每个跟踪器都会设置一个计数器，在卡尔曼滤波之后计数器累加，当预测结果和检测结果成功匹配时，该计数器置为0。在一段时间内跟踪器没有匹配到合适的检测结果，则删除该跟踪器。Deep
SORT 为每一帧中新出现的检测结果分配跟踪器，当该跟踪器连续3帧的预测结果都能匹配检测结果，则确认是出现了新的轨迹&