YOLOv8+DeepSORT多目标车辆跟踪（车辆检测+跟踪+车辆计数）

牧锦程

已于 2024-05-27 23:00:40 修改

阅读量1.6k

点赞数 14

分类专栏：目标跟踪文章标签： YOLO 目标跟踪 YOLOV8 DeepSORT

于 2024-04-21 12:15:00 首次发布

本文链接：https://blog.csdn.net/qq_48764574/article/details/138013467

版权

目标跟踪专栏收录该内容

3 篇文章 0 订阅

订阅专栏

一、引言

在智能交通系统（ITS）的快速发展中，对车辆进行精确的检测和跟踪是实现交通监控、流量分析和安全预警的关键技术。YOLOv8和DeepSORT的结合，为解决这一挑战提供了一种创新的解决方案。

本文将详细介绍YOLOv8+DeepSORT在多目标车辆跟踪中的应用，包括车辆检测、跟踪和计数。

二、YOLOv8：革命性的车辆检测

YOLOv8是目标检测领域的最新进展，它通过单次前向传播即可预测出图像中的目标位置和类别。与传统的两阶段检测器相比，YOLOv8在速度和准确性上都有显著提升。YOLOv8的特点包括：

实时性能：YOLOv8专为实时应用设计，能够在视频流中快速检测车辆。
高准确性：利用最新的卷积神经网络架构，YOLOv8在各种环境下都能保持高准确率。
易于集成：YOLOv8的输出可以直接用于后续的跟踪算法，无需复杂的预处理。

三、DeepSORT：先进的跟踪技术

DeepSORT是一种基于深度学习的特征表示方法，它通过提取目标的关键点特征来进行跟踪。DeepSORT的关键优势包括：

特征学习：DeepSORT利用深度卷积网络学习目标的特征表示，提高了目标区分能力。
多目标跟踪：DeepSORT能够有效处理视频中的多个目标，即使在目标重叠和遮挡的情况下也能保持稳定跟踪。
适应性：DeepSORT能够适应目标的外观变化，包括尺度变化、旋转和变形。

四、YOLOv8+DeepSORT：无缝集成

将YOLOv8用于车辆检测，其输出的边界框和车辆特征可以作为DeepSORT的输入。这种无缝集成的方式使得YOLOv8+DeepSORT系统在多目标车辆跟踪中表现出色：

快速检测与稳定跟踪：YOLOv8快速定位车辆，DeepSORT稳定跟踪每一辆车。
高精度的车辆计数：系统能够准确统计通过特定区域的车辆数量，适用于交通流量分析。
鲁棒性：即使在复杂的交通场景中，YOLOv8+DeepSORT也能保持稳定的跟踪性能。

五、车辆计数：智能交通管理的关键

在智能交通管理系统中，车辆计数是一个关键功能。通过YOLOv8+DeepSORT系统，我们不仅可以实时跟踪每一辆车的轨迹，还可以统计车流量，分析交通模式。这对于交通规划、拥堵管理和事故预防具有重要意义。

相关代码介绍

初始化跟踪器

def init_tracker():
    """
    初始化目标跟踪器
    """
    # 获取DeepSort的配置
    cfg_deep = get_config()
    cfg_deep.merge_from_file("deep_sort_pytorch/configs/deep_sort.yaml")
    deepsort = DeepSort(model_path=cfg_deep.DEEPSORT.REID_CKPT,
                        max_dist=cfg_deep.DEEPSORT.MAX_DIST, min_confidence=cfg_deep.DEEPSORT.MIN_CONFIDENCE,
                        nms_max_overlap=cfg_deep.DEEPSORT.NMS_MAX_OVERLAP,
                        max_iou_distance=cfg_deep.DEEPSORT.MAX_IOU_DISTANCE,
                        max_age=cfg_deep.DEEPSORT.MAX_AGE, n_init=cfg_deep.DEEPSORT.N_INIT,
                        nn_budget=cfg_deep.DEEPSORT.NN_BUDGET,
                        use_cuda=True)
    return deepsort

计算移动方向

def get_direction(point1, point2):
    """
    根据两个点的相对位置计算出移动方向
    """
    direction_str = ""

    # 根据两个点在y轴上的相对位置，确定是向南还是向北移动
    if point1[1] > point2[1]:
        direction_str += "South"
    elif point1[1] < point2[1]:
        direction_str += "North"
    else:
        direction_str += ""

    # 根据两个点在x轴上的相对位置，确定是向东还是向西移动
    if point1[0] > point2[0]:
        direction_str += "East"
    elif point1[0] < point2[0]:
        direction_str += "West"
    else:
        direction_str += ""

    return direction_str

绘制计数信息

# 遍历向北移动的对象计数器中的条目，并在图像的右上角显示计数信息
for idx, (key, value) in enumerate(object_counter1.items()):
    # 进入的车辆数量
    cnt_str = str(key) + ":" + str(value)
    cv2.line(img, (width - 500, 25), (width, 25), [85, 45, 255], 40)
    cv2.putText(img, f'Number of Vehicles Entering', (width - 500, 35), 0, 1, [225, 255, 255], thickness=2,
                lineType=cv2.LINE_AA)
    # 绘制分隔线
    cv2.line(img, (width - 150, 65 + (idx * 40)), (width, 65 + (idx * 40)), [85, 45, 255], 30)
    # 绘制计数信息。
    cv2.putText(img, cnt_str, (width - 150, 75 + (idx * 40)), 0, 1, [255, 255, 255], thickness=2,
                lineType=cv2.LINE_AA)

# 遍历向南移动的对象计数器中的条目，并在图像的左上角显示计数信息
for idx, (key, value) in enumerate(object_counter.items()):
    # 离开的车辆数量
    cnt_str1 = str(key) + ":" + str(value)
    cv2.line(img, (20, 25), (500, 25), [85, 45, 255], 40)
    cv2.putText(img, f'Numbers of Vehicles Leaving', (11, 35), 0, 1, [225, 255, 255], thickness=2,
                lineType=cv2.LINE_AA)
    cv2.line(img, (20, 65 + (idx * 40)), (127, 65 + (idx * 40)), [85, 45, 255], 30)
    cv2.putText(img, cnt_str1, (11, 75 + (idx * 40)), 0, 1, [225, 255, 255], thickness=2, lineType=cv2.LINE_AA)