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

---

基于YoloV5与DeepSort的多目标跟踪

前言

🔥 近几年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。

为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的是

🚩 基于深度学习的交通车辆/人流量分析

一 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。

二 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

三 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，否则删除该跟踪器。

Deep SORT使用 8维状态空间$(u,v,r,h,x^{{}^{\prime }},y^{{}^{\prime }},r^{{}^{\prime }},h^{{}^{\prime }},)$描述目标的状态和在图像坐标系中的运动信息。$u$和 v v