多目标跟踪MOT踩坑记录

tracking MOT log

综述

一篇论文综述:翻译

https://blog.csdn.net/yuhq3/article/details/78742658

arxiv搜索:

http://www.arxiv-sanity.com/search?q=recurrent+tracking

quora:https://www.quora.com/Why-is-no-visual-tracking-algorithm-using-RNN-LSTM

一个斯坦福大学教授主页-专做行人分析-多目标跟踪等

使用多目标跟踪的数据集测试单目标跟踪算法(DaSiamRPN、ECO等),发现跟踪效果较差。原因是多目标跟踪数据集中多个目标相似度很高、并且存在大量的遮挡和目标消失现象。
DaSiamRPN-ECCV-2018VOT单目标跟踪冠军
ECO-CVPR-2017

0. 数据集

多目标跟踪数据集

检测文件标注格式:

<frame>, <id>, <bb_left>, <bb_top>, <bb_width>, <bb_height>, <conf>, <x>, <y>, <z>

1, -1, 794.2, 47.5, 71.2, 174.8, 67.5, -1, -1 
1, -1, 164.1, 19.6, 66.5, 163.2, 29.4, -1, -1

标注格式:第一个数字表示帧号,第二个-1表示还没有分配ID,后面四个数字表示左上角x,y,w,h,接着的一个数字表示检测器得到的置信度,最后两个-1对检测文件来说是忽略的.

GroundTrue标注格式

<frame>, <id>, <bb_left>, <bb_top>, <bb_width>, <bb_height>, <0/1忽略>, <cls>, <>

1, 1, 794.2, 47.5, 71.2, 174.8, 1, 1, 0.8

第7个数字表示这个实体是否被评估,0=忽略,1=评估;第8个数字表示类别

Label ID
Pedestrian 1
Person on vehicle 2
Car 3
Bicycle 4
Motorbike 5
Non motorized vehicle 6
Static person 7
Distractor 8
Occluder 9
Occluder on the ground 10 Occluder full 11
Reflection 12
  • MOT数据集解析、绘制、预处理

按照det.txt将MOT序列图像中的检测框绘制出来:目录=/media/han/E/mWork/datasets/MOT/DataSetParser

按照gt.txt将MOT序列图像的跟踪结果绘制出来:例如目录=/media/han/E/mWork/datasets/MOT/DataSetParser/MOT17/train/MOT17-02-GT

按照gt.txt去掉忽略的框,绘制跟踪结果:例如目录=/media/han/E/mWork/datasets/MOT/DataSetParser/MOT17/train/MOT17-02-GT_ignore0

杜克大学多相机多目标跟踪项目组

1.Github

  • DeepCC

https://github.com/ergysr/DeepCC 杜克大学项目组,论文里提到了很多技巧,很杂,我虽然代码开源了,但是数据集太大100G以上,有点难训练。

  • MOT竞赛 devkit

https://bitbucket.org/amilan/motchallenge-devkit/src

  • MDP_Tracking 2015年ICCV

https://github.com/yuxng/MDP_Tracking
MDP_Tracking is a online multi-object tracking framework based on Markov Decision Processes (MDPs).

多目标跟踪 MDP Tracking 代码配置与运行

  • ICCV 2015论文代码开源

http://rehg.org/mht/

2.资源综述

评价指标:

多目标跟踪竞赛结果摘要:Multiple Object Tracking Challenge 2017 Results

 IDF1  IDP  IDR| Rcll  Prcn   FAR|   GT  MT   PT   ML|    FP    FN   IDs    FM|  MOTA  MOTP MOTAL 
% metrics contains the following
% [1]   recall	- percentage of detected targets
% [2]   precision	- percentage of correctly detected targets
% [3]   FAR		- number of false alarms per frame
% [4]   GT        - number of ground truth trajectories
% [5-7] MT, PT, ML	- number of mostly tracked, partially tracked and mostly lost trajectories
% [8]   falsepositives- number of false positives (FP)
% [9]   missed        - number of missed targets (FN)
% [10]  idswitches	- number of id switches     (IDs)
% [11]  FRA       - number of fragmentations
% [12]  MOTA	- Multi-object tracking accuracy in [0,100]
% [13]  MOTP	- Multi-object tracking precision in [0,100] (3D) / [td,100] (2D)
% [14]  MOTAL	- Multi-object tracking accuracy in [0,100] with log10(idswitches)

ICCV 2015 Multiple Hypothesis Tracking Revisited 阅读笔记

ECCV2018论文:Multi-object Tracking with Neural Gating Using Bilinear LSTM

作者Fuxin Li主页 没有开源代码,比清楚具体训练细节

3.工具包Code

MOT 工具包

https://bitbucket.org/amilan/motchallenge-devkit/

例子:

% 输入序列list,GT路径,自己的算法跟踪结果路径,评估集名称
benchmarkGtDir = '/media/han/E/mWork/mCode/tracking-mot/MOT16/train/';
[allMets, metsBenchmark] = evaluateTracking('c5-train.txt', '/media/han/E/mWork/mCode/tracking-mot/deep_sort/results/', benchmarkGtDir, 'MOT16');

没有可视化的程序,可视化的程序可以在/media/han/E/mWork/mCode/tracking-mot/MDP_Tracking/show_groundtruth.m,我把这个可视化脚本和其依赖函数提取出来,放在了

/media/han/E/mWork/mCode/tracking-mot/show_MOT_groundTrue.m

Deep SORT算法代码中还有一个可视化工具,Python写的脚本:

  • 44
    点赞
  • 284
    收藏
    觉得还不错? 一键收藏
  • 49
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 49
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值