CenterNet中怎么利用deepsort实现多目标跟踪

CenterNet简介

传统的基于关键点的目标检测方法例如最具代表性的 CornerNet通过检测物体的左上角点和右下角点来确定目标，但在确定目标的过程中，无法有效利用物体的内部的特征，即无法感知物体内部的信息，从而导致该类方法产生了很多误检 (错误目标框)。CenterNet利用关键点三元组即中心点、左上角点和右下角点三个关键点而不是两个点来确定一个目标，使网络花费了很小的代价便具备了感知物体内部信息的能力，从而能有效抑制误检。另外，为了更好的检测中心点和角点，我们分别提出了 center pooling 和 cascade corner pooling 来提取中心点和角点的特征。我们方法的名字叫 CenterNet，是一种 one-stage 的方法。

其抑制误检的原理基于以下推论：如果目标框是准确的，那么在其中心区域能够检测到目标中心点的概率就会很高，反之亦然。因此，首先利用左上和右下两个角点生成初始目标框，对每个预测框定义一个中心区域，然后判断每个目标框的中心区域是否含有中心点，若有则保留该目标框，若无则删除该目标框，其原理如下图所示：

 

代码连接：https://github.com/xingyizhou/CenterNet

Deepsort简介

Deepsort主要由以下算法组成：

• 1、卡尔曼滤波

• 2、马氏距离

• 3、PCA主成分分析

• 4、匈牙利算法

• 5、行人重识别

• 6、MOT评价指标

其中每一个讲起来又是一大堆，所以留着以后有时间详细讲解。

下面一张图概括且很好的展示了deepsort的算法：

 

获取代码

git clone https://github.com/kimyoon-young/centerNet-deep-sort.git

安装repo

conda env create -f CenterNet.yml
pip install -r requirments.txt

快速启动

CENTERNET_PATH = 'CENTERNET_ROOT/CenterNet/src/lib/'

to

e.g) CENTERNET_PATH = '/home/kyy/centerNet-deep-sort/CenterNet/src/lib/'

运行demo

python demo_centernet_deepsort.py