【MOT】目标追踪DeepSORT与ByteTrack

这篇具有很好参考价值的文章主要介绍了【MOT】目标追踪DeepSORT与ByteTrack。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

基础知识

匹配算法:

  • SORT算法: Kalman滤波, 匈牙利算法(匹配算法), 马氏距离(损失指标);

  • Kalman滤波是通过对上一帧每个检测对象进行预测,得到一个BBox_predicted,然后再将predicted与当前帧的检测对象BBox_measure进行匹配,这样的话就能固定ID了;
    如果不用Kalman滤波,将当前帧的BBox_measure与上一帧的BBox_measure’进行匹配?

追踪为什么需要卡尔曼滤波?

通常要对一些事物的状态去做估计,为什么要做估计呢?因为我们通常无法精确的知道物体当前的状态。为了估计一个事物的状态,我们往往会去测量它,但是我们不能完全相信我们的测量,因为我们的测量是不精准的,它往往会存在一定的噪声,这个时候我们就要去估计我们的状态。卡尔曼滤波就是一种结合预测(先验分布)和测量更新(似然)的状态估计算法;其二,若出现视频中目标运动过快,前后两帧中同一个目标运动距离很远,那么这种直接匹配的方式就会失效。因此,可以通过现预测目标下一帧出现的位置,然后与检测的位置进行匹配关联,这样就不会由于速度太快而产生误差。 参考1

匈牙利算法

匈牙利算法只是尽可能地多匹配,而对于准确度没有很好的约束;

马氏距离

欧式距离是度量两点间的距离方法,而马氏距离针对的是多变量情况下的协方差距离。

即当量纲不同,考虑各种特性之间的联系下的一种距离尺度。由公式可知,欧式距离除以了一个协方差距离。

  • 方差:方差是标准差的平方,而标准差的意义是数据集中各个点到均值点距离的平均值。反应的是数据的离散程度。
  • 协方差: 标准差与方差是描述一维数据的,当存在多维数据时,我们通常需要知道每个维数的变量中间是否存在关联。协方差就是衡量多维数据集中,变量之间相关性的统计量。比如说,一个人的身高与他的体重的关系,这就需要用协方差来衡量。如果两个变量之间的协方差为正值,则这两个变量之间存在正相关,若为负值,则为负相关。
  • 协方差矩阵: 当变量多了,超过两个变量了。那么,就用协方差矩阵来衡量这么多变量之间的相关性。

余弦距离

余弦相似度的取值范围是[-1,1],相同两个向量的之间的相似度为1。

余弦相似度定义公式:
c o s ( A , B ) = A ⋅ B ∥ A ∥ 2 ∥ B ∥ 2 cos(A,B) = \frac{A\cdot{B}}{\lVert{A}\rVert_2\lVert{B}\rVert}_2 cos(A,B)=A2BAB2
余弦距离定义:
d i s t ( A , B ) = 1 − c o s ( A , B ) = ∥ A ∥ 2 ∥ B ∥ 2 − A ⋅ B ∥ A ∥ 2 ∥ B ∥ 2 dist(A,B) = 1 - cos(A,B) = \frac{{\lVert{A}\rVert_2\lVert{B}\rVert_2}-A\cdot{B}}{\lVert{A}\rVert_2\lVert{B}\rVert_2} dist(A,B)=1cos(A,B)=A2B2A2B2AB

DeepSORT

SORT

SORT算法是通过检测的测量值和卡尔曼滤波得到的预测值进行IOU匹配。

对于没有匹配到的detections,创建新的trackers;

对于成功匹配的detections,对kalman的trackers进行更新;

对于未成功匹配的trackers,则进行剔除。

【MOT】目标追踪DeepSORT与ByteTrack

DeepSORT

algorithm base

  • 对于每个tacker,有三种状态,分别是tentative,confirmed, unconfirmed;其中,第一种状态为每个tacker的初始化状态;
  • tentative转换为confirmed状态,需要连续匹配上n_init次;
  • 对于每一个tracker,有time_since_update参数,每次与detection关联更新后重置为0;
  • 级联匹配根据time_since_update来作为优先级,先匹配那些一直得到更新的tracker,对于状态为confirmed,但没有得到更新的tracker(tracker每predict一次,time_since_update增加一次),也能使之得到更新,只是优先级靠后;即根据time_since_update参数来控制更新的顺序。由小到达对消失时间相同的轨迹进行匹配。
  • 当time_since_update>max_age(70)时,则将confirmed状态改变为deleted状态;
  • unconfirmed trackers和 unmatched trackers 一起组成iou candicates,与unmatched detections进行IOU匹配;

【MOT】目标追踪DeepSORT与ByteTrack

【MOT】目标追踪DeepSORT与ByteTrack

cost matrix

  • 使用平方马氏距离来度量tracker和detection之间的距离;实际代码中没有用到运动信息(保留)
  • 使用cosine距离来度量表观特征之间的距离;
  • 综合匹配度通过运动模型和外观模型加权得到。

其中 λ \lambda λ是一个超参数,在代码中默认为0。作者认为在摄像头有实质性移动的时候这样设置比较合适,也就是在关联矩阵中只使用外观模型进行计算。但并不是说马氏距离在Deep SORT中毫无用处,马氏距离会对外观模型得到的距离矩阵进行限制,忽视掉明显不可行的分配。

【MOT】目标追踪DeepSORT与ByteTrack

Mahalanobis Distance/Cosine Distance

两者分别针对运动信息和外观信息的计算。马氏距离就是加强版的欧式距离。它实际上是规避了欧氏距离中对于数据特征方差不同的风险,在计算中添加了协方差矩阵,其目的就是进行方差归一化,从而使所谓的“距离”更加符合数据特征以及实际意义。马氏距离是对于差异度的衡量中,的一种距离度量方式,而不同于马氏距离,余弦距离则是一种相似度度量方式。前者是针对于位置进行区分,而后者则是针对于方向。换句话说,我们使用余弦距离的时候,可以用来衡量不同个体在维度之间的差异,而一个个体中,维度与维度的差异我们却不好判断,此时我们可以使用马氏距离进行弥补,从而在整体上可以达到一个相对于全面的差异性衡量。而我们之所以要进行差异性衡量,根本目的也是想比较检测器与跟踪器的相似程度,优化度量方式,也可以更好地完成匹配。

代码在linear_assaignment._match.gated_metric下,将外观余弦距离和马氏距离进行了封装。(保留意见)。

Cascaded match

级联匹配是Deep SORT区别于SORT的一个核心算法,致力于解决目标被长时间遮挡的情况。为了让当前Detection匹配上当前时刻较近的Track,匹配的时候Detection优先匹配消失时间较短的Track。

当目标被长时间遮挡,之后卡尔曼滤波预测结果将增加非常大的不确定性(因为在被遮挡这段时间没有观测对象来调整,所以不确定性会增加), 状态空间内的可观察性就会大大降低。在两个Track竞争同一个Detection的时候,消失时间更长的Track往往匹配得到的马氏距离更小, 使得Detection更可能和遮挡时间较长的Track相关联,这种情况会破坏一个Track的持续性,这也就是SORT中ID Switch太高的原因之一。


使用级联匹配算法,是为每个追踪器设定一个time_since_update参数。如果跟踪器完成匹配并进行更新,那么参数会重置为0,否则就会+1。实际上,级联匹配换句话说就是不同优先级的匹配。在级联匹配中,会根据这个参数来对跟踪器分先后顺序,参数小的先来匹配,参数大的后匹配。也就是给上一帧最先匹配的跟踪器高的优先权,给好几帧都没匹配上的跟踪器降低优先权(慢慢放弃)。

在级联匹配中,通过根据每个tracker的time_since_update是否等于max_age level来控制track更新的顺序;即有限匹配距上次出现间隔短的目标;

IOU match

在级联匹配后的IOU匹配中,更新对象是unmatch_trackers和unconfirmed trakcers,且since_time_update=1,即仅仅对上一帧的tracker进行iou匹配;

现在处理上面未参与外观匹配的新的轨迹,即uncofirmed tracks,同时把那些虽然是confirmed track,但外观匹配仅在上一帧没有成功的track放进来;那些长时间没有被匹配成功的track不用iou匹配,因为长时间没有匹配到,人早就走掉了,iou重合率也会非常低,iou比较高的也不太可能是同一个人.

Steps

说明:在deep sort代码中,tracker.py主要是匹配算法;track为每一个tracker的类属性声明;

  1. 检测器得到每一帧的检测结果,生成detections;
  2. self.tracks()进行卡尔曼滤波预测,self.tracks()存放的是状态为confirmed的track;第一帧为空;
  3. 接着进行匹配,匹配对象为self.tracks()和detection,先进行级联匹配,然后对
  4. 基于当前帧的detections,校正与其关联的上一帧trackers的状态,得到一个更精确的结果,即使用卡尔曼滤波预测前一帧中的tracks在当前帧的状态:;
  5. 将预测后的trakers与当前帧的detecion进行匹配:级联匹配和IOU匹配;IOU匹配对象为级联匹配结束后的unmatched_tracksself.tracks()中未确定的track(确定状态需要连续n_init帧匹配成功);初始帧为空;
  6. 将匹配结果进行整理,匹配成功(matchs)的卡尔曼更新,匹配未成功的(unmatched_tracks)进行标记删除;对于剩下下的detections(unmatched_detections)进行track初始化,即生成track,并加入到self.tracks()中,但状态依然为tentative;
  7. 接着开始第二帧,同理。

总而言之,DeepSORT的级联匹配主要是为了解决SORT算法中,对于长时间遮挡目标IDs较高的问题;因为SORT匹配原则是基于IOU;而级联匹配就是根据特征的余弦距离,然后经过马氏距离进行门限,根据since_time_update的数目来进行级联匹配,也就是说,除了优先考虑最近一帧的tracker,还考虑之前帧的tracker,而这个值最大默认设置为30;然后再将没有匹配成功的tracker和detections进行IOU匹配。

代码

min_cost_matching: 根据不同度量尺寸来计算cost_matrix, 然后调用linear_assignment()来进行匈牙利匹配算法;distance_metric是度量函数,为余弦距离函数或IOU距离函数;

参考:

多目标跟踪DeepSORT

Deep SORT多目标跟踪算法代码解析(上) - 知乎 (zhihu.com)

分步解析deepsort代码

马氏距离与欧氏距离

*多目标跟踪入门篇(1):SORT算法详解

DeepSort论文阅读总结

DeepSORT多目标算法笔记

SORT 多目标跟踪算法笔记

匈牙利算法

ByteTrack

在byte之前, 利用上游检测结果送入卡尔曼滤波进行融合处理;在对于遮挡的情况下,检测结果置信度较低, 会直接排除不进行后者的滤波;
而byte认为, 遮挡只是短期的,在目标检测中丢弃置信度的结果无可厚非;但是在追踪中,这就是先验信息,仅凭置信度阈值就丢弃显得不够合理;

【MOT】目标追踪DeepSORT与ByteTrack

以上图举例的话,这里我们假设把阈值设置为0.3,在第一帧和第二帧中都可以将图片中的三个行人正确识别,但当第三帧中出现了遮挡现象,其中一个行人的置信度则变为0.1,这样这个行人则会在遮挡的情况下,失去了跟踪信息,但对与目标检测来说,他确实被检测出来了,只是置信度较低而已。

Byte算法则是用来解决如何充分利用,由于遮挡导致置信度变低的得分框问题。

同时ByteTrack没有用到ReID模型, 作者解释是因为第一点是为了尽可能做到简单高速,第二点是发现在检测结果足够好的情况下,卡尔曼滤波的预测准确性非常高,能够代替 ReID 进行物体间的长时刻关联。实验中也发现加入 ReID 对跟踪结果没有提升。
ref:
多目标跟踪(三) ByteTrack —— 利用低分检测框信息Byte算法
目标跟踪之 MOT 经典算法:ByteTrack 算法原理以及多类别跟踪

匹配流程

bytetrak匹配流程如下:文章来源地址https://www.toymoban.com/news/detail-425240.html

  1. 将高置信度的检测结果与confirmed tracked_stracks进行匹配,得到matches,u_track, u_detections;
  2. 将低置信度的检测结果second_detections与第一步得到u_track且状态为Tracked的tracker进行IOU匹配,得到新的matches,u_track,u_detections_second; 因为只有之前确定的tracker与低置信度的结果匹配才有意义;
  3. 将第一步的高置信度的u_detecions与unconfirmed tracks进行匹配,得到最终的matches, u_unconfirmed, u_detection;对于此步得到的u_detetion进行track初始化;u_track进行mark lost处理; 这一步不同于deepsort需要连续几帧(3)匹配才能将状态从unconfirm状态转换为confirm状态,而是直接使用IOU匹配;如果能匹配上,则是confirmed,否则直接进行track初始化;
  4. unconfirmed track状态都是Tracked, 但是不一定全部都是is_activated;当frame-id不是第一帧时, tracker不是activated;所以对于中途新建的tracker, 默认状态都是unconfirmed, unconfirmed筛选如下:
     for track in self.tracked_stracks:
     if not track.is_activated:
         unconfirmed.append(track)
     else:
         tracked_stracks.append(track)
    

到了这里,关于【MOT】目标追踪DeepSORT与ByteTrack的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【Yolov5+Deepsort】训练自己的数据集(3)| 目标检测&追踪 | 轨迹绘制 | 报错分析&解决

    📢前言: 本篇是关于 如何使用YoloV5+Deepsort训练自己的数据集 ,从而实现目标检测与目标追踪,并绘制出物体的运动轨迹。本章讲解的为第三部分内容:数据集的制作、Deepsort模型的训练以及动物运动轨迹的绘制。本文中用到的数据集均为自采,实验动物为斑马鱼。 💻环境

    2024年02月10日
    浏览(48)
  • 云原生可观测框架 OpenTelemetry 基础知识(架构/分布式追踪/指标/日志/采样/收集器)...

    OpenTelemetry 是一个开源的可观测性框架,由云原生基金会(CNCF)托管。它是 OpenCensus 和 OpenTracing 项目的合并。旨在为所有类型的可观测信号(如跟踪、指标和日志)提供单一标准。 https://opentelemetry.io https://www.cncf.io https://opencensus.io OpenTelemetry 指定了如何收集遥测数据并将其发送到

    2024年01月16日
    浏览(60)
  • 第1篇 目标检测概述 —(1)目标检测基础知识

    前言: Hello大家好,我是小哥谈。 目标检测是计算机视觉领域中的一项任务,旨在自动识别和定位图像或视频中的特定目标,目标可以是人、车辆、动物、物体等。目标检测的目标是从输入图像中确定目标的位置,并使用边界框将其标记出来。🎉为了让大家能够牢固地掌握

    2024年02月07日
    浏览(59)
  • YOLOv5基础知识入门(3)— 目标检测相关知识点

      前言 : Hello大家好,我是小哥谈。 YOLO算法发展历程和YOLOv5核心基础知识学习完成之后,接下来我们就需要学习目标检测相关知识了。为了让大家后面可以顺利地用YOLOv5进行目标检测实战,本节课就带领大家学习一下目标检测的基础知识点,希望大家学习之后有所收获!

    2024年02月13日
    浏览(37)
  • 目标检测(1)—— 基础知识和常用数据集

    一张图片,经过网络后得到输出,检测出感兴趣目标的一个位置,比如下图的车在什么地方,狗在什么地方;还要输出相应位置的目标是什么类别的。 目标检测:位置+类别 矩形框:位置 矩形框:类别 eg:人脸检测 把人脸作为目标,就把人脸框起来。 eg:文字检测 把文字

    2024年02月08日
    浏览(40)
  • ffmpeg tensorrt c++多拉流硬解码yolov5 yolov7 bytetrack 人流追踪统计 硬件编码推流直播

    ffmpeg拉流硬解码yolov5 bytetrack 人流追踪统计 硬件编码推流直播 编程语言C++,所以环境搭建可能比较复杂,需要有耐心。 CPU:I5 12490F GPU:RTX2060 6GB RAM:16x2 GB双通道 我测试运行可以25路(很极限了),20路比较稳,不会爆显存。 多路编码推流有个问题,就是NVIDIA对消费级显卡编

    2024年02月14日
    浏览(57)
  • 多目标跟踪数据集 :mot16、mot17数据集介绍以及多目标跟踪指标评测

    多目标跟踪数据集 MOT16 、MOT1数据集介绍: 数据集百度网分享: 点击此处 提取码: miao 文件格式: 解压MOT16后在文件夹下面有两个目录: test 和 train 。分别代表训练集和测试集。 这两个目录分别有7个子目录。 每个子目录下都是一段视频的抽帧图片及标注。由于train里面的

    2024年02月03日
    浏览(36)
  • 复现经典目标跟踪算法ByteTrack之路:调通第一个demo

    ByteTrack源论文地址:https://arxiv.org/pdf/2110.06864.pdf ByteTrack开源代码地址:https://github.com/ifzhang/ByteTrack 本文在官方给出的配置指南编写,提供了许多避坑方式。 可直接使用Git clone到本地 也可以使用pycharm自带的方式直接将代码clone下来。 写在前面:为了不引起各种版本不适配导

    2024年04月09日
    浏览(40)
  • 【目标跟踪】MOT数据集GroundTruth可视化

    MOT15数据集下载:https://pan.baidu.com/s/1foGrBXvsanW8BI4eybqfWg?pwd=8888 以下为一行gt示例: 1,1,1367,393,73,225,1,-1,-1,-1 各列数据对应含义如下 frame:图片帧id id:目标id bb_left:bbox左上角坐标x bb_top:bbox左上角坐标y bb_width:bbox的宽度 bb_height:bbox的高度 conf:置信度 x:三维坐标系x值,对于

    2024年02月09日
    浏览(41)
  • 多目标跟踪MOT(Multiple Object Tracking)最全综述

    目录 1.MOT概念 2.研究难点 一个好的MOT 3.研究方法 3.1基于Tracking-by-detection的MOT 3.2 基于检测和跟踪联合的MOT 3.3 基于注意力机制的MOT 3.4FairMOT 3.5BytrTrack 4.评价指标 5.多目标追踪的主要步骤 5.1 sort流程 5.2 Deepsort 5.3strongsort 6.MOT数据集 6.1数据集的使用 6.2多目标跟踪指标评测 多目

    2023年04月09日
    浏览(37)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包