yolov5 deepsort 行人/车辆(检测 +计数+跟踪+测距+测速)

简介: yolov5 deepsort 行人/车辆(检测 +计数+跟踪+测距+测速)

功能 简介

YOLOv5 DeepSORT:实现行人/车辆检测、计数、跟踪、测距和测速


1. 背景介绍

随着计算机视觉和深度学习技术的迅猛发展,目标检测、目标跟踪与计数等技术在智能交通、智能监控等领域发挥着重要作用。YOLOv5是一种快速、准确的目标检测算法,而DeepSORT是目标跟踪算法中的经典方法,结合二者可以实现对行人和车辆的检测、计数、跟踪、测距和测速,为智能交通管理和智能监控系统提供了强大的支持。


2. YOLOv5 DeepSORT技术原理

2.1 YOLOv5目标检测

YOLOv5是一种基于深度学习的目标检测算法,它采用单阶段检测的方式,在保持高精度的同时实现了更快的推理速度。YOLOv5通过卷积神经网络对图像进行特征提取,并利用anchor boxes来预测物体的位置和类别,其高效的设计使得它适用于实时目标检测任务。


2.2 DeepSORT目标跟踪

DeepSORT是一种多目标跟踪算法,它结合了深度学习的目标检测和传统的多目标跟踪方法,可以对视频序列中的目标进行持续跟踪。DeepSORT利用卡尔曼滤波器对目标轨迹进行预测和更新,并结合外观描述子对不同帧中的目标进行关联,从而实现目标的持续跟踪。


2.3 YOLOv5 DeepSORT整合

将YOLOv5的目标检测结果输入到DeepSORT中,可以实现对行人和车辆的跟踪,同时可以根据目标的运动轨迹对其进行计数、测距和测速。这样的整合可以在智能交通管理系统和智能监控系统中提供更全面、精准的目标信息。


3. 应用场景

3.1 智能交通管理

在城市交通管理中,利用YOLOv5 DeepSORT可以实时监测道路上的行人和车辆情况,对交通流量进行统计和分析,实现智能交通信号控制和拥堵预警。


3.2 智能监控系统

在安防监控领域,结合YOLOv5 DeepSORT可以实现对监控区域内的异常行为检测、人员计数和车辆追踪,提高监控效率和准确性。


3.3 智能工厂和物流管理

在工业自动化和物流管理中,利用YOLOv5 DeepSORT可以对生产线上的物体进行实时监测与跟踪,提高生产效率和物流管理水平。


4. 技术挑战与发展趋势

4.1 技术挑战

整合YOLOv5和DeepSORT要解决数据传输、算法整合、性能优化等方面的技术挑战,如如何快速高效地将目标检测结果输入到目标跟踪算法中进行处理,如何在保证准确性的前提下提高系统的实时性。


4.2 发展趋势

未来,基于YOLOv5和DeepSORT的目标检测与跟踪技术将更加智能化和多样化,如结合语义分割进一步提高检测准确性,结合3D视觉技术实现目标的三维跟踪,以及结合强化学习等技术实现对目标行为的预测与分析。


具体代码实现

YOLOv5 DeepSORT技术的应用将为智能交通管理、智能监控系统等领域带来更加智能、高效的解决方案,为人们的生活和工作提供更多便利与安全。随着技术的不断发展与完善,我们有理由相信,基于YOLOv5 DeepSORT的目标检测与跟踪技术将广泛应用于更多领域,并取得更大的突破与创新。


  • 实现了局域的出/入 分别计数。
  • 显示检测类别,ID数量。
  • 默认是 南/北 方向检测,若要检测不同位置和方向,需要加以修改
  • 可在 count_car/traffic.py 点击运行
  • 默认检测类别:行人、自行车、小汽车、摩托车、公交车、卡车、船。
  • 检测类别可在 objdetector.py 文件修改。

a67720e5c562857806a9a5403f7bec5d_b024069de9fd4c0baff9531afa54e5fd.png


代码运行

$ git clone 追踪代码


因此repo包含weights及mp4等文件,若 git clone 速度慢,可直接下载zip

blog.csdnimg.cn/de311b07251a4d408d59f0487a41ae44.png)


进入目录

$ cd unbox_yolov5_deepsort_counting

创建 python 虚拟环境

$ python3 -m venv venv

激活虚拟环境

$ source venv/bin/activate

升级pip

$ python -m pip install --upgrade pip


安装pytorch

根据你的操作系统、安装工具以及CUDA版本,在 https://pytorch.org/get-started/locally/ 找到对应的安装命令。我的环境是 ubuntu 18.04.5、pip、CUDA 11.0。![在这里插入图片描述](https://ucc.alicdn.com/images/user-upload-01/77d60150764741b0bafa0927e1042a46.png

$ pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio===0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

fa18a7f766281e0752a727e0028179e5_bb1057be05d3492cb5593f48b457be13.png

安装软件包

$ pip install -r requirements.txt

在 demo.py 文件中,设置要检测的视频文件路径,默认为 './video/test.mp4'

capture = cv2.VideoCapture(‘./video/test.mp4’)

运行程序

python count.py


demo代码

detector = Detector()

    # 打开视频
    capture = cv2.VideoCapture(VIDEO_PATH)

    while True:
        # 读取每帧图片
        _, im = capture.read()
        if im is None:
            break

        # 缩小尺寸
        im = cv2.resize(im, (width//2, height//2))

        list_bboxs = []
        # 更新跟踪器
        output_image_frame, list_bboxs = objtracker.update(detector, im)
        # 输出图片
        output_image_frame = cv2.add(output_image_frame, color_polygons_image)

        if len(list_bboxs) > 0:
            # ----------------------判断撞线----------------------
            for item_bbox in list_bboxs:
                x1, y1, x2, y2, _, track_id = item_bbox
                # 撞线检测点,(x1,y1),y方向偏移比例 0.0~1.0
                y1_offset = int(y1 + ((y2 - y1) * 0.6))
                # 撞线的点
                y = y1_offset
                x = x1
                if polygon_mask_blue_and_yellow[y, x] == 1:
                    # 如果撞 蓝polygon
                    if track_id not in list_overlapping_blue_polygon:
                        list_overlapping_blue_polygon.append(track_id)
                    # 判断 黄polygon list里是否有此 track_id
                    # 有此track_id,则认为是 UP (上行)方向
                    if track_id in list_overlapping_yellow_polygon:
                        # 上行+1
                        up_count += 1
                        print('up count:', up_count, ', up id:', list_overlapping_yellow_polygon)
                        # 删除 黄polygon list 中的此id
                        list_overlapping_yellow_polygon.remove(track_id)

                elif polygon_mask_blue_and_yellow[y, x] == 2:
                    # 如果撞 黄polygon
                    if track_id not in list_overlapping_yellow_polygon:
                        list_overlapping_yellow_polygon.append(track_id)
                    # 判断 蓝polygon list 里是否有此 track_id
                    # 有此 track_id,则 认为是 DOWN(下行)方向
                    if track_id in list_overlapping_blue_polygon:
                        # 下行+1
                        down_count += 1
                        print('down count:', down_count, ', down id:', list_overlapping_blue_polygon)
                        # 删除 蓝polygon list 中的此id
                        list_overlapping_blue_polygon.remove(track_id)
            # ----------------------清除无用id----------------------
            list_overlapping_all = list_overlapping_yellow_polygon + list_overlapping_blue_polygon
            for id1 in list_overlapping_all:
                is_found = False
                for _, _, _, _, _, bbox_id in list_bboxs:
                    if bbox_id == id1:
                        is_found = True
                if not is_found:
                    # 如果没找到,删除id
                    if id1 in list_overlapping_yellow_polygon:
                        list_overlapping_yellow_polygon.remove(id1)

                    if id1 in list_overlapping_blue_polygon:
                        list_overlapping_blue_polygon.remove(id1)
            list_overlapping_all.clear()
            # 清空list
            list_bboxs.clear()
        else:
            # 如果图像中没有任何的bbox,则清空list
            list_overlapping_blue_polygon.clear()
            list_overlapping_yellow_polygon.clear()
            
        # 输出计数信息
        text_draw = 'DOWN: ' + str(down_count) + \
                    ' , UP: ' + str(up_count)
        output_image_frame = cv2.putText(img=output_image_frame, text=text_draw,
                                         org=draw_text_postion,
                                         fontFace=font_draw_number,
                                         fontScale=0.75, color=(0, 0, 255), thickness=2)
        cv2.imshow('Counting Demo', output_image_frame)
        cv2.waitKey(1)

    capture.release()
    cv2.destroyAllWindows()


结果展示

各种追踪 测距 姿态估计 目标检测 计数 测速功能已实现,欢迎交流!

更多项目详见主页!

相关文章
|
7月前
|
传感器 算法 数据处理
yolo目标检测+目标跟踪+车辆计数+车辆分割+车道线变更检测+速度估计
yolo目标检测+目标跟踪+车辆计数+车辆分割+车道线变更检测+速度估计
|
7月前
|
机器学习/深度学习 编解码 监控
计算机视觉实战项目4(单目测距与测速+摔倒检测+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A_路径规划+行人车辆计数+动物识别等)-1
计算机视觉实战项目4(单目测距与测速+摔倒检测+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A_路径规划+行人车辆计数+动物识别等)-1
|
7月前
|
机器学习/深度学习 算法 计算机视觉
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A路径规划+单目测距与测速+行人车辆计数等)
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A路径规划+单目测距与测速+行人车辆计数等)
135 2
|
7月前
|
机器学习/深度学习 算法 计算机视觉
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)
|
7月前
|
机器学习/深度学习 编解码 算法
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)-2
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)-2
|
7月前
|
机器学习/深度学习 监控 算法
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)-1
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)-1
|
7月前
|
机器学习/深度学习 存储 安全
YOLOv8火灾和烟雾检测
YOLOv8火灾和烟雾检测
|
7月前
|
机器学习/深度学习 算法 安全
计算机视觉实战项目4(单目测距与测速+摔倒检测+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A_路径规划+行人车辆计数+动物识别等)-2
计算机视觉实战项目4(单目测距与测速+摔倒检测+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A_路径规划+行人车辆计数+动物识别等)-2
计算机视觉实战项目4(单目测距与测速+摔倒检测+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A_路径规划+行人车辆计数+动物识别等)-2
|
7月前
|
机器学习/深度学习 传感器 算法
目标检测+车道线识别+追踪+测距(代码+部署运行)
目标检测+车道线识别+追踪+测距(代码+部署运行)
|
机器学习/深度学习 传感器 算法
【车辆检测】基于YOLOV3实现车辆检测识别附matlab代码
【车辆检测】基于YOLOV3实现车辆检测识别附matlab代码