來源：HyperAI超神經

目標跟蹤 (Object Tracking) 是機器視覺領域的重要課題，根據(jù)跟蹤目標的數(shù)量，可分為單目標跟蹤 (Single Object Tracking，簡稱 SOT) 和多目標跟蹤 (Multi Object Tracking，簡稱 MOT)。

多目標跟蹤往往因為跟蹤 ID 眾多、遮擋頻繁等，容易出現(xiàn)目標跟丟的現(xiàn)象。借助跟蹤器 DeepSORT 與檢測器 YOLO v5，可以打造一個高性能的實時多目標跟蹤模型。

本文將對單目標跟蹤和多目標跟蹤分別進行介紹，文末將詳解 YOLO v5+DeepSORT 的實現(xiàn)過程及具體代碼。

單目標跟蹤詳解

定義 

單目標跟蹤 SOT 是指在視頻首幀給出目標，根據(jù)上下文信息，在后續(xù)幀定位出目標位置，建立跟蹤模型對目標的運動狀態(tài)進行預測。

應用場景 

SOT 在智能視頻監(jiān)控、自動駕駛、機器人導航、人機交互等領域應用廣泛。

足球比賽中利用 SOT 預測足球運動軌跡

研究難點 

最主要的三個難點：目標背景的變化、物體本身的變化、光照強度變化。

主流算法（基于深度學習） 

解決 SOT 問題主要有兩種方法：判別式跟蹤及生成式跟蹤，隨著深度學習在圖像分類、目標檢測等機器視覺相關任務中的成功應用，深度學習也開始大量應用于目標跟蹤算法中。

本文主要圍繞基于深度學習的 SOT 算法進行介紹。

各時間節(jié)點的代表性目標跟蹤算法

2012 年后以 AlexNet 為代表的深度學習方法

被引入到目標跟蹤領域中

關鍵算法：SiamFC

與傳統(tǒng)目標跟蹤中所用的在線學習方法不同，SiamFC 側重于在離線階段學習強嵌入。

它將一個基本跟蹤算法，與一個在 ILSVRC15 數(shù)據(jù)集上進行端到端訓練的新型全卷積孿生網絡 (fully-convolutional Siamese network) 相結合，用于視頻中的目標檢測。

全卷積孿生網絡架構示意圖

實驗證明，在模型測試和訓練期間，孿生全卷積深度網絡對已有數(shù)據(jù)的利用更加高效。

SiamFC 開創(chuàng)了將孿生網絡結構應用于目標跟蹤領域的先河，顯著提高了深度學習方法跟蹤器的跟蹤速度，結構簡單性能優(yōu)異。

相關論文：

https://arxiv.org/pdf/1606.09549.pdf

相關衍生算法 

1、StructSiam

提出了 local structure learning method，同時考慮目標的 local pattern 和結構關系。為此，作者設計了一個局部模式檢測模塊，來自動識別目標物體的辨別區(qū)域。

該模型可以以端到端的方式進行訓練。

相關論文：

https://openaccess.thecvf.com/content_ECCV_2018/papers/Yunhua_Zhang_Structured_Siamese_Network_ECCV_2018_paper.pdf

2、SiamFC-tri

作者提出了一種全新的 triplet loss，用于提取跟蹤物體的 expressive deep feature。在不增加輸入的情況下，該方法可以利用更多元素進行訓練，通過組合原始樣本，實現(xiàn)更強大的特征。

相關論文：

https://openaccess.thecvf.com/content_ECCV_2018/papers/Xingping_Dong_Triplet_Loss_with_ECCV_2018_paper.pdf

3、DSiam

作者提出了動態(tài)孿生網絡，通過一個快速轉換學習模型，能夠有效地在線學習目標的外觀變化和先前幀的背景壓制。同時作者還提出了元素多層融合，利用多層深度特征自適應地整合網絡輸出。

DSiam 允許使用任何可行的通用或經過特殊訓練的特征，如 SiamFC 和 VGG，且動態(tài)孿生網絡可以直接在標記的視頻序列上進行整合訓練，充分利用移動物體豐富的時空信息。

相關論文：

https://openaccess.thecvf.com/content_ICCV_2017/papers/Guo_Learning_Dynamic_Siamese_ICCV_2017_paper.pdf

多目標跟蹤詳解

定義 

多目標跟蹤（MOT）是指對視頻中每一幀的物體都賦予一個 ID，并將每個 ID 的行為軌跡畫出來。

在街景視頻中進行多目標跟蹤

應用場景 

MOT 在智能安防、自動駕駛、醫(yī)學場景等領域，都有廣泛應用。

研究難點 

MOT 目前遇到的最大挑戰(zhàn)就是遮擋 (Occlusion)，即目標之間的彼此遮擋或環(huán)境對目標產生的遮擋。

主流算法 

1、SORT

Simple Online and Realtime Tracking (SORT) 是一種專注簡單高效算法的多目標跟蹤方法，它非常實用，可以為在線和實時應用，有效地關聯(lián)目標。

SORT 只是將常見技術（如卡爾曼濾波、匈牙利算法）進行了簡單組合，準確率可與當時最先進的在線跟蹤器相提并論。

SORT 與其他方法的性能比較

橫軸表示準確率，縱軸表示速度

模型位置越高、越靠右，綜合表現(xiàn)越佳

由于跟蹤方法簡單易用，跟蹤器的更新速度達到了 260 Hz，比當時最先進的跟蹤器快 20 倍。

相關論文：

https://arxiv.org/pdf/1602.00763.pdf

2、DeepSORT

DeepSORT 是 SORT 的升級版，它整合了外觀信息 (appearance information) 從而提高 SORT 的性能，這使得我們在遇到較長時間的遮擋時，也能夠正常跟蹤目標，并有效減少 ID 轉換的發(fā)生次數(shù)。

DeepSORT 在 MOT Challenge 數(shù)據(jù)集上的表現(xiàn)

真實街景中遮擋情況非常常見

作者將絕大部分的計算復雜度，都放到了離線預訓練階段，在這個階段會用一個大規(guī)模行人重識別數(shù)據(jù)集，學習深度關聯(lián)度量 (deep association metric)。

在在線應用階段，則使用視覺外觀空間 (visual appearance space) 中的近鄰查詢，來建立 measurement-to-track 關聯(lián)。

實驗表明，DeepSORT 使得 ID 轉換的次數(shù)減少了 45%，在高幀率下整體性能優(yōu)秀。

此外 DeepSORT 是一個非常通用的跟蹤器，可以被接在任何一個檢測器上。

相關論文：

https://arxiv.org/pdf/1703.07402.pdf

3、Towards Real-Time MOT

作者提出了一個 MOT 系統(tǒng)，使得目標檢測和外觀嵌入得以在一個共享模型中學習。也就是說把外觀嵌入模型納入一個 single-shot 檢測器中，使該模型可以同時輸出檢測以及對應的嵌入。

作者還進一步提出了一個簡單快速的關聯(lián)方法，可以與聯(lián)合模型 (joint model) 一起運行。

Towards Real-Time MOT 與 SDE 模型

Two-stage 模型以及 JDE 模型對比

與之前的 MOT 系統(tǒng)相比，這兩個組件的計算成本都大大降低了，為實時 MOT 算法設計的后續(xù)工作，提供了一個整潔快速的基線。

這是業(yè)內第一個接近實時的 MOT 系統(tǒng)，它的運行速度更快、精度更高、代碼也已開源，非常值得參考。

相關論文：

https://arxiv.org/pdf/1909.12605v1.pdf

用YOLOv5和DeepSORT進行多目標跟蹤

該教程在 OpenBayes.com 運行。OpenBayes 是一個開箱即用的機器學習算力云平臺，提供 PyTorch、TensorFlow 等主流框架，以及 vGPU、T4、V100 等多種類型的算力方案，計價模式靈活簡單，按使用時長收費。

本教程選用 vGPU 在 PyTorch 1.8.1 環(huán)境中運行。

訪問完整教程：

https://openbayes.com/console/open-tutorials/containers/BvxvYMbdefV/overview

本項目包括兩個部分，首先是 YOLO v5 檢測器，用于檢測出一系列物體；然后用 DeepSORT 進行跟蹤。

第一步 代碼環(huán)境準備

%cd Yolov5_DeepSort_Pytorch
%pip install -qr requirements.txt  # 安裝依賴
import torch
from IPython.display import Image, clear_output  # 顯示結果
clear_output()
print(f"Setup complete. Using torch {torch.__version__} ({torch.cuda.get_device_properties(0).name if torch.cuda.is_available() else 'CPU'})")

第二步 預處理待測視頻

!y | ffmpeg -ss 00:00:00 -i test.avi -t 00:00:03 -c copy out.avi -y

第三步 模型推理

!python track.py --yolo_weights /openbayes/input/input1/crowdhuman_yolov5m.pt --source out.avi --save-vid

第四步 格式轉換

!ffmpeg -i /openbayes/home/Yolov5_DeepSort_Pytorch/inference/output/out.avi output.mp4 -y

第五步 顯示結果

from IPython.display import HTML
from base64 import b64encode
mp4 = open('output.mp4','rb').read()
data_url = "data:video/mp4;base64," + b64encode(mp4).decode()

HTML("""
<video controls>
      <source src="%s" type="video/mp4">
</video>
""" % data_url)

輸出多目標跟蹤結果

完整 notebook 請訪問：

https://openbayes.com/console/open-tutorials/containers/BvxvYMbdefV/overview