# Final_project

**Repository Path**: sherry201901/Final_project

## Basic Information

- **Project Name**: Final_project
- **Description**: No description available
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2020-04-08
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Final_project

Require  environment:
1.Yolo3
2.Numpy
3.Sklearn
4.Opencv
5.Pillow
Eternally, TensorFlow-1.4.0 is build and test use in this project, other version can apply, if testing.

本项目参考deep_sort_yolov3, 但将deep_sort和keras-yolo3作为独立的git项目引用而不是直接复制源代码到本项目中，以便与原项目进行同步更新;

在原deep_sort_yolov3的基础上，定义了更多的参数方便测试，这些参数会传递给deep_sort和keras-yolo3;

为了提高视频跟踪的实时性，采用了隔帧检测的方法，每n帧视频进行一次检测，n可以通过参数指定, 默认为1，即每帧都检测。

原项目地址：

https://github.com/Qidian213/deep_sort_yolov3

https://github.com/nwojke/deep_sort

https://github.com/qqwweee/keras-yolo3

Quick Start

    下载本项目以及deep_sort和keras-yolo3源码；

    git clone https://gitee.com/zch-ai/deep_sort_with_yolov3.git
    cd deep_sort_with_yolov3/
    git submodule update --init

    从YOLO官网下载训练好的 YOLOv3 模型参数(也可以选择yolov3-tiny等其他网络)，使用keras-yolo3提供的转换脚本转换为会.h5格式；

    wget https://pjreddie.com/media/files/yolov3.weights
    python3 ./keras_yolo3/convert.py keras_yolo3/yolov3.cfg yolov3.weights yolo.h5

    下载deep_sort中提取特征用的模型参数, 解压到deep_sort_with_yolov3目录下； deep_sort官方提供的文件在google网盘上，国内无法直接访问，可以使用百度网盘的文件：

    链接：https://pan.baidu.com/s/1_S84pzx6V6R5sNEPN2rePQ 提取码：xv0o

    unzip resources.zip

    下载解压测试数据：这里使用的是MOT16，如果官方下载太慢，也可以使用网盘提供的文件；

    将下载的MOT16.zip放到deep_sort_with_yolov3目录下


    mkdir MOT16
    cd MOT16
    unzip ../MOT16.zip
    cd ..

    运行命令测试:

    python3 deep_sort_app.py --input MOT16/test/MOT16-06/img1/%6d.jpg

    也可以指定每3帧检测一次

    python3 deep_sort_app.py --input MOT16/test/MOT16-06/img1/%6d.jpg --update_step 3

Dependencies

我使用的测试环境是Ubuntu 18.04，Python 3.6，tensorflow-gpu 1.14，GPU使用NVIDIA GTX1660Ti；

项目中使用了以下python库：

NumPy
sklean
OpenCV
Pillow


实战 视频目标跟踪
视觉方向
指导讲师 屈老师
简介

跟踪是视觉感知的核心任务之一。我们对日复一日的事物可能毫无记忆，但一只飞过眼前的蚊子却能瞬间引起我们的关注，说明动态目标跟踪在视觉感知机制中具有很高的优先级。正因如此，视频场景中的运动目标检测与跟踪是计算机视觉的重要领域，也是安防、监控领域的核心算法之一，在此基础上可构建入侵检测、人员计数、车辆违章自动记录等众多应用，具有广泛的使用价值。

在“计算机视觉”课程中，学员已经学习了背景提取、目标分割等相关知识，并进行了目标检测的初步练习。在本项目中，要求学员们结合课程内容，实现一个视频种运动目标检测及跟踪的实际系统。
项目

学员需要选择一种编程语言(C++/Python)，并利用OpenCV提供的相关功能，实现一个可以对输入视频中运动目标进行检测、跟踪的系统。

系统输入：任意视频（含有相关目标）；

系统输出：检测的目标框及目标运动轨迹
评价标准
成果1,一套可以运行的系统（项目代码）

包含源代码、相关项目文件及使用说明(技术文档在成果2中详细说明)。按照使用说明可重现系统并运行。

代码要求：

    含有完整的源代码及项目文件，按说明配置可运行并得到正确结果
    注释完整
    编码具备一致性（符合一定的编码规范）

使用说明要求：

    简洁，准确，按说明可成功安装并配置好系统，可成功运行

成果2,系统技术总结报告文档（项目节点报告）

撰写技术总结报告文档。

文档要求：

    技术总结报告应包含如下结构（内容）：系统需求；系统配置；系统设计（包含技术原理）；实验结果；结果分析（包括结果及指标分析、不同参数结果对比，如能与其他方法对比效果更好）；总结与心得
    技术报告应简洁清晰，具备较强的可读性
    系统需要给出合理的评价指标，例如跟踪成功率等；
    对系统的输出结果及指标的简单分析。

成果3, 提供一个演示视频（output.avi）

视频内容：根据指定的数据集及自己选择的数据集，系统可输出正确的检测结果及运动轨迹。
数据集

本项目提供一个视频运动目标检测与跟踪的数据集。