DeepSort行人车辆识别系统（实现目标检测+跟踪+统计）

本文主要是介绍DeepSort行人车辆识别系统（实现目标检测+跟踪+统计），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

1、前言
2、源项目实现功能
3、运行环境
4、如何运行
5、运行结果
6、遇到问题
7、使用框架
8、目标检测系列文章

1、前言

1、本文基于YOLOv5+DeepSort的行人车辆的检测，跟踪和计数。

2、该项目是基于github的黄老师傅，黄老师傅的项目输入视频后，直接当场利用cv2.imshow()，查看识别的结果，无法当场保存检测完视频，而且无法在服务器上跑，本文实现保存视频的结果已经命令行修改视频。

2、源项目实现功能

实现了出/入分别计数。
显示检测类别。
默认是南/北方向检测，若要检测不同位置和方向，可在 main.py 文件第13行和21行，修改2个polygon的点。
默认检测类别：行人、自行车、小汽车、摩托车、公交车、卡车。
检测类别可在 detector.py 文件第60行修改。

本项目实现功能

保存识别视频
提供命令行修改视频

3、运行环境

python 3.6+，pip 20+
pip install -r requirements.txt

4、如何运行

下载代码
```
git clone https://github.com/wisdom-zhe/yolov5-deepsort-counting.git
```
因此repo包含weights及mp4等文件，若 git clone 速度慢，直接点击这里下载zip文件
进入目录
```
cd 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。
```
$ 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
```
安装软件包
```
$ pip install -r requirements.txt
```
在 detect-car.py 文件中第262行，设置要检测的视频文件路径，默认为default= ‘./video/test.mp4’

140MB的测试视频可以在这里下载：https://pan.baidu.com/s/1qHNGGpX1QD6zHyNTqWvg1w 提取码: 8ufq
```
parser.add_argument('--input_video_path', type=str, default='./video/test02.mp4',help='source video path.')
```

运行程序

# 本项目运行方式
python detect-car.py
# 黄老师傅运行方式
python main.py

5、运行结果

在这里插入图片描述

6、遇到问题

问题：视频并未出现两条撞线。
原因：在图片拼接时候，大小不一致。
即cv2.add图像运算方式需要输出的图像–必须与输入的图像具有相同的大小、类型和通道数。即两张图片大小一致。

import numpy as np
import cv2# cv2.add图像运算方式需要输出的图像–必须与输入的图像具有相同的大小、类型和通道数。即两张图片大小一致。
# 查看大小：image.shape
# 背景图
mask_image_temp = np.zeros((1080, 1920), dtype = np.uint8)# 初始化2个撞线polygon
list_pts_blue = [[204, 305], [227, 431], [605, 522], [1101, 464], [1900, 601], [1902, 495], [1125, 379], [604, 437],[299, 375], [267, 289]]
ndarray_pts_blue = np.array(list_pts_blue, np.int32)
polygon_blue_value_1 = cv2.fillPoly(mask_image_temp, [ndarray_pts_blue], color = 1)
polygon_blue_value_1 = polygon_blue_value_1[:, :, np.newaxis]
polygon_mask_blue_and_yellow = cv2.resize(polygon_blue_value_1, (960, 540))# 蓝 色盘 b,g,r
blue_color_plate = [255, 0, 0]
# 蓝 polygon图片
blue_image = np.array(polygon_blue_value_1 * blue_color_plate, np.uint8)
blue_image=cv2.resize(blue_image,(960,540))# 输出背景图片形状
print(f'blue_image_shape:{blue_image.shape}')
# 读取图片
output_image_frame = cv2.imread('./5.jpg')
print(f'output_image_frame_shape:{output_image_frame.shape}')
output_image_frame=cv2.resize(output_image_frame,(960,540))
print(f'output_image_frame_960_540:{output_image_frame.shape}')output_image_frame = cv2.add(output_image_frame, blue_image)text_draw='down---up'
draw_text_postion = (int(960 * 0.01), int(540 * 0.05))
font_draw_number = cv2.FONT_HERSHEY_SIMPLEX
output_image_frame = cv2.putText(img = output_image_frame, text = text_draw,org = draw_text_postion,fontFace = font_draw_number,fontScale = 1, color = (255, 255, 255), thickness = 2)# 显示图像
cv2.imshow('img', output_image_frame)
# cv2.imshow('img', blue_image)
cv2.waitKey(0)
cv2.destroyAllWindows()'''
输出：
blue_image_shape:(540, 960, 3)
output_image_frame_shape:(480, 640, 3)
output_image_frame_960_540:(540, 960, 3)
'''