Press "Enter" to skip to content

人群距离监测 DeepSOCIAL 最全汉化论文+源码导读

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

By 超神经

 

内容一览:在疫情期间,公共场所中尽量避免人群聚集,可以有效控制疫情扩散。英国利兹大学的研究团队开源了 DeepSOCIAL 人群距离监测项目,通过 YOLOv4+SORT 的方式快速实现了这一应用。

 

关键词:DeepSOCIAL 疫情应用 目标检测

 

由英国利兹大学交通研究院的研究员 Mahdi Rezaei 开源的 DeepSOCIAL 人群距离监测项目,成了最近的网红应用。

 

DeepSOCIAL 是通过 YOLOv4 实现行人检测,再用 SORT 实现目标跟踪,并通过单目视觉IPM 逆透视映射实现距离估计,最终评估人群距离监测和风险评估。

 

 

DeepSOCIAL
实现效果展示

 

之所以 DeepSOCIAL 能成为网红教程,不仅仅因为该项目在当前疫情中的实用性强,也因为该项目效果极佳,平均精度达到 99.8 %,实时速度为 24.1 fps,可用于自主车辆、人体行为识别、异常检测、体育运动、人群分析等领域。

 

 

目标检测阶段的整体模型结构

 

线上源码教程访问https://openbayes.com/console/open-tutorials/containers/Qgf0mAml82l

 

行人检测:YOLO v4

 

在 DeepSOCIAL 项目中选用了 YOLOv4 来实现行人目标检测,在论文中作者对比了几种目标检测方法:RCNN、fast RCNN、faster RCNN、SSD、YOLO
在数据集PASCAL Visual Object Classes(VOC)和MS COCO
中进行了测试。

 

用目标检测中用于衡量识别精度与速度的:mAP 全类平均正确率(mean Average Precision)和 FPS 帧率(Frame Per Second)
进行评估。

 

最终选定了 YOLOv4 作为目标检测方法。

 

 

主流目标检测方法 mAP 测试结果

 

 

主流目标检测方法 FPS 测试结果

 

行人跟踪:SORT

 

在DeepSOCIAL 的行人目标跟踪方面,选用了Simple Online and Real-time(SORT) 算法。

 

 

人员检测、ID分配、跟踪和移动轨迹展示效果

 

其中主要使用了卡尔曼滤波(Kalman Filter)结合匈牙利算法(Hungarian algorithm)解决动作预测和数据关联的问题。

 

行人距离估计:IPM 逆透视映射

 

DeepSOCIAL
项目中使用单目视觉,但是使用单个摄像机,将三维世界场景投影到二维透视图像平面,容易导致物体之间的像素距离失真。

 

 

通过应用 IPM
二维像素点(u,v)将被映射到

 

相应的三维世界场景坐标点(Xw,Yw,Zw)

 

在三维空间中,每个框的中心或参考点与三个参数 (x,y,z)相关联,而在从相机接收到的图像中,原来的三维空间被缩减为二维(x,y),深度参数(z)不可用。

 

为了应用校准的 IPM(逆透视映射)过渡,首先需要通过设置深度参数 z = 0 来消除透视效果,进行摄像机校准,同时还需要知道相机的位置,高度,视野等。

 

项目运行代码

 

1.引入依赖

 

from IPython.display import display, Javascript, Image

from base64 import b64decode, b64encode

import os

import cv2

import numpy as np

import PIL

import io

import html

import time

import matplotlib.pyplot as plt

%matplotlib inline

 

2.编译 YOLOv4

 

%cd darknet

!sed -i ‘s/OPENCV=0/OPENCV=1/’ Makefile

!sed -i ‘s/GPU=0/GPU=1/’ Makefile

!sed -i ‘s/CUDNN=0/CUDNN=1/’ Makefile

!sed -i ‘s/CUDNN_HALF=0/CUDNN_HALF=1/’ Makefile

!sed -i ‘s/LIBSO=0/LIBSO=1/’ Makefile

 

3.使用 Darknet 的 Python 接口

 

# 导入 Darknet 函数来执行对象检测

from darknet2 import *

 

# 载入 YOLOv4 架构

network, class_names, class_colors = load_network(“cfg/yolov4.cfg”, “cfg/coco.data”, “/openbayes/input/input0/DeepSocial.weights”)

width = network_width(network)

height = network_height(network)

 

# 在图像上运行 Darknet helper 函数

def darknet_helper(img, width, height):

darknet_image = make_image(width, height, 3)

img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

img_resized = cv2.resize(img_rgb, (width, height),

interpolation=cv2.INTER_LINEAR)

 

# 获取图像比例,将边界框转换为适当的尺寸

img_height, img_width, _ = img.shape

width_ratio = img_width/width

height_ratio = img_height/height

 

# 运行 Darknet 模型

copy_image_from_bytes(darknet_image, img_resized.tobytes())

detections = detect_image(network, class_names, darknet_image)

free_image(darknet_image)

return detections, width_ratio, height_ratio

 

4.使用 SORT 实现实时跟踪目标

 

!pip install filterpy

from sort import *

mot_tracker = Sort(max_age=25, min_hits=4, iou_threshold=0.3)

 

5.输入设置

 

Input = “/openbayes/input/input1/OxfordTownCentreDataset.avi”

ReductionFactor = 2

calibration = [[180,162],[618,0],[552,540],[682,464]]

 

6.
DeepSocial 参数设置和函数引入

 

&

 

7.推理过程

 

&

 

8.展示结果

 

6&7&8 三部分完整运行代码过长,请移步至

 

https://openbayes.com/console/open-tutorials/containers/Qgf0mAml82l

 

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注