Kaiyun中国：7个最流行的开源目标跟踪算法
了解视频中物体的位置有许多实际应用，尤其是在制造业和物流业。例如，物体跟踪可用于监控装配线、跟踪仓库中的库存，并帮助优化供应链管理。
在本文中，我们将探讨对象跟踪多年来的发展、工作原理以及前七种开源对象跟踪算法。
最初，在 20 世纪 80 年代末和 90 年代初，对象跟踪主要依赖于背景减Kaiyun官方入口法和帧差分技术等方法。这些方法具有开创性，但难以处理动态背景或光照条件的变化。
技术随着时间而发展，在 20 世纪 90 年代中后期，出现了基于特征的跟踪算法等新方法。很快，更复杂的跟踪解决方案问世，这些解决方案专注于物体的边缘和角落等特定特征。
20 世纪 90 年代，卡尔曼滤波和光流等机器学习技术的引入为高级跟踪铺平了道路。然而，线 年代，随着卷积神经网络(CNN) 和循环神经网络 (RNN) 等深度学习技术的发展。这些 AI 方法使复杂的物体跟踪具有更高的准确性、稳健性和适应性。如今的系统可以同时跟踪多个物体，即使在具有挑战Kaiyun全站网页性的条件下，也可以学习和适应新物体或环境。
对象跟踪的基本概念是使用算法检测视频中的对象并预测其在帧序列中的未来位置。它结合了对象检测和跟踪算法。对象检测使用参考帧中的边界框识别对象，而对象跟踪则预测其运动并在整个视频中跟踪它。一旦检测到对象，跟踪算法就可以从多个摄像机角度跟踪其在视频中随时间的运动，甚至可以同时跟踪多个对象。
特征提取：识别物体的独特特征，例如颜色、形状和纹理，以将其与背景和其他物体区分开来。
数据关联：为每个对象分配一个唯一的 ID，并确保它在各个帧之间保持一致，即使在部分遮挡或背景混乱的情况下也是如此。
重新识别：当物体超出画面范围或暂时被遮挡（例如另一个物体从其前面经过）时，重新识别方法可帮助软件在物体再次出现时检测并重新确定其身份。为此，通常使用基于深度学习的方法（如外观匹配）。
ByteTrack是一种用于多对象跟踪的计算机视觉算法。它为视频中的对象分配唯一的 ID 以跟踪每个对象。大多数跟踪方法仅使用得分高的检测框，而忽略得分较低的检测框，从而遗漏一些对象并导致轨迹碎片化。ByteTrack 通过在匹配过程中使用所有检测框（从高到低）来改善这种情况。
它根据运动相似性将高分检测框与现有轨迹匹配。轨迹是跟踪对象轨迹的短片段，用于保持随时间推移的连续跟踪。通过将高分检测框与轨迹匹配，ByteTrack 即使在部分被遮挡或快速移动时也能正确识别和跟踪对象。对于低分检测，ByteTrack 会根据对象与现有轨迹的相似性从背景中识别出对象。
由于 ByteTrack 可用于跟踪视频中的多个对象，因此它可以应用于波士顿动力公司的机器人在仓库中堆放箱子等场景。这些机器人使用机器视觉来精确地抬起、移动和放置箱子。ByteTrack 可以通过精确跟踪每个箱子的位置和移动来提高其效率。
Tryolabs 的Norfair是一个轻量级且可自定义的对象跟踪库，可与大多数检测器配合使用。用户定义用于计算跟踪对象与新检测之间的距离的函数，该函数可以像欧几里得距离的一行代码一样简单，也可以使用嵌入或 Person ReID 模型等外部数据更复杂。
它还可以轻松集成到复杂的视频处理管道中，或用于从头开始构建视频推理循环。这使得 Norfair 适用于工厂工人监控、监控、体育分析和交通监控等应用。
Norfair 提供了几个预定义的距离函数，用户可以创建自己的函数来实现不同的跟踪策略。它支持各种视频分析应用程序并支持 Python 3.8+，Python 3.7 的最新版本是 Norfair 2.2.0。
MMTracking是一个免费的开源工具箱，旨在分析视频。它使用PyTorch构建，是名为 OpenMMLab 的大型项目的一部分。MMTracking 的独特之处在于它将多个视频分析任务整合到一个平台中。这些任务包括对象检测、对象跟踪，甚至视频实例分割。凭借其Kaiyun官方入口模块化设计，您可以轻松交换这些工具以创建满足您特定需求的自定义方法。
它还可以与其他 OpenMMLab 项目（尤其是MMDetection）很好地配合使用。这意味着您只需更改一些设置即可将 MMDetection 中可用的任何对象检测器与 MMTracking 一起使用。最重要的是，MMTracking 包含预构建的模型，这些模型的准确率非常高，有些甚至比原始版本更好。
MMTracking 非常适合需要高精度和高速度的应用，例如制造业中的自动检测和自动驾驶。其模块化设计允许轻松定制，使其成为各种视频分析任务的强大工具。
DeepSORT（深度简单在线实时跟踪）是 SORT 算法的改进版本。它使用深度学习特征提取器来识别各种物体，非常适合同时跟踪多个物体。DeepSORT 使用卡尔曼滤波器来预测物体运动。它非常擅长处理物体之间的遮挡和相互作用，非常适合监控和人群监控应用。
FairMOT是一种基于无锚点物体检测架构 CenterNet 的跟踪方法。与其他将检测视为主要任务、将重新识别 (re-ID) 视为次要任务的框架不同，FairMOT 将这两项任务同等对待。它具有简单的网络结构，包含两个相似的分支：一个用于检测物体，另一个用于提取重新识别特征。
FairMOT 使用ResNet-34作为主干，以实现准确度和速度的良好平衡。它使用深度层聚合 (DLA) 增强了此主干，以组合来自多个层的信息。上采样模块中的可变形卷积可动态调整以适应不同的对象尺度和姿势，这有助于解决对齐问题。基于 CenterNet 的检测分支具有三个并行头，用于估计热图、对象中心偏移和边界框大小。re-ID 分支生成特征以识别对象。
FairMOT 适用于需要平衡精度和速度的场景，例如制造车间的实时质量检测、安全监控和自动驾驶汽车导航。它能够处理遮挡和动态物体尺度，因此是这些应用的理想选择。
BoT-SORT（SORT 的技巧包）是一种跟踪多个物体的方法，它改进了 SORT（简单在线实时跟踪）等传统方法。特拉维夫大学的研究人员开发了 BoT-SORT，以便能够更准确、更可靠地跟踪物体。它结合了运动和外观信息来区分不同的物体并随着时间的推移保持它们的身份。
BoT-SORT 还包含一项称为“相机运动补偿 (CMC)”的功能，该功能考虑了相机的运动，因此即使相机不静止，物体跟踪也能保持准确。此外，BoT-SORT 使用更先进的卡尔曼滤波器，可以更精确地预测被跟踪物体的位置和大小。这些改进有助于 BoT-SORT 表现出色，即使在具有大量运动或拥挤场景的具有挑战性的情况下也是如此。它在标准数据集上的 MOTA（多物体跟踪准确度）、IDF1（身份 F1 分数）和 HOTA（高阶跟踪准确度）等关键性能指标中排名第一。
BoT-SORT 具有高精度和高稳定性的跟踪能力，是工业应用的理想选择。在大型仓库等环境中，光照条件可能会发生变化，其他物品经常会遮挡物体，但 BoT-SORT 仍能表现出色。它可用于跟踪包裹和托盘，以改善库存管理并降低物品丢失的风险。它能够监控货物从收货到发货的整个过程，有助于简化运营并提高供应链的可视性。精确的跟踪支持物流运营，实时更新每件物品的位置和状态。
StrongSORT旨在改进经典的 DeepSORT 算法。它是为了解决多对象跟踪中的常见问题而开发的，例如检测准确性和对象关联。StrongSORT 使用强大的对象检测器、复杂的特征嵌入模型和多种技巧来提高跟踪性能。它还引入了两种新算法：AFLink（无外观链接）和 GSI（高斯平滑插值），它们有助于更准确地跟踪对象，而无需过度依赖外观特征。
AFLink 和 GSI 都是轻量级的，易于集成到各种跟踪系统中。AFLink 仅使用时空信息即可帮助将轨迹链接在一起，使其既快速又准确。GSI 通过考虑运动信息来改进处理缺失检测的方式。这些改进使 StrongSORT 在多个公共基准测试中取得了最佳成绩，包括 MOT17、MOT20、DanceTrack 和 KITTI。
StrongSORT 的准确性和稳健性使其可用于需要非常仔细地跟踪物体的应用中。例如，假设有一个摄像头可以鸟瞰一个建筑工地，那里有许多重型车辆在不断移动。StrongSORT 可以实时监控这些车辆，帮助防止事故发生，并确保高效运营。它能够处理遮挡和多变的光照条件，即使在建筑工地动态且通常混乱的环境中也能可靠运行。
虽然对象跟踪技术已经取得了长足的进步，但仍然存在一些因素，导致难以获得一致的结果。使用这些对象跟踪工具时需要牢记的一些挑战和限制是：
遮挡：遮挡是指一个物体遮挡另一个物体，例如两个人擦肩而过，或者一辆车在桥下行驶。系统很难跟踪部分被遮挡的物体。
光照变化：光照变化会改变物体的外观，使检测和跟踪变得复杂。计算机视觉系统通常难以应对这些变化。
多摄像头跟踪：跨多个摄像头跟踪物体涉及一个称为 ReID 的过程，该过程涉及一组不同的算法。
可扩展性：针对许多摄像机或分散部署的扩展解决方案可能很复杂且昂贵，通常需要额外的基础设施或定制开发。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
张雪机车销售称夺冠后两三天内订单大涨，已排至6月 车主：不只为情怀买单，也看重其性价比
美国打伊朗，欲让阿拉伯国家掏光家底埋单？特朗普：继续打给5万亿美元，停战打5折？
国足0-2仅1夜 3国脚基本退出 主力11人框架已定 下次集训时间敲定
沿沪宁好去处丨上海西站出发，逛花海、品早茶、看球赛！泰州发布三大春季主题线路