[AI开发]视频多目标跟踪高级版(离自动驾驶又‘近’了一点点)

**本文恐怕不是完全的标题党**

视频多目标跟踪需要解决的关键点是前后两帧之间的Target Association，这是最难的环节（没有之一）。第T帧检测到M个目标，第T+S(S>=1)帧检测到N个目标，怎样将这M*N对目标正确地关联起来，是“跟踪算法”最难的环节。（注意这里提到的是多目标，单目标跟踪很简单）

通常的跟踪方式是根据目标中心点距离、IOU（目标区域的交并比）等这些纯物理指标进行关联，中心点距离越小、IOU越大（区域重合面积越大），则认为是同一个目标。这种方式优点就是简单、匹配速度快，而缺点就是当碰到目标被遮挡、目标过于密集、视频跳帧太大检测等情况时，跟踪就会失败。

高级的跟踪方式（本文主要讲述的方式）不仅会考虑上面提到的目标物理特性，还会计算前后两帧中目标的外观特征（Appearance Feature）相似度。这里的外观特征不是传统的提取图像特征，更不是通过比较两张图的颜色直方图来进行对比分析。而是需要训练单独的模型（区分于目标检测阶段），通过该模型计算每个目标的外观特征值，然后计算特征值之间的“余弦距离”来比较两个目标的相似度。这种方式可以有效地解决**目标被遮挡**、**目标过于密集**、**视频跳帧检测分析**等问题，缺点就是引入了另外一个特征提取模型，速度相对来说要慢一些。对于那些每秒处理帧数要求不高的场合，此种方式尤其有效。下图是通过该方法进行目标跟踪的效果（模型效果一般，目标容易跟丢）：

可以看到，目标消失后再出现时，仍然能够准确跟踪到。目标非常密集，但是也并不影响最终跟踪效果。

多目标跟踪一般流程

在**Tracking By Detecting**的模式下，要想跟踪目标，先要将视频中的目标检测出来，这一步称为“目标检测”，然后根据检测得到的结果，将每帧中的目标关联起来。目标检测算法很多，SSD和YOLO等，网上开源实现版本也有很多。

如上图，经过检测算法处理之后得到的结果只有物理上的特性，帧与帧之间不存在任何关联，只有通过跟踪算法处理之后，才能加入时序的特性。

跟踪算法初级版本

该方式只考虑前后两帧中每个目标的物理特性，中心点位置以及IOU，通过分析这两个特性来关联前后帧中的目标。

如上图所示，实线方框代表目标在前一帧中的实际位置和下一帧中的预测位置，虚线框代表目标在下一帧中的实际位置，通过计算下一帧实际位置与前一帧的预测位置的IOU，来关联目标。IOU越到，代表重合度越高，越高则代表为同一目标，赋予唯一TrackId。关于该部分的详细内容，可以参见上一篇博客。

跟踪算法高级版本

该方式会引入另外一个外观特征提取模型（网上搜Person Re-Id，或参见本文末尾），对于每个检测到的目标，先利用该模型计算它的特征（可以理解为该目标的一种特征编码），然后计算每个目标特征之间的余弦距离。余弦距离越小（注意：这里指1-余弦距离，参见后面关于距离的说明），代表目标越相似，通过它可以作为关联目标的一种指标。

如上图，除了在目标检测环节需要提前训练模型之外，跟踪环节也需要训练相应的模型。因此，该方式不但会增加前期准备工作，还会增加算法运行时间。

该方式的详细执行流程如下：

逻辑相当简单，难的是找到计算Appearance Feature的模型，github上有相应的算法实现：https://github.com/nwojke/cosine_metric_learning，该算法可以训练提取特征的模型。注意，如果训练数据只包含行人，那么训练出来的模型只适合计算行人的Appearance Feature（其他物体也能计算，但是不准确）。

该仓库中给出的示例代码是用来训练行人数据集的，所以对于行人特别有效。目前我正尝试训练车辆的数据集，待结果出来之后再更新此博客。

关于机器学习中的各种距离

欧几里得距离（欧氏距离）

该距离很简单，就是我们从小到大接触到的N维空间中两点的直线距离，对于最常见的2/3维空间两点的距离计算公式为：

Distance = numpy.sqrt((x1-x2)**2 + (y1-y2)**2 + (z1-z2)**2)  (三维空间两点距离)

欧式距离越小，代表两者越接近相同，当距离为零时，代表两者完全相同。

余弦距离

余弦距离表示N维空间中两点与原点连接线段之间夹角的余弦值。余弦距离越大，表示夹角越小，那么两点越相似。如果余弦距离为1（最大值），那么表示两者非常相似。注意这里只能说明两点非常相似，并不一定相同。摘自网上的一幅图：

余弦距离的意义：

当两点夹角为零时，表示两点的各个维度的值所占的比例相同。比如（2，2，2）和（6，6，6），（1，2，3）和（3，6，9）。对应本文中计算Appearance Feature特征值之间的余弦距离，实际意义就是比较特征值（比如128维）中每一个维度值所占的比例是否相等，越接近相等，说明特征值对应的图片越相似。

Person Re-Id/ Vehicle Re-Id也是一个值得研究的方向，通过给定query target，可以在多个视频中搜索该目标，一般可以用于*罪犯抓捕、违法车辆搜索等领域。虽然传统的人脸识别方式已经很成熟了，用人脸识别技术可以在城市监控摄像头中准确定位犯罪分子，但是通常情况下，监控摄像机拍摄到的人脸并不清晰，所以人脸识别准确率不高。而Person Re-Id（或者Vehicle Re-Id或者其他什么ReId）是基于整体轮廓进行特征提取的，它不要求看到犯罪份子详细的脸部图片，只需要全身轮廓图片（同时也忽略衣着、拍摄方位、光线、姿态等因素）就可以定位该目标。

本文没有源代码。有问题可以留言。