\u200E
超强实时跟踪系统首次开源!支持跨镜头、多类别、小目标跟踪!
发布日期:2021-11-25T11:58:00.000+0000 浏览量:20次
在琳琅满目的视觉应用中,对车辆、行人、飞行器等快速移动的物体进行实时跟踪及分析,可以说是突破安防、自动驾驶、智慧城市等炙手可热行业的利器。

但要实现又快又准的持续跟踪,往往面临被检目标多、相互遮挡、图像扭曲变形、背景杂乱、视角差异大、目标小且运动速度快等产业难题。

视频引用公开数据集[1][2][3][4]


那如何快速获得这个能力呢?今天给大家介绍的不仅仅是单独的智能视觉算法,而是一整套多功能多场景的跟踪系统—PP-Tracking。

它融合了目标检测、行人重识别、轨迹融合等核心能力,并针对性地优化和解决上述实际业务的痛点难点,提供行人车辆跟踪、跨镜头跟踪、多类别跟踪、小目标跟踪及流量计数等能力与产业应用,还支持可视化界面开发,让你快速上手、迅速落地。


⭐ 项目链接

https://github.com/PaddlePaddle/paddledetection

想了解这套超强目标跟踪系统的详细结构、优势亮点及使用方法?且让小编来带大家来快速领略下。

PP-Tracking内置DeepSORT[6]、JDE[7]与FairMOT[8]三种主流高精度多目标跟踪模型,并针对产业痛点、结合实际落地场景进行一系列拓展和优化,覆盖多类别跟踪、跨镜跟踪、流量统计等功能与应用,可谓是精度、性能、功能丰富样样俱全。




单镜头跟踪

单镜头下的单类别目标跟踪是指在单个镜头下,对于同一种类别的多个目标进行连续跟踪,是跟踪任务的基础。针对该任务,PP-Tracking基于端到端的One Shot高精模型FairMOT[8],替换为 更轻量的骨干网络HRNetV2-W18 ,采用多种 Tricks ,如Sync_BN与EMA, 保持性能的同时大幅提高了精度, 并且 扩大训练数据集 减小输入尺寸, 最终实现服务端轻量化模型在权威数据集MOT17上精度达到 MOTA 65.3 在NVIDIA Jetson NX上 速度达到23.3FPS ,GPU上速度可达到 60FPS !同时,针对对精度要求较高的场景,PP-Tracking还提供了精度高达 MOTA75.3 的高精版跟踪模型。

视频引用公开数据集[3]



多类别跟踪

PP-Tracking不仅高性能地实现了单镜头下的单类别目标跟踪,更针对多种不同类别的目标跟踪场景, 增强了特征匹配模块以适配不同类别 的跟踪任务,实现跟踪类别覆盖 人、自行车、小轿车、卡车、公交、三轮车 等上十种目标,精准实现多种不同种类物体的同时跟踪。

视频引用公开数据集[2]




跨镜头跟踪

安防场景常常会涉及在多个镜头下对于目标物体的持续跟踪。当目标从一个镜头切换到另一个镜头,往往会出现目标跟丢的情况,这时,一个效果好速度快的跨镜头跟踪算法就必不可少了!PP-Tracking中提供的跨镜头跟踪能力基于DeepSORT [6] 算法,采用了百度自研的轻量级模型PP-PicoDet和PP-LCNet分别作为检测模型和ReID模型,配合轨迹融合算法,保持高性能的同时也兼顾了高准确度,实现在 多个镜头下紧跟目标 无论镜头如何切换、场景如何变换,也能准确跟踪目标 的效果。

视频引用公开数据集[2]



流量监测

与此同时,针对智慧城市中的高频场景— 人/车流量监测 ,PP-Tracking也提供了完整的解决方案,应用服务器端轻量级版FairMOT [8] 模型预测得到目标轨迹与ID信息,实现 动态人流/车流的实时去重计数, 并支持 自定义流量统计时间间隔

为了满足不同业务场景下的需求,如商场进出口人流监测、高速路口车流量监测等,PP-Tracking更是提供了出入口两侧流量统计方式。

视频引用公开数据集[2]


复杂场景覆盖全





行人、车辆跟踪

智慧交通中,行人和车辆的场景尤为广泛,因此PP-Tracking针对行人和车辆,提供对应的预训练模型,大幅降低开发成本,节省训练时间和数据成本,实现业务场景直接推理算法即应用的效果!不仅如此,PP-Tracking支持 显示目标轨迹 ,更直观地辅助实现高效的路径规划分析。

视频引用公开数据集 [2]



人头跟踪

不仅如此,除了在日常跟踪任务中拥有 极强的通用性 ,针对实际业务中常常出现 目标遮挡严重 等问题,PP-Tracking也进行了一系列优化,提供了基于FairMOT [8] 训练的 人头跟踪模型 ,并在 Head Tracking 2021数据集榜单位居榜首 ,助力PP-Tracking灵活适配各类行人场景。

视频引用公开数据集[5]




小目标跟踪

针对 小目标出现在大尺幅图像 中的产业常见难题场景,PP-Tracking进行了一系列的优化,提供专门针对小目标跟踪的预训练模型,实现在特殊场景,如无人机等航拍场景下,也能达到较为精准的效果。

视频引用公开数据集[2]



两种使用模式

训练推理灵活掌握



为了满足不同的开发需求,PP-Tracking支持两种使用方式,无论是想通过代码调用/训练模型,进行快速推理部署,还是想要零代码直接上手使用功能,PP-Tracking通通满足你!



API代码调用

API简洁易用,支持模型调用、训练与推理部署,最大程度降低开发成本的前提下,灵活适配各类场景与任务。




可视化开发界面

囊括所有功能与应用,无需任何开发,即可实现全部任务功能,便于集成于各类硬件。


更贴心的是,PP-Tracking支持Python、C++两种部署语言,同时提供使用飞桨原生推理库Paddle Inference和飞桨服务化推理框架Paddle Serving的保姆级部署教程,真正意义上打通从训练、推理到部署的全流程


产业场景快速融合



这么厉害的实时跟踪系统在实际落地中的表现如何呢?接下来,让我们看看PP-Tracking的实际业务落地效果吧。


以人流量计数为例,在上海音智达公司的实际业务中,使用PP-Tracking中的服务端轻量化版FairMOT[8],结合人流量计数功能,快速实现商圈出入口的实时人流量去重计数。

视频引用公开数据集[3]

被应用于自动驾驶、安防、交通、城市等多种领域的目标跟踪你学会了么?想要深入了解案例细节?掌握跟踪的应用?快报名直播课程吧!


深入直播讲解



为了让开发者们更深入的了解PP-Tracking这套多功能的跟踪系统,解决产业应用难点以及掌握产业实践的核心能力,飞桨团队精心准备了为期四天的直播课程!


11月23日~26日百度资深高工将为我们从通用目标检测的基础理论与实践,到超轻人体关键点模型的理论及应用,最后再到实时跟踪系统的全方位解析,对各类痛难点解决方案进行手把手拆解,更甚的是,直播现场为大家答疑解惑,还在等什么!抓紧扫码上车吧!

扫码报名直播课,加入技术交流群

 
图片数据引用说明
[1] Yu F, Chen H, Wang X, et al. Bdd100k: A diverse driving dataset for heterogeneous multitask learning[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020: 2636-2645.
[2] Zhu P, Wen L, Du D, et al. Vision meets drones: Past, present and future[J]. arXiv preprint arXiv:2001.06303, 2020.
[3] Milan A, Leal-Taixé L, Reid I, et al. MOT16: A benchmark for multi-object tracking[J]. arXiv preprint arXiv:1603.00831, 2016.
[4] Bai H, Cheng W, Chu P, et al. GMOT-40: A Benchmark for Generic Multiple Object Tracking[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 6719-6728.
[5] Sundararaman R, De Almeida Braga C, Marchand E, et al. Tracking Pedestrian Heads in Dense Crowd[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 3865-3875.
 
模型引用说明
[6] DeepSORT: Veeramani B, Raymond J W, Chanda P. DeepSort: deep convolutional networks for sorting haploid maize seeds[J]. BMC bioinformatics, 2018, 19(9): 1-9.
[7] JDE: Wang Z, Zheng L, Liu Y, et al. Towards real-time multi-object tracking[C]//Computer Vision–ECCV 2020: 16th European Conference, Glasgow, UK, August 23–28, 2020, Proceedings, Part XI 16. Springer International Publishing, 2020: 107-122.
[8] FairMOT: Zhang Y, Wang C, Wang X, et al. Fairmot: On the fairness of detection and re-identification in multiple object tracking[J]. International Journal of Computer Vision, 2021: 1-19.
 
关注公众号,获取更多技术内容~