運行車輛追蹤處理流水線

• 1 說明
• 2 實驗目的
• 3 任務內容
• 4 實驗原理
• 5 操作步驟
• 6 實際操作

1 說明

本實驗所有代碼均在ubuntu 18.04 + OpenVINO 2020R3.LTS installed 環境下驗證通過，若需要代碼移植，請務必檢查環境配置是否與本實驗環境相同。

2 實驗目的

1、認識使用DL-Streamer追蹤圖像的方法。
2、掌握運行車輛追蹤處理流水線的方法。

3 任務內容

1、學習使用DL-Streamer追蹤圖像的方法。
2、運行車輛追蹤處理流水線。

4 實驗原理

構建流水線系統非常容易，即使是對于在跟蹤應用中需要跨幀算法的實施也非常簡單，跟蹤是一項非常重要的功能。下圖中，如果這是一個橙子，并且整個圖像向左側移動，那么這可能是相同的一個橙子，通過比較圖片，可以知道，幾幀后這可能就是相同的橙子。

如果同一對象在屏幕上移動，可以對其進行跟蹤，這意味著可以判斷是同一對象在移動，沒必要重新檢測它，這將節省大量計算能力。既然人類一直都在這樣做，那么為什么不使用計算機去做呢？下面使用DL-Streamer來事半功倍的完成這個任務。

5 操作步驟

步驟1
登錄實驗平臺，進入實驗環境并打開命令行執行終端。

步驟2
執行命令su，輸入root用戶密碼root@openlab，切換到root目錄。

步驟3
執行命令cd ~/51openlab/07/exercise-2/，進入exercise-2目錄。

步驟4
執行如下命令，輸出實驗目錄，確保將MODEL-PATH設置到模型目錄中。

# export lab_dir=~/51openlab/07/exercise-2/ # export MODELS_PATH=~/51openlab/07/exercise-2/models/

步驟5
執行如下命令，初始化OpenVINO環境。

# source /opt/intel/openvino/bin/setupvars.sh

步驟6
執行ll命令查看當前目錄下的文件。

步驟7
執行命令cd models進入模型目錄。

可以看到模型目錄中有3個模型，1個模型用于車輛和人員檢測，2個用于人員和車輛的屬性分類。

步驟8
執行命令cd …/model_proc查看每個模型對應的JSON文件。

步驟9
執行命令如下命令播放即將進行檢測的視頻。

# cd .. # gst-play-1.0 road.mp4

輸入視頻顯示了擁擠的街道。

步驟10
執行命令vi vehicle_pedestrian_tracking.sh-file查看代碼。

可以看到這里有3個模型，1個用于檢測，2個用于識別。

第67行可以看到Gstreamer流水線。“source element”是視頻文件，將其解碼，將視頻轉換為正確的大小和格式。第69-74行是第一次檢測，可以看到所有參數、模型、檢測間隔、設備等。在第75行可以看到跟蹤，這個流水線階段將跟蹤前一階段檢測到的所有對象。第77和82行是另外兩個模型，人員分類模型和車輛分類模型，然后使用GVAWaterMark將所有結果渲染到視頻中，并輸出視頻文件。

步驟11
執行如下命令運行車輛追蹤示例代碼，并查看輸出的視頻文件。

# bash vehicle_pedestrian_tracking-file.sh # ll

可以看到output.mp4是輸出文件。

步驟12
執行命令gst-play-1.0 output.mp4檢查實驗結果視頻。

可以看到視頻中的所有對象，檢測和跟蹤到的主要是車輛，每個對象都有一個唯一的ID，在其旁邊可以看到對象的所有屬性。

步驟13
執行命令vi vehicle_pedestrian_tracking-file.sh編輯代碼，根據需要對該文件進行更改，以構建自己的流水線，還可以添加自己的模型，或實施其他操作。例如，在這里將刪除車輛屬性分類。

步驟14
執行命令bash vehicle_pedestrian_tracking.sh-file重新運行車輛追蹤示例腳本。

步驟15
執行命令gst-play-1.0 output.mp4檢查實驗結果視頻。

可以看到汽車現在沒有分類屬性。

在第三個練習中我們將使用DL-Streamer來測量一個實際的通道性能。

6 實際操作

總結

以上是生活随笔為你收集整理的25 OPENVINO intermediate course 17 运行车辆追踪处理流水线的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。