? ? ? ? 最近在做的項目是一個關于進出門人數統計的項目，這里做一個簡短的經驗總結。

? ? ? ? 一接到這個項目的時候有點懵哈，這是不是得搞個三維的跟蹤，那會不會滿足不了實時性，而且這個進出門的判定條件怎么選取呢。

??

? ? ? ? 后來師兄給我轉發了一個視頻，簡直一語點醒夢中人。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

? ? ? ? ?視頻的大概意思就是通過跟蹤車輛，當這個車的中心跨過黃線時，就實現對他的計數，視頻截圖如下。感謝師兄，感謝師兄，感謝師兄！

? ? ? ? ? ? ??

? ? ? ? 說干就干！那就先確定跟蹤算法吧，查了一下，跟蹤算法大概分為兩階段（檢測與跟蹤分離）（代表算法有deepsort+yolov5）與單階段（檢測與跟蹤算法同時進行）（我研究的是FairMOT）。(deepsort+yolov5算法借用這個開源的代碼https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch，FairMOT算法借用這個https://github.com/ifzhang/FairMOT)。

? ? ? ?在效果對比上，兩種算法各有千秋，FairMOT算法使用anchor-free方法作為檢測器，使得其追蹤性能有很大的提升，相比與其他單步法多目標跟蹤算法，ID切換的次數也減少了很多，同時FairMOT在算法速度上完全可以滿足實時性要求，使得其完全可以運用在工程實際中，但是由于FairMOT算法沒有獨立的檢測器，使得其在某些狀態下漏檢目標。DeepSort算法以卡爾曼濾波算法與匈牙利算法為核心，并使用馬氏距離來進行度量，使用CNN網絡在大規模行人數據集進行訓練，并提取特征，具有良好的魯棒性。經過實驗對比發現，還是deepsort效果更好一些，而且跟蹤與檢測算法分離更加有利于后面對于進出計數統計的要求。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

? ? ? ?接下來，就是實現進出門統計的具體步驟了，其實思想還是挺簡單的，就是當跟蹤框的中心到達預設的門線上時，那就實現計數啦。具體來說自己算法步驟主要如下：

? ? ? ? 1）預設跟蹤線的范圍，計算跟蹤框的中心坐標；

? ? ? ? 2）判斷中心坐標是否在跟蹤線上（實踐過程中，發現不能僅靠判斷中心點坐標是否在跟蹤線上來判斷，因為在計算中心點坐標時，可能是小數而漏過在跟蹤線上的情況，我的做法是判斷）；

? ? ? ? 光靠上一個中心坐標判斷當然不夠啦，還需要判斷其狀態是“進”還是“出”，看著是不是挺簡單的，emmm，我一開始也這么認為呀，后來才發現自己太年輕了，因為在實際操作中有很多復雜的情況，就比如跟蹤框沒那么穩定，所以很多時候當處于進入狀態時，會有很多次同時滿足了中心坐標條件與進入條件，導致了重復計數，這里我介紹一下我的處理供大家參考。

? ? ? ? 3）首先俺創建了兩個字典，一個字典記錄跟蹤編號（key）與上一時刻的中心坐標值（value），命名為track_dict，另一個字典記錄跟蹤編號（key）與對應的進出（“in” or "out"）狀態（value），命名為track_state。那么判斷是否進入就變為了track_state[trackID]!="in"并且abs(track_dict[trackID]-door_y)!=1?，當然還不能忘記要判斷當前時刻中心坐標的y值＞上一時刻中心坐標的y值（這里大于和小于要根據實際情況而定）。那對于判斷出去跟判斷進入的方法就類似啦。

? ? ? ? 當然，這個判定方法還是有改進空間的，就比如track_dict所保存的value值可以是一個隊列，去保存連續五幀的中心坐標值，來使得進出判定更為可靠。大概就是這樣啦。

? ? ? ? 大致運行效果如下，感謝師姐們和老哥的入鏡，大家就看看效果就好了。

總結

以上是生活随笔為你收集整理的项目总结——进出门人数统计的全部內容，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。