多目標跟蹤 | AI產品經理需要了解的CV通識（三）
https://blog.csdn.net/pA2elX78qaJTADH/article/details/79042736
多目標跟蹤（MOT, Multiple Object Tracking）
多目標跟蹤是CV領域一個熱門方向，廣泛應用於機器人導航、智能監控視頻、工業檢測、航空航天等領域。主要任務是找到圖像序列中運動的物體，並將不同幀的運動物體一一對應，最後給出不同物體的運動軌跡。
1
術語瞭解
1、檢測：定位目標在圖像中的位置。檢測方法很多，例如幀間差分法、背景減除法、光流法等等；另外，檢測常與識別結合。
2、跟蹤：在連續圖像序列中完成對目標的檢測，並把物理意義下同一目標相關聯。
3、軌跡（Trajectory）：一條軌跡對於這一目標在一段時間內的位置序列；是多目標跟蹤系統的輸出量。
4、數據關聯：用於解決目標間的匹配問題；是多目標跟蹤的核心問題。
5、跟蹤置信度：跟蹤算法反應每一次跟蹤的可靠程度。
2
技術流程詳解
1、圖像採集
多目標跟蹤對於圖像採集要求評估的因素與人臉識別差別不大。詳見上一篇文章《人臉識別 | AI產品經理需要了解的CV通識（二）》。
2、圖像預處理
典型的圖像預處理方法是直方圖均衡和濾波。
1）直方圖均衡
直方圖描述了一副圖像的灰度級內容，而直方圖均衡化的主要目的，是爲了提高對比度和灰度色調的變化，使圖像更加清晰。
2）濾波
圖像濾波的主要目的是，在保持圖像特徵的情況下進行噪聲消除，具體可以分爲線性濾波和非線性濾波。非線性濾波相比線性濾波來說，更能保護圖像細節。
3、基於深度學習的多目標檢測識別
目標檢測的實質是多目標的定位，即要在圖片中定位多個目標物體。
例如下圖，既要定位各個目標，還需要將不同目標用不同顏色的框表示。
（By 深思考人工智能）
1）基於深度學習的目標檢測算法：YOLO、YOLOv2、YOLO9000
YOLO（You Only Look Once）是基於深度學習方法的端到端實時目標檢測系統。YOLO的升級版有兩種：YOLOv2和YOLO9000。YOLO9000可以識別超過9000類別。
YOLO對圖片的處理步驟主要分爲三個部分：
a.將圖片縮放到448*448大小
b.運行卷積網絡
c.設置模型置信度閾值，輸出結果
（By 代碼學習者coding）
2）基於深度學習的目標檢測算法：SSD
SSD（Single Shot MultiBOX Detector），截止目前是主要的檢測框架之一，相比Fast-RNN速度更快；相比YOLO有明顯的mAP優勢（mAP：平均正確率），但不及YOLO9000。
SSD缺點：
a.調試過程非常依賴經驗
b.檢測小目標的召回率值不是很高
3）YOLO和SSD效果比較
（By 代碼學習者coding）
從圖上可以看出，YOLO漏檢率較高，SSD相對來說表現較好。
4）目標檢測識別相關指標
a.精確率：計算方式詳見《人臉識別 | AI產品經理需要了解的CV通識（二）》
b.召回率：同上。
c.識別精度：目標檢測中衡量檢測出精度的指標是平均正確率均值mAP(mean average precision）
首先我們瞭解一下AP（平均正確率）
平均正確率：precision/recall曲線下方圍成的曲面面積，如下圖：
其中橫座標是recall，縱座標是precision。AP是這個曲線下的面積，而mAP就是多個類別AP的平均值，這個值介於0到1之間，且越大越好。
d.檢測響應：檢測過程的輸出量。
e.識別效率：識別的速度。相對應選擇效率極大化的迭代算法。
f.交併比（IoU）：可以理解爲系統預測出來的框與原來圖中標記框的重合程度，最理想的情況是完全重疊，即比值爲1。
計算公式：
4、多目標跟蹤
下圖中的曲線是該目標的跟蹤路徑，圖中線條即代表各個目標的軌跡。
目前跟蹤的困難點：
a.遮擋、目標消失後再出現，會有丟失目標的現象；
b.相似目標容易被當成同一目標；
由於以上原因，在實際場景裏多目標跟蹤可能會發生人員重複檢測、漏檢、同一目標多條軌跡等情況。如果需求對人員統計非常嚴格，可以考慮由其他方案完成。多目標跟蹤應用於一個區域（一個攝像頭畫面內），計算該區域內的目標數以及目標跟蹤這樣的場景會更好。
3
多目標跟蹤的應用場景
目標識別常用來確定某畫面或視頻中包含什麼物體、各個物體在什麼位置、各個物體的軌跡。因此常用於監控，人機交互和虛擬現實的場景。
1）人員檢測：計算畫面中行人的數目，並確定其位置。
應用場景：
a.可用於計算區域人員密度過高告警。
產品功能考慮：在監控畫面對區域進行劃分，並對人員密度（梳理）進行設置。閾值的設置可以考慮和時間結合，在某一段時間內超過某閾值即可告警。
利用本算法進行人員計算的缺點是如果發生目標丟失，會將同一人的兩個狀態識別爲兩個人，使得真實數目與檢測數目誤差大。
b.可用於範圍監測告警（越界監測）：例如闖紅燈、翻牆等事件。
產品功能考慮：在監控地圖裏設置關注區域，當關注區域一旦出現人/車/其他物體，則可立即實現告警。特別適合對入侵行爲需要重點防範的場合，比如展館、監獄、禁區等地。
c.異常行爲檢測：目標突然發生劇烈變化，如打架鬥毆等行爲。
產品功能考慮：對目標設定異常行爲檢測，當出現異常行爲時即可告警。異常行爲檢測適合在對異常行爲有需要重點防範的場合，比如學校、公共區域等地方。
2）車輛識別：計算畫面中車輛的數目，並確定其位置。
還可以和車型識別、車顏色識別、車輛逆流檢測等結合。實現對車輛特點的全識別。
應用場景：
a.可用於交通疏散，針對有可能發生擁堵的區域提前進行部署。
b.可用於追蹤黑名單車輛：車輛檢測可識別車輛類型、車輛顏色等等，這些信息均可用來定位目標。
c.防車輛套牌方案：車輛識別和車牌識別結合，防止車輛套牌案件發生
3）應用於智能駕駛方案：目標識別和場景分割、SLAM結合，可識別出道路路況，提供智能駕駛所需要的路邊物體信息。
4
多目標跟蹤的應用場景
多目標跟蹤監控類的產品現在已經有不少，拿商湯的軟件產品作爲典型例子：
1、產品功能分析
產品的功能主要有以下內容：攝像頭個數、行人人次、非機動車車次、機動車車次、告警次數、監控畫面、目標抓拍。
我們從大的劃分來看，主要是四塊：設備、統計、監控、抓拍。除了這四塊之外，根據經驗我們還需要考慮到歷史的分析和檢索。
1）設備
商湯的產品只體現了設備的數目，而更重要的是設備的篩選功能。其實設備的控制非常複雜，我們常常爲了監控攝像頭的狀態設計一個新的管理系統。在另外一個設備的管理系統中，我們需要跟蹤設備的使用狀態，設備的詳細信息（對應的攝像頭編號位置等），以及攝像頭的定位。
2）統計
統計除了上例時間段的統計之外，還可以進行某一時刻某一區域上的目標統計。某一時刻的統計的意義比時間段統計在一些特定需求上更爲重要。特別是某時刻目標數如果超過閾值，跟告警系統匹配，能夠捕捉羣體行爲。某時刻的目標數目是否超過設定閾值，是多目標最常見的需求，也是典型應用之一。
3）監控
監控界面結合了多種類別的識別：例如行人的性別、頭髮長短、衣物類型等等。這也是多目標最「酷炫」的一部分，人們常常被系統的自動識別吸引。多目標在前端的表示常常是一個Boxing加一條尾巴，即目標的定位和軌跡。而目標旁的標籤（屬性），則是多目標識別和其他垂直方向識別的結合。
產品在這塊有兩部分工作：
a.跟進多目標的漏檢率以及IoU，以及思考同一管道多種屬性識別的結合，以應對不同場景需求。更偏向技術類。
b.關注監控系統的流暢性和穩定性。更偏向業務類。
4）抓拍
抓拍也是體現多目標價值的典型功能之一。抓拍能將監控中的目標單獨地隔離出來，這是後續檢索目標功能實現的前提。抓拍到的圖片在界面展示時可利用緩存，之後建議存儲至雲端。
5）歷史
a.搜索：跟普通搜索系統相比，多目標系統必不可少的一個功能一定是圖片檢索。在系統中利用文字（與多目標的標籤關聯）或圖片進行圖片檢索，能更容易查找到目標。
b.分析：利用大數據技術，對歷史的人流、車流、告警記錄進行分析，有利於目標管控和後期閾值設置。
2、產品系統分析
1）實時性
監控系統最重要的一點是實時性，相比於普通監控產品，AI監控系統對設備硬件的要求更高。圖像處理速度和網速需要被綜合評估，監控系統的延時現象需要控制在用戶可接受範圍內。
2）耦合性
AI監控系統鏈路長、設計到的子系統衆多，因此在產品架構設計上需要考慮到程序之間的耦合性。耦合程度太高會使系統的升級更新與維護更加困難。
3）穩定性
這裏的穩定性不僅包括外界環境的影響，還有系統自身算法更新、程序更新對系統的影響。特別是算法更新，不僅需要在指標上有所提高，還需要具有一定兼容性。算法更新常常導致程序短時間內無法使用，所以每一次算法替換都需要謹慎考慮。