引言
行人检测是近年来计算机视觉领域的研究热点，也是目标检测领域的难点。其目的是对图像中的行人进行识别和定位，在很多领域得到了广泛的应用。在交通安全方面，无人驾驶汽车通过提前探测行人并及时避让，避免了交通事故的发生；在安全防护方面，采用行人探测，防止可疑人员进入；在公共场所管理方面，通过行人检测统计行人流量数据，优化人力物力资源配置。
关于目标检测的方法，自2013年Ross Girshick提出R-CNN以来，短短几年内人们提出了快速R-CNN、更快R-CNN、掩膜R-CNN、SSD、YOLO等算法。其中两步目标检测法(R-CNN系列算法)需要先生成大量候选帧，然后用卷积神经网络对候选帧进行分类回归。单步检测法(SSD，YOLO系列算法)直接利用卷积神经网络中的回归方法，一步预测目标的位置和类别。两步检测的目标检测方法虽然在大多数场景下准确率较高，但是需要两步。因此，这种方法将耗费大量的时间和昂贵的硬件，所以它不适合实时检测视频文件。YOLO系列网络速度更快，能适应实时视频的检测，泛化能力更强。
对于人物跟踪，亚历克斯比雷在2016年提出了一种简单的在线实时跟踪算法。该算法结合了传统的卡尔曼滤波和匈牙利算法，能够很好地关联视频帧序列中的交叉检测结果。而且其速度比传统算法快20倍左右，可以快速处理目标探测反馈的数据。
因此，本项目采用深度学习的方法，通过YOLO算法实现行人检测，通过深度排序算法实现轨迹跟踪。最终实现效果可以看到下图：
1.1 环境要求基本介绍
这个环境使用python3.6.5 windows平台。使用的主要库有：
Opencv模块。在计算机视觉项目的开发中，opencv作为一个流行的开源库，拥有丰富的常用图像处理函数库。它是用C/C语言编写的，可以运行在Linux/Windows/Mac等操作系统上，可以快速实现一些图像处理和识别任务。
枕头模块。PIL是图像存档和批处理的理想应用。您可以使用该库创建缩略图，并在文件格式、打印图像等之间进行转换。它提供了广泛的文件格式支持，高效的内部表示和相当强大的图像处理功能。核心图像数据库旨在快速访问以几种基本像素格式存储的数据。它为通用图像处理工具提供了坚实的基础。
科学图书馆。Scipy是一个在数学、科学和工程领域使用的通用软件包。它可以处理插值、积分、优化、图像处理、常微分方程数值解、信号处理等问题。用于有效计算Numpy矩阵，使Numpy和Scipy协同工作，高效解决问题。
Keras模块。Keras是Python编写的开源人工神经网络库，可作为Tensorflow、Microsoft-CNTK和Theano的高级应用程序接口，用于深度学习模型的设计、调试、评估、应用和可视化。
1.2 算法设计
卷积神经网络用于检测和跟踪视频中的行人。帧输入后首先进入YOLOv3目标检测网络，由Darknet-53提取特征。其次，进行上采样、特征融合和回归分析。第三，将预测帧信息输入排序算法，对目标特征进行建模、匹配和跟踪。最后输出结果。下图是算法流程的设计示意图：
行人检测2.1 YOLO行人检测
普通的两阶段检测首先使用候选区域生成器生成的候选区域集，从每个候选区域中提取特征，然后使用区域分类器预测候选区域的类别。而YOLO作为单级检测器，不需要生成候选区域，直接对特征图各个位置的物体进行分类预测，效率更高。
在这里使用拉贝梅标注行人数据集，然后通过搭建好的YOLO算法产生模型并进行训练即可。
' def yolo_body(inputs，num_anchors，num_classes): ' ' '在克拉斯中创建YOLO V3模型美国有线新闻网；卷积神经网络主体' ' ' ' darknet=Model(inputs，darknet_body(inputs)) x，y1=make _ last _ layers(dark net。output，512，num _ anchors *(num _ class 5))x=compose(
DarknetConv2D_BN_Leaky(256, (1,1)), UpSampling2D(2))(x) x = Concatenate()(
2.2 Deepsort行人跟踪
行人多目标跟踪算法设计的步骤如下:
（1） 检测阶段:目标检测算法会分析每一个输入帧，并识别属于特定类别的对象，给出分类和坐标。
（2） 特征提取/运动轨迹预测阶段:采用一种或者多种特征提取算法用来提取表观特征，运动或者交互特征。此外，还可以使用轨迹预测器预测该目标的下一个位置。
（3） 相似度计算阶段:表观特征和运动特征可以用来计算两个目标之间的相似性。
（4） 关联阶段:使用计算得到的相似性作为依据，将属于同一目标的检测对象和轨迹关联起来，并给检测对象分配和轨迹相同的 ID。
使用卡尔曼滤波类跟踪的估计状态系统和估计的方差或不确定性。用于预测。
这里dist_thresh为距离阈值。当超过阈值时，轨道将被删除，并创建新的轨道；Max_frames_to_skip为允许跳过的最大帧数对于跟踪对象未被检测到；max_trace_length为跟踪路径历史长度；trackIdCount为每个轨道对象的标识。
def Update(self, detections): if (len(self.tracks) == 0): for i in range(len(detections)): track = Track(detections, self.trackIdCount) self.trackIdCount += 1 self.tracks.append(track) N = len(self.tracks) M = len(detections) cost = np.zeros(shape=(N, M)) for i in range(len(self.tracks)): for j in range(len(detections)): try: diff = self.tracks.prediction - detections
综合结果显示将YOLO行人检测和deepsort算法结合，并通过设置基本阈值参数控制轨迹预测的欧式距离。通过搭建本项目可应用于城市商业街道、人行道、校园道路场景，使用其得出的人员流动数据，帮助公共交通和安全管理。最终得到的使用效果如下：
track_colors = get_colors_for_classes(max_colors)result = np.asarray(image)font = cv2.FONT_HERSHEY_SIMPLEXresult0 = result.copy()result1=result.copy()img_position=np.zeros(
完整代码：
链接：https://pan.baidu.com/s/1KHEbPwCrjsS_3wBdUrtdtQ
提取码：pe5m
作者简介：
李秋键，CSDN博客专家，CSDN达人课作者。硕士在读于中国矿业大学，开发有taptap竞赛获奖等。
