本仓库主要目的是对视频中的行人进行跟踪+行人特征提取
主要包括两个算法：1）跟踪算法；2）行人特征提取算法
跟踪算法使用了ByteTrack，行人特征提取算法用了经过蒸馏的resnet34
ByteTrack：是2021年公开的多目标跟踪算法，第一次在MOT17数据集上到达80以上的MOTA，并在多个榜单上排名第一，堪称屠榜多目标跟踪。
ByteTrack的性能比较如下图，横轴表示推理速度、纵轴表示MOTA精度，圈的大小表示IDF1的数值。
可以看到，ByteTrack超越了此前所有的跟踪方法。
相关论文：https://arxiv.org/abs/2110.06864
环境配置: 见requirements.txt
you can use it as submodule
在自己的项目目录下，git submodule add https://github.com/ahaqu01/bytetrack.git
便会在项目目录下下载到bytetrack相关代码
下载完成后，便可在自己项目中使用bytetrack API，使用样例和输入输出说明如下：
import torch
from bytetrack.src.deep_reid import DeepReid
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
mot = DeepReid(extractor_config="./bytetrack/src/configs/config-test.yaml",
extractor_weights="./bytetrack/src/weights/model_final.pth",
tracker_config="./bytetrack/src/configs/tracker.yaml",
device=device)
mot_pred, added_track_ids = mot.update(bbox_xyxy=detection_results_bboxs,
confidences=detection_results_confidences,
ori_img=frame_bgr)
# API inputs
# bbox_xyxy: results of bbox from human detector, xyxy, numpy.ndarray, (N, 4)
# confidences: results of confidences from human detector, numpy.ndarray, (N,)
# ori_img: bgr image corresponding to detection results
# API outputs
# mot_pred, dict,
# key: track id, int
# value: 对应track id的相关信息, dict, 具体包含以下信息，
# {"bbox": 对应track id的bbox, numpy.ndarray, xyxy,
# "confidence": 对应bbox的置信度, float,
# "feature": 对应bbox用resnet34提取的行人特征, 512维, numpy.ndarray,
# "person_img": 基于bbox crop的行人图像,}
# added_track_ids, list,
# 每个元素为基于上一帧图像新增的track id