提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

关于yolov5+deepsort实现目标检测与跟踪中deepsort特征提取的一种折中方法C++

前言

提示：这里可以添加本文要记录的大概内容：

deepsort是一种基于深度学习的多目标跟踪算法，主要原理本文不再描述，网上内容较多，个人理解其主要思想是在传统的sort算法的基础上，添加一块待跟踪目标的特征信息，即目标的feature，这样在后续进行关联匹配的时候能提升准确率。目前网上较多的资源是基于https://github.com/RichardoMrMu/yolov5-deepsort-tensorrt这位大神提供开源程序，他的tensorrt为7的版本，最近由于项目中需要添加这个deepsort，但是开发的机器刚装完tensorrt8，实在不想捣鼓环境版本，又结合Tensorrt大佬提供的项目https://github.com/shouxieai/tensorRT_Pro/，其中关于人脸跟踪的程序，本文想出了一个比较折中的方案，借助OpenCV的DNN实现deepsort的feature抽取（主要是目前技术水平太菜了，对于Tensorrt的掌握还不够，只能用这种折中的方法先应付项目），最终效果还可以，关于借助Tensorrt部署yolov5，本文并不再描述，网上资源较多，本文只描述如何使用OpenCV的DNN实现deepsort的feature抽取。

提示：以下是本篇文章正文内容，下面案例可供参考

一、开发环境

Ubuntu18.04 + CUDA11.0 + cuDNN8.2 + TensorRT8.2 + OpenCV4.5.3
在安装OpenCV的过程中，需要将CUDA加速的部分编译进去，安装教程网上较多，可以先安装cmake-gui方便安装过程中配置，具体安装可以自行百度。

二、开始实战

1.将deepsort权重导出为.onnx

首先需要将deepsort算法中的权重文件导出为.onnx的格式
通过如下指令下载相关的开源程序

git clone https://github.com/RichardoMrMu/deepsort-tensorrt.git

然后进入到下载到的程序中，运行exportOnnx.py即可将deepsort的权重ckpt.t7转换为.onnx，在转换的过程中，请先看一下程序的内容，避免转换过程出错，转换完成之后，会生成一个deepsort.onnx的文件，将该文件复制到你的yolov5+deepsort工程文件夹中即可。

python3 exportOnnx.py

这个deepsort的权重ckpt.t7可以在下面链接中找到并下载
https://github.com/ZQPei/deep_sort_pytorch

2.主要程序

完成了上述权重的转换之后，即可通过如下的程序抽取到待跟踪目标的feature了，可以将此段程序添加进你的yolov5目标检测中，实现yolov5+deepsort目标检测与跟踪。

/** OpenCV一些头文件 */
#include <opencv2/dnn.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/core/cuda.hpp>
......
int main(int argc, char** argv)
{
         ......
	   /** OpenCV DNN加载deepsort权重 */
       cv::String deepsort_onnx = "/home/xx/xx/xx/xx/xx/deepsort.onnx";    // 存放deepsort.onnx的路径
       const int inpWidth = 64;        // 设置网络的输入width
       const int inpHeight = 128;    // 设置网络的输入height
       cv::dnn::Net net;
       net = cv::dnn::readNet(deepsort_onnx);
       net.setPreferableTarget(cv::dnn::DNN_TARGET_CUDA);    
       net.setPreferableBackend(cv::dnn::DNN_BACKEND_CUDA);    // 设置OpenCV的后端为CUDA，开启CUDA加速
       ......
       std::vector<DeepSORT::Box> boxes;
       DeepSORT::Box track_box;
       cv::Rect feature_track;             // deepsort跟踪时的feature特征
       cv::Mat feature_image;
       .......
       /** 加入目标跟踪 */
       track_box.left = result.left;
       track_box.top = result.top;
       track_box.right = result.right;
       track_box.bottom = result.bottom;
 #ifdef DEBUG
       printf("track_box.left=%.2f, track_box.top=%.2f, track_box.right=%.2f, track_box.bottom=%.2f", track_box.left, track_box.top, track_box.right, track_box.bottom);
#endif
       // 这边的判断条件可以简化一下，主要防止目标框出现在frame的外侧，这样后面扣图的时候会失败。
       if ((track_box.left > 0 && track_box.top > 0 && track_box.right > 0 && track_box.bottom > 0) && 
           (track_box.left < frame.cols && track_box.top < frame.rows && track_box.right < frame.cols && track_box.bottom < frame.rows)) 
       {
           feature_track = cv::Rect(result.left, result.top, (result.right - result.left), (result.bottom - result.top));    // 获取目标跟踪的feature
           feature_image = frame(feature_track);    
           cv::Mat blob;
           cv::dnn::blobFromImage(feature_image, blob, 1 / 255.0, cv::Size(inpWidth, inpHeight), cv::Scalar(0, 0, 0), true, false);
           net.setInput(blob);
           std::vector<cv::Mat> outs;
           net.forward(outs, net.getUnconnectedOutLayersNames());
#ifdef DEBUG
           std::cout << "+++++ outs.size=" << outs.size() << "+++++" << std::endl;
#endif
           track_box.feature = outs[0];
           boxes.push_back(track_box);
       }
       ......
       /** deepsort更新 */
       tracker->update(boxes);
       ......
       // 绘制结果图
       ......
}

总结

第一次写CSDN的文章，有点生疏，难免有点错误，希望各位看到的时候能够在下方评论指正，谢谢！大家有什么想法也可以在评论区评论交流。其实，本文也只是记录一下本人在项目实际开发的过程中想到的一个想法，并且实际操作了一下，如果对你的项目开发能起到一丁点的帮助，我将无比荣幸！其实，从deepsort的权重中可以看出，最终输出的是一个1x512的特征矩阵，在实际跟踪的时候，获取到了这个特征矩阵，并将其做一个转置矩阵，得到一个512x1的矩阵，两个一乘就有了一个值，通过这个值就加强了目标跟踪中的匹配准确性。在上方，本文说了，这个方法是由于本人技术太菜，并未完全掌握TensorRT想出来的一个折中方法，结合deepsort的原理，这个目标的feature其实在yolo检测目标的时候已经获得过了，那么我们能不能在yolo检测目标的时候，顺带把这个feature一并输出，就是说在推理yolo的时候，除了获得一个boundingbox，顺带再获得一个跟这个boundingbox相匹配的feature，相当于在程序中我最终输出的result的结构体中还包含一个feature的成员，这个feature只要是个1xn的矩阵即可，反正后面会做一个转置运算，当然了，这只是本人的一个想法，也不知道行不行，等后续掌握了TensortRT之后，再魔改一下yolo的推理程序，试试看看，本文先到此为止，感谢阅读！