25 OPENVINO intermediate course 17 运行车辆追踪处理流水线

1 说明

本实验所有代码均在ubuntu 18.04 + OpenVINO 2020R3.LTS installed 环境下验证通过，若需要代码移植，请务必检查环境配置是否与本实验环境相同。

2 实验目的

1、认识使用DL-Streamer追踪图像的方法。
2、掌握运行车辆追踪处理流水线的方法。

3 任务内容

1、学习使用DL-Streamer追踪图像的方法。
2、运行车辆追踪处理流水线。

4 实验原理

构建流水线系统非常容易，即使是对于在跟踪应用中需要跨帧算法的实施也非常简单，跟踪是一项非常重要的功能。下图中，如果这是一个橙子，并且整个图像向左侧移动，那么这可能是相同的一个橙子，通过比较图片，可以知道，几帧后这可能就是相同的橙子。

如果同一对象在屏幕上移动，可以对其进行跟踪，这意味着可以判断是同一对象在移动，没必要重新检测它，这将节省大量计算能力。既然人类一直都在这样做，那么为什么不使用计算机去做呢？下面使用DL-Streamer来事半功倍的完成这个任务。

5 操作步骤

步骤1
登录实验平台，进入实验环境并打开命令行执行终端。

步骤2
执行命令su，输入root用户密码root@openlab，切换到root目录。

步骤3
执行命令cd ~/51openlab/07/exercise-2/，进入exercise-2目录。

步骤4
执行如下命令，输出实验目录，确保将MODEL-PATH设置到模型目录中。

# export lab_dir=~/51openlab/07/exercise-2/
# export MODELS_PATH=~/51openlab/07/exercise-2/models/

步骤5
执行如下命令，初始化OpenVINO环境。

# source /opt/intel/openvino/bin/setupvars.sh

步骤6
执行ll命令查看当前目录下的文件。

步骤7
执行命令cd models进入模型目录。

可以看到模型目录中有3个模型，1个模型用于车辆和人员检测，2个用于人员和车辆的属性分类。

步骤8
执行命令cd …/model_proc查看每个模型对应的JSON文件。

步骤9
执行命令如下命令播放即将进行检测的视频。

# cd ..
# gst-play-1.0 road.mp4

输入视频显示了拥挤的街道。

步骤10
执行命令vi vehicle_pedestrian_tracking.sh-file查看代码。

可以看到这里有3个模型，1个用于检测，2个用于识别。

第67行可以看到Gstreamer流水线。“source element”是视频文件，将其解码，将视频转换为正确的大小和格式。第69-74行是第一次检测，可以看到所有参数、模型、检测间隔、设备等。在第75行可以看到跟踪，这个流水线阶段将跟踪前一阶段检测到的所有对象。第77和82行是另外两个模型，人员分类模型和车辆分类模型，然后使用GVAWaterMark将所有结果渲染到视频中，并输出视频文件。

步骤11
执行如下命令运行车辆追踪示例代码，并查看输出的视频文件。

# bash vehicle_pedestrian_tracking-file.sh
# ll

可以看到output.mp4是输出文件。

步骤12
执行命令gst-play-1.0 output.mp4检查实验结果视频。

可以看到视频中的所有对象，检测和跟踪到的主要是车辆，每个对象都有一个唯一的ID，在其旁边可以看到对象的所有属性。

步骤13
执行命令vi vehicle_pedestrian_tracking-file.sh编辑代码，根据需要对该文件进行更改，以构建自己的流水线，还可以添加自己的模型，或实施其他操作。例如，在这里将删除车辆属性分类。

步骤14
执行命令bash vehicle_pedestrian_tracking.sh-file重新运行车辆追踪示例脚本。

步骤15
执行命令gst-play-1.0 output.mp4检查实验结果视频。

可以看到汽车现在没有分类属性。

在第三个练习中我们将使用DL-Streamer来测量一个实际的通道性能。

6 实际操作