基于深度学习的篮球比赛战术数据自动采集及统计系统——3多目标跟踪

前言：

        进行完目标检测后，我们就要进入第二个多目标跟踪模块，本人采用的多目标跟踪策略为deepsort深度分类算法，可以有效解决遮挡问题。因为在篮球运动中，遮挡问题是非常多的。

配置信息

        还是缺什么库，自行导入什么库。我的配置过程还是比较顺利的。

基于yolov5+deepsort的多目标跟踪

参考文章：

YOLOv5+DeepSort多目标跟踪教程_yolov5 deepsort_爱学习的王同学#的博客-CSDN博客

deepsortv3.0版本下载路径：

文件 · v3.0 · mirrors / mikel-brostrom / Yolov5_DeepSort_Pytorch · GitCode

这里我结合了yolov5+deepsortv3.0的版本能够实现成功视频追踪，但是yolov5和其他版本的deepsort不能兼容，所以这两个版本对应很重要。

与目标检测一致，参考文章可以完成多目标跟踪，但是我要提两个重要的点。其中数据集的摆放和构建很关键，这一步走完，在按照他的步骤走才可以。

1.将yolov5文件夹放在下载好的deepsort主文件夹下，格式如下：

2.数据集的摆放与划分

按数据集构建的文章摆放好数据集后，运行crop.py文件，可以进行图像切割处理，运行split.py可实现test和train的划分。这里提供源码

crop.py

import cv2
import xml.etree.ElementTree as ET
import numpy as np

import xml.dom.minidom
import os
import argparse
'''
用于截取xml目标框下的图片
结果保存在train中
'''

def main():
    # JPG文件的地址
    img_path = 'images/'
    # XML文件的地址
    anno_path = 'annotations/'
    # 存结果的文件夹
    cut_path = 'train/'
    if not os.path.exists(cut_path):
        os.makedirs(cut_path)
    # 获取文件夹中的文件
    imagelist = os.listdir(img_path)
    for image in imagelist:
        image_pre, ext = os.path.splitext(image)
        img_file = img_path + image
        img = cv2.imread(img_file)
        xml_file = anno_path + image_pre + '.xml'
        # DOMTree = xml.dom.minidom.parse(xml_file)
        # collection = DOMTree.documentElement
        # objects = collection.getElementsByTagName("object")

        tree = ET.parse(xml_file)
        root = tree.getroot()
        # if root.find('object') == None:
        #     return
        # obj_i = 0
        dict_obj_i = {'1':1,'2':2,'3':3,'4':4,'5':5,
                      'a':6,'b':7,'c':8,'d':9,'e':10}
        for obj in root.iter('object'):
            # obj_i += 1
            cls = obj.find('name').text
            obj_i = dict_obj_i[cls]
            xmlbox = obj.find('bndbox')
            b = [int(float(xmlbox.find('xmin').text)), int(float(xmlbox.find('ymin').text)),
                 int(float(xmlbox.find('xmax').text)),
                 int(float(xmlbox.find('ymax').text))]
            img_cut = img[b[1]:b[3], b[0]:b[2], :]
            path = os.path.join(cut_path, cls)
            # # 目录是否存在,不存在则创建
            mkdirlambda = lambda x: os.makedirs(x) if not os.path.exists(x) else True
            mkdirlambda(path)
            try:
                cv2.imwrite(os.path.join(cut_path, cls, '{}_{:0>2d}.jpg'.format(image_pre, obj_i)), img_cut)
            except:
                 continue

            print("done")


if __name__ == '__main__':
    main()

注意：在dict_obj_i 中实现对自己的ID编号

split.py

import os
import random
import shutil

'''
用于划分训练集train和测试集test
'''
src_path = 'train'
dst_path = 'test'
train_scale = 0.9
test_scale = 0.1
list = os.listdir(src_path)  # 文件名1,2,3......
for classes in list:  # 遍历文件1,2,3.....
    dst_dir = os.path.join(dst_path,classes) #目标文件夹test/1......
    deal_class = os.path.join(src_path, classes)  # 选择要处理的文件夹1 2 3 .....
    in_class = os.listdir(deal_class)  # 进入文件夹1 2 3..... tpye(in_class)=list
    total_num = len(in_class)
    train_num = int(total_num * train_scale)
    test_num = int(total_num * test_scale)
    for i in range(test_num):
        test_jpg = random.choice(in_class)  # 随机选取列表test_num个图片
        in_class.remove(test_jpg)
        test_path = os.path.join(deal_class, test_jpg)
        shutil.move(test_path,dst_dir)
    print('{} done'.format(classes))
print('训练集:测试集 = {}:{}'.format(train_scale,test_scale))

至此，多目标跟踪完毕。在deep_sort/deep/checkpoint文件夹下找到ckpt.t7，这是我们需要的跟踪权重文件。