yolo+deepsort学习笔记

总述

级联匹配中的匈牙利算法的距离计算使用的是轨迹的协方差、均值和检测目标的框坐标进行位置矩阵计算，
得到位置损失。特征损失是使用可信轨迹最后经过sample处理的特征和检测目标的特征进行距离计算得到的，
最后两个损失加权相加，得到损失矩阵。

IOU匹配是计算：此处，对轨迹的均值进行处理，得到轨迹目标的框坐标，计算轨迹框和检测目标框的坐标的IOU值，1减去其值，得到损失，进行配对。

总体上，（1）先进行目标检测算法，得到目标的检测结果（2）截取检测到的目标，进行特征提取，（3）KF预测更新，更新已有的可信轨迹的均值和协方差（4）更新，匹配，经过级联匹配和IOU匹配，找到匹配的轨迹、不可信轨迹（新检测到的目标不匹配则也转为不可信轨迹）（5）更新匹配轨迹的特征、置信度、类别和框坐标。（6）对可信轨迹坐标的特征进行处理，用于匈牙利算法中的特征矩阵计算。

python版本

加载模型、选择设备如GPU、CPU

模型推理

1.选出person的目标框、置信度
2.将检测结果的框尺寸映射到视频流的尺寸大小。
3. 从xyxy（左上右下）转为xywh（中心点宽高）
4. 分别保存坐标、置信度、类别

进入追踪阶段

1. update，输入的是框、置信度、类别和源图像
2. get_features，获取特征,输入的是框和源图像
   （1）把xywh（中心宽高）转为xyxy（左上右下）
   （2）根据图像的目标框坐标截取截取目标区域，进行特征提取，截取图像A[高区域y,宽区域x]
   （3）把截取的目标送入到特征提取网络，进行特征提取，返回特征feature，如5个目标，返回的是5*512的特征矩阵
3. 把xywh（中心宽高）转为tlwh（左上宽高）
4. 把目标的tlwh、conf和特征逐个输入进行检测、把信息存在self中，
5. tracker.predict（）
   （1）
6. tracker.update
   (1) 输入检测detections（包括置信度、tlwh和feature）、类别、置信度
   （2）对输入的detections进行匹配match，
   （01）根据保存在self.tracks中的内容，确定可信的轨迹和不可信的轨迹
   （02）进行级联匹配，输入距离矩阵、tracks、detections
   （03）为计算检测到的目标框个数，用于分配轨迹id，（为检测到的目标个数），均设位置没有匹配的检测
   （04）在级联深度（30）中循环，如果没有检测到的目标（没有不匹配的检测）则退出循环，如果有轨迹，则进行匈牙利算法
   （05）级联匹配结束，返回匹配的a、不能匹配的轨迹a，不匹配的检测
   （06）对不可信轨迹、没有匹配到的轨迹和没有匹配的检测进行IOU匹配。（输入iou代价、距离，detections、tracks、指数）
   （07）iou匹配返回匹配的b、不能匹配的轨迹b，不匹配的检测
   （08）返回匹配的a+b、不能匹配的轨迹a+b，不匹配的检测
   （3）match结束，返回匹配的、不能匹配的轨迹，不匹配的检测
   （4）更新轨迹集合。初始帧没有匹配的和不匹配的轨迹，只有不匹配的检测，添加新轨迹。
   （01）初始化轨迹，输入的是检测到的框、类别、置信度
   （02）把框（tlwh）转为xyah（中心点xyah），a是w/h。进行卡尔曼滤波初始化，创造轨迹
   （03）卡尔曼滤波初始化结束，返回均值和协方差
   （04）为该轨迹赋值，如轨迹id、类别、特征、置信度、均值和协方差、删除和置信等数值
   （5）判断轨迹的状态，对轨迹进行筛选，
   （01）判断轨迹是否是要删除的，保留删除后的轨迹。
   （02）判断轨迹是否是可信的，如果是可信的，则更新距离矩阵（输入特征features、targets和active_targets）
   7.判断是否有可信的轨迹或更新指数大于1的
   （1）如有，则转化框的表达形式，转为xyxy，保存轨迹id、类别id和置信度，进行输出返回（第一帧没有可信的轨迹）
   第一帧的结束。

第二帧

1. yolo模型检测，经过非极大值抑制、目标类别筛选得到检测的目标框、置信度、类别
2. 对框的坐标进行映射，得到视频流大小的坐标
3. 从xyxy（左上右下）转为xywh（中心点宽高）
4. 分别保存坐标、置信度、类别
5. 进行追踪更新，update，输入的是框、置信度、类别和源图像
   （1）经过外观特征模型处理，获得features，获取特征,输入的是框和源图像
   （2）把xywh（中心宽高）转为tlwh（左上宽高）
   （3）把目标的tlwh、conf和特征逐个输入进行检测、把信息存在self中，
   （4）tracker.predict()
   (01)以此对上一帧中保存的轨迹进行卡尔曼滤波预测
   （001）通过输入已有轨迹的均值和协方差矩阵，返回预测的状态，获得新的均值和协方差
   （002）更新参数，轨迹的age加1，time_since_update+1
   （5）tracker.update，输入检测detections（包括置信度、tlwh和feature）、类别、置信度
   (01)对此帧中的检测结果进行匹配match，
   （001）对上一帧中保存的轨迹进行处理，筛选出可信和不可信的轨迹
   （002）进行级联匹配，输入距离矩阵、tracks、detections和可信的轨迹
   （003）为计算检测到的目标框个数，用于分配轨迹id，（为检测到的目标个数），均设位置没有匹配的检测
   （004）在级联深度（30）中循环，如果没有检测到的目标（没有不匹配的检测）则退出循环，如果有轨迹，则进行匈牙利算法，用轨迹指数减去–匹配的指数，得到不匹配的指数
   （005）级联匹配结束，返回匹配的a、不能匹配的轨迹a，不匹配的检测unmatched_detections（检测算法新检测到的目标），
   （006）从不能匹配的轨迹a中刷选出iou可信的轨迹（不是可信轨迹），根据time_since_update的值，得到iou_track_candidates，剩下的依旧为不能匹配的轨迹a
   （007）进行IOU匹配，输入（输入iou代价、距离，detections、tracks、iou_track_candidates，unmatched_detections）
   （0001）计算代价矩阵iou_cost，输入轨迹（类别、features、等指数）、检测（包括置信度、tlwh和feature）、检测指数、轨迹指数；通过计算轨迹目标和检测目标的IOU值，返回的是轨迹行、检测列的矩阵，里边的数值是轨迹和检测，1-IOU，值越小说明越匹配。
   （0002）对矩阵中的值进行处理，进行轨迹和检测的目标进行对应。
   （0003）规矩对应的关系进行选择，选择出不能匹配的检测、不能匹配的轨迹；同时根据最大距离，选择出匹配的轨迹，如（0，0）（1，1）
   （008）返回匹配、不能匹配的检测、不能匹配的轨迹
   match结束
   (02) 更新匹配的轨迹内容，如特征、框、类别置信度。根据轨迹匹配到的新检测信息，对其进行更新，还有卡尔曼滤波的均值、协方差更新，hits、轨迹状态参数值更新
   (03) 更新不匹配的轨迹，如果在潜在状态和达到最大帧数（age）则更新状态为删除
   (04) 对于没有匹配的检测，则进行轨迹初始化
   （001）卡尔曼滤波初始化，得到均值和协方差矩阵
   （002）创建新轨迹，并对其赋值，如轨迹id、类别、特征、置信度、均值和协方差、删除和置信等数值
   (05) 根据轨迹状态，**进行删除轨迹，**保留剩下的进行下一步。
   (06) 更新距离矩阵。
   （001）判断是否是可信轨迹，得到active_targets
   （002）判断是否是可信轨迹，得到features
   （003）判断是否是可信轨迹，得到targets
   （004）输入上面的三个数值，进行拟合
   update结束
   （6）判断轨迹是否是可信，如有，则转化框的表达形式，转为xyxy，保存轨迹id、类别id和置信度，进行输出返回

第三帧

1. yolo模型检测，经过非极大值抑制、目标类别筛选得到检测的目标框、置信度、类别
2. 对框的坐标进行映射，得到视频流大小的坐标
3. 从xyxy（左上右下）转为xywh（中心点宽高）
4. 分别保存坐标、置信度、类别
5. 进行追踪更新，update，输入的是框、置信度、类别和源图像
   （1）经过外观特征模型处理，获得features，获取特征,输入的是框和源图像
   （2）把xywh（中心宽高）转为tlwh（左上宽高）
   （3）把目标的tlwh、conf和特征逐个输入到detections检测、把信息存在self中，
   （4）tracker.predict()
   (01)以此对上一帧中保存的轨迹进行卡尔曼滤波预测
   （001）通过输入已有轨迹的均值和协方差矩阵，返回预测的状态，获得新的均值和协方差
   （002）更新参数，轨迹的age加1，time_since_update+1
   （5）tracker.update，输入检测detections（包括置信度、tlwh和feature）、类别、置信度
   (01)对此帧中的检测结果进行匹配match，
   （001）对上一帧中保存的轨迹进行处理，筛选出可信和不可信的轨迹
   （002）进行级联匹配，输入距离矩阵、tracks、detections和可信的轨迹
   （003）为计算检测到的目标框个数，用于分配轨迹id，（为检测到的目标个数），均设位置没有匹配的检测
   （004）在级联深度（30）中循环，如果没有检测到的目标（没有不匹配的检测）则退出循环，如果有轨迹（可信），则进行匈牙利算法，用轨迹指数减去–匹配的指数，得到不匹配的指数
   （005）级联匹配结束，返回匹配的a、不能匹配的轨迹a，不匹配的检测unmatched_detections（检测算法新检测到的目标），
   （006）从不能匹配的轨迹a中刷选出iou可信的轨迹（不是可信轨迹），根据time_since_update的值，得到iou_track_candidates，剩下的依旧为不能匹配的轨迹a
   （007）进行IOU匹配，输入（输入iou代价、距离，detections、tracks、iou_track_candidates，unmatched_detections）
   （0001）计算代价矩阵iou_cost，输入轨迹（类别、features、等指数）、检测（包括置信度、tlwh和feature）、检测指数、轨迹指数；通过计算轨迹目标和检测目标的IOU值，返回的是轨迹行、检测列的矩阵，里边的数值是轨迹和检测，1-IOU，值越小说明越匹配。
   （0002）对矩阵中的值进行处理，进行轨迹和检测的目标进行对应。
   （0003）规矩对应的关系进行选择，选择出不能匹配的检测、不能匹配的轨迹；同时根据最大距离，选择出匹配的轨迹，如（0，0）（1，1）
   （008）返回匹配、不能匹配的检测、不能匹配的轨迹
   match结束
   (02) 更新匹配的轨迹内容，如特征、框、类别置信度。根据轨迹匹配到的新检测信息，对其进行更新，还有卡尔曼滤波的均值、协方差更新，hits、轨迹状态参数值更新
   (03) 更新不匹配的轨迹，如果在潜在状态和达到最大帧数（age）则更新状态为删除
   (04) 对于没有匹配的检测，则进行轨迹初始化
   （001）卡尔曼滤波初始化，得到均值和协方差矩阵
   （002）创建新轨迹，并对其赋值，如轨迹id、类别、特征、置信度、均值和协方差、删除和置信等数值
   (05) 根据轨迹状态，**进行删除轨迹，**保留剩下的进行下一步。
   (06) 更新距离矩阵。
   （001）判断是否是可信轨迹，得到active_targets
   （002）判断是否是可信轨迹，得到features（3n512）,n是可信的轨迹个数
   （003）判断是否是可信轨迹，得到targets（3*n）
   （004）输入上面的三个数值，进行拟合
   （0001）依次提取特征和轨迹编号，进行self.samples[target] = self.samples[target][-self.budget:]
   （0002）保存可信轨迹的信息
   update结束
   （6）判断轨迹是否是可信，如有，则转化框的表达形式，转为xyxy，保存轨迹id、类别id和置信度，进行输出返回
6. 把信息在图像上展现或保存。

第四帧

1. yolo模型检测，经过非极大值抑制、目标类别筛选得到检测的目标框、置信度、类别
2. 对框的坐标进行映射，得到视频流大小的坐标
3. 从xyxy（左上右下）转为xywh（中心点宽高）
4. 分别保存坐标、置信度、类别
5. 进行追踪更新，update，输入的是框、置信度、类别和源图像
   （1）经过外观特征模型处理，获得features，获取特征,输入的是框和源图像
   （2）把xywh（中心宽高）转为tlwh（左上宽高）
   （3）把目标的tlwh、conf和特征逐个输入到detections检测、把信息存在self中，
   （4）tracker.predict()
   (01)以此对上一帧中保存的轨迹进行卡尔曼滤波预测
   （001）通过输入已有轨迹的均值和协方差矩阵，返回预测的状态，获得新的均值和协方差
   （002）更新参数，轨迹的age加1，time_since_update+1
   （5）tracker.update，输入检测detections（包括置信度、tlwh和feature）、类别、置信度
   (01)对此帧中的检测结果进行匹配match，
   （001）对上一帧中保存的轨迹进行处理，筛选出可信和不可信的轨迹
   （002）进行级联匹配，输入距离矩阵、tracks、detections和可信的轨迹
   （003）为计算检测到的目标框个数，用于分配轨迹id，（为检测到的目标个数），均设位置没有匹配的检测
   （004）在级联深度（30）中循环，如果没有检测到的目标（没有不匹配的检测）则退出循环，如果有轨迹（可信），则进行匈牙利算法
   （0001）输入的是距离矩阵、最大距离、轨迹、detections，当前级联level下匹配的轨迹**（更新后的均值、协方差，没有框的坐标）、不匹配的检测
   （0002）min_cost_matching，计算cost_matrix矩阵，输入轨迹（类别、features、等指数）、检测（包括置信度、tlwh和feature）、检测指数、轨迹指数，计算IOU值
   （00001）进行距离矩阵计算 _full_cost_metric。，得到代价矩阵
   （00002）先把tracks的均值、协方差映射到测量空间，和检测的坐标框进行计算
   （00003）得到位置门矩阵，大小是track*det。得到位置cost矩阵，通过和1比较大小，大于的为位置门矩阵，得到位置距离**，
   （00004）计算特征之间的距离。新检测的目标有特征向量，代价矩阵大小也是trackdet。此处通过sample[ℹ]提取经过最后拟合处理的特征（对可信轨迹的特征最后会经过拟合处理，存在sample中），计算各个可信轨迹的目标特征和新检测的目标特征距离，得到特征距离
   （00005）经过和匹配阈值比较，大于匹配阈值的为true，结合位置距离和特征距离，总体为1，各自占的比例不同，进行相加。
   （00006）得到代价矩阵
   （0003对矩阵中的值进行处理，进行轨迹和检测的目标进行对应。
   （0004）规矩对应的关系进行选择，选择出不能匹配的检测、不能匹配的轨迹；同时根据最大距离，选择出匹配的轨迹，如（0，0）（1，1）
   用轨迹指数减去–匹配的指数，得到不匹配的指数
   （005）级联匹配结束，返回匹配的a、不能匹配的轨迹a，不匹配的检测unmatched_detections（检测算法新检测到的目标），
   （006）从不能匹配的轨迹a中刷选出iou可信的轨迹（不是可信轨迹），根据time_since_update的值，得到iou_track_candidates，剩下的依旧为不能匹配的轨迹a
   （007）进行IOU匹配，输入（输入iou代价、距离，detections、tracks、iou_track_candidates，unmatched_detections）
   （0001）计算代价矩阵**iou_cost，**输入轨迹（类别、features、等指数）、检测（包括置信度、tlwh和feature）、检测指数、轨迹指数；通过计算轨迹目标和检测目标的IOU值，返回的是轨迹行、检测列的矩阵，里边的数值是轨迹和检测，1-IOU，值越小说明越匹配。
   （0002）对矩阵中的值进行处理，进行轨迹和检测的目标进行对应。
   （0003）规矩对应的关系进行选择，选择出不能匹配的检测、不能匹配的轨迹；同时根据最大距离，选择出匹配的轨迹，如（0，0）（1，1）
   （008）返回匹配、不能匹配的检测、不能匹配的轨迹
   match结束
   (02) 更新匹配的轨迹内容，如特征、框、类别置信度。根据轨迹匹配到的新检测信息，对其进行更新，还有卡尔曼滤波的均值、协方差更新，hits、轨迹状态参数值更新
   (03) 更新不匹配的轨迹，如果在潜在状态和达到最大帧数（age）则更新状态为删除
   (04) 对于没有匹配的检测，则进行轨迹初始化
   （001）卡尔曼滤波初始化，得到均值和协方差矩阵
   （002）创建新轨迹，并对其赋值，如轨迹id、类别、特征、置信度、均值和协方差、删除和置信等数值
   (05) 根据轨迹状态，**进行删除轨迹，**保留剩下的进行下一步。
   (06) 更新距离矩阵。
   （001）判断是否是可信轨迹，得到active_targets
   （002）判断是否是可信轨迹，得到features（3n512）,n是可信的轨迹个数
   （003）判断是否是可信轨迹，得到targets（3n）
   （004）输入上面的三个数值，进行拟合
   （0001）依次提取特征和轨迹编号，进行self.samples[target] = self.samples[target][-self.budget:]
   （0002）保存可信轨迹的信息
   （0003）用于下一帧计算特征距离时调用
   update结束
   （6）判断轨迹是否是可信，如有，则转化框的表达形式，转为xyxy，保存轨迹id、类别id和置信度，进行输出返回
6. 把信息在图像上展现或保存。

C++版本

Trtyolosort yosort(yolo_engine,sort_engine);

加载yolo模型

trt_engine = yolov5_trt_create(yolo_engine_path_);，
1.输入yolo的.engine模型
2. 把反序列化中用到的内容，创建到一个结构体中，如data、engine、context、inputIndex等，
3. 定义一个结构体trt_txt，并为其分配内存
4. 向结构体中的具体值分配内存，并赋值
5. 创建runtime、engine等，并分配cuda内存
6. 返回定义的结构体trt_txt。

加载外观特征模型（sort）

DS = new DeepSort(sort_engine_path_, 128, 256, 0, &gLogger);

1. 在DeepSort类中，给参数进行赋值。128是批量大小，256特征维度，0GPU编号，&gLogger是tensorrt的log文件
   2. 初始化
   01 objTracker = new tracker(maxCosineDist, maxBudget);
   02 确定余弦距离、最大余弦距离、最大IOU距离、max_age、匹配阈值、budget，samples清空
   03 确定卡尔曼滤波的参数，如移动矩阵、更新矩阵、速度权重和位置权重
   04 轨迹清空，id指数+1
   05featureExtractor = new FeatureTensor(batchSize, imgShape, featureDim, gpuID, gLogger);
   06 设置均值和标准差，对图像进行预处理，initFlag设置为false
   07加载sort模型
   001反序列化、内存分配，initFlag设置为true

读取图像、检测推理

读取图像

1. 读取视频，转为图像，每三帧进行一次推理
2. 推理，yosort.TrtDetect(frame,conf_thre,det);，输入图像、阈值和定义的容器，用于保存结果，det包含框的坐标、置信度、目标类别、追踪id*
   01 对输入的图像进行预处理，尺寸重构、灰度值均值、归一化、通道转换
   02 推理、非极大值抑制处理，保存检测结果，把满足要求的框、置信度和目标类别进行保存，框是左上和右下坐标

DS->sort

1. 把图像、检测模型的结果det输入到sort，检测结果是框、置信度和目标类别进行保存，框是左上和右下坐标
2. 定义一个DETECTIONS detections;/包含twlh，置信度、特征、to_xyah,to_tlbr/和 vector clsConf;包含 /*类别和置信度/
3. 依次提取det中的box进行保存（转为xywh）和置信度到容器DETECTION_ROW（包含tlwh，置信度、特征、to_xyah,to_tlbr） d中，再把d保存到detections，把类别和分数保存到clsonf。
4. 对定义的result和results容器进行清零
5. 将clsConf和detections进行make_pair保存到容器DETECTIONSV2 detectionsv2中
6. 传递源图像和detectionsv2到下一个sort中
   01 分别提取clsonf和detections
   02 把图像和detections传入bool flag = featureExtractor->getRectsFeature(frame, detections);，进行推理
   001 依次提取框的信息，对目标的框进行处理（如加大x坐标的区间），再根据目标框从原图像中截取目标区域，保存到目标图像
   002 mat2stream，把目标图像的像素值进行均值和协方差处理，从mat转为数值float，
   003 把图像转为folat之后，输入进行doInference
   004 把推理的结果传入stream2det，把输出的结果根据特征维度进行转化，保存到DETECTION_ROW容器中的feature，作为特征，在det中进行传递。
   005返回flag是ture
   03 如果flag是真，则进行:
   001 objTracker->predict();
   0001 卡尔曼滤波，生成均值和协方差，
   0002 更新参数age+1、time_since_update+1
   002 objTracker->update(detectionsv2)，
   0001 输入类别、置信度容器，再定义一个TRACHER_MATCHD res;是轨迹匹配的三种状态
   0002 把定义的容器ret和detections输入match，进入匹配环节
   00001 区分出可信轨迹和不可信轨迹的编号
   00002 进行级联匹配输入距离矩阵、tracks、detections和可信的轨迹
   000001 对检测结果进行编号，向不匹配检测容器中填充编号
   000002 容器中匹配的轨迹清空
   000003 在级联深度中，在级联深度（30）中循环，如果没有检测到的目标（没有不匹配的检测）则退出循环，如果有轨迹（可信），则进行匈牙利算法
   （0000001）**min_cost_matching，输入的是距离矩阵、距离矩阵函数、最大距离、轨迹、detections，当前级联level下匹配的轨迹编号、不匹配的检测编号
   （0000002）先判断可信轨迹编号和不可匹配检测中是否为空（尺寸大小为0），若是，则清空容器中的匹配轨迹，可信轨迹变为不匹配轨迹，不匹配检测还是不匹配检测。
   （0000003）计算cost_matrix矩阵，输入轨迹（类别、features、等指数）、检测（包括置信度、tlwh和feature）、检测指数、轨迹指数，计算IOU值
   （0000004）对矩阵中的值进行处理，进行轨迹和检测的目标进行对应。
   （0000005）根据对应的关系进行选择，选择出不能匹配的检测、不能匹配的轨迹；同时根据最大距离，选择出匹配的轨迹，如（0，0）（1，1），返回定义的ret，包含匹配的，不匹配的轨迹，不匹别的检测，其中保存匹配的容器是键值对容器，另外两个是int
   000004 扩充不匹配的检测，匹配的轨迹和不匹配的轨迹进行保存返回，返回ret（疑问？？？？？？？）
   级联匹配结束
   00003 在不可信的轨迹中根据time_since_update值生成iou轨迹
   00004 进行IOU匹配输入的是（输入iou代价、距离，tracks、detections、iou_track_candidates，unmatched_detections）
   （000001）计算代价矩阵iou_cost，输入轨迹（类别、features、等指数）、检测（包括置信度、tlwh和feature）、检测指数、轨迹指数；通过计算轨迹目标和检测目标的IOU值，返回的是轨迹行、检测列的矩阵，里边的数值是轨迹和检测，1-IOU，值越小说明越匹配。
   （000002）对矩阵中的值进行处理，进行轨迹和检测的目标进行对应。
   （000003）规矩对应的关系进行选择，选择出不能匹配的检测、不能匹配的轨迹；同时根据最大距离，选择出匹配的轨迹，如（0，0）（1，1）
   00004 结合级联匹配和IOU匹配的结果，得到最终的不匹配的检测、轨迹和匹配的轨迹。
   match结束
   0003 更新匹配的轨迹参数，如特征、框、类别置信度。根据轨迹匹配到的新检测信息，对其进行更新，
   还有卡尔曼滤波的均值、协方差更新，hits、轨迹状态参数值更新，也会更新轨迹的可信状态time_since_update更新为0
   0004 对于没有匹配的检测，则进行轨迹初始化
   （00001）卡尔曼滤波初始化，得到均值和协方差矩阵
   （00002）创建新轨迹，并对其赋值，如轨迹id、类别、特征、置信度、均值和协方差、删除和置信等数值
   0005 根据轨迹的状态，进行删除
   0005 更新距离矩阵。
   （00001）判断是否是可信轨迹，可信轨迹的id得到active_targets
   （00002）判断是否是可信轨迹，得到features（3n512）,n是可信的轨迹个数
   （00004）输入上面的两个数值，进行拟合
   （000001）依次提取特征和轨迹编号，进行self.samples[target] = self.samples[target][-self.budget:]
   （000002）保存可信轨迹的信息？？？？？？？？？？？？？？？？**问题
   003 保存可信轨迹的目标信息result、results，框（tlwh）、置信度、类别、轨迹id
7. Sort中重载的sort结束，
   01 分别提取result和results中的信息保存到det中
   DS->sort结束
   返回det内容

展示结果

1. 根据det中的内容，把结果展示在图像上