Introduction

对视频中的车流量进行统计，目前使用 2070super 可以达到 30fps 的速度。使用了 tensorflow-serving-yolov3 的算法，原版的 yolo 算法训练的过程对 GPU 要求较高，因此使用了 tensorflow 版本的 yolo 算法。

在原版的 tensorflow-serving-yolov3 上主要修改了：

./core/config.py

__C.YOLO.CLASSES => class_names
__C.TRAIN.ANNOT_PATH => train_labels
__C.TEST.ANNOT_PATH => test_labels
__C.TRAIN.BATCH_SIZE => banch_size 根据显存大小调整

增加了 VisDrone 数据集，位置在 ./VisDrone2018-tf-yolo/

训练好的模型在 ./yolov3_visdrone.pb
移植了 iou-tracker 算法，实现了多目标追踪，将多帧画面中的物体进行关联，实现对车辆运动轨迹的检测，当检测到车辆轨迹穿过检测线时进行计数。

目前检测 VisDrone 数据集的正确率已经比较高了

~~目前只做好了检查，还没有做计数的功能!~~

目前已经做好了计数功能，效果如下：

检测：

计数：

Part0. 资源下载

yolov3_visdrone.pb(训练好的模型百度网盘链接) 提取码: 8jqg

VisDrone2018-tf-yolo(筛选过的数据集百度网盘链接) 提取码: ux34

Part1. Demo展示

进入文件夹，安装需要的软件
```
pip3 install -r requirements.txt
```
这里安装的是GPU版的Tensorflow，CPU版的Tensorflow也是可以用的，只是运行速度慢一些
模型已经训练好，直接运行
```
./video_demo_new.sh
```
待检测的视频是 ./docs/images/1.mp4，如需修改待检测视频需要修改 video_demo.py 第14行的 video_path，代码中有 resize 的过程，因此视频的尺寸没有要求

运行的时候可能还缺少一些库，按照报错原因安装相应的库
检测的结果在 ./output/demo.mp4 ./output/counting.mp4

Part2. 程序说明

1. 目录结构

.
|____readme_images
|____tools                                  # 为车流量统计写的一些程序
| |____image_process.py
| |____speed_prediction.py
| |____save_image.py
| |____vehicle_counting.py
| |____iou_tracker.py                       # iou tracker
| |____trackers_to_perframe.py
| |____vis_tracker.py
|____yolov3_visdrone.pb                     # 车辆模型
|____checkpoint                             # 训练自定义数据集检查点存放的位置
|____core                                   # tensorflow-yolov3 核心代码
| |____config.py                            # 配置文件
| |____...
|____vehicle_counting.py                    # 车流量统计的主程序 2
|____requirements.txt                       # 项目所需的库
|____pickle_file_path
|____image_demo.py
|____video_demo_new.py                      # 车流量统计的主程序 1
|____VisDrone2018-tf-yolo                   # 车辆数据集
|____serving-yolov3
|____image_demo_Chinese.py
|____output
| |____test_output
| | |____tmp.pk                             # 两端程序的中间数据
| | |____...
| |____demo.mp4                             # 车流量统计的主程序 1(video_demo_new.py) 输出的结果
| |____counting.mp4                         # 车流量统计的主程序 2(vehicle_counting.py) 输出的结果
| |____...
|____save_model.py
|____tensorboard.sh                         # 可视化训练模型
|____README.md
|____train.py
|____video_demo.py
|____evaluate.py
|____convert_weight.py
|____video_demo_new.sh                      # 对两段主程序的封装
|____...

2. 程序说明

当执行 ./video_demo_new.sh 时，会执行两段程序：

首先执行 video_demo_new.py，这段程序包含了两个过程：
1. 先试用训练好模型 ./yolov3_visdrone.pb 对视频 ./docs/images/1.mp4 进行检测，标出每帧图像中车辆的位置，这个过程同时会将检查的结果输出到 ./output/demo.mp4 中；
2. 接着使用 iou-tracker 算法进行多目标追踪，即在原先检测的结果上，标定出每辆车的行驶轨迹，这个过程的结果保存在 ./output/test_output/tmp.pk 中；
在 video_demo_new.py 中有一段 showVideo_flag = False，这个表示在检测时实时显示检测结果，如果想观看实时结果可将其改为 showVideo_flag = True，由于这个过程是在 GPU 上进行的，显示可能会造成显存不够，程序奔溃，可以在程序运行完成后查看 ./output/demo.mp4。
第二段程序 vehicle_counting.py，统计车流量，即使用之前检测出的车辆轨迹数据，当有车辆轨迹经过路口画的线时，进行统计。
- 在 video_demo_new.py 中有一段 showVideo_flag = False，这个表示在统计时实时显示检测结果，建议将其改为 showVideo_flag = True，可以观看实时结果，也可以在程序运行完成后查看 output/counting.mp4。
- 路口划线位置在 tools/trackers_to_perframe.py 里修改：
```
# 左边路口划线位置
LEFT_INTERSECTION_ROI_POSITION = 400
LEFT_INTERSECTION_ROI_START = 300
LEFT_INTERSECTION_ROI_END = 550
# 右边路口划线位置
RIGHT_INTERSECTION_ROI_POSITION = 1000
RIGHT_INTERSECTION_ROI_START = 0
RIGHT_INTERSECTION_ROI_END = 280
# 底部路口划线位置
BOTTOM_INTERSECTION_ROI_POSITION = 500
BOTTOM_INTERSECTION_ROI_START = 500
BOTTOM_INTERSECTION_ROI_END = 900
```

Part3. 训练自定义数据集

参考 Train your own dataset

关于文件夹中的 VisDrone 数据集是我从原版的 VisDrone-Dataset 数据集中选出来的有车辆信息的一部分，如果需要重新训练需要执行以下脚本，重新生成 label 文件

./VisDrone2018-tf-yolo/scripts/visdrone2tfyolo.sh

TODO

~~在检测前对图像进行预处理，调整对比度和亮度，参考使用TensorFlow对象检测API进行实时目标检测目前在光照条件不好的情况下检测的准确率会下降~~
使用Python多线程，提高检测过程的速度，参考使用TensorFlow对象检测API进行实时目标检测
~~对车流量计数，参考 vehicle_counting_tensorflow~~

Reference

tensorflow-yolov3

tensorflow-serving-yolov3

iou-tracker

zhongwenkun886/Drone_Vehicle_Flow_Detection