赵春江的专栏

但在这里，我们不使用官方的代码，而使用第三方代码，其网址为https://github.com/levan92/deep_sort_realtime。orginal_ltwh、det_conf、det_class：分别表示目标边框信息、置信值和类型，这三个值都是由tracker.update_tracks传入系统的原始目标的信息，但此时已匹配上了目标ID。max_iou_distance：IoU的门控阈值，大于该值的关联会被忽略，默认值为0.7。n_init：在初始阶段轨迹被保留的帧数，默认值为3。

outputs表示目标检测器的输出，ByteTrack需要先进行目标检测，然后才能利用ByteTrack算法实现跟踪，outputs应为二维数组，第一维表示目标，第二维表示该目标的信息，其前四个元素为目标边框的左上角和右下角的坐标，第5个元素为该目标的得分值，一般我们可以为该值赋予目标的置信值。从中可以看出，我们共得到了4个目标跟踪结果，它们的ID分别为2、3、4和7，其中ID为2的目标在第1帧开始出现，28为当前帧数，即在第28帧时，我们使用了print(tracks)这个代码。默认值为False。

但吹毛求疵地说，官网的ByteTrack有一些不足：1、为了通用性及科研的要求，代码过于冗长，但这不利于集成到自己的程序中；输出参数为该帧的跟踪结果，前4个元素为目标边框的左上角和右下角坐标（其与boxes有所不同），第4个元素为跟踪ID，第5个元素为目标得分值，第6个元素为目标类型，第7个元素为boxes所对应的索引值。为此，我们把核心函数整合到一个名为track.py的文件内，并把其放入到mytrack的文件夹内，然后把该文件夹复制到当前目录下。我把track.py文件内的完整内容复制到本博文的后面。

函数set_id的作用就是为当前目标设置ID，它的输入变量是被设置目标ID的中心点坐标centerPt，返回的是该目标的ID号return_id。在这里，我们除了为目标标注ID外，还实现了另一个功能：绘制了该目标的运动轨迹，所以这里的坐标不仅仅是当前帧的坐标，还包括以前同一目标的坐标。由于我们已经把当前帧内出现的ID保存在了now_id内，所以我们只需要把id_history内的ID与now_id比较，将now_id内没有出现的ID从id_history内剔除掉即可。id_counter为目标ID的编号。

因为我们这里应用的场景比较简单，所以我们只是设置了一条水平基准线，通过前后两帧同一辆车辆的坐标位置，可以判断出其行驶的方向，当越过基准线时，就计数一次。这是因为除了没有被统计进来的车辆（如，左上角和右上角的车辆）外，主要原因还是YOLOv8并没有完整的按顺序标记车辆ID，比如没有标记#6的车辆。在这里，我们不介绍任何原理性的内容，只以一个很简单的例子讲解如何应用YOLOv8进行目标跟踪，以及它所带来的一个附加功能——计数。目标跟踪针对的是视频处理，它是目标检测的更高级的应用。

十年前就想实现车牌识别这项任务，虽然当时这项技术就已较成熟（与现在的实现方法不同），但那时的我还具备这个能力。弹指一瞬间，没想到十年间人工智能技术已经发展到一个新的高度，图像识别早已不成问题，以ChapGPT为代表的生成式技术大行其道。写作、作曲、绘画等内容创作，甚至编程都可由计算机自动完成，这在以前只会出现在电影里。回到主题，正如上文提到的那样，图像识别经过十几年的发展，已经不再触不可及。基于各类预训练模型，通过简单的微调和迁移学习，就可以实现我们想要的各类图像分类、图像识别和图像分割。