PyCharm-win10常用快捷键
注意：若不做特殊说明，下面 符号 + 仅表示同时操作/按。 另外，部分快捷键与操作系统有关，本文仅以win10为例.
1. 与其他多数编辑器通用的快捷键方式
复制 [Ctrl + C]
粘贴 [Ctrl + V]
保存 [Ctrl + S]
撤销 [Ctrl + Z]
反撤销 [Ctrl + Shift + Z]
查找 [Ctrl + F]
替换 [Ctrl + R]
将光标移动到行首 [Home]
将光标移动到行尾 [End]
…
2. 格式化当前脚本代码 [Ctrl + Alt + L]
# 格式化前
b = [1,2, 3]
# 执行 Ctrl + Alt + L, 格式化后
b = [1, 2, 3]
3. 注释/反注释 [...
Yolov5-DeepSort多目标跟踪算法
Yolov5-DeepSort多目标跟踪算法
多目标跟踪，顾名思义，就是可以对多个目标进行跟踪，区别于单目标跟踪。
1. 多目标跟踪的一般工作流程
获取图像
获取视频的图像帧;
检测
利用目标检测器（e.g. yolo等）获取目标对象在原图上的检测框;
提取特征
提取每个检测目标的特征，通常包括外观特征（e.g. ReID）和运动特征（e.g. 卡尔曼滤波）;
计算相似度
利用上述特征计算检测目标之间的相似度;
匹配
利用相似度进行目标匹配（e.g. 匈牙利算法）。
上述工作流程是对多目标跟踪算法最基本的了解。标题中Yolov5指...
Yolov5-DeepSort之IoU匹配
IoU匹配
IOU匹配算法是以IoU距离为代价矩阵的匈牙利匹配算法。
1. 代码详解
这里只展示相关代码，整个deepsort工程见本人github，代码里添加详细注释，帮助大家理解。
def min_cost_matching(distance_metric, max_distance, tracks, detections,
track_indices=None, detection_indices=None):
if track_indices is None:
track_indices = np.arange(len(tracks))
if detection_indices is None:...
Yolov5-DeepSort之级联匹配
级联匹配
级联匹配算法是对于确定态的跟踪目标利用匹配的优先程度进行多级优先匹配，该匹配策略是以余弦距离结合马氏距离为代价矩阵的匈牙利匹配算法。
1. 代码详解
这里只展示相关代码，整个deepsort工程见本人github，代码里添加详细注释，帮助大家理解。
def matching_cascade(distance_metric, max_distance, cascade_depth, tracks, detections,
track_indices=None, detection_indices=None):
# 分配track_indices和detection_indices两个列表
if track_ind...
Yolov5-DeepSort之匈牙利匹配算法
匈牙利匹配算法
DeepSort中匈牙利匹配算法解决的是线性和分配问题，也称为二部图的最小权重匹配，针对的是有权图，不是简单的无权图。
1. 匈牙利匹配算法功能
输入：代价矩阵（有权图）
输出：行列不重复的最佳匹配
2. 匈牙利匹配算法过程
匈牙利算法由以下四个步骤组成。前两个步骤执行一次，而步骤 3 和 4 重复执行，直到找到最佳匹配。该算法的输入是一个 n * n 的代价矩阵，只有非负元素。
步骤 1：减去行最小值
对于每行，找到最小的元素，然后从该行中的每个元素中减去它。
步骤 2：减去列最小值
对于每列，找到最小的元素，然后从该列中的每个元素中减去它。
...
Yolov5-DeepSort之马氏距离
马氏距离
马氏距离(Mahalanobis distance)是由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的，表示点与一个分布之间的距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是，它考虑到各种特性之间的联系。
马氏距离可以定义为两个服从同一分布并且其协方差矩阵为Σ的随机变量x与y的差异程度：
等价实现推理：
如果协方差矩阵为单位矩阵，马氏距离就简化为欧式距离；如果协方差矩阵为对角阵，其也可称为正规化的马氏距离。
1. 代码详解
上述马氏距离的理论部分，但是在代码实践中，原作者做了一些改进，即等价推理部分。本人在学习过程中对代码做了详细的注释，并论证了该等价过程，记录在本博客中，与大家分享...
Yolov5-DeepSort之卡尔曼滤波
卡尔曼滤波
卡尔曼滤波算法有预测和更新两个主要过程，共 5 个公式。
1. 预测
根据上一个时刻 (k-1 时刻) 的后验估计值来估计当前时刻 (k时刻) 的状态，得到当前时刻 (k时刻) 的先验估计值。 估计的对象有两个，分别是状态和协方差矩阵。
状态预测公式1：
或者简化为：
协方差预测公式2：
公式1是根据上一时刻的状态和控制变量来推测此刻的状态，公式1实际上是对运动系统的建模的过程。x表示状态向量; u表示控制或加速度向量; w表示预测过程的噪声，服从高斯分布; k表示时间; F表示状态转移矩阵，常用来对目标的运动建模，其模型可能为匀速直线运动或者匀加速运动，当状态转移矩阵不符合目标的状态转换模型时，滤波会很快发散; B表示控制矩阵...
9 post articles, 2 pages.