五个功能模块
1. Yolo + Tracker + Resnet, 其中 Resnet 的实现在./contrast中
	track_reid.py
	
2. 轨迹分析模块，目录为：./tracking
	(1) 基于模块（Yolo + Tracker + Resnet）的输出
		tracking_test.py
	
	(2) 基于测试过程数据（track.data, tracking_output.data）的输出
		module_analysis.py
	
3. 比对分析模块，目录为：./contrast
	2个场景：1:1，1:n
	1:1场景：
		(1) 利用现场保存数据进行比对
			OneToOneCompare.txt（现场保存数据）
			one2one_onsite.py
		(2) 利用本地算法进行特征提取
			one2one_contrast.py
	1:n场景：
		(1) 直接利用 deletedBarcode.txt 中数据
			one2n_contrast.py
		(2) 构造取出、放入事件，设计不同的特征，
			feat_select.py


4. 整体流程仿真
	pipeline.py
		SourceType: "image", "video", yolo+resent+tracker模块输入数据类型






5. 全实时时间切分仿真分析
	time_devide.py
	需分 2 步运行模块:
    (1) runyolo()
	
		该模块调用 imgs_inference.py 中模块 run_yolo
		后续工作：
		1). 将run_yolo模块与track_redi.yolo_resnet_tracker模块合并
		2). 图像文件名标准化
    
    (2) show_seri()
		该模块调用 event_time_specify.py 中模块 devide_motion_state


具体实现：
./tracking
	tracking_test.py
		have_tracked():
			轨迹分析测试。遍历track_reid.py输出的文件夹trackdict下的所有.pkl文件。

	time_test.py
		统计Pipeline整体流程中各模块耗时
		
	module_analysis.py
		该模块中需要借助 try...except... 捕获data文件中的异常
		main(): 
			遍历文件夹下的每一个子文件夹，对子文件夹执行tracking_simulate() 函数；
		
		main_loop()：
			(1) 根据 deletedBarcode.txt 生成事件对，并利用事件对生成存储地址
			(2) 调用 tracking_simulate() 函数
		
		tracking_simulate(eventpath, savepath)：
			(1) 根据event_names获取事件名enent_name
			(2) 遍历并执行 eventpath 文件夹下的 0_track.data、1_track.data 文件，并调用do_tracking() 执行
			(3) 将前后摄、本地与现场，工8幅子图合并为1幅大图。
				上下子图分别显示的是前后摄，每一行4个子图，分别为：
				(a) tracker输出原始轨迹; 
				(b) 本地tracking输出; 
				(c) 现场算法轨迹选择前轨迹; 
				(d) 现场算法轨迹选择后的轨迹
				
			
		
		do_tracking(fpath, savedir, event_name)
			inputs：
				fpath: 0/1_track.data文件，并核验是否存在 0/1_tracking_output.data，若不存在该文件，直接返回 None, None
				
				savedir: 在该文件夹下会建立3个子文件夹及一个png轨迹图
					./savedir/event_name_images, 画boxes后的图像序列
					./savedir/event_name_subimgs, 轨迹分析后的目标子图，无 _x 为PC机结果，有 _x 为平板单摄像头轨迹选择后的输出
					./savedir/trajectory, 存储每一个轨迹图
					./savedir/event_name_tracking_select.png 或 enent_name_tracking.png 或 enent_name_select.png
					
			outputs:
				img_tracking：本机tracker、tracking 输出的结果比较图
				abimg: 部署算法的tracking、轨迹选择分析比较图
			

	./utils/read_data.py
		0/1_track.data 文件保存：yolo、Resnet、tracker、tracking模块的输出
		函数: extract_data(datapath)
			异常排除：
				(1) assert len(boxes)==len(feats)，确保每一帧内boxes数和feats数相等
				(2) assert(len(bboxes)==len(ffeats)), 确保关于bboxes的帧数和关于ffeats的帧数相等
				(3) assert(len(trackerboxes)==len(trackerfeats))，确保tracker输出的boxes可以对应到相应的feats上 
				这里未对 len(box)!=9、len(feat)!=256, 的情况做出约束
			输出：
				bboxes
				ffeats
				trackerboxes
				tracker_feat_dict[f"frame_{fid}"]["feats"]{{bid}: (256,)
											 }
				trackingboxes		
				tracking_feat_dict[f"track_{tid}"]["feats"]{f"{fid}_{bid}": tracker_feat_dict[f"frame_{fid}"]["feats"][bid]})
		
		
		
		0/1_tracking_output.data 文件保存用于比对的boxes、features
		函数: read_tracking_output(filepath)
			异常排除：
				(1) assert len(feats)==len(boxes)
				(2) box.size==9、feat.size=256
		
		

	./deprecated/contrast_one2one.py
		1:1 比对评估。have Deprecated! 
	./enentmatch.py
		1:n 模拟测试，have Deprecated! 
		
		
./contrast
	feat_similar.py
		similarity_compare_sequence(root_dir)
			inputs:
				root_dir：文件夹，包含"subimgs"字段，对该文件夹中的相邻图像进行相似度比较
		silimarity_compare()
			功能：对imgpaths文件夹中的图像进行相似度比较
			
	feat_select.py
		creatd_deletedBarcode_front(filepath)
			(1) 基于 deletedBarcode.txt, 构造取出事件和相应的放入事件，构成列表并更新这些列表。
				MatchList = [(getout_event, InputList), ...]
				
			(2) 设计不同的特征选择方式，计算 getout 事件和各 input 事件的相似度，并保存于文件：
				deletedBarcodeTest.txt
		
		
		precision_compare(filepath, savepath)
			读取 deletedBarcode.txt 和 deletedBarcodeTest.txt 中的数据，进行相似度比较
			
			
	one2n_contrast.py
		1:n 比对，读取 deletedBarcode.txt，实现现场测试评估。
		main():
			循环读取不同文件夹中的 deletedBarcode.txt，合并评估。
		main1():
			指定deletedBarcode.txt进行1:n性能评估		
			
	one2one_onsite.py
		现场试验输出数据的 1:1 性能评估；
		适用于202410前数据保存版本的，需调用 OneToOneCompare.txt
		
		标准特征向量生成
		std_sample_path：图像样本的存储地址
		std_barcode_path：对 std_sample_path 中文件列表进行遍历，形成{barcode: 图像样本地址}形式字典并进行存储
		std_feature_path：调用 inference_image(), 对每一个barcode，生成字典并进行存储
		
		
	genfeats.py
		genfeatures(imgpath, bcdpath, featpath)
		功能：生成标准特征向量
		参数：
			(1) imgpath：图像样本的存储地址
			(2) bcdpath：对 imgpath 中文件列表进行遍历，形成{barcode: 图像样本地址}形式字典并进行存储
			(3) featpath：调用 inference_image(), 对每一个barcode，生成字典并进行存储