129 lines
4.4 KiB
Plaintext
129 lines
4.4 KiB
Plaintext
三个功能模块
|
||
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) OneToOneCompare.txt
|
||
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
|
||
|
||
|
||
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
|
||
./savedir/event_name_subimgs
|
||
./savedir/trajectory
|
||
./savedir/event_name_ts.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 |