Yolov5+dnn+卡尔曼滤波（Kalman）实现目标跟踪及预测
环境配置
1.ubuntu20
2.opencv+opencv_contrib
场景应用及流程描述
在导航、检测短暂丢失目标时，利用kalman算法对目标移动轨迹做一个简单的预测。
通常目标跟踪是由检测器+跟踪器作为基本配置，目前常用的检测器通常为yolo系列或者faster rcnn等通用目标检测器。跟踪器用的比较多的是deepsort。但是deepsort实验时，分配ID比较乱，这次采用kalman。
配置yolov5的dnn模块
这一块参考我的其他博客
配置opencv
yolov5 dnn模块部署
代码描述
self.net = cv2.dnn.readNet(yolo_type + '.onnx')
self.net.setPreferableBackend(cv2.dnn.DNN_BACKEND_CUDA)
self.net.setPreferableTarget(cv2.dnn.DNN_TARGET_CUDA)
dnn模块进行cuda加速
yolonet = yolov5(args.net_type, confThreshold=args.confThreshold, nmsThreshold=args.nmsThreshold, objThreshold=args.objThreshold)
kf = KalmanFilter()
初始化yolov5模型，以及加载kalman滤波算法
cap = cv2.VideoCapture("test2.mp4")
while(True):
ret, frame = cap.read()
if ret is False:
break
if ret:
dets = yolonet.detect(frame)
frame,box_center = yolonet.postprocess(frame, dets)
读取图像以及利用opencv的dnn模块进行yolov5目标检测，返回检测结果的中心位置。
for box in box_center:
cx = int(box[0])
cy = int(box[1])
predicted = kf.predict(cx, cy)
cv2.circle(frame, (cx, cy), 20, (0, 0, 255), 4)
for i in range(3):
predicted = kf.predict(predicted[0], predicted[1])
cv2.circle(frame, predicted, 10, (255, 0, 0), 4)
将结果送入kalman滤波器，并进行预测，本次代码中进行了三次预测。
实现效果
整个目标在以类似抛物线向上运动，红色圆为检测目标中心，蓝色的三个圆为三次预测的结果。
完整代码：https://download.csdn.net/download/weixin_41868104/84979158
Original: https://blog.csdn.net/weixin_41868104/article/details/123505157
Author: 小俊俊的博客
Title: Yolov5+dnn+卡尔曼滤波（Kalman）实现目标跟踪及预测
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/519315/
转载文章受原作者版权保护。转载请注明原作者出处！