Projeto desenvolvido na disciplina INE5443 - Reconhecimento de Padrões ministrada pelo Prof. Aldo Von Wangenheim

Os objetivos deste trabalho são explorar o tema de tracking de objetos, pessoas, em uma sequência de imagens através de duas abordagens, usando ferramentas de visão clássica e ferramentas de machine learning, CNN.

[descrever o que foi feito]

Para a abordagem usando ferramentas de machine learning, foram escolhidos os métodos de Tracking SORT e DeepSORT. Estes dois métodos foram estudados e suas principais características e funções foram abordadas.

Por se tratar de dois algoritmos complexos, optou-se, para esse trabalho, utilizar de ferramentas já disponíveis de aplicação de DeepSORT com a seguinte fonte.

o arquivo em google colab, Neural_Network.ipynb , está neste repositório.

Setup Download data Run inference on video Show results

Nesta parte é feito a importação dos pacotes necessários para a implementação e construção da rede inicial de detecção de pessoas e os algoritmos de traking.

!git clone --recurse-submodules https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch.git  

Nesta parte do código é feito o download da sequência de imagens que contém a movimentação do objeto de interesse, pessoas.

!git clone https://github.com/Matheus-Lenzi/Tracking-de-Pessoas-Grupo-5.git

Além disso, nesta etapa também é feito o download dos pesos da CNN já treinada para reconhecer objetos pessoas. Neste trabalho foi usado uma YOLOv5.

!wget -nc https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch/releases/download/v.2.0/crowdhuman_yolov5m.pt -O /content/Yolov5_DeepSort_Pytorch/yolov5/weights/crowdhuman_yolov5m.pt

Nesta etapa é executado o script track.py e é passado como parâmetros os pesos da YOLOv5 que se pretende construir e o path da sequência de imagens na qual se tem interesse de estudo de rastreamento.

!python track.py --yolo_model /content/Yolov5_DeepSort_Pytorch/yolov5/weights/crowdhuman_yolov5m.pt --source /content/newOutput.mp4 --save-vid

Por fim, após o algoritmo de tracking ser executado, os resultados são carregados em HTML para serem mostrados usando a ferramenta notebook.

mp4 = open('output.mp4','rb').read()
data_url = "data:video/mp4;base64," + b64encode(mp4).decode()