UCMCTrack 开源项目使用教程

1. 项目介绍

UCMCTrack 是一个基于统一相机运动补偿（Uniform Camera Motion Compensation）的多目标跟踪（Multi-Object Tracking, MOT）系统。该项目在 AAAI 2024 上发布，旨在通过估计相机参数来实现对移动相机场景下的多目标跟踪。UCMCTrack 不依赖于目标的外观信息，仅通过运动模型和相机参数估计来实现高精度的目标跟踪，特别适用于实时对象跟踪和移动设备上的应用。

UCMCTrack 在 MOT17 数据集上取得了最先进的性能，并且在没有使用任何外观线索的情况下，在 MOT17 数据集上达到了第一名。

2. 项目快速启动

环境准备

在开始之前，请确保您的系统上安装了以下依赖项：

• Python 3.8 或更高版本
• PyTorch 带 CUDA 支持
• Ultralytics 库

安装依赖

pip install -r requirements.txt

下载预训练权重

下载 YOLOv8x 的预训练权重文件 yolov8x.pt 到 pretrained 文件夹。

运行演示

使用以下命令运行演示脚本，该脚本将处理 demo.mp4 视频文件，检测并跟踪视频中的车辆，并将跟踪结果保存到 output 文件夹中。

python demo.py --cam_para demo/cam_para.txt --video demo/demo.mp4

其中，demo/cam_para.txt 是根据单张图像估计的相机参数文件。

3. 应用案例和最佳实践

应用案例

UCMCTrack 特别适用于以下场景：

• 自动驾驶：在自动驾驶系统中，车辆通常配备多个摄像头，UCMCTrack 可以用于实时跟踪其他车辆和行人。
• 监控系统：在监控系统中，摄像头可能会因为安装位置或环境因素而移动，UCMCTrack 可以在这种情况下保持高精度的目标跟踪。
• 无人机跟踪：无人机在飞行过程中，相机视角会不断变化，UCMCTrack 可以用于跟踪地面上的目标。

最佳实践

• 相机参数估计：在使用 UCMCTrack 之前，确保相机参数估计的准确性。可以通过 util/estimate_cam_para.py 工具从单张图像中估计相机参数。
• 性能优化：在实际应用中，可以根据硬件性能调整模型参数，以达到最佳的实时性能。

4. 典型生态项目

UCMCTrack 可以与其他开源项目结合使用，以增强其功能和应用范围：

• YOLOv8：作为目标检测器，YOLOv8 可以与 UCMCTrack 结合使用，提供高精度的目标检测结果。
• DeepSORT：DeepSORT 是一个基于外观和运动信息的多目标跟踪系统，可以与 UCMCTrack 结合使用，提供更全面的目标跟踪解决方案。
• OpenCV：OpenCV 提供了丰富的图像处理和计算机视觉工具，可以用于预处理和后处理 UCMCTrack 的输出结果。

通过结合这些生态项目，UCMCTrack 可以在更广泛的场景中实现高效的多目标跟踪。