在deepsort中加入显示轨迹的代码

DeepSORT是一种基于深度学习的目标跟踪算法，它结合了深度特征匹配和卡尔曼滤波器，通常用于实时视频追踪。要在DeepSORT中添加显示目标轨迹的代码，首先你需要有YOLOv3或相似的物体检测模型作为基础，因为DeepSORT依赖于这些模型提供特征点。以下是一个简单的步骤概述：

1. **安装库**:
- 安装`opencv-python`，`numpy`，`matplotlib`等必要的库用于图像处理和可视化。

pip install opencv-python numpy matplotlib

2. **初始化DeepSORT**:
使用`sort`模块从`deep_sort`库导入，并创建一个DeepSORT实例。

from deep_sort import DeepSort

# 加载预训练模型和配置文件
model_filename = 'model_data/mars-small128.pb'
encoder = create_box_encoder(model_filename, batch_size=1)
metric = nn_matching.NearestNeighborDistanceMetric("cosine", 0.3)
tracker = DeepSort(max_dist=0.2, min_confidence=0.3, metric=metric, encoder=encoder)

3. **捕获帧并追踪**:
对每一帧进行物体检测并更新追踪结果。

def track(frame):
    # 调用YOLO或其他检测模型获取框信息
    boxes, confidences, labels = detect_objects(frame)

    # 使用DeepSORT追踪
    tracker.update(boxes, confidences, frame)
    
    # 获取追踪后的坐标和ID
    tracked_ids, tracked_boxes = tracker.tracked()
    
    # 可视化轨迹
    for id, box in zip(tracked_ids, tracked_boxes):
        draw_trajectory(frame, box, id)

def draw_trajectory(frame, box, id):
    x1, y1, x2, y2 = box
    cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)  # 绿色矩形表示目标
    cv2.putText(frame, str(id), (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)  # 显示ID

4. **显示视频并循环处理**:
最后，在主循环中加载视频，逐帧调用`track`函数并显示带有轨迹的视频。

import cv2

# 加载视频
video_capture = cv2.VideoCapture('input_video.mp4')
while True:
    ret, frame = video_capture.read()
    if not ret:
        break
    
    track(frame)
    cv2.imshow('DeepSORT Tracking', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break