Similari:构建高性能实时多目标跟踪器的强大框架

在计算机视觉和物体跟踪领域,高效的多目标跟踪系统一直是一个具有挑战性的课题。随着深度学习和人工智能技术的发展,对实时、准确的目标跟踪需求日益增长。在这样的背景下,Similari应运而生,为开发人员提供了一个强大而灵活的框架,用于构建高性能的多目标跟踪系统。

Similari简介

Similari是一个开源的Rust框架,同时提供Python绑定,专门用于构建复杂的跟踪系统。它的主要目标是帮助开发人员创建高效的并行化SORT、DeepSORT等先进的单观察者(如摄像头)或多观察者跟踪引擎。

Similari的核心优势在于其灵活性和性能。它不仅可以用于构建各种跟踪和相似性搜索引擎,还特别适合处理动态变化的对象和观察结果。这使得Similari在视频处理或其他需要处理模糊或变化观察结果的系统中表现出色。

Similari Logo

Similari的主要特性

多样化的跟踪算法:Similari提供了多种现成的跟踪算法,包括:
- 边界框卡尔曼滤波器(支持轴对齐和旋转边界框)
- 2D点卡尔曼滤波器
- 2D点向量卡尔曼滤波器
- 非极大值抑制(NMS)
- SORT跟踪算法(支持IoU和马氏距离)
- BatchSORT跟踪算法
- VisualSORT跟踪算法(类似DeepSORT)
高性能设计:Similari采用Rust语言编写,利用ultraviolet库进行快速SIMD计算,并通过索引分片和专用线程工作池实现并行计算,确保了卓越的性能表现。
跨平台支持:Similari支持多种平台,包括:
- Linux: X86_64, ARM64, ARMv7
- Windows: X86_64
- MacOS: X86_64, ARM64
Python接口:除了Rust API,Similari还提供了Python接口,使得更多开发者可以方便地使用其功能。
灵活的对象表示:Similari支持对象的生命周期跟踪、多次观察和动态属性,使其能够适应各种复杂的跟踪场景。

Similari的应用场景

Similari特别适用于以下场景:

视频监控系统:实时跟踪多个移动目标,如人员、车辆等。
自动驾驶:跟踪道路上的其他车辆、行人和障碍物。
人群分析:在大型公共场所跟踪和分析人群流动。
体育赛事分析:跟踪运动员的位置和动作。
机器人导航:帮助机器人实时感知和跟踪周围环境中的物体。

性能与基准测试

Similari的性能通常优于使用Python和NumPy构建的跟踪器。为了充分发挥Similari的性能潜力,建议在编译时启用所有CPU功能,如AVX、AVX2等。可以通过设置RUSTFLAGS="-C target-cpu=native"来实现这一点。

根据官方基准测试,Similari在各种跟踪任务中展现出优秀的性能。例如,在处理1000个跟踪对象时,Similari能够在毫秒级别内完成跟踪更新。

使用Similari

要开始使用Similari,可以通过以下方式安装:

pip3 install similari-trackers-rs

对于想要从源码构建的开发者,Similari提供了详细的构建说明,包括在Docker中构建和在本地系统中构建的方法。

示例代码

以下是使用Similari实现简单SORT跟踪器的示例代码:

use similari::prelude::*;

fn main() {
    let mut tracker = SortTracker::new(
        TrackerSettings::default(),
        SortSettings::default(),
    );

    // 模拟检测结果
    let detections = vec![
        Detection::new(BoundingBox::new(10.0, 10.0, 50.0, 50.0), 0.9),
        Detection::new(BoundingBox::new(100.0, 100.0, 60.0, 60.0), 0.8),
    ];

    // 更新跟踪器
    let tracks = tracker.update(detections);

    // 处理跟踪结果
    for track in tracks {
        println!("Track ID: {}, Position: {:?}", track.id, track.bbox);
    }
}

这个简单的例子展示了如何创建一个SORT跟踪器,并使用它来处理检测结果。