• Python 3.6.0+
• Keras 2.1.5+
• TensorFlow 1.6.0+
• Opencv3.4 + contrib

-- yolo行人检测主程序 yolo.py

-- 执行程序

run python3 yolo_video.py

voc数据集

按论文需求修改配置文件yolo.cfg、voc_annotation.py、voc_class.txt

运行下面语句训练检测模型

run python3 train.py

训练好的权重放在model_data路径下

行人检测跟踪的测试，运行下面语句，input是输入视频，output是保存路径

run python yolo_video.py --input test.mp4 --output cuc1.mp4

先设置config里面的配置文件 Set dataset attribute of the config files in configs/.

训练行人预测网络，运行下面语句，config设置网络超参数，out root路径保存模型

run python3 train_social_model.py --config ./data/configs/ucy.jason --out root ./data/result/20190527/test=ucy/social_train_model_e0010.h5

测试行人预测网络，运行下面语句 Run evaluate_social_model.py， trained_model_config设置测试的超参数，trained_model_file路径指定测试使用的模型

run python3 evaluate_social_my_model.py --trained_model_config /home/leonard/skk/social_lstm_keras_tf-master/data/configs/other.json --trained_model_file /home/leonard/skk/social_lstm_keras_tf-master/data/results/20190527/test=ucy/social_train_model_e0010.h5

测试融合模型，运行下面语句，input是待测试视频 Run human_track_predict.py

run python3.5 human_track_predict.py --input test.mp4

（由于时间原因，只标注了一个视频，也是在校园里采集的，由于角度问题，行人的移动变化明显，所以便于可视化）

下图对比了改进后的圆形邻域预测模型与原来的矩形邻域预测模型

• 红色曲线是真实值;
• 蓝色曲线是改进后的模型;
• 绿色曲线是原来的矩形邻域模型。

输入一个待测视频，首先经过检测跟踪模型，调用yolo.py文件里的detect_img和detect_video函数进行行人的检测跟踪，将坐标保存至person.vsp；然后调用evaluate_social_model.py文件进行预测模型的测试，将行人的预测坐标保存至txt文件；最后调用可视化文件read_and_show输出预测视频。

以下是模型的整个测试流程：

• work only on batch size = 1
• require much RAM (use almost all 16GB in my environment)