目标：检测并跟随目标（人） on TX2
基本方案
嵌入式设备，计算资源有限，对算法的运行时间敏感。
-
detection: YOLOv3(-tiny)
-
tracking: KCF
当前状态
-
YOLOv3在TX2上能跑到5fps，但存在偶尔漏检的情况。YOLOv3使用darknet。
-
KCF虽然非常快，但很容易跟丢，对于目标形变（人的姿态变化）、目标移动较快、目标离开场景等情况，效果较差。KCF使用opencv contrib的实现。
工作内容
Detection
-
使用TensorRT移植YOLOv3，减少检测时间。
-
使用应用场景的数据，训练YOLO。
Tracking
-
改进特征，加入“人体”特征，同时要注意特征计算要很快。
-
多帧融合预测搜索范围。
Detection和Tracking的结合
-
结合的方法，一部分取决于两个算法的精度和速度。越好越快，结合的方式可以越简单。
RGBD
-
获取方法
-
Kinect，已测试
-
ZED, 未测试
-
-
YOLO@RGBD
-
KCF@RGBD
用pytorch实现yolov3模型
调试时发现，pytorch版本的代码和darknet相差很大。
发现原因：图像预处理时的resize，虽然都使用双线性插值，darknet自己实现的插值算法，我使用opencv的resize实现，计算的结果小数点第3位有很大差别，第2位有少许差别。由于输入不同，网络参数相同，另外网络结构的具体实现，也存在差异，这些共同导致了pytorch代码的输出，和darknet差别巨大。
解决办法：用pytorch重新训练yolov3，进行适度的参数调整，使得参数适应移植后的平台。
任何重现或者移植的工作，一定要实现学习过程，才是有意义的复现。