下面是基于 MATLAB 的 YOLOv4 目标检测 + DeepSORT 多目标跟踪完整实现方案，可实时跟踪视频中的多类目标（如行人、车辆），并保持目标 ID 稳定（即使短暂遮挡也能持续跟踪）。

matlab 2024下载安装配置教程

matlab下载安装配置教程:https://blog.csdn.net/2501_93482651/article/details/154799463?spm=1011.2415.3001.10575&sharefrom=mp_manage_link

核心流程

1. YOLOv4 检测：每帧图像中检测目标（输出边界框、类别、置信度）。
2. DeepSORT 跟踪：基于目标检测结果，通过外观特征和运动模型关联跨帧目标，分配唯一 ID 并更新轨迹。

完整代码实现

步骤 1：环境准备与参数配置

% 检查必要工具箱
if ~license('test', 'Computer Vision Toolbox') || ~license('test', 'Deep Learning Toolbox')
    error('请安装 Computer Vision Toolbox 和 Deep Learning Toolbox');
end

% 配置参数
confidenceThreshold = 0.5;  % 检测置信度阈值（过滤低置信度目标）
videoPath = 'traffic_video.mp4';  % 视频路径（可替换为摄像头：'camera'）
targetClasses = {'person', 'car', 'truck', 'bicycle'};  % 需跟踪的目标类别

步骤 2：加载 YOLOv4 检测器（预训练或自定义）

% 方法1：使用预训练YOLOv4模型（基于COCO数据集，支持80类目标）
detector = yolov4ObjectDetector;

% 方法2：加载自定义训练的YOLOv4模型（若有）
% load('my_yolov4_detector.mat', 'trainedDetector');
% detector = trainedDetector;

步骤 3：初始化 DeepSORT 跟踪器

% 配置DeepSORT跟踪器参数
tracker = trackerDeepSORT( ...
    'MaxAge', 30, ...          % 目标丢失后保留ID的最大帧数（遮挡容错）
    'DetectionThreshold', 0.3, ...  % 关联检测的最低置信度
    'AppearanceFeature', 'cnn', ... % 用CNN提取外观特征（提升遮挡后重识别能力）
    'TrackerOutput', 'BoundingBox' ...  % 输出跟踪目标的边界框
);

步骤 4：处理视频/摄像头并实现实时跟踪

% 打开视频源（摄像头或视频文件）
if strcmp(videoPath, 'camera')
    video = videoinput('winvideo', 1);  % Windows摄像头（Linux用'v4l2'）
    preview(video);  % 预览摄像头
else
    video = VideoReader(videoPath);
end

% 创建视频播放器（优化显示速度）
player = vision.VideoPlayer('Name', 'YOLOv4 + DeepSORT 多目标跟踪');

% 处理每一帧
while true
    % 获取当前帧
    if strcmp(videoPath, 'camera')
        frame = getsnapshot(video);
    else
        if ~hasFrame(video)
            break;  % 视频结束
        end
        frame = readFrame(video);
    end
    
    % 步骤A：用YOLOv4检测目标
    [bboxes, scores, labels] = detect(detector, frame);
    
    % 筛选目标（仅保留指定类别和高置信度结果）
    validIdx = ismember(labels, targetClasses) & (scores > confidenceThreshold);
    bboxes = bboxes(validIdx, :);    % 有效边界框
    scores = scores(validIdx);       % 有效置信度
    labels = labels(validIdx);       % 有效类别
    
    % 步骤B：用DeepSORT跟踪目标（关联ID）
    [tracks, info] = step(tracker, frame, bboxes, scores);
    
    % 步骤C：标注跟踪结果（显示类别、ID和置信度）
    if ~isempty(tracks)
        % 获取跟踪ID和对应类别
        trackIds = arrayfun(@(t) t.Id, tracks, 'UniformOutput', false);
        trackedLabels = labels(info.AssignedIds);  % 关联检测结果与跟踪ID
        
        % 生成标注文本（类别 + ID + 置信度）
        annotations = strcat( ...
            trackedLabels, ...
            " (ID:", trackIds, ")", ...
            " (", arrayfun(@(s) sprintf('%.2f', s), scores(info.AssignedIds), 'UniformOutput', false), ")" ...
        );
        
        % 在图像上绘制边界框和标注
        frame = insertObjectAnnotation(frame, 'rectangle', bboxes(info.AssignedIds,:), annotations);
    end
    
    % 显示结果
    step(player, frame);
    
    % 按ESC键退出（ASCII码27）
    if ishandle(player) && strcmp(get(player, 'CurrentKey'), char(27))
        break;
    end
end

% 释放资源
if strcmp(videoPath, 'camera')
    stop(video);
    delete(video);
end
release(player);
close all;

关键参数说明

1. YOLOv4 检测参数

   • confidenceThreshold：过滤低置信度目标（如设为0.5，仅保留置信度>50%的检测结果），降低跟踪干扰。
   • 输入尺寸：YOLOv4默认输入416×416，可通过 detector.InputSize 调整（尺寸越大精度越高，但速度越慢）。

2. DeepSORT 跟踪参数

   • MaxAge：目标丢失后保留ID的最大帧数（如设为30，适合30帧/秒的视频，允许1秒遮挡后仍能恢复跟踪）。
   • AppearanceFeature：设为'cnn'时，跟踪器会提取目标外观特征（如颜色、纹理），大幅提升遮挡后重识别能力。

效果优化技巧

1. 提升跟踪稳定性

   • 若目标频繁丢失ID，可增大 MaxAge（如40），或提高 confidenceThreshold 减少误检干扰。
   • 对小目标，可将YOLOv4输入尺寸调至608×608（detector.InputSize = [608,608,3]），提升检测精度。

2. 加速实时处理

   • 减小输入尺寸（如320×320），或使用轻量版YOLOv4（yolov4-tiny）。
   • 限制跟踪类别（targetClasses 只保留需要的类别，如仅跟踪'car'）。

3. 处理遮挡场景

   • 确保 AppearanceFeature 设为'cnn'，利用外观特征而非仅依赖位置关联目标。

适用场景

• 交通监控：跟踪车辆、行人，统计流量或违规行为（如闯红灯）。
• 商场客流分析：跟踪顾客移动轨迹，统计停留区域。
• 工业场景：跟踪生产线上的零件或设备，监控流程是否正常。

通过上述代码，可快速实现高精度、高稳定性的多目标跟踪系统，兼顾实时性和鲁棒性。