之前做的工作是用YOLO3检测器(keras版本)检测车辆，加上deepsort跟踪，使用reid车辆数据集去跑的deepsort，效果很一般，因为检测就有点问题，所以检测这一块还是要自己训练数据集得到良好的模型，不然跟踪效果不好。

主要目的就是：判断车辆违章变道。

方案：
1.检测车辆yolov3，这里不管是用keras也好，darknet，tensorflow也好，训练都是离线下完成的，只需要在实际检测车辆时候吧前向网络写好，把模型load进去就可以得到车辆检测结果了。

2.检测车道线，想办法合成视频。

3.轧线判别模块，这里需要利用之前车辆检测得到的bbox的结果，也就是坐标和宽高信息，再结合车道线位置进行判决。

4.通过轧线的那辆车判断是哪一辆车。开始跟踪，提取该轧线车辆的特征，与后续帧，前面帧之间检测到的那辆车做特征匹配，判断是否是同一辆车。(即是否能把deepsort当中的目标检测后就开始跟踪改为轧线触发跟踪。这是一个难点)。

这里给个流程：一开始并不使用deepsort，先把未压线前几帧的检测到的车辆的图片用一个容器，这里使用一个滑动窗口存起来，同时deepsort当中的特征提取器提取出这些帧车辆的平均特征；如果始终未压线，则继续做之前的检测；一旦轧线条件触发，则开始调用deepsort跟踪后续帧的车辆，把轧线的帧的车辆作为基准，比对后几帧车辆是否是同一辆，并且和之前未压线时候的帧平均后的车辆特征进行关联，相当于做了两次deepsort，只不过这个轧线触发开关给后续的跟踪。另一个特征提取器负责轧线之前的车辆帧的特征提取，并和一旦轧线之后的那辆车的特征进行关联。

5.根据不同序列帧图片当中的车道线的位置确定下来，车辆在不同帧下位置是在车道线的左边还是右边，根据这个条件加上4中的同一辆车判断车辆是否违章变道。