diff --git a/README.md b/README.md
index e823d60d6273d49404ead0bf24f5bd219c2a9200..dbb4a4261d27aeeb95a67e81dae266fb4b2f6f1f 100644
--- a/README.md
+++ b/README.md
@@ -1,148 +1,31 @@
-本文地址：[https://blog.csdn.net/weixin_44936889/article/details/112002152](https://blog.csdn.net/weixin_44936889/article/details/112002152)
+本文地址：[https://blog.csdn.net/qq_43521665/article/details/117223138?spm=1001.2014.3001.5501](https://blog.csdn.net/qq_43521665/article/details/117223138?spm=1001.2014.3001.5501)
 
 # 注意：
 
 本项目使用Yolov5 3.0版本，4.0版本需要替换掉models和utils文件夹
 
 # 项目简介：
-使用YOLOv5+Deepsort实现车辆行人追踪和计数，代码封装成一个Detector类，更容易嵌入到自己的项目中。
+使用YOLOv5+Deepsort+REID实现车辆行人追踪和徘徊检测，代码封装成一个Detector类，更容易嵌入到自己的项目中。车辆检测是理论上的，主要实现的是行人检测。注意这里因为项目背景，这里只一次识别3个行人，1辆卡车和1辆汽车。
 
 代码地址（欢迎star）：
 
-[https://github.com/Sharpiless/Yolov5-deepsort-inference](https://github.com/Sharpiless/Yolov5-deepsort-inference)
+[https://codechina.csdn.net/qq_43521665/loitering-detection](https://codechina.csdn.net/qq_43521665/loitering-detection)
 
-最终效果：
-![在这里插入图片描述](https://img-blog.csdnimg.cn/20201231090541223.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkzNjg4OQ==,size_16,color_FFFFFF,t_70)
-# YOLOv5检测器：
+# 项目逻辑：
+使用yolov5进行物体的识别和筛选。将信息导入到deep_sort中进行分配跟踪id，并进行行人重识别，以保证重识别到的行人的id保持为之前使用的id.（如果对deep_sort分配id的方法没有概念，可以先看一下deep_sort单独对视频的处理。）最后将保存到的物体的移动轨迹进行简单的徘徊检测判断，也就是依据路程和位移的关系（所以真的是简单检测）,当然你可以参考一些资料，实现更合理更精确的徘徊检测算法实现。
 
-```python
-class Detector(baseDet):
+# 项目运行：
+首先需要进行人物特征的导入，这是因为我临时加上了行人重识别，可一般的重识别模型都是在有参考视频的情况下进行的，所以……只好……运行PS/query_get进行图片的保存。截取的人物图片会保存在'PS/query'文件夹下，具体的配置文件在config中。之后运行demo即可。注意这里只允许不大于三人进行特征提取，其实这里应该不限制人数，但后来的徘徊检测已经固定死了。考虑到之后deep_sort还会为每个行人分配id,为了区分重识别人物的id,所以用负数和0进行标记。可以看到，这里将目标识别人物进行0，-1，-2标记。
+    feats = {}
+    feat = temp.get_feats()
+    feats[0] = feat[0:2]
+    feats[-1] = feat[2:4]
+    feats[-2] = feat[4:6]
 
-    def __init__(self):
-        super(Detector, self).__init__()
-        self.init_model()
-        self.build_config()
+PS下的temp文件是我将重识别模型的特征提取和特征匹配两个方法提取出来，整合成一个文件，这里也就是行人充实别的接口。
+newtracker文件是徘徊检测问价，也是最核心的文件。这里是逻辑的集大成者，也就是yolov5,deep_sort，reid和徘徊检测算法都在这里进行。
+plot_bboxes方法实现框和轨迹的绘制，update_tracker实现track_id的分配，并将结果输入到plot_bboxes方法，该方法中引用get_distance方法进行路程和位移的计算，并进行轨迹的保存，之后方便进行轨迹的绘画，当然轨迹是在提出警告后才开始进行保存绘制的。具体的内容还是参考[https://blog.csdn.net/qq_43521665/article/details/117223138?spm=1001.2014.3001.5501]这篇代码中也有一些细节，例如超出视频范围内的轨迹预测，这里用到的就是离开的帧数和运动的速度，在使用过程中也要记得速度的更新。
 
-    def init_model(self):
 
-        self.weights = 'weights/yolov5m.pt'
-        self.device = '0' if torch.cuda.is_available() else 'cpu'
-        self.device = select_device(self.device)
-        model = attempt_load(self.weights, map_location=self.device)
-        model.to(self.device).eval()
-        model.half()
-        # torch.save(model, 'test.pt')
-        self.m = model
-        self.names = model.module.names if hasattr(
-            model, 'module') else model.names
-
-    def preprocess(self, img):
-
-        img0 = img.copy()
-        img = letterbox(img, new_shape=self.img_size)[0]
-        img = img[:, :, ::-1].transpose(2, 0, 1)
-        img = np.ascontiguousarray(img)
-        img = torch.from_numpy(img).to(self.device)
-        img = img.half()  # 半精度
-        img /= 255.0  # 图像归一化
-        if img.ndimension() == 3:
-            img = img.unsqueeze(0)
-
-        return img0, img
-
-    def detect(self, im):
-
-        im0, img = self.preprocess(im)
-
-        pred = self.m(img, augment=False)[0]
-        pred = pred.float()
-        pred = non_max_suppression(pred, self.threshold, 0.4)
-
-        pred_boxes = []
-        for det in pred:
-
-            if det is not None and len(det):
-                det[:, :4] = scale_coords(
-                    img.shape[2:], det[:, :4], im0.shape).round()
-
-                for *x, conf, cls_id in det:
-                    lbl = self.names[int(cls_id)]
-                    if not lbl in ['person', 'car', 'truck']:
-                        continue
-                    x1, y1 = int(x[0]), int(x[1])
-                    x2, y2 = int(x[2]), int(x[3])
-                    pred_boxes.append(
-                        (x1, y1, x2, y2, lbl, conf))
-
-        return im, pred_boxes
-
-```
-
-调用 self.detect 方法返回图像和预测结果
-
-# DeepSort追踪器：
-
-```python
-deepsort = DeepSort(cfg.DEEPSORT.REID_CKPT,
-                    max_dist=cfg.DEEPSORT.MAX_DIST, min_confidence=cfg.DEEPSORT.MIN_CONFIDENCE,
-                    nms_max_overlap=cfg.DEEPSORT.NMS_MAX_OVERLAP, max_iou_distance=cfg.DEEPSORT.MAX_IOU_DISTANCE,
-                    max_age=cfg.DEEPSORT.MAX_AGE, n_init=cfg.DEEPSORT.N_INIT, nn_budget=cfg.DEEPSORT.NN_BUDGET,
-                    use_cuda=True)
-```
-
-调用 self.update 方法更新追踪结果
-
-# 运行demo：
-
-```bash
-python demo.py
-```
-
-# 训练自己的模型：
-参考我的另一篇博客：
-
-[【小白CV】手把手教你用YOLOv5训练自己的数据集（从Windows环境配置到模型部署）](https://blog.csdn.net/weixin_44936889/article/details/110661862)
-
-训练好后放到 weights 文件夹下
-
-# 调用接口：
-
-## 创建检测器：
-
-```python
-from AIDetector_pytorch import Detector
-
-det = Detector()
-```
-
-## 调用检测接口：
-
-```python
-func_status = {}
-func_status['headpose'] = None
-
-result = det.feedCap(im, func_status)
-```
-
-其中 im 为 BGR 图像
-
-返回的 result 是字典，result['frame'] 返回可视化后的图像
-
-# 关注我的公众号：
-
-感兴趣的同学关注我的公众号——可达鸭的深度学习教程：
-
-![在这里插入图片描述](https://img-blog.csdnimg.cn/20210127153004430.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkzNjg4OQ==,size_16,color_FFFFFF,t_70)
-
-
-# 联系作者：
-
-> B站：[https://space.bilibili.com/470550823](https://space.bilibili.com/470550823)
-
-> CSDN：[https://blog.csdn.net/weixin_44936889](https://blog.csdn.net/weixin_44936889)
-
-> AI Studio：[https://aistudio.baidu.com/aistudio/personalcenter/thirdview/67156](https://aistudio.baidu.com/aistudio/personalcenter/thirdview/67156)
-
-> Github：[https://github.com/Sharpiless](https://github.com/Sharpiless)
 
 遵循 GNU General Public License v3.0 协议，标明目标检测部分来源：https://github.com/ultralytics/yolov5/