CN107066922B - 用于国土资源监控的目标追踪方法 - Google Patents
用于国土资源监控的目标追踪方法 Download PDFInfo
- Publication number
- CN107066922B CN107066922B CN201611259923.4A CN201611259923A CN107066922B CN 107066922 B CN107066922 B CN 107066922B CN 201611259923 A CN201611259923 A CN 201611259923A CN 107066922 B CN107066922 B CN 107066922B
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- frame image
- image
- classifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种用于国土资源监控的目标追踪方法。该方法包括:获取当前帧图像,根据预先训练得到的贝叶斯分类器对所述当前帧图像的上一帧图像进行处理以确定所述当前帧图像中的跟踪目标的目标位置;获取下一帧图像,将所述下一帧图像作为所述当前帧图像,返回上述步骤重复跟踪处理直至所有图像序列的所有帧图像处理完毕;在所述跟踪处理过程中,当所述跟踪目标消失时,根据预设的目标位置预测算法预测得到在下一帧图像中所述跟踪目标的目标位置。本公开可以在国土资源的复杂场景下长久稳定可靠地跟踪监控目标。
Description
技术领域
本公开涉及信息监控技术领域,尤其涉及一种用于国土资源监控的目标追踪方法。
背景技术
随着我国经济的迅猛发展,土地供需矛盾日益突出,违法建设占用耕地现象、城市非法用地或者不合规用地建设现象和矿产资源的偷采盗采现象屡有发生。目前在国土资源监测方面主要利用卫星遥感监测等技术手段监测土地利用变化情况,通过不同年度前后时间土地遥感图像变化核查各地方违法用地状况。但是卫星监测更多的是从国家层面进行宏观监管,涉及到某区域性资源监控,则更多的是采用通过建设视频监控***来进行监管。
国土资源的视频监控***在实际工程应用中存在一些问题,例如在复杂场景(如野外树林、山地等复杂场景)下,监控目标(如车辆或人员)会出现成像质量差、对比度低、背景混乱、目标姿态变化或被遮挡(包括部分和完全遮挡)等情况。这些情况下目前的视频监控***难以长久稳定地跟踪监控目标,造成视频监控***的监控误区,可能导致出现一些不必要的误判。
因此,有必要提供一种新的技术方案改善上述方案中存在的一个或者多个问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种用于国土资源监控的目标追踪方法,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面,提供一种用于国土资源监控的目标追踪方法,所述方法包括:
获取当前帧图像,根据预先训练得到的贝叶斯分类器对所述当前帧图像的上一帧图像进行处理以确定所述当前帧图像中的跟踪目标的目标位置;
获取下一帧图像,将所述下一帧图像作为所述当前帧图像,返回上述步骤重复跟踪处理直至所有图像序列的所有帧图像处理完毕;
在所述跟踪处理过程中,当所述跟踪目标消失时,根据预设的目标位置预测算法预测得到在下一帧图像中所述跟踪目标的目标位置。
本公开的一种示例性实施例中,所述根据预先训练得到的贝叶斯分类器对所述当前帧图像的上一帧图像进行处理以确定所述当前帧图像中的跟踪目标的目标位置包括:
在所述上一帧图像中的目标位置周围距离为预设半径的圆形范围内,利用粒子滤波器随机采样得到第一预定数目的候选样本;
根据所述预先训练得到的贝叶斯分类器对获得的每个所述候选样本进行分类,计算每个所述候选样本的分类器响应,并将具有最大分类器响应的候选样本确定为所述当前帧图像中的跟踪目标进而确定目标位置。
本公开的一种示例性实施例中,所述预先训练得到的贝叶斯分类器由以下方式确定:
获取第一帧图像,在所述第一帧图像中选取所述跟踪目标的跟踪区域;
在所述跟踪区域利用粒子滤波器随机选取第二预定数目的正负模板;
根据所述第二预定数目的正负模板对朴素贝叶斯分类器进行训练得到所述预先训练得到的贝叶斯分类器。
本公开的一种示例性实施例中,所述预先训练得到的贝叶斯分类器如 下:
其中,先验概率均匀分布,即p(y=1)=p(y=0);
y∈{0,1}表示二值标记的二值变量;n为待分类的候选样本个数,xi
为每个待分类候选样本的特征向量;
本公开的一种示例性实施例中,所述方法还包括:
在所述跟踪处理过程中,每达到预定帧数时将所述预定帧数的图像对应的最大分类器响应拟合形成响应曲线;其中,所述预定帧数大于等于5帧;
根据所述响应曲线的变化趋势判断当前帧图像中所述跟踪目标是否消失;
若所述跟踪目标消失,则根据所述预设的目标位置预测算法预测得到在下一帧图像中所述跟踪目标的目标位置。
本公开的一种示例性实施例中,所述根据所述响应曲线的变化趋势判断当前帧图像中所述跟踪目标是否消失包括:
若所述响应曲线连续下降五帧以上,且满足以下预设条件则认为所述跟踪目标消失:
所述预设条件为:第一预定值大于第二预定值的a倍;
其中,a取0.8;所述第一预定值为所述响应曲线上起始突变点对应的最大分类器响应与最后突变点对应的最大分类器响应之间的差值;每个所述突变点对应一帧图像;
所述第二预定值为突变前所述响应曲线上的第五帧对应的最大分类器响应与最小分类器响应之间的差值。
本公开的一种示例性实施例中,所述方法还包括:
若所述跟踪目标没有消失,则每隔五帧更新一次所述预先训练得到的贝叶斯分类器,以使根据更新后的贝叶斯分类器进行处理确定所述跟踪目标的目标位置。
本公开的一种示例性实施例中,所述根据预设的目标位置预测算法预测得到在下一帧图像中所述跟踪目标的目标位置包括:
根据所述跟踪目标消失前的位置信息,采用卡尔曼滤波算法来计算预测得到下一帧图像中所述跟踪目标的目标位置。
本公开的一种示例性实施例中,所述方法还包括:
在所述跟踪目标消失后的所述预测过程中,检测所述跟踪目标是否重新出现;
若是,则结束所述预测过程,重新根据所述预先训练得到的贝叶斯分类器对当前重新出现所述跟踪目标的一帧图像进行处理以得到相应下一帧图像中的所述跟踪目标。
本公开的一种示例性实施例中,所述检测所述跟踪目标是否重新出现包括:
在所述预测过程中同时计算每个所述候选样本的置信度值;
根据每个所述候选样本的置信度值在整个所述跟踪处理过程中的变化趋势来判断所述跟踪目标是否重新出现。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开的一种实施例中,通过上述用于国土资源监控的目标追踪方法,结合贝叶斯分类器算法以及轨迹预测方法确定跟踪目标的位置。这样,一方面,可以在复杂场景如目标被遮挡等情况下长久稳定地跟踪监控目标;另一方面,可以保证视频监控***准确地捕捉追踪目标,进而确保国土资源监控视频***的可靠运行,避免误判或监控事故情况出现。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中用于国土资源监控的目标追踪方法的流程图;
图2示意性示出本公开示例性实施例中用于另一国土资源监控的目标追踪方法的流程图;
图3A~3D示意性示出本公开示例性实施例中目标处于混乱背景下的目标跟踪结果示意图;
图4A~4D示意性示出本公开示例性实施例中目标被遮挡背景下的目标跟踪结果示意图;
图5示意性示出本公开示例性实施例中用于国土资源监控的目标追踪装置的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个 或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中提供了一种用于国土资源监控的目标追踪方法。参考图1中所示,该方法可以包括以下步骤:
步骤S101:获取当前帧图像,根据预先训练得到的贝叶斯分类器对所述当前帧图像的上一帧图像进行处理以确定所述当前帧图像中的跟踪目标的目标位置。
步骤S102:获取下一帧图像,将所述下一帧图像作为所述当前帧图像,返回上述步骤重复跟踪处理直至所有图像序列的所有帧图像处理完毕。
步骤S103:在所述跟踪处理过程中,当所述跟踪目标消失时,根据预设的目标位置预测算法预测得到在下一帧图像中所述跟踪目标的目标位置。
通过上述用于国土资源监控的目标追踪方法,一方面,可以在复杂场景如目标被遮挡等情况下长久稳定地跟踪监控目标;另一方面,可以保证视频监控***准确地捕捉追踪目标,进而确保国土资源监控视频***的可靠运行,避免误判或监控事故情况出现。
下面,结合图1至图2对本示例实施方式中的上述方法的各个步骤进行更详细的说明。
在步骤S101中,获取当前帧图像,根据预先训练得到的贝叶斯分类器对所述当前帧图像的上一帧图像进行处理以确定所述当前帧图像中的跟踪目标的目标位置。
在一示例性实施例中,所述当前帧图像和当前帧图像的上一帧图像可以从监控视频***获取,具体例如可以获取待监控国土资源区域的当前帧图像和当前帧图像的上一帧图像。所述待监控国土资源区域可以是矿区、文物保护区等等,本示例性实施例对此不作特殊限制。所述根据预先训练得到的贝叶斯分类器对所述当前帧图像的上一帧图像进行处理以确定所述当前帧图像中的跟踪目标的目标位置可以包括以下步骤201~202;其中:
步骤201:在所述上一帧图像中的目标(如车辆)位置周围距离为预 设半径R的圆形范围内,利用粒子滤波器随机采样得到第一预定数目(如60个)的候选样本。为了提高处理效率,还可以对所有的候选样本进行归一化到相同尺寸,例如16*16像素尺寸。
示例性的,所述候选样本的选取可以是以上一帧图像中目标的位置为中心均值,以事先设定的标准差按照高斯分布来随机选取。之所以采用高斯分布而不是随机分布来选取是利用了人类视觉***的注意力机制,即对距离目标越近的物体给予更多的关注,而远离目标的物体则关注减小,高斯分布正符合人类视觉***的这种机制,也符合连续视频序列中帧间连续性及时间相关性。
步骤202:根据所述预先训练得到的贝叶斯分类器对获得的每个所述候选样本进行分类,计算每个所述候选样本的分类器响应,并将具有最大分类器响应的候选样本确定为所述当前帧图像中的跟踪目标进而确定目标位置。
示例性的,例如可以根据最大后验概率MAP准则来计算最可能的候选目标位置,即将具有最大分类器响应的候选样本作为当前帧中待跟踪目标。需要说明的是,根据最大后验概率MAP准则的具体计算可参考现有算法,这里不再赘述。
本示例性实施例中,所述预先训练得到的贝叶斯分类器可以由以下方式确定,具体可以包括以下步骤301~303:
步骤301:获取第一帧图像,在所述第一帧图像中选取所述跟踪目标的跟踪区域。
示例性的,可以在获取的待监控国土资源区域的监控视频图像序列的第一帧中选取待跟踪目标区域,并记录该初始跟踪区域的中心位置、宽和高等参数。
步骤302:在所述跟踪区域利用粒子滤波器随机选取第二预定数目的正负模板。
示例性的,在选取的初始跟踪区域周围利用粒子滤波器随机选取一定数目的正负模板(也称正负样本),并归一化到相同尺寸。训练样本集可以由Np个正模板和Nn个负模板组成。首先,在选取的目标跟踪区域(如几个像素为半径的圆周)周围采样Np个图像。随后,为了提升效率,可以 将采样的每个图像归一化到相同的尺寸,例如16*16。再将每一幅采样图像堆在一起形成对应的正模板矢量。类似的,负训练样本集由远离标记位置(如距离目标几个像素的同心圆)的图像组成。这样,训练样本集同时包含背景和部分目标图像。由于仅包含目标部分表观信息的样本被认为是负样本,其置信值很小。因此,可以获得更好的目标定位。
本示例性实施例中,所述正负样本的选取可以是在上一帧图像目标位置周围按照高斯分布来随机选取,选取的正负样本个数分别可以为25和100个,归一化尺寸可以为16*16,对所有的场景固定不变。当然,本示例性实施例中对此不作特殊限制,本领域技术人员可以根据实际需要调整样本个数以及归一化尺寸等等。
步骤303:根据所述第二预定数目的正负模板对朴素贝叶斯分类器进行训练得到所述预先训练得到的贝叶斯分类器。
本示例性实施例中,在每一帧图像处理中,均在上一帧图像中被跟踪目标周围利用粒子滤波来采样取得样本。为了更好的跟踪目标,利用仿射变换来对目标运动进行建模。假设仿射参数是独立的,可以用六个尺度高斯分布来建模。
具体的,采用选取的正负模板初始化贝叶斯分类器,并获得正负模板的均值和标准差。给定样本的特征向量为x,假设x中所有元素相互独立。图像中的随机矢量服从高斯分布。因此,分类器中的条件分布p(xi|y=1),p(xi|y=0)服从具有四个参数的高斯分布。p(xi|y=1),p(xi|y=0)可以通过高斯分布进行估计。
示例性的,所述预先训练得到的贝叶斯分类器如下:
其中,先验概率均匀分布,即p(y=1)=p(y=0);
y∈{0,1}表示二值标记的二值变量;n为待分类的候选样本个数,xi为每个待分类候选样本的特征向量;
这里,为了降低计算复杂度,便于硬件实现。本示例性实施例中对朴素贝叶斯分类器进行了泰勒展开形成上述公式所示的贝叶斯分类器。
在步骤S102中,获取待监控国土资源区域的下一帧图像,将所述下一帧图像作为所述当前帧图像,返回上述步骤重复跟踪处理直至所述待监控国土资源区域的所有图像序列的所有帧图像处理完毕。也即不断重复上述基于贝叶斯分类器算法的处理过程处理完所有图像序列的所有帧图像。
在步骤S103中,在所述跟踪处理过程中,当所述跟踪目标消失时,根据预设的目标位置预测算法预测得到在下一帧图像中所述跟踪目标的目标位置。
在国土资源视频监控***中,目标通常距离探测器较远。成像过程中,由于大气湍流、***抖动和光学***的像差等因素导致目标在***的成像非常模糊,对比度差。此外,由于是远距离成像,目标无纹理和颜色信息,形状及姿态各异。另一方面,目标所处的背景复杂混乱,在运动过程中还会出现遮挡、姿态变化、模糊等情形,这些都给复杂场景下的长久目标跟踪带来了巨大的挑战。
为了获得复杂场景下长久稳定的目标跟踪,本示例实施方式中利用基于贝叶斯分类器这样的分类方法的优势,同时与轨迹预测方法结合,当跟踪目标消失时,根据预设的目标位置预测算法预测得到在下一帧图像中所述跟踪目标的目标位置,从而实现长久鲁棒的目标跟踪。
在一种示例性实施例中,所述根据预设的目标位置预测算法预测得到在下一帧图像中所述跟踪目标的目标位置可以包括:根据所述跟踪目标消失前的位置信息,采用卡尔曼滤波算法来计算预测得到下一帧图像中所述 跟踪目标的目标位置。采用卡尔曼滤波算法的具体计算过程可参考现有技术,不再赘述。当然,本示例性实施例中对具体的轨迹预测算法不作特殊限制。
下面在一示例性实施例中对步骤S103中如何判断跟踪目标是否消失作出说明。所述方法还可以包括以下步骤401~403。其中:
步骤401:在所述跟踪处理过程中,每达到预定帧数时将所述预定帧数的图像对应的最大分类器响应拟合形成响应曲线;其中,所述预定帧数大于等于5帧。
例如,跟踪进行到一定帧数之后,判断每一帧对应的最大分类器响应形成的响应曲线的趋势。若响应曲线发生突变,则该突变点对应的帧即为跟踪失效的帧。
步骤402:根据所述响应曲线的变化趋势判断当前帧图像中所述跟踪目标是否消失。
举例来说,本示例性实施例中,所述根据所述响应曲线的变化趋势判断当前帧图像中所述跟踪目标是否消失可以包括:若所述响应曲线连续下降五帧以上,且满足以下预设条件则认为所述跟踪目标消失。
所述预设条件为:第一预定值大于第二预定值的a倍;其中,a取0.8,为一经验值。所述第一预定值为所述响应曲线上起始突变点对应的最大分类器响应与最后突变点对应的最大分类器响应之间的差值;每个所述突变点对应一帧图像。所述第二预定值为突变前所述响应曲线上的第五帧对应的最大分类器响应与最小分类器响应之间的差值。
步骤403:若所述跟踪目标消失,则根据所述预设的目标位置预测算法预测得到在下一帧图像中所述跟踪目标的目标位置。
在一种示例性实施例中,所述方法还可以包括:若所述跟踪目标没有消失,则每隔五帧更新一次所述预先训练得到的贝叶斯分类器,以使根据更新后的贝叶斯分类器进行处理确定所述跟踪目标的目标位置。具体的,可以更新所述预先训练得到的贝叶斯分类器的参数,具体的贝叶斯分类器的更新可参考现有技术,不再赘述。通过这样的更新可以更加准确地捕获跟踪目标。
参考图2所示,在上述实施例的基础上,在一示例性实施例中,所 述方法还可以包括以下步骤:
步骤S104:在所述跟踪目标消失后的所述预测过程中,检测所述跟踪目标是否重新出现。
例如,目标(如车辆)在消失时可能是被遮挡,如进入树林被部分或完全遮挡,同时经过一段时间又会重现。
步骤S105:若是,即所述跟踪目标重新出现,则结束所述预测过程,重新根据所述预先训练得到的贝叶斯分类器对当前重新出现所述跟踪目标的一帧图像进行处理以得到相应下一帧图像中的所述跟踪目标。
例如,在跟踪目标消失后可以进入预测过程预测目标的轨迹进而确定目标下一刻的位置。而在目标重现后进入基于上述贝叶斯分类器的处理过程来确定目标的位置。也就是实现从预测状态到重新捕获状态的转换,重新启用基于贝叶斯分类器的目标跟踪算法进行目标跟踪。这样将两种方式结合可以长久稳定可靠地捕捉跟踪目标。
示例性的,所述检测所述跟踪目标是否重新出现可以包括以下步骤501~502。其中:
步骤501:在所述预测过程中同时计算每个所述候选样本的置信度值。
步骤502:根据每个所述候选样本的置信度值在整个所述跟踪处理过程中的变化趋势来判断所述跟踪目标是否重新出现。例如,在所述预测过程中每个所述候选样本的置信度值逐渐增大且达到预设阈值,则可判断所述跟踪目标重新出现。
本公开提供了一种基于贝叶斯分类器和轨迹预测相结合的复杂场景下长久目标跟踪方法,将跟踪看作二分类问题,解决了复杂场景下目标与背景容易混淆的问题。当目标被完全遮挡导致跟踪算法失效时,利用轨迹预测获得失效后的跟踪状态。经过一定时间之后目标重现,重新捕获目标继续进行跟踪算法追踪,从而实现复杂场景下目标出现被遮挡(部分或完全被遮挡)、背景混乱、姿态变化时的长久、鲁棒跟踪。
下面结合图3A~3D以及图4A~4D说明应用本示例实施方式中的上述方法得到的测试结果,以验证该方法的适应性。
为了验证本发明方法对目标处于混乱背景的适应性,采用外场试验采集的地面复杂场景图像序列共824帧,如图3A~3D所示,截取其中第2 帧、第116帧、第128帧以及第248帧图像得到的跟踪结果。这四帧分别描述了目标跟踪初始、开始处于混乱背景中、处于混乱背景中以及从混乱背景中再次出现的情况。图3A~3D中灰色矩形框表示跟踪框,矩形框中心的十字表示跟踪框的中心点。从图中可以看出,当目标遭遇混乱背景时,基于贝叶斯分类器的跟踪方法失效,此时采用轨迹预测机制来预测目标在下一帧的位置。经过一定帧数之后,目标重新出现,继续采用贝叶斯分类器的跟踪方法可以获得复杂场景下长久稳定的跟踪。
为了验证本发明方法对目标被遮挡(如部分及全部被遮挡)背景的适应性,采用外场试验采集的地面复杂场景图像序列共359帧,如图3A~3D所示。截取其中第90帧、第120帧、第183帧以及第210帧图像得到的跟踪结果。这四帧图像分别示出了目标被部分遮挡(被树干遮挡)、遮挡后重新出现、再次被部分遮挡(进入树丛)、遮挡后重新出现(从树丛出来)的情况。图中灰色矩形框表示跟踪框,矩形框中心的十字表示跟踪框的中心点。从图中可以看出,基于贝叶斯分类器和轨迹预测相结合的复杂场景下目标跟踪方法可以适应目标发生局部或全局遮挡的情况,实现长久稳定的跟踪。
本公开的用于国土资源监控的目标追踪方法的有益效果在于:提供一种基于贝叶斯分类器和轨迹预测相结合的复杂场景下长久目标跟踪方法,与只利用朴素贝叶斯分类器进行跟踪的方法相比,加入了轨迹预测及目标从短暂消失(如被完全遮挡)到重新出现时再捕获的机制,解决了目标被完全遮挡或处于混乱背景时继续稳定跟踪的问题,实现了复杂场景下长久、鲁棒的目标跟踪。另外,对朴素贝叶斯分类器进行泰勒展开近似,与朴素贝叶斯分类器相比,计算复杂度更低,解决了朴素贝叶斯分类器在硬件上难以实现的问题。最后,采用粒子滤波来采样正负模板及候选样本,并用仿射变换对目标运动进行建模,可以适应目标发生尺度、旋转、平移及错切角的变化,适应性好。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将 一个步骤分解为多个步骤执行等。另外,也易于理解的是,这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器或者网络设备等)执行根据本公开实施方式的方法。
图5示出根据本公开示例实施方式中一种用于国土资源监控的目标追踪装置400的示意图。例如,装置400可以被提供为一服务器。参照图5,装置400包括处理组件422,其进一步包括一个或多个处理器,以及由存储器432所代表的存储器资源,用于存储可由处理组件422的执行的指令,例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件422被配置为执行指令,以执行上述方法。
装置400还可以包括一个电源组件426被配置为执行装置400的电源管理,一个有线或无线网络接口450被配置为将装置400连接到网络(如视频监控网络),和一个输入输出(I/O)接口458。装置400可以操作基于存储在存储器432的操作***,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (8)
1.一种用于国土资源监控的目标追踪方法,其特征在于,所述方法包括:
获取当前帧图像,根据预先训练得到的贝叶斯分类器对所述当前帧图像的上一帧图像进行处理以确定所述当前帧图像中的跟踪目标的目标位置;
获取下一帧图像,将所述下一帧图像作为所述当前帧图像,返回上述步骤重复跟踪处理直至所有图像序列的所有帧图像处理完毕;
在所述跟踪处理过程中,每达到预定帧数时将预定帧数的图像对应的最大分类器响应拟合形成响应曲线;其中,所述预定帧数大于等于5帧;根据所述响应曲线的变化趋势判断当前帧图像中所述跟踪目标是否消失;
所述根据所述响应曲线的变化趋势判断当前帧图像中所述跟踪目标是否消失包括:若所述响应曲线连续下降五帧以上,且满足以下预设条件则认为所述跟踪目标消失:所述预设条件为:第一预定值大于第二预定值的a倍;其中,a取0.8;所述第一预定值为所述响应曲线上起始突变点对应的最大分类器响应与最后突变点对应的最大分类器响应之间的差值;每个所述突变点对应一帧图像;所述第二预定值为突变前所述响应曲线上的第五帧对应的最大分类器响应与最小分类器响应之间的差值;
在所述跟踪处理过程中,当所述跟踪目标消失时,根据预设的目标位置预测算法预测得到在下一帧图像中所述跟踪目标的目标位置。
2.根据权利要求1所述方法,其特征在于,所述根据预先训练得到的贝叶斯分类器对所述当前帧图像的上一帧图像进行处理以确定所述当前帧图像中的跟踪目标的目标位置包括:
在所述上一帧图像中的目标位置周围距离为预设半径的圆形范围内,利用粒子滤波器随机采样得到第一预定数目的候选样本;
根据所述预先训练得到的贝叶斯分类器对获得的每个所述候选样本进行分类,计算每个所述候选样本的分类器响应,并将具有最大分类器响应的候选样本确定为所述当前帧图像中的跟踪目标进而确定目标位置。
3.根据权利要求2所述方法,其特征在于,所述预先训练得到的贝叶斯分类器由以下方式确定:
获取第一帧图像,在所述第一帧图像中选取所述跟踪目标的跟踪区域;
在所述跟踪区域利用粒子滤波器随机选取第二预定数目的正负模板;
根据所述第二预定数目的正负模板对朴素贝叶斯分类器进行训练得到所述预先训练得到的贝叶斯分类器。
5.根据权利要求1所述方法,其特征在于,所述方法还包括:
若所述跟踪目标没有消失,则每隔五帧更新一次所述预先训练得到的贝叶斯分类器,以使根据更新后的贝叶斯分类器进行处理确定所述跟踪目标的目标位置。
6.根据权利要求2所述方法,其特征在于,所述根据预设的目标位置预测算法预测得到在下一帧图像中所述跟踪目标的目标位置包括:
根据所述跟踪目标消失前的位置信息,采用卡尔曼滤波算法来计算预测得到下一帧图像中所述跟踪目标的目标位置。
7.根据权利要求6所述方法,其特征在于,所述方法还包括:
在所述跟踪目标消失后的所述预测过程中,检测所述跟踪目标是否重新出现;
若是,则结束所述预测过程,重新根据所述预先训练得到的贝叶斯分类器对当前重新出现所述跟踪目标的一帧图像进行处理以得到相应下一帧图像中的所述跟踪目标。
8.根据权利要求7所述方法,其特征在于,所述检测所述跟踪目标是否重新出现包括:
在所述预测过程中同时计算每个所述候选样本的置信度值;
根据每个所述候选样本的置信度值在整个所述跟踪处理过程中的变化趋势来判断所述跟踪目标是否重新出现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611259923.4A CN107066922B (zh) | 2016-12-30 | 2016-12-30 | 用于国土资源监控的目标追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611259923.4A CN107066922B (zh) | 2016-12-30 | 2016-12-30 | 用于国土资源监控的目标追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107066922A CN107066922A (zh) | 2017-08-18 |
CN107066922B true CN107066922B (zh) | 2021-05-07 |
Family
ID=59624217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611259923.4A Active CN107066922B (zh) | 2016-12-30 | 2016-12-30 | 用于国土资源监控的目标追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107066922B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230358A (zh) * | 2017-10-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 目标跟踪及神经网络训练方法、装置、存储介质、电子设备 |
CN107784291A (zh) * | 2017-11-03 | 2018-03-09 | 北京清瑞维航技术发展有限公司 | 基于红外视频的目标检测跟踪方法和装置 |
CN111488776B (zh) * | 2019-01-25 | 2023-08-08 | 北京地平线机器人技术研发有限公司 | 对象检测方法、对象检测装置和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339240A (zh) * | 2008-08-26 | 2009-01-07 | 中国人民解放军海军工程大学 | 基于双层预测机制的无线传感器网络目标跟踪方法 |
CN102053247A (zh) * | 2009-10-28 | 2011-05-11 | 中国科学院电子学研究所 | 一种多基线合成孔径雷达三维成像的相位校正方法 |
CN104392467A (zh) * | 2014-11-18 | 2015-03-04 | 西北工业大学 | 一种基于压缩感知的视频目标跟踪方法 |
CN104933733A (zh) * | 2015-06-12 | 2015-09-23 | 西北工业大学 | 一种基于稀疏特征选择的目标跟踪方法 |
CN105096345A (zh) * | 2015-09-15 | 2015-11-25 | 电子科技大学 | 一种基于动态测量矩阵的目标跟踪方法及*** |
CN105389546A (zh) * | 2015-10-22 | 2016-03-09 | 四川膨旭科技有限公司 | 车辆行驶过程中对夜间人物进行识别的*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250878B (zh) * | 2016-08-19 | 2019-12-31 | 中山大学 | 一种结合可见光和红外图像的多模态目标跟踪方法 |
-
2016
- 2016-12-30 CN CN201611259923.4A patent/CN107066922B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339240A (zh) * | 2008-08-26 | 2009-01-07 | 中国人民解放军海军工程大学 | 基于双层预测机制的无线传感器网络目标跟踪方法 |
CN102053247A (zh) * | 2009-10-28 | 2011-05-11 | 中国科学院电子学研究所 | 一种多基线合成孔径雷达三维成像的相位校正方法 |
CN104392467A (zh) * | 2014-11-18 | 2015-03-04 | 西北工业大学 | 一种基于压缩感知的视频目标跟踪方法 |
CN104933733A (zh) * | 2015-06-12 | 2015-09-23 | 西北工业大学 | 一种基于稀疏特征选择的目标跟踪方法 |
CN105096345A (zh) * | 2015-09-15 | 2015-11-25 | 电子科技大学 | 一种基于动态测量矩阵的目标跟踪方法及*** |
CN105389546A (zh) * | 2015-10-22 | 2016-03-09 | 四川膨旭科技有限公司 | 车辆行驶过程中对夜间人物进行识别的*** |
Also Published As
Publication number | Publication date |
---|---|
CN107066922A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035304B (zh) | 目标跟踪方法、介质、计算设备和装置 | |
US20180189573A1 (en) | Real-time detection, tracking and occlusion reasoning | |
Hao et al. | Spatio-temporal traffic scene modeling for object motion detection | |
KR102153607B1 (ko) | 영상에서의 전경 검출 장치 및 방법 | |
KR102465960B1 (ko) | 변화점 검출을 활용한 다중클래스 다중물체 추적 방법 | |
JP6654789B2 (ja) | 変化点で複数候補を考慮して物体を追跡する装置、プログラム及び方法 | |
CN107066922B (zh) | 用于国土资源监控的目标追踪方法 | |
Bešić et al. | Dynamic object removal and spatio-temporal RGB-D inpainting via geometry-aware adversarial learning | |
US20210286997A1 (en) | Method and apparatus for detecting objects from high resolution image | |
Garg et al. | Rapid and robust background modeling technique for low-cost road traffic surveillance systems | |
US10915755B2 (en) | Alignment-free video change detection using deep blind image region prediction | |
KR20210020723A (ko) | 폭행 감지 기능을 구비한 cctv 촬영 장치 및 cctv 영상에 기초한 폭행 감지 방법 | |
CN113269722A (zh) | 生成对抗网络的训练方法、及高分辨率图像重建方法 | |
CN108320298B (zh) | 一种视觉目标跟踪方法与设备 | |
Ait Abdelali et al. | An adaptive object tracking using Kalman filter and probability product kernel | |
CN110648351B (zh) | 基于稀疏表示的多外观模型融合目标跟踪方法及其装置 | |
CN106897731B (zh) | 用于国土资源监控的目标跟踪*** | |
Angelo | A novel approach on object detection and tracking using adaptive background subtraction method | |
Wang et al. | Object counting in video surveillance using multi-scale density map regression | |
Roy et al. | A comprehensive survey on computer vision based approaches for moving object detection | |
Zhang et al. | An optical flow based moving objects detection algorithm for the UAV | |
Duan | [Retracted] Deep Learning‐Based Multitarget Motion Shadow Rejection and Accurate Tracking for Sports Video | |
Joudaki et al. | Background subtraction methods in video streams: a review | |
CN115457274A (zh) | 一种基于深度学习的车载视角遮挡目标检测方法及装置 | |
Ghahremannezhad et al. | Real-time hysteresis foreground detection in video captured by moving cameras |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |