CN108416800A - 目标跟踪方法及装置、终端、计算机可读存储介质 - Google Patents
目标跟踪方法及装置、终端、计算机可读存储介质 Download PDFInfo
- Publication number
- CN108416800A CN108416800A CN201810203671.6A CN201810203671A CN108416800A CN 108416800 A CN108416800 A CN 108416800A CN 201810203671 A CN201810203671 A CN 201810203671A CN 108416800 A CN108416800 A CN 108416800A
- Authority
- CN
- China
- Prior art keywords
- image frame
- model
- current image
- target
- initial
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种目标跟踪方法及装置、终端、计算机可读存储介质,属于计算机应用技术领域。所述方法包括:由当前图像帧的在前图像帧中的目标位置确定在所述当前图像帧中的起始搜索位置,通过所述当前图像帧在所述起始搜索位置的起始搜索模型与所述在前图像帧的目标模型,计算得到所述当前图像帧的目标模型,根据初始图像帧的初始目标模型与所述当前图像帧的目标模型,以所述起始搜索位置为起点,在所述当前图像帧中确定目标位置。此外,还提供了目标跟踪装置及终端、计算机可读存储介质。上述目标跟踪方法及装置、终端、计算机可读存储介质能够保证对目标准确跟踪的稳定性。
Description
技术领域
本发明涉及计算机应用技术领域,特别涉及一种目标跟踪方法及装置、终端、计算机可读存储介质。
背景技术
在数字化手术室内,摄像机采集到的画面可实时在示教室、会诊室甚至会议现场进行直播。手术时,为实现远程手术的演示、教学及远程会诊指导,增强手术室外人员与手术主刀医生之间的交互,将摄像机对手术主刀医生进行跟踪,使手术主刀医生始终处于摄像机的视野中心附近。
目前,均值漂移算法由于计算复杂度低、稳定性好和易于计算机实现等优点,成为目标跟踪领域的重要研究方向。基于均值漂移方法的目标跟踪技术中采用颜色核直方图或灰度核直方图描述目标的特征,然后利用均值漂移向量搜索目标位置。由于均值漂移算法在视觉跟踪过程中,要求目标区域在当前图像帧与在前图像帧有重合区域,所以经典均值漂移视觉跟踪算法在目标快速运动时,跟踪效果差;另一方面,在目标遮挡、场景光照强度变化等情况下,传统的基于均值漂移的视觉跟踪方法鲁棒性差。而数字化手术室内会安装多个屏幕显示腔镜、监护仪、CT等设备对患者的实时监控信息,手术主刀医生查看相关信息时将在这些设备之间走动,可能走出摄像机的视野,并且由于手术室场景中空间狭小,其中有手术主刀医生、助手、护士、麻醉师等人员,难免会出现遮挡的情况,导致在进行匹配运算时容易造成失跟现象;而手术室场景中的不同设备发出的光照强度不同,使手术场景中不同位置的光照亮度不同,并且由于室内人员均带有口罩,无法进行面部识别,导致在进行匹配运算时容易造成误跟现象。
为解决失跟和误跟等现象,在进行目标跟踪时,通过一定的更新速率,采用在前图像帧中的目标模型对当前图像帧的目标模型进行更新,进而在当前图像帧中确定目标位置。然而,当随着场景光照强度和摄像机视角变化时,当前图像帧中的目标模型与在前图像帧中的目标模型并非是完全相同的,若仅根据在前图像帧中的目标模型对当前图像帧的目标模型进行更新,当在前图像帧中的跟踪位置稍微偏离实际目标时,将由于相邻两个图像帧之间的偏差不断累积,最终导致目标失跟。因此,目前通过模型更新的目标跟踪无法保证对目标准确跟踪的稳定性。
发明内容
为了解决相关技术中对目标准确跟踪的稳定性较差的技术问题,本发明提供了一种目标跟踪方法及装置、终端、计算机可读存储介质。
第一方面,提供了一种目标跟踪方法,包括:
由当前图像帧的在前图像帧中的目标位置确定在所述当前图像帧中的起始搜索位置;
通过所述当前图像帧在所述起始搜索位置的起始搜索模型与所述在前图像帧的目标模型,计算得到所述当前图像帧的目标模型;
根据初始图像帧的初始目标模型与所述当前图像帧的目标模型,以所述起始搜索位置为起点,在所述当前图像帧中确定目标位置。
第二方面,提供了一种目标跟踪装置,包括:
起始搜索位置确定模块,用于由当前图像帧的在前图像帧中的目标位置确定在所述当前图像帧中的起始搜索位置;
当前目标模型计算模块,用于通过所述当前图像帧在所述起始搜索位置的起始搜索模型与所述在前图像帧的目标模型,计算得到所述当前图像帧的目标模型;
当前目标位置确定模块,用于根据初始图像帧的初始目标模型与所述当前图像帧的目标模型,以所述起始搜索位置为起点,在所述当前图像帧中确定目标位置。
第三方面,提供了一种终端,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如第一方面所述的方法。
第四方面,提供了一种计算机可读存储介质,用于存储程序,所述程序在被执行时使得终端执行如第一方面所述的方法。
通过本发明的实施例提供的技术方案能够得到以下有益效果:
在对当前图像帧确定目标位置时,通过当前图像帧在所述起始搜索位置的起始搜索模型与在前图像帧的目标模型得到所述当前图像帧的目标模型,并同时考虑初始图像帧的初始目标模型与当前图像帧的目标模型,根据初始图像帧的初始目标模型与在前图像帧中的目标模型在当前图像帧中确定目标位置,避免仅根据在前图像帧中的目标模型对当前图像帧的目标模型进行更新时,因场景光照强度和摄像机视角变化使在前图像帧与实际目标之间的偏差不断累积,进而造成跟踪位置与实际目标出现偏差,并由于相邻两个图像帧之间的偏差不断累积而最终导致目标失跟,从而提高了进行目标跟踪的准确性,保证了对目标准确跟踪的稳定性。
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的,本发明并不受限制。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种目标跟踪方法流程图。
图2是根据图1对应实施例示出的另一种目标跟踪方法流程图。
图3是根据图1对应实施例示出的目标跟踪方法中步骤S120的一种具体实现流程图。
图4是根据图1对应实施例示出的目标跟踪方法中步骤S130的一种具体实现流程图。
图5是根据一示例性实施例示出的通过均值漂移法进行匹配运算的流程图。
图6是根据一示例性实施例示出的通过均值漂移法进行匹配运算的过程图。
图7是根据图4对应实施例示出的目标跟踪方法中步骤S132的一种具体实现流程图。
图8是根据一示例性实施例示出的在光照强度发生变化的实验场景下,采用经典均值漂移法在不同图像帧中进行目标跟踪的过程示意图。
图9是根据一示例性实施例示出的在光照强度发生变化的实验场景下,采用本方案在不同图像帧中进行目标跟踪的过程示意图。
图10是根据一示例性实施例示出的一种目标跟踪装置的框图。
图11是根据图10对应实施例示出的另一种目标跟踪装置的框图。
图12是根据图10对应实施例示出的当前目标模型计算模块120的一种框图。
图13是根据图10对应实施例示出的当前目标位置确定模块130的一种框图。
图14是根据图13对应实施例示出的当前目标位置确定单元132的一种框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所记载的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种目标跟踪方法流程图,该目标跟踪方法的适用范围和执行主体,可以为智能手机、电脑等终端。如图1所示,该目标跟踪方法可以包括以下步骤。
在步骤S110中,由当前图像帧的在前图像帧中的目标位置确定在当前图像帧中的起始搜索位置。
目标位置是目标在图像帧中所处的位置。
目标位置可以是一个点,也可以是各种不同形状的区域,在此不对目标位置的形状进行一一描述。
需要说明的是,进行目标跟踪时,将在存在时间先后顺序的多个图像帧中分别确定目标位置。
当前图像帧是当前正进行目标跟踪的图像帧。
在前图像帧是相对当前图像帧的时间在前的图像帧。
当前图像帧和在前图像帧可以是通过单独拍摄采集的一张张图像,也可以是从采集的视频中提取出的一个个图像帧。
需要说明的是,当当前图像帧和在前图像帧均是从采集的视频中提取出的图像帧时,当前图像帧和在前图像帧可以是视频中相邻的两个图像帧,也可以从视频中按照一定图像帧间隔选取的两个图像帧。
例如,视频A中按照时间顺序的图像帧包括图像帧A1、A2、A3、A4、A5、A6、A7、A8、A9、A10,在当前图像帧为图像帧A5,对图像帧A5进行目标跟踪时,其在前图像帧可以是图像帧A4,也可以是从视频中选取的图像帧A2。
可以理解的是,在确定当前图像帧中的目标位置时,在前图像帧中的目标位置已经确定。
通常的,当前图像帧与在前图像帧之间的采集时间间隔较小,当前图像帧的目标位置与在前图像帧的目标位置之间的距离较小。
因此,在对当前图像帧进行目标跟踪时,将在前图像帧中的目标位置确定为当前图像帧中的起始搜索位置,进而在该起始搜索位置的邻域搜寻当前图像帧中的目标位置,从而大大减小在当前图像帧中确定目标位置的计算量。
在步骤S120中,通过当前图像帧在起始搜索位置的起始搜索模型与在前图像帧的目标模型,计算得到当前图像帧的目标模型。
起始搜索模型是对当前图像帧在起始搜索位置的图像特征进行描述的特征模型。
通过从当前图像帧中提取起始搜索位置的图像特征,并根据这些图像特征建立起始搜索模型。
在前图像帧的目标模型是对在前图像帧中目标的图像特征进行描述的特征模型。
在一示例性实施例中,图像特征为颜色核直方图或灰度核直方图。
可选的,通过在起始搜索模型与在前图像帧的目标模型之间设置一定的模型权值,计算得到当前图像帧的目标模型。
在步骤S130中,根据初始图像帧的初始目标模型与当前图像帧的目标模型,以起始搜索位置为起点,在当前图像帧中确定目标位置。
初始图像帧是在进行目标跟踪时,多个图像帧中时间顺序在最前面的图像帧。
初始图像帧的初始目标模型是对初始图像帧中目标的图像特征进行描述的特征模型。
在根据初始图像帧的初始目标模型与当前图像帧的目标模型,确定当前图像帧中的目标位置时,可以是以起始搜索位置为起点,在起始搜索位置的邻域搜寻当前图像帧中的目标位置,使对当前图像帧中目标位置的图像特征进行描述的目标模型与初始目标模型、当前图像帧的目标模型之间的相似度均最大或平均相似度最大,或在通过对目标模型与初始目标模型的第一相似度、目标模型与当前图像帧的目标模型的第二相似度之间设置不同的权值,使最终得到的相似度最大;也可以是根据初始目标模型,以起始搜索位置为起点,在起始搜索位置的邻域搜寻当前图像帧中的第一目标位置,并根据当前图像帧的目标模型以起始搜索位置为起点,在起始搜索位置的邻域搜寻当前图像帧中的第二目标位置,进而根据第一目标位置与第二目标位置确定当前图像帧中的目标位置;在此不对根据初始图像帧的初始目标模型与当前图像帧的目标模型,确定当前图像帧中的目标位置的方式进行限定。
利用过如上所述的方法,在对当前图像帧确定目标位置时,通过当前图像帧在起始搜索位置的起始搜索模型与在前图像帧的目标模型得到当前图像帧的目标模型,并同时考虑初始图像帧的初始目标模型与当前图像帧的目标模型,根据初始图像帧的初始目标模型、在前图像帧中的目标模型及当前图像帧的目标模型在当前图像帧中确定目标位置,避免仅根据在前图像帧中的目标模型对当前图像帧的目标模型进行更新时,因场景光照强度和摄像机视角变化等因素使在前图像帧与实际目标之间的偏差不断累积,进而造成的跟踪位置与实际目标之间产生偏差,并由于相邻两个图像帧之间的偏差不断累积而最终导致目标失跟,从而提高了进行目标跟踪的准确性,保证了对目标准确跟踪的稳定性。
图2是根据图1对应实施例示出的另一种目标跟踪方法。如图2所示,该目标跟踪方法还可以包括以下步骤。
在步骤S210中,由在初始图像帧中的位置选择确定在初始图像帧中的初始目标位置。
由于初始图像帧无在前图像帧,因此,初始图像帧无需进行目标跟踪,而只需确定目标位置。
需要说明的,初始图像帧中的目标位置可以是根据位置选择而确定的,也可以是根据人脸识别等而确定的,也可以是根据预设的位置而确定的,还可以是其他的确定方式,在此不进行一一描述。
例如,用户通过鼠标在初始图像帧中进行位置选择,例如选择矩形区域、圆形区域、椭圆形区域等,进而根据位置选择的区域确定初始图像帧中的初始目位置。
在步骤S220中,根据初始图像帧在初始目标位置的图像特征建立初始目标模型。
通过从初始图像帧中提取位于初始目标位置的图像特征,建立初始目标模型。
在一示例性实施例中,采用均值漂移法(Mean Shift)建立初始目标模型。
通过用户通过鼠标在初始图像帧中进行位置选择确定目标位置,假设x0为该区域的中心像素坐标,xi(i=1,2,…,n)表示目标模版中像素坐标,则目标模板的核直方图模型描述如下:
式(1)中,h为带宽系数,它与所选目标位置大小有关;函数b(xi):R2→{1,2,…m}为像素坐标xi处的像素值;u=1,2,…,m表示任一颜色索引;n表示目标区域包含的像素总数;δ是Kronecker Delta函数;k(x)是核函数,常取Epanechnikov、Guassian等;C是一个归一化常数,使因此:
利用过如上所述的方法,在对当前图像帧确定目标位置之前,预先通过位置选择在初始图像帧中确定初始目标位置,进而在在后图像帧中根据初始目标位置的目标进行目标跟踪,由于初始目标位置是根据用户进行位置而确定的,在后续进行目标跟踪时,通过考虑初始图像帧的初始目标模型,保证了目标跟踪的准确性。
可选的,根据图1对应实施例示出的目标跟踪方法中,步骤S120可以包括以下步骤:
通过预设的模型权值控制所述当前图像帧在所述起始搜索位置的起始搜索模型与所述在前图像帧的目标模型之间的运算,得到所述当前图像帧的目标模型。
预设的模型权值是对不同模型之间的权重进行控制的权重参数。模型权值可以是预先设置而固定不变的,也可以是根据经验值设置后而可调节的。
可以理解的是,根据不同应用场景的光照强度、目标与相机间的视角关系、目标形变等因素,在具体的应用过程中,通过对预设的模型权值进行修调,从而进一步提高目标跟踪的准确性。
通过在所述当前图像帧在所述起始搜索位置的起始搜索模型与所述在前图像帧的目标模型之间,以预设的模型权值进行运算,使得到当前图像帧的目标模型已包含目标在在前图像帧中的特征,从而避免因不同图像帧之间因场景光照强度、目标与相机间的视角关系、目标形变等因素的快速变化而导致目标跟踪产生偏差。
可选的,图3是根据图1对应实施例示出的目标跟踪方法中步骤S120的细节描述。如图3所示,预设的模型权值包括预设的第一模型权值与第二模型权值,当前图像帧的目标模型包括快变模型与慢变模型,该步骤S120可以包括以下步骤。
在步骤S121中,通过预设的第一模型权值控制在前图像帧的快变模型与起始搜索模型之间的运算,得到当前图像帧的快变模型。
当前图像帧的目标模型包括快变模型与慢变模型。
快变模型是目标模型中更侧重于对变化较快的图像特征进行描述的特征模型,慢变模型是目标模型中更侧重于对变化较慢的图像特征进行描述的特征模型。
预设的第一模型权值是对在前图像帧的快变模型与起始搜索模型之间的权重进行控制的权重参数。第一模型权值可以是预先设置而固定不变的,也可以是根据经验值设置后而可调节的。
例如,通过预设的第一模型权值α控制在前图像帧的快变模型与起始搜索模型之间的运算,得到当前图像帧的快变模型在一示例性实施例中,第一模型权值α预设为0.05,在实际进行目标跟踪的过程中,可根据目标跟踪的效果对第一模型权值α进行调节。
在步骤S122中,通过预设的第二模型权值控制初始图像帧的初始目标模型与当前图像帧的快变模型之间的运算,得到当前图像帧的慢变模型。
类似的,预设的第二模型权值是对在初始图像帧的初始目标模型与当前图像帧的快变模型之间的权重进行控制的权重参数。第二模型权值可以是预先设置而固定不变的,也可以是根据经验值设置后而可调节的。
例如,通过预设的第二模型权值β控制初始图像帧的初始目标模型与当前图像帧的快变模型之间的运算,得到当前图像帧的慢变模型在一示例性实施例中,第二模型权值β预设为0.8,在实际进行目标跟踪的过程中,可根据目标跟踪的效果对第二模型权值β进行调节。
利用过如上所述的方法,通过将目标模型分为快变模型和慢变模型,在计算当前图像帧的目标模型时,通过预设的模型权值控制运算的权重,计算当前图像帧的快变模型和慢变模型,进而根据初始目标模型、当前图像帧的快变模型和慢变模型在当前图像帧中确定目标位置,充分考虑了初始图像帧中目标的图像特征、当前图像帧中变化较快及变化较慢的图像特征,避免因场景光照强度和摄像机视角变化等因素造成不同图像帧中改变较慢的图像特征之间的偏差逐渐累积,使跟踪位置与实际目标之间出现偏差,并由于相邻两个图像帧之间的偏差不断累积而最终导致目标失跟,提高了进行目标跟踪的准确性,保证了对目标准确跟踪的稳定性。
图4是根据图1对应实施例示出的目标跟踪方法中步骤S130的细节描述。如图4所示,该步骤S130可以包括以下步骤。
在步骤S131中,以起始搜索位置为起点,从当前图像帧中选取不同的搜索位置,将当前图像帧在搜索位置的搜索模型分别与初始图像帧的初始目标模型、当前图像帧的目标模型进行匹配运算,确定当前图像帧中的第一目标搜索位置与第二目标搜索位置。
在以起始搜索位置为起点,从当前图像帧中选取不同的搜索位置,将当前图像帧在搜索位置的搜索模型分别与初始图像帧的初始目标模型、当前图像帧的目标模型进行匹配运算时,可以采用各种对图像进行匹配运算的方法,例如,叠加图像分析法、帧间图像关联法等,在此不对匹配运算的方式进行限定。
在一示例性实施例中,采用均值漂移法进行匹配运算。均值漂移法利用核密度从起始搜索位置为起点,计算与初始图像帧的初始目标模型或当前图像帧的目标模型之间的相似度,估计搜索概率密度的极大值点(即类中心),然后以这个类中心的颜色代替这个类所有像素的颜色,从而平滑图像。最后,根据需要对这些类中心进行聚类,合并像素点太少的区域以及类中心距离过近的区域,避免类太多而产生过分割。
图5是根据一示例性实施例示出的通过均值漂移法进行匹配运算的流程图。在采用均值漂移法与目标模型qu进行匹配运算时,将在前图像帧中的目标位置确定在当前图像帧中的起始搜索位置,设起始搜索位置的中心坐标为y0,在y0的邻域搜寻迭代找到最优目标位置(即目标搜索位置的中心坐标y1),也就是计算相似度(例如Bhattacharyya系数ρ)的最大值。
当前图像帧中,起始搜索位置的特征模型:
归一化常数为:
将Bhattacharyya系数ρ进行泰勒展开,Bhattacharyya系数ρ取近似值:
将式(3)代入可以得到:
其中,
式(4)中,第一项与y无关,为了使Bhattacharyya系数最大,就要使第二项最大,由此可以得出Mean Shift向量:
其中,g(x)=-k'(x)为核密度估计。一般通过10次以内的迭代,就可以得到当前图像帧中的目标搜索位置的中心坐标y1。
图6是根据一示例性实施例示出的通过均值漂移法进行匹配运算的过程图。MeanShift向量是归一化的概率密度梯度。Mean Shift法是基于核密度估计的非参数特征空间分析方法,它通过自适应步长的迭代快速收敛于概率密度函数的局部极大值。该迭代过程为:先计算出当前搜索位置的偏移均值,接着移动到其偏移均值,然后以此为新的搜索位置,重新计算偏移均值,继续移动,直到满足一定的条件结束。
在步骤S132中,根据第一目标搜索位置与第二目标搜索位置确定当前图像帧中的目标位置。
在根据第一目标搜索位置与第二目标搜索位置后,可以通过计算第一目标搜索位置与第二目标搜索位置的中心坐标之间的中点,将该中点作为目标位置的中心点;也可以是根据预设的权值控制第一目标搜索位置与第二目标搜索位置的权重,进而确定当前图像帧中的目标位置;也可以是根据步骤S131中匹配运算的相似度,确定第一目标搜索位置与第二目标搜索位置各自的权值,控制第一目标搜索位置与第二目标搜索位置的权重,再确定当前图像帧中的目标位置;还可以是采用其它方式根据第一目标搜索位置与第二目标搜索位置确定当前图像帧中的目标位置,在此不进行一一描述。
利用过如上所述的方法,在对当前图像帧的目标位置时,分别根据初始图像帧的初始目标模型与当前图像帧的目标模型,在匹配运算后分别确定与初始图像帧的初始目标模型、当前图像帧的目标模型相似度最高的两个目标搜索位置,再根据这两个目标搜索位置确定当前图像帧的目标位置,由于充分考虑了初始图像帧中的目标模型及当前图像帧中的目标模型,即充分考虑了当前图像帧中改变较快的图像特征和改变较慢的图像特征,从而使最终确定的目标位置更加准确,避免因在前图像帧偏差的不断累积而导致目标失跟,提高了进行目标跟踪的准确性,保证了对目标准确跟踪的稳定性。
可选的,图7是根据图4对应实施例示出的目标跟踪方法中步骤S132的细节描述。如图7所示,该步骤S132可以包括以下步骤。
在步骤S1321中,分别建立当前图像帧在第一目标搜索位置、第二目标搜索位置的第一目标搜索模型、第二目标搜索模型。
类似的,根据当前图像帧在第一目标搜索位置、第二目标搜索位置的图像特征,建立第一目标搜索模型、第二目标搜索模型。
在步骤S1322中,分别计算第一目标搜索模型与初始目标模型之间、第二目标搜索模型与当前图像帧的目标模型之间的相似度。
计算相似度的方式如式(6)。
可选的,当当前图像帧的目标模型包括快变模型和慢变模型时,即初始目标模型快变模型慢变模型分别为:
这时,第二目标搜索位置将包括两个:第二目标搜索位置A、第二目标搜索位置B。
第一目标搜索模型与初始目标模型之间的相似度第二目标搜索模型与当前图像帧的快变模型、慢变模型之间的相似度分别为:
在步骤S1323中,根据相似度确定第一目标搜索位置、第二目标搜索位置的位置权值。
在一示例性实施例中,根据第一目标搜索模型与初始目标模型之间的相似度第二目标搜索模型与当前图像帧的快变模型、慢变模型之间的相似度计算第一目标搜索位置、第二目标搜索位置的位置权值α1、α2、α3。
在步骤S1324中,通过第一目标搜索位置、第二目标搜索位置及其位置权值确定当前图像帧中的目标位置。
假设第一目标搜索位置、第二目标搜索位置A、第二目标搜索位置B的中心坐标分别为y11、y12、y13,则当前图像帧中的目标位置yf=α1y11+α2y12+α3y13。
利用如上所述的方法,在确定当前图像帧中的第一目标搜索位置与第二目标搜索位置,根据各目标搜索位置分别建立搜索模型,进而根据各搜索模型与其匹配运算的目标模型之间的相似度,确定各目标搜索位置的位置权重,进而根据位置权重控制相应目标搜索位置的权重,最终确定当前图像帧中的目标位置,从而根据相似度决定目标搜索位置对目标位置的贡献,增强了对图像帧的场景光照强度变化的适应性,进一步保证了对目标准确跟踪的稳定性。
图8是根据一示例性实施例示出的在光照强度发生变化的实验场景下,采用经典均值漂移法在不同图像帧中进行目标跟踪的过程示意图。由图8可以看出,在场景光照强度变化时,采用经典均值漂移法无法对目标进行有效跟踪。
图9是根据一示例性实施例示出的在光照强度发生变化的实验场景下,采用本方案在不同图像帧中进行目标跟踪的过程示意图。由图9可以看出,在场景光照强度变化时,采用本方案可以对目标实现有效跟踪。
采用有效帧率来定性比较本方案进行目标跟踪的有效性。假设在某一图像帧中,人工框选的运动目标区域为M,通过进行目标跟踪后得到的目标区域为N,则重叠率:
如果overlap大于1/2,则该图像帧的目标跟踪有效。每一段图像帧序列中,目标跟踪有效的图像帧数与总图像帧数的比值称为有效帧率。在场景光照变化时的,采用经典均值漂移法与本方案进行目标跟踪的有效帧率如下表所示。
通过对上表分析可知,在对当前图像帧进行目标跟踪时,本方案中由于使用了初始帧模型,在通过在前图像帧中的目标模型在当前图像帧中确定目标位置时,同时采用初始帧模型对当前图像帧的目标模型进行修调,避免因场景光照强度和摄像机视角变化等因素使在前图像帧与实际目标之间的偏差不断累积,进而造成跟踪位置与实际目标之间产生偏差,并由于相邻两个图像帧之间的偏差不断累积而最终导致目标失跟,有效地改善了目标跟踪的结果,使有效帧率大大提升。实验结果充分说明了基于本方案对目标进行准确跟踪的稳定性。
下述为本发明***实施例,可以用于执行上述目标跟踪方法实施例。对于本发明***实施例中未披露的细节,请参照本发明目标跟踪方法实施例。
图10是根据一示例性实施例示出的一种目标跟踪装置的框图,该***包括但不限于:起始搜索位置确定模块110、当前目标模型计算模块120及当前目标位置确定模块130。
起始搜索位置确定模块110,用于由当前图像帧的在前图像帧中的目标位置确定在所述当前图像帧中的起始搜索位置;
当前目标模型计算模块120,用于通过所述当前图像帧在所述起始搜索位置的起始搜索模型与所述在前图像帧的目标模型,计算得到所述当前图像帧的目标模型;
当前目标位置确定模块130,用于根据初始图像帧的初始目标模型与所述当前图像帧的目标模型,以所述起始搜索位置为起点,在所述当前图像帧中确定目标位置。
上述装置中各个模块的功能和作用的实现过程具体详见上述目标跟踪方法中对应步骤的实现过程,在此不再赘述。
可选的,如图11所示,图10示出的目标跟踪装置还包括但不限于:初始目标位置确定模块210和初始目标模型建立模块220。
初始目标位置确定模块210,用于由在所述初始图像帧中的位置选择确定在所述初始图像帧中的初始目标位置;
初始目标模型建立模块220,用于根据所述初始图像帧在所述初始目标位置的图像特征建立初始目标模型。
可选的,如图12所示,图10示出的当前目标模型计算模块120包括但不限于:快变模型计算单元121和慢变模型计算单元122。
快变模型计算单元121,用于通过预设的第一模型权值控制所述在前图像帧的快变模型与所述起始搜索模型之间的运算,得到当前图像帧的快变模型;
慢变模型计算单元122,用于通过预设的第二模型权值控制所述初始图像帧的初始目标模型与所述当前图像帧的快变模型之间的运算,得到当前图像帧的慢变模型。
可选的,如图13所示,图10示出的当前目标位置确定模块130包括但不限于:匹配运算单元131和前目标位置确定单元132。
匹配运算单元131,用于以所述起始搜索位置为起点,从所述当前图像帧中选取不同的搜索位置,将所述当前图像帧在所述搜索位置的搜索模型分别与初始图像帧的初始目标模型、所述当前图像帧的目标模型进行匹配运算,确定所述当前图像帧中的第一目标搜索位置与第二目标搜索位置;
当前目标位置确定单元132,用于根据所述第一目标搜索位置与第二目标搜索位置确定所述当前图像帧中的目标位置。
可选的,如图14所示,图13示出的当前目标位置确定单元132还包括但不限于:目标搜索模型建立子单元1321、相似度计算子单元1322、位置权值确定子单元1323和当前目标位置确定子单元1324。
目标搜索模型建立子单元1321,用于分别建立所述当前图像帧在所述第一目标搜索位置、第二目标搜索位置的第一目标搜索模型、第二目标搜索模型;
相似度计算子单元1322,用于分别计算所述第一目标搜索模型与所述初始目标模型之间、所述第二目标搜索模型与所述当前图像帧的目标模型之间的相似度;
位置权值确定子单元1323,用于根据所述相似度确定所述第一目标搜索位置、第二目标搜索位置的位置权值;
当前目标位置确定子单元1324,用于通过所述第一目标搜索位置、第二目标搜索位置及其位置权值确定所述当前图像帧中的目标位置。
可选的,本发明还提供一种终端,执行上述示例性实施例任一所示的目标跟踪方法的全部或者部分步骤。所述终端包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述任一示例性实施例所述的方法。
该实施例中的终端中处理器执行操作的具体方式已经在有关该目标跟踪方法的实施例中执行了详细描述,此处将不做详细阐述说明。
在示例性实施例中,还提供了一种存储介质,该存储介质为计算机可读存储介质,例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质例如包括指令的存储器,上述指令可由终端的处理器执行以完成上述目标跟踪方法。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,本领域技术人员可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种目标跟踪方法,其特征在于,所述方法包括:
由当前图像帧的在前图像帧中的目标位置确定在所述当前图像帧中的起始搜索位置;
通过所述当前图像帧在所述起始搜索位置的起始搜索模型与所述在前图像帧的目标模型,计算得到所述当前图像帧的目标模型;
根据初始图像帧的初始目标模型与所述当前图像帧的目标模型,以所述起始搜索位置为起点,在所述当前图像帧中确定目标位置。
2.根据权利要求1所述的方法,其特征在于,所述由当前图像帧的在前图像帧中的目标位置确定在所述当前图像帧中的起始搜索位置的步骤之前,所述方法还包括:
由在所述初始图像帧中的位置选择确定在所述初始图像帧中的初始目标位置;
根据所述初始图像帧在所述初始目标位置的图像特征建立初始目标模型。
3.根据权利要求1所述的方法,其特征在于,所述通过所述当前图像帧在所述起始搜索位置的起始搜索模型与所述在前图像帧的目标模型,计算得到所述当前图像帧的目标模型的步骤包括:
通过预设的模型权值控制所述当前图像帧在所述起始搜索位置的起始搜索模型与所述在前图像帧的目标模型之间的运算,得到所述当前图像帧的目标模型。
4.根据权利要求3所述的方法,其特征在于,所述预设的模型权值包括预设的第一模型权值与第二模型权值,所述当前图像帧的目标模型包括快变模型与慢变模型,所述通过预设的模型权值控制所述当前图像帧在所述起始搜索位置的起始搜索模型与所述在前图像帧的目标模型之间的运算,得到所述当前图像帧的目标模型的步骤包括:
通过预设的第一模型权值控制所述在前图像帧的快变模型与所述起始搜索模型之间的运算,得到当前图像帧的快变模型;
通过预设的第二模型权值控制所述初始图像帧的初始目标模型与所述当前图像帧的快变模型之间的运算,得到当前图像帧的慢变模型。
5.根据权利要求1所述的方法,其特征在于,所述根据初始图像帧的初始目标模型与所述当前图像帧的目标模型,以所述起始搜索位置为起点,在所述当前图像帧中确定目标位置的步骤包括:
以所述起始搜索位置为起点,从所述当前图像帧中选取不同的搜索位置,将所述当前图像帧在所述搜索位置的搜索模型分别与初始图像帧的初始目标模型、所述当前图像帧的目标模型进行匹配运算,确定所述当前图像帧中的第一目标搜索位置与第二目标搜索位置;
根据所述第一目标搜索位置与第二目标搜索位置确定所述当前图像帧中的目标位置。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一目标搜索位置与第二目标搜索位置确定所述当前图像帧中的目标位置的步骤包括:
分别建立所述当前图像帧在所述第一目标搜索位置、第二目标搜索位置的第一目标搜索模型、第二目标搜索模型;
分别计算所述第一目标搜索模型与所述初始目标模型之间、所述第二目标搜索模型与所述当前图像帧的目标模型之间的相似度;
根据所述相似度确定所述第一目标搜索位置、第二目标搜索位置的位置权值;
通过所述第一目标搜索位置、第二目标搜索位置及其位置权值确定所述当前图像帧中的目标位置。
7.一种目标跟踪装置,其特征在于,所述装置包括:
起始搜索位置确定模块,用于由当前图像帧的在前图像帧中的目标位置确定在所述当前图像帧中的起始搜索位置;
当前目标模型计算模块,用于通过所述当前图像帧在所述起始搜索位置的起始搜索模型与所述在前图像帧的目标模型,计算得到所述当前图像帧的目标模型;
当前目标位置确定模块,用于根据初始图像帧的初始目标模型与所述当前图像帧的目标模型,以所述起始搜索位置为起点,在所述当前图像帧中确定目标位置。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
初始目标位置确定模块,用于由在所述初始图像帧中的位置选择确定在所述初始图像帧中的初始目标位置;
初始目标模型建立模块,用于根据所述初始图像帧在所述初始目标位置的图像特征建立初始目标模型。
9.一种终端,其特征在于,所述终端包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序在被执行时使得终端执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810203671.6A CN108416800A (zh) | 2018-03-13 | 2018-03-13 | 目标跟踪方法及装置、终端、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810203671.6A CN108416800A (zh) | 2018-03-13 | 2018-03-13 | 目标跟踪方法及装置、终端、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108416800A true CN108416800A (zh) | 2018-08-17 |
Family
ID=63131225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810203671.6A Withdrawn CN108416800A (zh) | 2018-03-13 | 2018-03-13 | 目标跟踪方法及装置、终端、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416800A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523573A (zh) * | 2018-11-23 | 2019-03-26 | 上海新世纪机器人有限公司 | 目标对象的跟踪方法和装置 |
CN110929093A (zh) * | 2019-11-20 | 2020-03-27 | 百度在线网络技术(北京)有限公司 | 用于搜索控制的方法、装置、设备和介质 |
CN111010590A (zh) * | 2018-10-08 | 2020-04-14 | 传线网络科技(上海)有限公司 | 一种视频裁剪方法及装置 |
CN112635073A (zh) * | 2020-12-18 | 2021-04-09 | 四川省疾病预防控制中心 | 一种密切接触者排查方法、装置、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256561A (zh) * | 2017-04-28 | 2017-10-17 | 纳恩博(北京)科技有限公司 | 目标跟踪方法和装置 |
CN107424175A (zh) * | 2017-07-20 | 2017-12-01 | 西安电子科技大学 | 一种结合时空上下文信息的目标跟踪方法 |
-
2018
- 2018-03-13 CN CN201810203671.6A patent/CN108416800A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256561A (zh) * | 2017-04-28 | 2017-10-17 | 纳恩博(北京)科技有限公司 | 目标跟踪方法和装置 |
CN107424175A (zh) * | 2017-07-20 | 2017-12-01 | 西安电子科技大学 | 一种结合时空上下文信息的目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
陈万龙: "基于均值漂移和模糊控制的主动视觉***", 《中国优秀硕士论文 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111010590A (zh) * | 2018-10-08 | 2020-04-14 | 传线网络科技(上海)有限公司 | 一种视频裁剪方法及装置 |
CN109523573A (zh) * | 2018-11-23 | 2019-03-26 | 上海新世纪机器人有限公司 | 目标对象的跟踪方法和装置 |
CN110929093A (zh) * | 2019-11-20 | 2020-03-27 | 百度在线网络技术(北京)有限公司 | 用于搜索控制的方法、装置、设备和介质 |
CN110929093B (zh) * | 2019-11-20 | 2023-08-11 | 百度在线网络技术(北京)有限公司 | 用于搜索控制的方法、装置、设备和介质 |
CN112635073A (zh) * | 2020-12-18 | 2021-04-09 | 四川省疾病预防控制中心 | 一种密切接触者排查方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fischer et al. | Rt-gene: Real-time eye gaze estimation in natural environments | |
CN106251399B (zh) | 一种基于lsd-slam的实景三维重建方法及实施装置 | |
CN110147744B (zh) | 一种人脸图像质量评估方法、装置及终端 | |
WO2021139484A1 (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN108416800A (zh) | 目标跟踪方法及装置、终端、计算机可读存储介质 | |
CN105678809A (zh) | 手持式自动跟拍装置及其目标跟踪方法 | |
CN108229350A (zh) | 一种机器人装置的面部检测、识别及跟踪方法和*** | |
WO2020125499A1 (zh) | 一种操作提示方法及眼镜 | |
CN110544301A (zh) | 一种三维人体动作重建***、方法和动作训练*** | |
US20150103184A1 (en) | Method and system for visual tracking of a subject for automatic metering using a mobile device | |
Chen et al. | Mvhm: A large-scale multi-view hand mesh benchmark for accurate 3d hand pose estimation | |
WO2020248395A1 (zh) | 跟拍方法、装置、设备及存储介质 | |
CN109325456A (zh) | 目标识别方法、装置、目标识别设备及存储介质 | |
WO2020042541A1 (zh) | 眼球追踪交互方法和装置 | |
CN111898519B (zh) | 便携式的特定区域内运动训练辅助视觉伺服机器人***及姿态评估方法 | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN105180802B (zh) | 一种物体尺寸信息识别方法和装置 | |
CN109495626A (zh) | 一种用于便携式移动通讯设备的拍摄辅助装置及*** | |
CN106203428B (zh) | 基于模糊估计融合的图像显著性检测方法 | |
CN109525786A (zh) | 视频处理方法、装置、终端设备及存储介质 | |
CN106713740A (zh) | 定位跟踪摄像方法与*** | |
WO2016021152A1 (ja) | 姿勢推定方法および姿勢推定装置 | |
CN109377518A (zh) | 目标追踪方法、装置、目标追踪设备及存储介质 | |
US20210350547A1 (en) | Learning apparatus, foreground region estimation apparatus, learning method, foreground region estimation method, and program | |
CN107705307B (zh) | 一种基于深度学习的拍摄构图方法和*** |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180817 |
|
WW01 | Invention patent application withdrawn after publication |