CN108898623A - 目标跟踪方法及设备 - Google Patents

目标跟踪方法及设备 Download PDF

Info

Publication number
CN108898623A
CN108898623A CN201810506234.1A CN201810506234A CN108898623A CN 108898623 A CN108898623 A CN 108898623A CN 201810506234 A CN201810506234 A CN 201810506234A CN 108898623 A CN108898623 A CN 108898623A
Authority
CN
China
Prior art keywords
sample
random forest
forest model
target object
target
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.)
Pending
Application number
CN201810506234.1A
Other languages
English (en)
Inventor
庄骏飞
董远
白洪亮
熊风烨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Feisou Technology Co ltd
Original Assignee
Beijing Feisou Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Feisou Technology Co ltd filed Critical Beijing Feisou Technology Co ltd
Priority to CN201810506234.1A priority Critical patent/CN108898623A/zh
Publication of CN108898623A publication Critical patent/CN108898623A/zh
Pending legal-status Critical Current

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
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种目标跟踪方法及设备，根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于目标对象的至少一个候选样本，第二帧图像比第一帧图像时序在后；提取至少一个候选样本各自的样本特征；将至少一个候选样本的样本特征输入基于所述第一帧图像确定的随机森林模型，确定预测样本；基于预测样本，确定所述目标对象在所述第二帧图像中的预测位置。利用本申请实施例记载的目标跟踪方案，随机森林模型的结构比起基于CNN的跟踪方法来说相对简单、快速，基于随机森林模型的目标跟踪方案比起CNN深度学习跟踪算法，无需较大计算量，分类性能强大，可以提升目标跟踪方案的实时性及应对复杂场景的鲁棒性。

Description

目标跟踪方法及设备
技术领域
本申请涉及互联网信息处理技术以及计算机技术领域，尤其涉及一种目标跟踪方法及设备。
背景技术
目前，目标跟踪技术广泛应用于交通管理、视频导航以及无人侦查监视等诸多领域有着广泛的应用前景。
现在的目标跟踪算法主要分为两大类，一类是基于相关滤波的传统跟踪算法，另一类是基于卷积神经网络(英文名：Convolutional Neural Network，缩写：CNN)的深度学习算法。第一类基于相关滤波的传统跟踪算法，使用岭回归(英文名：Ridge regression,Tikhonov regularization)计算目标对象的特征相似度，进行分类预测。但，岭回归对遮挡、高速运动、光照变化等复杂环境情况下的目标跟踪效果差。第二类基于卷积神经网络CNN的深度学习跟踪算法，利用多层卷积层对图像进行特征检测分类，直至检测到对应的目标对象，这可以有效解决遮挡、高速运动、光照变化等复杂环境情况下的特征鲁棒性差的问题。但是，由于CNN结构复杂、计算量大等问题影响了目标跟踪算法的实时性。
发明内容
本申请实施例要解决的问题是：现有目标跟踪技术的实时性差。
本申请实施例采用下述技术方案：
本申请实施例提供一种目标跟踪方法，包括：
对图像进行处理，得到关于目标对象的至少一个正样本和至少一个负样本；
提取所述至少一个正样本和至少一个负样本各自的样本特征；
将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值。
本申请实施例还提供一种目标跟踪方法，包括：
根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于所述目标对象的至少一个候选样本，所述第二帧图像比第一帧图像时序在后；
提取所述至少一个候选样本各自的样本特征；
将所述至少一个候选样本的样本特征输入基于所述第一帧图像确定的随机森林模型，确定预测样本；
基于所述预测样本，确定所述目标对象在所述第二帧图像中的预测位置。
本申请实施例还提供一种目标跟踪设备，包括：
处理模块，对图像进行处理，得到关于目标对象的至少一个正样本和至少一个负样本；
提取模块，提取所述至少一个正样本和至少一个负样本各自的样本特征；
确定模块，将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值。
本申请实施例还提供一种目标跟踪设备，包括：
候选样本确定模块，根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于所述目标对象的至少一个候选样本，所述第二帧图像比第一帧图像时序在后；
提取模块，提取所述至少一个候选样本各自的样本特征；
预测样本确定模块，将所述至少一个候选样本的样本特征输入基于所述第一帧图像确定的随机森林模型，确定预测样本；
预测位置确定模块，基于所述预测样本，确定所述目标对象在所述第二帧图像中的预测位置。
本申请实施例还提供一种电子设备，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行上文任一所述的目标跟踪方法。
本申请实施例还提供一种计算机可读存储介质，包括与电子设备结合使用的程序，程序可被处理器执行以完成上文任一所述的目标跟踪方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于目标对象的至少一个候选样本，第二帧图像比第一帧图像时序在后；提取至少一个候选样本各自的样本特征；将至少一个候选样本的样本特征输入基于所述第一帧图像确定的随机森林模型，确定预测样本；基于预测样本，确定所述目标对象在所述第二帧图像中的预测位置。利用本申请实施例记载的目标跟踪方案，随机森林模型的结构比起CNN来说相对简单，基于随机森林模型的目标跟踪方案比起CNN深度学习跟踪算法，无需较大计算量，可以提升目标跟踪方案的实时性及应对复杂场景的鲁棒性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提出的一种目标跟踪方法的流程示意图；
图2为图1所示目标跟踪方法的一个应用示例的流程示意图；
图3为本申请实施例提出的一种目标跟踪方法的流程示意图；
图4为图3所示目标跟踪方法的一个应用示例的流程示意图；
图5为本申请实施例提出的一种目标跟踪设备的结构图；
图6为本申请实施例提出的一种目标跟踪设备的结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请实施例提供的一种目标跟踪方法的流程示意图。所述方法可以如下所示。图1所示目标跟踪方法可以是目标跟踪初始化进程，其执行主体可以是目标跟踪***、或基于该目标跟踪***的目标跟踪设备等，在此不再一一列举。
步骤101：对图像进行处理，得到关于目标对象的至少一个正样本和至少一个负样本。
在对图像进行处理之前，可以事先确定目标对象，例如人脸、人的身体等人体部位，狗、猫等动物。其中，正样本可以是指所包含的目标对象的特征值满足预设条件，进而正样本可以被检测以确定目标对象。而负样本则可以是所包含的目标对象的特征值不满足预设条件，进而负样本不能被检测以确定目标对象。
具体地，对图像进行处理，得到关于目标对象的至少一个正样本和至少一个负样本，可以包括：
对目标对象进行仿射变换，得到至少一个样本；
判断仿射变换得到的所述至少一个样本在所述图像中的区域与所述目标对象的重叠面积是否满足阈值；
若是，则根据满足所述阈值的样本确定所述正样本；
若否，则根据不满足所述阈值的样本确定所述负样本。
在本申请实施例中，判断一个样本为正样本或负样本的参数，可以是该样本在(原)图像中所占区域与目标对象的重叠面积。如果重叠面积满足阈值，则可以确认该样本所包含的目标对象的特征值满足预设条件，进而该样本被确定为正样本；反之，若重叠面积不满足阈值，则可以确认该样本所包含的目标对象的特征值不满足预设条件，进而该样本被确定为负样本。
其中，所谓的仿射变换是一种简单的变换，它的变换包括旋转、平移、错切、伸缩等，例如(原)图像中的仿射仿射变换后还是直线，(原)图像的平行线经过仿射变换之后还是平行线。基于图像中目标对象周围以六个或其他数量的仿射函数粒子滤波模型进行正样本和负样本转换，参考下述公式：
其中，表示了尺度变换、旋转变换、错切变换，b表示平移变换。
进一步地，可以对正样本和负样本转换为合适大小，如32*32大小或其他。
步骤102：提取所述至少一个正样本和至少一个负样本各自的样本特征，可以得到样本特征集。
在本申请实施例中，从各个正样本和负样本中分别提取样本特征，每个样本中可以提取至少一个样本特征，样本特征用来表征对应样本中图像属性。
具体地，确定至少一个正样本和至少一个负样本各自的样本特征，可以包括：
根据至少一个正样本和至少一个负样本各自的方向梯度直方图(英语：Histogramof oriented gradient，简称HOG)，确定所述样本特征。
HOG是应用在计算机视觉和图像处理领域，用于目标检测的特征描述器。这项技术是用来计算局部图像梯度的方向信息的统计值。HOG描述器最重要的思想是：在一副图像中，局部目标的表象和形状(appearance and shape)能够被梯度或边缘的方向密度分布很好地描述。具体的实现方法是：首先将正样本或负样本分成小的连通区域，这些区域可以叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些方向直方图组合起来就可以构成特征描述器。为了提高性能，还可以把这些方向直方图在图像的更大的范围内(把它叫区间或block)进行对比度归一化(contrast-normalized)，所采用的方法是：先计算各方向直方图在这个区间(block)中的密度，然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后，可以对光照变化和阴影获得更好的效果。
HOG方法的优势在于，由于HOG方法是在图像的局部细胞单元上操作，所以它对图像几何的(geometric)和光学的(photometric)形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样(coarse spatial sampling)、精细的方向抽样(fine orientation sampling)以及较强的局部光学归一化(strong localphotometric normalization)等条件下，只要目标对象大体上能够保持直立的姿势，就容许目标对象有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。综上所述，HOG方法这可以有效解决遮挡、高速运动、光照变化等复杂环境情况下的特征鲁棒性差的问题。
而且，HOG方法的特征提取过程简单，计算量小。
在本申请其他实施例中，还可以基于边缘方向直方图(edge orientationhistograms)、尺度不变特征变换(scale-invariant feature transform descriptors)以及形状上下文方法(shape contexts)、CNN提取正样本和负样本的样本特征，在此不再一一详述。
步骤103：将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值。
执行步骤103，对随机森林模型进行训练，以确定随机森林模型中决策树的数量、每棵决策树的深度及各个决策树的参数值，训练好的随机森林模型可以用于实际的目标跟踪。
在执行步骤102之后，各个样本特征是属于正样本还是负样本，已经可以被分类，因此，每一棵决策树通过预设数量的样本特征的训练，可以确定每个叶子节点的分类参数值。在这一过程中，每棵决策树可以从正样本和负样本的结合中随机选择预设数量的样本，并根据对应的样本特征进行训练。
具体地，，在将各个样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值之前，所述目标跟踪方法还可以包括：
对各所述样本特征标记不同标签，所述标签用于区分所述正样本和负样本；
将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值，包括；
将携带所述标签的各所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值。
例如，正样本对应的样本特征可以标记标签1，负样本对应的样本特征可以标记标签-1，此仅为示例。在这种情况下，每个样本特征均可以被识别，进而未初始化的随机森林模型可以有效确定随机森林模型的参数值。
在本申请实施例中，将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值，包括：
对随机森林模型中的各决策树，分别确定预设数量的所述样本特征；
将所确定的预设数量的所述样本特征输入到对应的决策树中，确定所述决策树的参数值。
作为一种具体的应用示例，图2为本申请实施例提供的一种目标跟踪方法的流程示意图。
其中，确定图像21中的目标对象210；
步骤201：对图像21进行粒子滤波，得到关于目标对象210的多个正样本21a和负样本21b，实现图1所示对图像进行处理，得到关于目标对象的至少一个正样本和至少一个负样本的步骤。其中，正样本21a和负样本21b各自的数量不限于图中所示，可以为其他数量。
具体地，对图像21进行粒子滤波，可以包括如下步骤：
1)初始的目标对象210的目标框经仿射变换得到6个或其他数量的初始的仿射参数分别为两个平移变换参数、两个尺度变换参数，一个旋转变换参数，一个错切变换参数，这一组初始变换参数代表初始的目标对象210的目标框在图像中的位置。
2)对初始变换参数的两个平移变换参数分别加-1、-0.5、0、+0.5、+1共X、Y两个方向，可以得到25个正样本。在远离中心点的位置选取200组随机变量参数，生成200个负样本，正样本和负样本的大小为32*32。
步骤202：对各正样本21a和21b分别提取HOG特征，得到带标签的HOG特征，实现图1所示提取所述至少一个正样本和至少一个负样本各自的样本特征的步骤。
具体地，HOG特征可以共4个包组，每个包组可以共9个方向，并将每个正样本的特征排成一行，行尾置入标签为1，记为正样本。负样本特征排成一行，行尾置入标签为-1，记为负样本。
步骤203：将各个HOG特征输入随机森林模型，进而训练随机森林模型，实现将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值的步骤。该随机森林模型包括决策树1、决策树2等其他多个数量。
将所有样本共225个的含标签的HOG特征输入到随机森林模型，训练100棵决策树的随机森林模型，每棵树的最大深度为50。
上述方案中的数量为一种示例，在本申请实施例中，可以根据具体需要进行调整，在此不作具体限定。
图3为本申请实施例提供的一种目标跟踪方法的流程示意图，所述方法如下所示。该目标跟踪方法为实际应用中的目标跟踪进程，其执行主体可以是目标跟踪***、或基于该目标跟踪***的目标跟踪设备等，在此不再一一列举。
步骤301：根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于所述目标对象的至少一个候选样本，所述第二帧图像比第一帧图像时序在后。
具体地，根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于所述目标对象的至少一个候选样本，可以包括：
根据第一帧图像中目标对象的位置信息，在所述第二帧图像中相同位置，基于仿射变换技术确定关于所述目标对象的所述至少一个候选样本。
在这种情况下，以第一帧图像的目标对象的位置信息为初始位置，在第二帧图像的相同位置通过粒子滤波的方法采集一系列候选样本，这样可以用关于目标对象的至少一个候选样本来预测第二帧图像中关于目标对象的至少一个候选样本。
其中，第二帧图像比第一帧图像时序在后，第一帧图像与第二帧图像之间可以相隔至少一帧图像，在此不作具体限定。因此，本申请实施例可以应用于视频分析。
步骤302：提取所述至少一个候选样本各自的样本特征。
参考上文步骤102，可以是基于HOG方法确定各候选样本的样本特征。对于运动的目标对象，HOG方法可以较为精确描述目标对象的轮廓、形状等。这可以容许目标对象有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。综上所述，HOG方法这可以有效解决遮挡、高速运动、光照变化等复杂环境情况下的特征鲁棒性差的问题。
并且，利用HOG方法提取样本特征的计算过程简单，可以提升目标跟踪方法的进程，提升目标跟踪方法的实时性。
步骤303：将所述至少一个候选样本的样本特征输入基于所述第一帧图像确定的随机森林模型，确定预测样本。
在本申请实施例中，所述第一帧图像可以是视频的初始帧图像，基于第一帧图像确定的随机森林模型可以是基于图1所示目标跟踪方法训练得到。或者，第一帧图像可以是视频中初始帧图像之外的其他帧图像，在此不作具体限定。
随机森林模型中各决策树中的分类参数值已确定，因此各候选样本对应的样本特征可以经各决策树分类，各决策树对给样本特征的分类结果为正样本或负样本。每一候选样本可以经各个决策树依次分类，相当于随机森林分器通过各个决策树对各候选样本是否为正样本进行投票，最终确定预测样本。
在本申请实施例中，可以确定得到正样本票数最多的候选样本为预测样本。或者，可以将正样本票数满足预设条件的候选样本确定为预测样本。
步骤304：基于所述预测样本，确定所述目标对象在所述第二帧图像中的预测位置。
在本申请实施例中，基于所述预测样本，确定所述目标对象在所述第二帧图像中的预测位置，可以包括：
根据所述预测样本在所述第二帧图像中的位置，确定所述目标对象在所述第二帧图像中的预测位置。
参考步骤302的内容，满足预设条件的候选样本为预测样本，其中预设条件可以是判断为正样本的票数最多，或者预设条件可以是判断为正样本的票数满足预设数量。
在本申请实施例中，根据所述预测样本在第二帧图像中的位置，确定目标对象在所述第二帧图像中的预测位置，可以包括：
将该预测样本由仿射变换映射回到第二帧图像(原图)相应的位置，进而确定该预测样本在第二帧图像中的位置，作为最终预测的目标对象在第二帧图像中的预测位置。
在本申请一实施例中，目标跟踪方法还可以包括：
判断所述随机森林模型对所述预测样本的分类结果是否满足大于阈值；
若否，则基于目标对象对应的历史样本特征，更新所述随机森林模型；
若是，则确定该随机森林模型未发生模型漂移，可以继续下一帧图像中的目标跟踪。
利用这一方案，可以在预测目标对象位置进程中，实时更新随机森林模型，确保目标跟踪结果的准确性。尤其是，若是根据随机森林模型对候选样本投票票数最多作为判断正样本的标准，则可以基于如是方法进行判定。
具体地，若否，则基于目标对象对应的历史样本特征，更新随机森林模型，可以包括：
判断所述随机森林模型对所述预测样本的分类结果是否位于第一阈值范围内；
若是，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型中各个决策树的叶子节点。
在这种情况下，确定随机森林模型发生模型漂移。具体可以参考图1所示目标跟踪方法，利用保存的历史样本特征，实时更新随机分类器中各个决策树的叶子节点。
在本申请实施例中，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型，包括：
判断所述随机森林模型对所述预测样本的分类结果是否位于第二阈值范围内；
若是，则在所述随机森林模型中增加至少一个决策树；
基于各所述正样本的样本特征对所增加的决策树进行训练，更新所述随机森林模型。
在具体应用中，若正样本对应的分类结果不位于第一阈值范围内，则可以进一步判断分类结果是否位于第二阈值范围内，第二阈值范围小于第一阈值范围。
进一步地，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型，可以包括：
判断所述随机森林模型对所述预测样本的分类结果是否小于第三阈值；
若是，则对所述随机森林模型进行重新训练。
在具体应用中，若所述随机森林模型对所述预测样本的分类结果不位于第二阈值范围内，则可以进一步判断该分类结果是否小于第三阈值，第三阈值小于第二阈值范围。
由于目标跟踪过程属于一个增量学习的过程，目标的正样本和负样本都在增长。随机森林模型符合增量学习的概念，在一些情况下，在不需要重新训练随机森林模型的情况下，可以保存整个目标跟踪过程的信息，从而获得比传统目标跟踪方法更多的信息，通过更新叶子节点、增加决策树树的个数的方法更新随机森林模型，解决传统目标跟踪方法的随机森林模型漂移的问题。
图4为本申请实施例的目标跟踪方法的一个应用示例的流程示意图，所述方法如下所示。
步骤401：粒子滤波，进而确定第二帧图像中关于目标对象的至少一个候选样本。
具体地，以第一帧图像中目标对象位置为目标对象在第二帧图像中的初始位置，在初始位置的目标对象变换参数的基础上加上动态分布的标准偏差[8,8,0.03,0.005,0.005,0.005]，得到粒子滤波预测目标对象对应运动的大致位置，在此基础上加上满足标准正态分布的随机数共400个或其他数量的样本，作为候选样本。
步骤402：提取HOG特征，得到各候选样本HOG特征，实现确定至少一个候选样本中各自的样本特征。
步骤403：将各候选样本HOG特征输入随机森林模型；
步骤404：随机森林模型对候选样本HOG特征进行投票分类，确定得票最多的候选样本作为随机森林模型预测的样本，实现将至少一个候选样本中各自的样本特征输入基于所述第一帧图像确定的随机森林模型，确定预测样本；
步骤405：将所述预测样本的仿射变换参数映射回到第二帧图像(原图)中相应位置，作为目标跟踪方法预测的预测位置，实现基于所述预测样本，确定所述目标对象在所述第二帧图像中的预测位置。
可选地，步骤406：判断预测样本是否大于阈值。具体地，判断最大得票数是否大于阈值0.85(比如100棵决策树，大于85棵判断为正样本)。
若是，则认为随机森林模型没有发生模型漂移，继续下一帧图像的目标跟踪，重复步骤401-405；
若否，则执行步骤407：更新随机森林模型。具体地，如果最大得票数位于第一阈值范围内，例如小于0.85大于0.5，则需要利用历史保存的样本来更新各个决策树的叶子节点；如果得票数位于第二阈值范围内，例如小于0.5而大于0.2，则需要增加一个新的决策树，并对该新的决策树进行训练，更新随机森林模型；如果得票数小于第三阈值，如小于0.2，则需要重新训练随机森林模型。
对于上文出现的具体数值，为一种应用示例。在本申请其他实施例中，可以根据具体应用场景进行设定，在此不作具体限定。
利用本申请实施例记载的目标跟踪方法，随机森林模型的结构比起CNN来说相对简单，基于随机森林模型的目标跟踪方案比起CNN深度学习跟踪算法，无需较大计算量，分类性能强大，可以提升目标跟踪方案的实时性及应对复杂场景的鲁棒性。
图5为本申请实施例提供的一种目标跟踪设备的结构图，所述结构如下所示。
目标跟踪设备可以包括：
处理模块501，对图像进行处理，得到关于目标对象的至少一个正样本和至少一个负样本；
提取模块502，提取所述至少一个正样本和至少一个负样本各自的样本特征；
确定模块503，将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值。
可选地，在将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值之前，对各所述样本特征标记不同标签，所述标签用于区分所述正样本和负样本；
将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值，包括；
将携带所述标签的各所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值。
可选地，对图像进行处理，得到关于目标对象的至少一个正样本和至少一个负样本，包括：
对所述目标对象进行仿射变换，得到所述至少一个样本；
判断仿射变换得到的所述至少一个样本在所述图像中的区域与所述目标对象的重叠面积是否满足阈值；
若是，则根据满足所述阈值的样本确定所述正样本；
若否，则根据不满足所述阈值的样本确定所述负样本。
可选地，将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值，包括：
对所述随机森林模型中的各决策树，分别确定预设数量的所述样本特征；
将所确定的预设数量的所述样本特征输入到对应的决策树中，确定所述决策树的参数值。
可选地，提取所述至少一个正样本和至少一个负样本各自的样本特征，包括：
根据所述至少一个正样本和至少一个负样本各自的方向梯度直方图HOG，确定所述样本特征。
图6为本申请实施例提供的另一种目标跟踪设备，可以包括：
候选样本确定模块601，根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于所述目标对象的至少一个候选样本，所述第二帧图像比第一帧图像时序在后；
提取模块602，提取所述至少一个候选样本各自的样本特征；
预测样本确定模块603，将所述至少一个候选样本的样本特征输入基于所述第一帧图像确定的随机森林模型，确定预测样本；
预测位置确定模块604，基于所述预测样本，确定所述目标对象在所述第二帧图像中的预测位置。
可选地，基于所述预测样本，确定所述目标对象在所述第二帧图像中的预测位置，包括：
根据所述预测样本在所述第二帧图像中的位置，确定所述目标对象在所述第二帧图像中的预测位置。
可选地，目标跟踪设备还包括：
判断模块605，判断所述随机森林模型对各所述预测样本的分类结果是否满足大于阈值；
更新模块606，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型。
可选地，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型，包括：
判断所述随机森林模型对各所述预测样本的分类结果是否位于第一阈值范围内；
若是，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型中各个决策树的叶子节点。
可选地，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型，包括：
判断所述随机森林模型对各所述预测样本的分类结果是否位于第二阈值范围内；
若是，则在所述随机森林模型中增加至少一个决策树；
基于各所述候选样本的样本特征对所增加的决策树进行训练，更新所述随机森林模型。
可选地，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型，包括：
判断所述随机森林模型对各所述预测样本的分类结果是否小于第三阈值；
若是，则基于所述目标对象对应的历史样本特征，对所述随机森林模型进行重新训练。
可选地，根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于所述目标对象的至少一个候选样本，包括：
根据第一帧图像中目标对象的位置信息，在所述第二帧图像的相同位置，基于仿射变换技术确定关于所述目标对象的所述至少一个候选样本。
可选地，提取所述至少一个样本特征中各自的样本特征，包括：
根据各个所述样本特征的方向梯度直方图HOG，确定所述样本特征。
基于同一发明构思，本申请实施例还提供一种电子设备，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行图1-图4所述的目标跟踪方法。
基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，包括与电子设备结合使用的程序，程序可被处理器执行以完成图1-图4所述的目标跟踪方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (28)

1.一种目标跟踪方法，其特征在于，包括：
对图像进行处理，得到关于目标对象的至少一个正样本和至少一个负样本；
提取所述至少一个正样本和至少一个负样本各自的样本特征；
将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值。
2.如权利要求1所述的目标跟踪方法，其特征在于，在将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值之前，所述目标跟踪方法还包括：
对各所述样本特征标记不同标签，所述标签用于区分所述正样本和负样本；
将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值，包括；
将携带所述标签的各所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值。
3.如权利要求1所述的目标跟踪方法，其特征在于，对图像进行处理，得到关于目标对象的至少一个正样本和至少一个负样本，包括：
对所述目标对象进行仿射变换，得到所述至少一个样本；
判断仿射变换得到的所述至少一个样本在所述图像中的区域与所述目标对象的重叠面积是否满足阈值；
若是，则根据满足所述阈值的样本确定所述正样本；
若否，则根据不满足所述阈值的样本确定所述负样本。
4.如权利要求1所述的目标跟踪方法，其特征在于，将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值，包括：
对所述随机森林模型中的各决策树，分别确定预设数量的所述样本特征；
将所确定的预设数量的所述样本特征输入到对应的决策树中，确定所述决策树的参数值。
5.如权利要求1所述的目标跟踪方法，其特征在于，提取所述至少一个正样本和至少一个负样本各自的样本特征，包括：
根据所述至少一个正样本和至少一个负样本各自的方向梯度直方图HOG，确定所述样本特征。
6.一种目标跟踪方法，其特征在于，包括：
根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于所述目标对象的至少一个候选样本，所述第二帧图像比第一帧图像时序在后；
提取所述至少一个候选样本各自的样本特征；
将所述至少一个候选样本的样本特征输入基于所述第一帧图像确定的随机森林模型，确定预测样本；
基于所述预测样本，确定所述目标对象在所述第二帧图像中的预测位置。
7.如权利要求6所述的目标跟踪方法，其特征在于，基于所述预测样本，确定所述目标对象在所述第二帧图像中的预测位置，包括：
根据所述预测样本在所述第二帧图像中的位置，确定所述目标对象在所述第二帧图像中的预测位置。
8.如权利要求6所述的目标跟踪方法，其特征在于，还包括：
判断所述随机森林模型对各所述预测样本的分类结果是否满足大于阈值；
若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型。
9.如权利要求8所述的目标跟踪方法，其特征在于，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型，包括：
判断所述随机森林模型对各所述预测样本的分类结果是否位于第一阈值范围内；
若是，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型中各个决策树的叶子节点。
10.如权利要求8所述的目标跟踪方法，其特征在于，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型，包括：
判断所述随机森林模型对各所述预测样本的分类结果是否位于第二阈值范围内；
若是，则在所述随机森林模型中增加至少一个决策树；
基于各所述候选样本的样本特征对所增加的决策树进行训练，更新所述随机森林模型。
11.如权利要求8所述的目标跟踪方法，其特征在于，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型，包括：
判断所述随机森林模型对各所述预测样本的分类结果是否小于第三阈值；
若是，则基于所述目标对象对应的历史样本特征，对所述随机森林模型进行重新训练。
12.如权利要求6所述的目标跟踪方法，其特征在于，根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于所述目标对象的至少一个候选样本，包括：
根据第一帧图像中目标对象的位置信息，在所述第二帧图像中相同位置，基于仿射变换技术确定关于所述目标对象的所述至少一个候选样本。
13.如权利要求6所述的目标跟踪方法，其特征在于，提取所述至少一个样本特征各自的样本特征，包括：
根据各个所述样本特征的方向梯度直方图HOG，确定所述样本特征。
14.一种目标跟踪设备，其特征在于，包括：
处理模块，对图像进行处理，得到关于目标对象的至少一个正样本和至少一个负样本；
提取模块，提取所述至少一个正样本和至少一个负样本各自的样本特征；
确定模块，将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值。
15.如权利要求14所述的目标跟踪设备，其特征在于，在将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值之前，对各所述样本特征标记不同标签，所述标签用于区分所述正样本和负样本；
将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值，包括；
将携带所述标签的各所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值。
16.如权利要求14所述的目标跟踪设备，其特征在于，对图像进行处理，得到关于目标对象的至少一个正样本和至少一个负样本，包括：
对所述目标对象进行仿射变换，得到所述至少一个样本；
判断仿射变换得到的所述至少一个样本在所述图像中的区域与所述目标对象的重叠面积是否满足阈值；
若是，则根据满足所述阈值的样本确定所述正样本；
若否，则根据不满足所述阈值的样本确定所述负样本。
17.如权利要求14所述的目标跟踪设备，其特征在于，将各个所述样本特征输入未初始化的随机森林模型，确定所述随机森林模型的参数值，包括：
对所述随机森林模型中的各决策树，分别确定预设数量的所述样本特征；
将所确定的预设数量的所述样本特征输入到对应的决策树中，确定所述决策树的参数值。
18.如权利要求14所述的目标跟踪设备，其特征在于，提取所述至少一个正样本和至少一个负样本各自的样本特征，包括：
根据所述至少一个正样本和至少一个负样本各自的方向梯度直方图HOG，确定所述样本特征。
19.一种目标跟踪设备，其特征在于，包括：
候选样本确定模块，根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于所述目标对象的至少一个候选样本，所述第二帧图像比第一帧图像时序在后；
提取模块，提取所述至少一个候选样本各自的样本特征；
预测样本确定模块，将所述至少一个候选样本的样本特征输入基于所述第一帧图像确定的随机森林模型，确定预测样本；
预测位置确定模块，基于所述预测样本，确定所述目标对象在所述第二帧图像中的预测位置。
20.如权利要求19所述的目标跟踪设备，其特征在于，基于所述预测样本，确定所述目标对象在所述第二帧图像中的预测位置，包括：
根据所述预测样本在所述第二帧图像中的位置，确定所述目标对象在所述第二帧图像中的预测位置。
21.如权利要求19所述的目标跟踪设备，其特征在于，还包括：
判断模块，判断所述随机森林模型对各所述预测样本的分类结果是否满足大于阈值；
更新模块，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型。
22.如权利要求21所述的目标跟踪设备，其特征在于，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型，包括：
判断所述随机森林模型对各所述预测样本的分类结果是否位于第一阈值范围内；
若是，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型中各个决策树的叶子节点。
23.如权利要求21所述的目标跟踪设备，其特征在于，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型，包括：
判断所述随机森林模型对各所述预测样本的分类结果是否位于第二阈值范围内；
若是，则在所述随机森林模型中增加至少一个决策树；
基于各所述候选样本的样本特征对所增加的决策树进行训练，更新所述随机森林模型。
24.如权利要求21所述的目标跟踪设备，其特征在于，若否，则基于所述目标对象对应的历史样本特征，更新所述随机森林模型，包括：
判断所述随机森林模型对各所述预测样本的分类结果是否小于第三阈值；
若是，则基于所述目标对象对应的历史样本特征，对所述随机森林模型进行重新训练。
25.如权利要求19所述的目标跟踪设备，其特征在于，根据第一帧图像中目标对象的位置信息，确定第二帧图像中关于所述目标对象的至少一个候选样本，包括：
根据第一帧图像中目标对象的位置信息，在所述第二帧图像中相同位置，基于仿射变换技术确定关于所述目标对象的所述至少一个候选样本。
26.如权利要求19所述的目标跟踪设备，其特征在于，提取所述至少一个样本特征中各自的样本特征，包括：
根据各个所述样本特征的方向梯度直方图HOG，确定所述样本特征。
27.一种电子设备，其特征在于，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行权利要求1-13任一项所述的目标跟踪方法。
28.一种计算机可读存储介质，其特征在于，包括与电子设备结合使用的程序，程序可被处理器执行以完成权利要求1-13任一项所述的目标跟踪方法。
CN201810506234.1A 2018-05-24 2018-05-24 目标跟踪方法及设备 Pending CN108898623A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810506234.1A CN108898623A (zh) 2018-05-24 2018-05-24 目标跟踪方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810506234.1A CN108898623A (zh) 2018-05-24 2018-05-24 目标跟踪方法及设备

Publications (1)

Publication Number Publication Date
CN108898623A true CN108898623A (zh) 2018-11-27

Family

ID=64343168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810506234.1A Pending CN108898623A (zh) 2018-05-24 2018-05-24 目标跟踪方法及设备

Country Status (1)

Country Link
CN (1) CN108898623A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110400349A (zh) * 2019-07-03 2019-11-01 成都理工大学 基于随机森林的小场景下机器人导航跟踪恢复方法
CN112161635A (zh) * 2020-09-22 2021-01-01 中山大学 一种基于最小回环检测的协同建图方法
CN112926689A (zh) * 2021-03-31 2021-06-08 珠海格力电器股份有限公司 目标的定位方法、装置、电子设备及存储介质
US20210312642A1 (en) * 2019-01-03 2021-10-07 Intel Corporation Continuous learning for object tracking
CN113689661A (zh) * 2020-05-19 2021-11-23 深圳市中兴***集成技术有限公司 一种基于视频分析拐卖儿童行为预警***
CN116108758A (zh) * 2023-04-10 2023-05-12 中南大学 滑坡易发性评价方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102881022A (zh) * 2012-07-20 2013-01-16 西安电子科技大学 基于在线学习的遮挡目标跟踪方法
CN105404894A (zh) * 2015-11-03 2016-03-16 湖南优象科技有限公司 无人机用目标追踪方法及其装置
US20170309040A1 (en) * 2014-07-28 2017-10-26 Zte Corporation Method and device for positioning human eyes
CN107423702A (zh) * 2017-07-20 2017-12-01 西安电子科技大学 基于tld跟踪***的视频目标跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102881022A (zh) * 2012-07-20 2013-01-16 西安电子科技大学 基于在线学习的遮挡目标跟踪方法
US20170309040A1 (en) * 2014-07-28 2017-10-26 Zte Corporation Method and device for positioning human eyes
CN105404894A (zh) * 2015-11-03 2016-03-16 湖南优象科技有限公司 无人机用目标追踪方法及其装置
CN107423702A (zh) * 2017-07-20 2017-12-01 西安电子科技大学 基于tld跟踪***的视频目标跟踪方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210312642A1 (en) * 2019-01-03 2021-10-07 Intel Corporation Continuous learning for object tracking
US11978217B2 (en) * 2019-01-03 2024-05-07 Intel Corporation Continuous learning for object tracking
CN110400349A (zh) * 2019-07-03 2019-11-01 成都理工大学 基于随机森林的小场景下机器人导航跟踪恢复方法
CN110400349B (zh) * 2019-07-03 2022-04-15 成都理工大学 基于随机森林的小场景下机器人导航跟踪恢复方法
CN113689661A (zh) * 2020-05-19 2021-11-23 深圳市中兴***集成技术有限公司 一种基于视频分析拐卖儿童行为预警***
CN112161635A (zh) * 2020-09-22 2021-01-01 中山大学 一种基于最小回环检测的协同建图方法
CN112161635B (zh) * 2020-09-22 2022-07-05 中山大学 一种基于最小回环检测的协同建图方法
CN112926689A (zh) * 2021-03-31 2021-06-08 珠海格力电器股份有限公司 目标的定位方法、装置、电子设备及存储介质
CN116108758A (zh) * 2023-04-10 2023-05-12 中南大学 滑坡易发性评价方法

Similar Documents

Publication Publication Date Title
CN109086756B (zh) 一种基于深度神经网络的文本检测分析方法、装置及设备
Rao et al. Selfie video based continuous Indian sign language recognition system
CN108932500B (zh) 一种基于深度神经网络的动态手势识别方法及***
CN106682598B (zh) 一种基于级联回归的多姿态的人脸特征点检测方法
CN108898623A (zh) 目标跟踪方法及设备
CN111783576B (zh) 基于改进型YOLOv3网络和特征融合的行人重识别方法
US20210271862A1 (en) Expression recognition method and related apparatus
CN108520226B (zh) 一种基于躯体分解和显著性检测的行人重识别方法
Ismael et al. Face recognition using Viola-Jones depending on Python
JP2016062610A (ja) 特徴モデル生成方法及び特徴モデル生成装置
Rao et al. Sign Language Recognition System Simulated for Video Captured with Smart Phone Front Camera.
CN107301376B (zh) 一种基于深度学习多层刺激的行人检测方法
CN102938065A (zh) 基于大规模图像数据的人脸特征提取方法及人脸识别方法
CN111563452A (zh) 一种基于实例分割的多人体姿态检测及状态判别方法
Wang et al. A coupled encoder–decoder network for joint face detection and landmark localization
CN108960076B (zh) 基于卷积神经网络的耳朵识别与跟踪方法
CN108256462A (zh) 一种商场监控视频中的人数统计方法
CN108734200B (zh) 基于bing特征的人体目标视觉检测方法和装置
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN113706481A (zh) ***质量检测方法、装置、计算机设备和存储介质
Du High-precision portrait classification based on mtcnn and its application on similarity judgement
Andiani et al. Face recognition for work attendance using multitask convolutional neural network (MTCNN) and pre-trained facenet
Abdullah et al. Vehicle counting using deep learning models: a comparative study
CN106980845B (zh) 基于结构化建模的人脸关键点定位方法
CN111797704A (zh) 一种基于相关物体感知的动作识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181127