CN110264497B - 跟踪时长的确定方法及装置、存储介质、电子装置 - Google Patents
跟踪时长的确定方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN110264497B CN110264497B CN201910502736.1A CN201910502736A CN110264497B CN 110264497 B CN110264497 B CN 110264497B CN 201910502736 A CN201910502736 A CN 201910502736A CN 110264497 B CN110264497 B CN 110264497B
- Authority
- CN
- China
- Prior art keywords
- tracking
- tracking object
- determining
- frame image
- target area
- 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
- 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
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
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)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明提供了一种跟踪时长的确定方法及装置、存储介质、电子装置,该方法包括:在对目标区域进行视频监控所得到的第N帧图像中确定位于目标区域中的第一跟踪对象的标识、对第一跟踪对象跟踪的跟踪时长、以及第N帧图像的拍摄时间;在对目标区域进行视频监控所得到的第M帧图像中确定出目标区域内不存在第一跟踪对象;在对目标区域进行视频监控所得到的第O帧图像中确定目标区域内出现的第二跟踪对象的标识、以及第O帧图像的拍摄时间;在第一跟踪对象与第二跟踪对象匹配的情况下,在第O帧图像中确定对第二跟踪对象跟踪的跟踪时长为第二时长。通过本发明,解决了对未被检测到对象的跟踪时长计算不准确的问题,达到准确确定跟踪时长的效果。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种跟踪时长的确定方法及装置、存储介质、电子装置。
背景技术
现有技术中,在利用图像对排队中的对象进行跟踪时,只依赖跟踪连续性来判断跟踪对象的跟踪时长。
在跟踪对象未被检测到时,根据前后跟踪图像中的跟踪框的重合面积比例确定是否为同一个跟踪对象。或者是通过比较检测出潜在对象与跟踪对象的相似度,确定是否是同一跟踪对象,以实现对跟踪对象的重定位。
由上述可知,现有技术中对未被检测到对象的跟踪时长的计算并不准确。
针对现有技术中存在的问题,相关技术尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种跟踪时长的确定方法及装置、存储介质、电子装置,以至少解决相关技术中对未被检测到对象的跟踪时长计算不准确的问题。
根据本发明的一个实施例,提供了一种跟踪时长的确定方法,包括:在对目标区域进行视频监控所得到的第N帧图像中确定位于目标区域中的第一跟踪对象的标识、对第一跟踪对象跟踪的跟踪时长、以及第N帧图像的拍摄时间,其中,对第一跟踪对象跟踪的跟踪时长为第一时长;在对目标区域进行视频监控所得到的第M帧图像中确定出目标区域内不存在第一跟踪对象;在对目标区域进行视频监控所得到的第O帧图像中确定目标区域内出现的第二跟踪对象的标识、以及第O帧图像的拍摄时间,其中,O>M>N,O、M、N均为正整数;在第一跟踪对象与第二跟踪对象匹配的情况下,在第O帧图像中确定对第二跟踪对象跟踪的跟踪时长为第二时长,其中,第二时长为第一时长与拍摄时间间隔之和,拍摄时间间隔为第O帧图像的拍摄时间与第N帧图像的拍摄时间的差值。
根据本发明的另一个实施例,提供了一种跟踪时长的确定装置,包括:第一确定模块,用于在对目标区域进行视频监控所得到的第N帧图像中确定位于目标区域中的第一跟踪对象的标识、对第一跟踪对象跟踪的跟踪时长、以及第N帧图像的拍摄时间,其中,对第一跟踪对象跟踪的跟踪时长为第一时长;第二确定模块,用于在对目标区域进行视频监控所得到的第M帧图像中确定出目标区域内不存在第一跟踪对象;第三确定模块,用于在对目标区域进行视频监控所得到的第O帧图像中确定目标区域内出现的第二跟踪对象的标识、以及第O帧图像的拍摄时间,其中,O>M>N,O、M、N均为正整数;第四确定模块,用于在第一跟踪对象与第二跟踪对象匹配的情况下,在第O帧图像中确定对第二跟踪对象跟踪的跟踪时长为第二时长,其中,第二时长为第一时长与拍摄时间间隔之和,拍摄时间间隔为第O帧图像的拍摄时间与第N帧图像的拍摄时间的差值。
根据本发明的又一个实施例,还提供了一种存储介质,存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,由于在对目标区域进行视频监控所得到的第N帧图像中确定位于目标区域中的第一跟踪对象的标识、对第一跟踪对象跟踪的跟踪时长、以及第N帧图像的拍摄时间;在对目标区域进行视频监控所得到的第M帧图像中确定出目标区域内不存在第一跟踪对象,即在第一跟踪对象未被检测到的情况下,如果在第O帧图像中出现第二跟踪对象的标识、以及第O帧图像的拍摄时间,则可以在第一跟踪对象与第二跟踪对象匹配的情况下,可以将第一时长与拍摄时间间隔之和确定为第二跟踪对象的跟踪时长,拍摄时间间隔为第O帧图像的拍摄时间与第N帧图像的拍摄时间的差值。从而实现了在第一跟踪对象和第二跟踪对象是同一对象的情况下,准确的确定出跟踪时长。因此,可以解决相关技术中对未被检测到对象的跟踪时长计算不准确的问题,达到准确确定跟踪时长的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种跟踪时长的确定方法的移动终端的硬件结构框图;
图2是根据本发明实施例的跟踪时长的确定方法的流程图;
图3是本实施例中优选实施例的流程图;
图4为视频第491帧的示意图;
图5为视频第498帧的示意图;
图6为视频第533帧的示意图;
图7为视频第573帧的示意图;
图8为视频第592帧的示意图;
图9是根据本发明实施例的跟踪时长的确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种跟踪时长的确定方法的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的跟踪时长的确定方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种跟踪时长的确定方法,图2是根据本发明实施例的跟踪时长的确定方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,在对目标区域进行视频监控所得到的第N帧图像中确定位于目标区域中的第一跟踪对象的标识、对第一跟踪对象跟踪的跟踪时长、以及第N帧图像的拍摄时间,其中,对第一跟踪对象跟踪的跟踪时长为第一时长;
可选地,在本实施例中,可以应用于排队的场景中,包括但不限于餐厅买饭的排队、火车站买票的排队、医院挂号的排队、火车站进站的排队等等。目标区域可以是排队的区域,例如,火车站的进站口等等。第一跟踪对象的标识可以是分配给该第一跟踪对象的位移标识ID号,标识中还可以显示有第一时长,第一跟踪对象所在位置的坐标、第一跟踪对象的特征信息等。此外,在跟踪的过程中,每一帧图像中都显示有每一帧图像被拍摄的拍摄时间。
步骤S204,在对目标区域进行视频监控所得到的第M帧图像中确定出目标区域内不存在第一跟踪对象;
可选地,在本实施例中,可以确定第一跟踪对象是在第N帧图像之后未被检测到,或者是在第N帧图像之后、第M帧图像之前未被检测到。第N帧图像的拍摄时间与第M帧图像的拍摄时间之间间隔第一预设时长,第M帧图像的拍摄时间到第O帧图像的拍摄时间的前第二预设时长的时间段上目标区域内均不存在第一跟踪对象、且没有与第一跟踪对象匹配的跟踪对象出现。
可选地,第一预设时长和第二预设时长可以是1秒。
需要说明的是,在目标区域中未检测到第一跟踪对象之后,可以对第一跟踪对象的标识进行保存,即保存第一时长、第一跟踪对象所在位置的坐标、第一跟踪对象的特征信息等,以方便后续的比对。
步骤S206,在对目标区域进行视频监控所得到的第O帧图像中确定目标区域内出现的第二跟踪对象的标识、以及第O帧图像的拍摄时间,其中,O>M>N,O、M、N均为正整数;
在本实施例中,第二跟踪对象的标识包括但不限于标识ID号。第O帧图像的拍摄时间的形式可以是年月日,例如,2019-06-05。
步骤S208,在第一跟踪对象与第二跟踪对象匹配的情况下,在第O帧图像中确定对第二跟踪对象跟踪的跟踪时长为第二时长,其中,第二时长为第一时长与拍摄时间间隔之和,拍摄时间间隔为第O帧图像的拍摄时间与第N帧图像的拍摄时间的差值。
在本实施例中,可以在第O帧中显示对第二跟踪对象的跟踪时长为第二时长,以方便用户的观察。
通过本发明,由于在对目标区域进行视频监控所得到的第N帧图像中确定位于目标区域中的第一跟踪对象的标识、对第一跟踪对象跟踪的跟踪时长、以及第N帧图像的拍摄时间;在对目标区域进行视频监控所得到的第M帧图像中确定出目标区域内不存在第一跟踪对象,即在视频监控中未检测到第一跟踪对象的情况下,如果在第O帧图像中出现第二跟踪对象,则获取第二跟踪对象的标识、以及第O帧图像的拍摄时间,在第一跟踪对象与第二跟踪对象匹配的情况下,可以将第一时长与拍摄时间间隔之和确定为第二跟踪对象的跟踪时长,拍摄时间间隔为第O帧图像的拍摄时间与第N帧图像的拍摄时间的差值。从而实现了在第一跟踪对象和第二跟踪对象是同一对象的情况下,准确的确定出跟踪时长。因此,可以解决相关技术中对未被检测到对象的跟踪时长计算不准确的问题,达到准确确定跟踪时长的效果。
可选地,上述步骤的执行主体可以为终端等,但不限于此。
在一个可选的实施例中,在对目标区域进行视频监控所得到的第O帧图像中确定目标区域内出现的第二跟踪对象的标识、以及第O帧图像的拍摄时间之后之后,匹配用于表示第一跟踪对象的第一信息与用于表示第二跟踪对象的第二信息,其中,第一信息包括第一跟踪对象的坐标位置,第一跟踪对象的生物特征信息以及第一跟踪对象的颜色纹理信息,第二信息包括第二跟踪对象的坐标位置,第二跟踪对象的生物特征信息以及第二跟踪对象的颜色纹理信息;利用第一信息与第二信息匹配第一跟踪对象和第二跟踪对象。在本实施例中,第一信息可以是第一跟踪对象的特征信息,第二信息可以是第二跟踪对象的特征信息。利用坐标位置可以得到第一跟踪对象与第二跟踪对象之间的距离。颜色纹理信息可以是第一跟踪对象和第二跟踪对象穿的衣服或者是头发的颜色。
在一个可选的实施例中,可以通过以下方式匹配第一跟踪对象和第二跟踪对象:在第一跟踪对象的坐标位置与第二跟踪对象的坐标位置之间的距离小于预设距离、第一跟踪对象的生物特征信息与第二跟踪对象的生物特征信息匹配、以及第一跟踪对象的颜色纹理信息与第二跟踪对象的颜色纹理信息匹配的情况下,确定第一跟踪对象与第二跟踪对象匹配。作为示例,第一跟踪对象与第二跟踪对象之间的距离如果比较小,例如是1米,按照正常的排队规则,可以认为是同一对象。如果第一跟踪对象与第二跟踪对象之间的距离如果比较大,例如之间距离是10米,按照正常的排队规则,第一跟踪对象不可能在1秒之内移动10米,即可以判断对第一跟踪对象与第二跟踪对象不是同一对象。
可选地,在本实施例中,生物特征信息包括但不限于跟踪对象的头肩特征、人脸信息。
在一个可选的实施例中,在用于表示第一跟踪对象的第一信息与用于表示第二跟踪对象的第二信息不匹配的情况下,可以将第二跟踪对象确定为视频监控中第一次出现的跟踪对象;从零开始对第二跟踪对象的跟踪时长进行计时。在本实施例中,第一跟踪对象的丢失信息可以保存一定时间之内,如果在一定时间之内获取的图像帧中出现的第二跟踪对象与第一跟踪对象并不匹配,则认为第二跟踪对象并不是之前未被检测到的对象,则按照新的跟踪对象进行跟踪。
在一个可选的实施例中,确定第一跟踪对象在第N帧图像之前的位移距离;利用位移距离与目标区域中预设位移阈值之间的关系确定第一跟踪对象被保存的最大帧数。在本实施例中,目标区域中的排队距离是固定的,利用第一时长和第一跟踪对象的位移距离可以确定出第一跟踪对象的平均位移,将平均位移与预设位移阈值之间的比值确定为第一跟踪对象被保存的最大帧数。如果第一跟踪对象在第M帧图像中未被检测到,则可以在第M帧图像之后的最大帧数内将新出现的第二跟踪对象与第一跟踪对象进行比对。
在一个可选的实施例中,在用于标识目标区域的标识框中确定被跟踪对象的数量;在第O帧图像中确定目标区域内出现的第二跟踪对象的情况下,更新目标区域的标识框中确定的被跟踪对象的数量。在本实施例中,每一帧图像中的目标区域中显示有全部被跟踪的对象的数量,在跟踪对象未被检测到的情况下,则减少被跟踪的对象的数量,在出现新的跟踪对象的情况下,则增加被跟踪的对象的数量。
下面解决具体实施例对本发明进行详细说明:
本实施例提供一种行人规则排队时长统计的方法,本实施例中第二跟踪对象以新目标为例,目标区域以排队区域为例,第O帧图像以当前帧为例进行说明。
在划定的排队区域内进行跟踪对象检测和跟踪,当当前帧在目标区域出现新目标时,判断当前帧的预设前N帧中是否出现第一跟踪对象未被检测到,获取第一跟踪对象未被检测到之前跟踪的位置并与当前帧的新目标位置进行比较,或者将新目标的特征与未被检测到的第一跟踪对象的特征进行比较,若位置关系满足预设的约束关系或者特征相似度达到阈值,则将新位置目标的排队时间更新为第一跟踪对象的时间长度加上当前帧到丢失帧之间的帧间隔时间长度。
图3是本实施例中优选实施例的流程图,如图3所示,在行人规则排队的场景中,对跟踪对象的跟踪包括以下步骤:
S301:获取行人规则排队区域内的排队图像,在本实施例中,可以通过单目、双目、鱼眼等相机进行获取。
S302:在行人规则排队区域中确定出若干个监控区域,获取每个监控区域中的排队图像。
S303:检测排队图像中的跟踪对象的头肩信息;
S304:利用头肩信息跟踪监控区域中的跟踪对象;将跟踪对象出现的排队图像确定为第一帧图像,在第一帧图像中显示出跟踪对象的的跟踪标识ID、坐标位置以及跟踪时长等信息。
S305:将第二帧图像中的跟踪对象的跟踪ID和第一帧图像中的跟踪ID进行比较;
S306:判断第二帧图像中是否存在未检测到的跟踪对象;
S307:如果第二帧存在未检测到跟踪对象的情况,则保留未检测到的跟踪对象的坐标位置及跟踪时长,同时保存跟踪成功的跟踪对象的ID、坐标位置、跟踪时长及ID前后帧的像素位移。否则,输出排队跟踪时长。
将第三帧图像中的跟踪ID和第二帧图像中的跟踪ID比较,判断第三帧图像是否存在跟踪对象未被检测到,相对第二帧图像中的跟踪对象ID,判断第三帧图像中是否出现新跟踪对象的ID。如果第三帧图像存在跟踪对象未被检测到,则保留未被检测到的跟踪对象的坐标及跟踪时长,同时保存跟踪成功的目标ID,坐标位置及跟踪时长。如果第三帧图像出现新对象的ID,同时第二帧图像中存在跟踪对象未被检测到,分别判断第三帧图像每一个新出现的ID的坐标位置和第二帧图像所有未被检测到的对象的坐标位置关系,判定新出现的对象的跟踪时长是否需要更新;例如:计算第三帧图像新出现对象ID的坐标和第二帧图像所有未被检测到的对象的坐标,如果第二帧图像中未被检测到的某一对象A和第三帧图像某一新对象B之间的距离满足给定阈值,或者对象A和新对象B之间的距离和颜色文理特征满足给定阈值,将第三帧图像中的新对象B跟踪时长进行更新,将满足约束条件的第二帧图像中未被检测到的对应对象A跟踪时长再加上两帧间隔时长后的总时长更新为第三帧图像中的新对象B排队时长,同时删除将第二帧图像中未被检测到对象A的信息。
S308:将第m帧图像中的跟踪ID和第m-1帧图像中的跟踪ID比较,前后帧存在跟踪成功对象B,记录前后帧对象B的平均位移,一段时间内对象B跟踪被检测到,计算对象B在一段时间内的平均位移x,通过预先设置的目标位移阈值d计算该对象B未被检测到后最大保存帧数,计算公式:对象B跟踪未被检测到后最大保存帧数=预先设置目标位移阈值d/对象B跟踪未被检测到前一段时间平均位移。同时判断第m帧图像是否存在跟踪对象未被检测到,相对第m-1帧图像跟踪对象ID,判断第m帧图像是否出现新对象ID。如果第m帧图像存在跟踪对象未被检测到,则保留跟踪未被检测到对象的坐标,目标跟踪时长及保留跟踪未被检测到对象保存的最大帧数同时保存跟踪成功的目标ID,坐标位置,跟踪时长及像素位移。如果第m帧图像出现新ID,同时第m帧对应的前m-1帧中存在保存的跟踪未被检测到目标,判断第m帧图像新出现ID坐标位置和第m帧图像对应的前m-1帧所有保存的未被检测到的目标坐标位置关系,判断方法同上,进而决定是否对第m帧图像中新对象排队时长进行更新,同时剩余的不满足更新条件的新对象作为正常新进入区域的跟踪目标。某一保存的跟踪未被检测到对象信息,如果该对象连续n帧均未对应适合阈值的新目标(n为该跟踪未被检测到对象最大保存帧数),则将该目标信息删除。
S309:在第m帧图像新出现ID坐标位置和第m帧图像对应的前m-1帧图像所有保存的未被检测到的目标坐标位置匹配的情况下,对第m帧图像中新对象排队时长进行更新。
S310:输出修正后新目标对应的排队时长。
图4为视频第491帧的示意图,其中图中4中的大的灰色区域为设置的规则排队区域,区域内小的灰色框为跟踪目标。图4中规则排队区域内右下角的框内目标为监控观测目标,该目标当前ID为425,该ID跟踪时长为20秒,图4右上角显示当前时间。
图5为视频第498帧的示意图,图5中排队区域内右下角的框内观测目标,该目标因为过度曝光等原因导致跟踪未被检测到。
图6为视频第533帧的示意图,图6中右下角的框内观测目标作为新目标再次跟踪,该目标当前ID为477,作为新目标如果不进行跟踪时长更新,该ID跟踪时长将从0开始计时,但是通过本文方法,将新ID的时长进行更新,更新后该ID排队时长为23秒,通过对图4和图6右上方时间做差,得出观测目标跟踪在视频监控中未被检测到前后排队时长和真实排队时长一致。
图7为视频第573帧的示意图,图7中右下角框内的观测目标再次跟踪未被检测到。
图8为视频第592帧的示意图,图8中右下角框内的观测目标作为新目标再次跟踪,该目标当前ID为512,作为新目标如果不进行跟踪时长更新,该ID跟踪时长将从0开始计时,但是通过本文方法,将新ID的时长进行更新,更新后该ID排队时长27秒,通过对图6和图8右上方时间做差,得出观测目标跟踪未被检测到前后排队时长和真实排队时长一致。
右下角框内的观测目标经过两次跟踪未被检测到,排队时长并未发生改变,该类方法能较好的解决规则排队过程中目标因遮挡等原因造成跟踪未被检测到后计算排队时长不准问题。
在本实施例中,相对于只依赖跟踪连续性来判断目标时长的策略,实施例能在一定程度上解决跟踪过程中目标未被检测到后计算目标时长不准确问题。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种跟踪时长的确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图9是根据本发明实施例的跟踪时长的确定装置的结构框图,如图9所示,该装置包括:第一确定模块92、第二确定模块94、第三确定模块96以及第四确定模块98,下面对该装置进行详细说明:
第一确定模块92,用于在对目标区域进行视频监控所得到的第N帧图像中确定位于目标区域中的第一跟踪对象的标识、对第一跟踪对象跟踪的跟踪时长、以及第N帧图像的拍摄时间,其中,对第一跟踪对象跟踪的跟踪时长为第一时长;
可选地,在本实施例中,可以应用于排队的场景中,包括但不限于餐厅买饭的排队、火车站买票的排队、医院挂号的排队、火车站进站的排队等等。目标区域可以是排队的区域,例如,火车站的进站口等等。第一跟踪对象的标识可以是分配给该第一跟踪对象的位移标识ID号,标识中还可以显示有第一时长,第一跟踪对象所在位置的坐标、第一跟踪对象的特征信息等。此外,在跟踪的过程中,每一帧图像中都显示有每一帧图像被拍摄的拍摄时间。
第二确定模块94,用于在对目标区域进行视频监控所得到的第M帧图像中确定出目标区域内不存在第一跟踪对象;
可选地,在本实施例中,可以确定第一跟踪对象是在第N帧图像之后未被检测到,或者是在第N帧图像之后、第M帧图像之前未被检测到。第N帧图像的拍摄时间与第M帧图像的拍摄时间之间间隔第一预设时长,第M帧图像的拍摄时间到第O帧图像的拍摄时间的前第二预设时长的时间段上目标区域内均不存在第一跟踪对象、且没有与第一跟踪对象匹配的跟踪对象出现。
可选地,第一预设时长和第二预设时长可以是1秒。
需要说明的是,在目标区域中未检测到第一跟踪对象之后,可以对第一跟踪对象的标识进行保存,即保存第一时长、第一跟踪对象所在位置的坐标、第一跟踪对象的特征信息等,以方便后续的比对。
第三确定模块96,用于在对目标区域进行视频监控所得到的第O帧图像中确定目标区域内出现的第二跟踪对象的标识、以及第O帧图像的拍摄时间,其中,O>M>N,O、M、N均为正整数;
在本实施例中,第二跟踪对象的标识包括但不限于标识ID号。第O帧图像的拍摄时间的形式可以是年月日,例如,2019-06-05。
第四确定模块98,用于在第一跟踪对象与第二跟踪对象匹配的情况下,在第O帧图像中确定对第二跟踪对象跟踪的跟踪时长为第二时长,其中,第二时长为第一时长与拍摄时间间隔之和,拍摄时间间隔为第O帧图像的拍摄时间与第N帧图像的拍摄时间的差值。
在本实施例中,可以在第O帧中显示对第二跟踪对象的跟踪时长为第二时长,以方便用户的观察。
通过本发明,由于在对目标区域进行视频监控所得到的第N帧图像中确定位于目标区域中的第一跟踪对象的标识、对第一跟踪对象跟踪的跟踪时长、以及第N帧图像的拍摄时间;在对目标区域进行视频监控所得到的第M帧图像中确定出目标区域内不存在第一跟踪对象,即在第一跟踪对象未被检测到的情况下,如果在第O帧图像中出现第二跟踪对象,则获取第二跟踪对象的标识、以及第O帧图像的拍摄时间,在第一跟踪对象与第二跟踪对象匹配的情况下,可以将第一时长与拍摄时间间隔之和确定为第二跟踪对象的跟踪时长,拍摄时间间隔为第O帧图像的拍摄时间与第N帧图像的拍摄时间的差值。从而实现了在第一跟踪对象和第二跟踪对象是同一对象的情况下,准确的确定出跟踪时长。因此,可以解决相关技术中对未被检测到对象的跟踪时长计算不准确的问题,达到准确确定跟踪时长的效果。
可选地,上述步骤的执行主体可以为终端等,但不限于此。
在一个可选的实施例中,在对目标区域进行视频监控所得到的第O帧图像中确定目标区域内出现的第二跟踪对象的标识、以及第O帧图像的拍摄时间之后之后,匹配用于表示第一跟踪对象的第一信息与用于表示第二跟踪对象的第二信息,其中,第一信息包括第一跟踪对象的坐标位置,第一跟踪对象的生物特征信息以及第一跟踪对象的颜色纹理信息,第二信息包括第二跟踪对象的坐标位置,第二跟踪对象的生物特征信息以及第二跟踪对象的颜色纹理信息;利用第一信息与第二信息匹配第一跟踪对象和第二跟踪对象。在本实施例中,第一信息可以是第一跟踪对象的特征信息,第二信息可以是第二跟踪对象的特征信息。利用坐标位置可以得到第一跟踪对象与第二跟踪对象之间的距离。颜色纹理信息可以是第一跟踪对象和第二跟踪对象穿的衣服或者是头发的颜色。
在一个可选的实施例中,可以通过以下方式匹配第一跟踪对象和第二跟踪对象:在第一跟踪对象的坐标位置与第二跟踪对象的坐标位置之间的距离小于预设距离、第一跟踪对象的生物特征信息与第二跟踪对象的生物特征信息匹配、以及第一跟踪对象的颜色纹理信息与第二跟踪对象的颜色纹理信息匹配的情况下,确定第一跟踪对象与第二跟踪对象匹配。作为示例,第一跟踪对象与第二跟踪对象之间的距离如果比较小,例如是1米,按照正常的排队规则,可以认为是同一对象。如果第一跟踪对象与第二跟踪对象之间的距离如果比较大,例如之间距离是10米,按照正常的排队规则,第一跟踪对象不可能在1秒之内移动10米,即可以判断对第一跟踪对象与第二跟踪对象不是同一对象。
可选地,在本实施例中,生物特征信息包括但不限于跟踪对象的头肩特征、人脸信息。
在一个可选的实施例中,在用于表示第一跟踪对象的第一信息与用于表示第二跟踪对象的第二信息不匹配的情况下,可以将第二跟踪对象确定为视频监控中第一次出现的跟踪对象;从零开始对第二跟踪对象的跟踪时长进行计时。在本实施例中,第一跟踪对象的未被检测到信息可以保存一定时间之内,如果在一定时间之内获取的图像帧中出现的第二跟踪对象与第一跟踪对象并不匹配,则认为第二跟踪对象并不是之前未被检测到的对象,则按照新的跟踪对象进行跟踪。
在一个可选的实施例中,确定第一跟踪对象在第N帧图像之前的位移距离;利用位移距离与目标区域中预设位移阈值之间的关系确定第一跟踪对象被保存的最大帧数。在本实施例中,目标区域中的排队距离是固定的,利用第一时长和第一跟踪对象的位移距离可以确定出第一跟踪对象的平均位移,将平均位移与预设位移阈值之间的比值确定为第一跟踪对象被保存的最大帧数。如果第一跟踪对象在第M帧图像中未被检测到,则可以在第M帧图像之后的最大帧数内将新出现的第二跟踪对象与第一跟踪对象进行比对。
在一个可选的实施例中,在用于标识目标区域的标识框中确定被跟踪对象的数量;在第O帧图像中确定目标区域内出现的第二跟踪对象的情况下,更新目标区域的标识框中确定的被跟踪对象的数量。在本实施例中,每一帧图像中的目标区域中显示有全部被跟踪的对象的数量,在跟踪对象出现未被检测到的情况下,则减少被跟踪的对象的数量,在出现新的跟踪对象的情况下,则增加被跟踪的对象的数量。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以上各步骤的计算机程序。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以上各步骤。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种跟踪时长的确定方法,其特征在于,包括:
在对目标区域进行视频监控所得到的第N帧图像中确定位于所述目标区域中的第一跟踪对象的标识、对所述第一跟踪对象跟踪的跟踪时长、以及所述第N帧图像的拍摄时间,其中,对所述第一跟踪对象跟踪的跟踪时长为第一时长;
在对所述目标区域进行视频监控所得到的第M帧图像中确定出所述目标区域内不存在所述第一跟踪对象;
在对所述目标区域进行视频监控所得到的第O帧图像中确定所述目标区域内出现的第二跟踪对象的标识、以及所述第O帧图像的拍摄时间,其中,O>M>N,所述O、M、N均为正整数;
在所述第一跟踪对象与所述第二跟踪对象匹配的情况下,在所述第O帧图像中确定对所述第二跟踪对象跟踪的跟踪时长为第二时长,其中,所述第二时长为所述第一时长与拍摄时间间隔之和,所述拍摄时间间隔为所述第O帧图像的拍摄时间与所述第N帧图像的拍摄时间的差值。
2.根据权利要求1所述的方法,其特征在于,在对所述目标区域进行视频监控所得到的第O帧图像中确定所述目标区域内出现的第二跟踪对象的标识、以及所述第O帧图像的拍摄时间之后,所述方法还包括:
匹配用于表示所述第一跟踪对象的第一信息与用于表示所述第二跟踪对象的第二信息,其中,所述第一信息包括所述第一跟踪对象的坐标位置、所述第一跟踪对象的生物特征信息以及所述第一跟踪对象所在图像区域的颜色纹理信息,所述第二信息包括所述第二跟踪对象的坐标位置、所述第二跟踪对象的生物特征信息以及所述第二跟踪对象所在图像区域的颜色纹理信息,所述生物特征信息包括头肩特征;
利用所述第一信息与所述第二信息的匹配结果确定出所述第一跟踪对象和所述第二跟踪对象是否匹配。
3.根据权利要求2所述的方法,其特征在于,利用所述第一信息与所述第二信息的匹配结果确定出所述第一跟踪对象和所述第二跟踪对象是否匹配包括:
在所述第一跟踪对象的坐标位置与所述第二跟踪对象的坐标位置之间的距离小于预设距离、所述第一跟踪对象的生物特征信息与所述第二跟踪对象的生物特征信息匹配、以及所述第一跟踪对象的颜色纹理信息与所述第二跟踪对象的颜色纹理信息匹配的情况下,确定所述第一跟踪对象与所述第二跟踪对象匹配。
4.根据权利要求2所述的方法,其特征在于,在用于表示所述第一跟踪对象的第一信息与用于表示所述第二跟踪对象的第二信息不匹配的情况下,所述方法还包括:
将所述第二跟踪对象确定为所述视频监控中第一次出现的跟踪对象;
从零开始对所述第二跟踪对象的跟踪时长进行计时。
5.根据权利要求1所述的方法,其特征在于,还包括:
确定所述第一跟踪对象在所述第N帧 图像之前的位移距离;
利用所述位移距离与所述目标区域中预设位移阈值之间的关系确定所述第一跟踪对象被保存的最大帧数。
6.根据权利要求5所述的方法,其特征在于,利用所述位移距离与所述目标区域中预设位移阈值之间的关系确定所述第一跟踪对象被保存的最大帧数包括:
利用所述第一时长和所述第一跟踪对象的位移距离确定出所述第一跟踪对象的平均位移;
将所述平均位移与所述预设位移阈值之间的比值确定为所述第一跟踪对象被保存的最大帧数,其中,所述第一跟踪对象被保存的最大帧数包括保存的包括第一跟踪对象的图像帧。
7.根据权利要求1至6中任一项所述的方法,其特征在于,
所述第N帧图像的拍摄时间与所述第M帧图像的拍摄时间之间间隔第一预设时长,所述第M帧图像的拍摄时间到所述第O帧图像的拍摄时间的前第二预设时长的时间段上所述目标区域内均不存在第一跟踪对象、且没有与所述第一跟踪对象匹配的跟踪对象出现。
8.根据权利要求1至6中任一项所述的方法,其特征在于,
在用于标识所述目标区域的标识框中确定被跟踪对象的数量;
在所述第O帧图像中的所述目标区域内出现第二跟踪对象的情况下,更新所述目标区域的标识框中的被跟踪对象的数量。
9.一种跟踪时长的确定装置,其特征在于,包括:
第一确定模块,用于在对目标区域进行视频监控所得到的第N帧图像中确定位于所述目标区域中的第一跟踪对象的标识、对所述第一跟踪对象跟踪的跟踪时长、以及所述第N帧图像的拍摄时间,其中,对所述第一跟踪对象跟踪的跟踪时长为第一时长;
第二确定模块,用于在对所述目标区域进行视频监控所得到的第M帧图像中确定出所述目标区域内不存在第一跟踪对象;
第三确定模块,用于在对所述目标区域进行视频监控所得到的第O帧图像中确定所述目标区域内出现的第二跟踪对象的标识、以及所述第O帧图像的拍摄时间,其中,O>M>N,所述O、M、N均为正整数;
第四确定模块,用于在所述第一跟踪对象与所述第二跟踪对象匹配的情况下,在所述第O帧图像中确定对所述第二跟踪对象跟踪的跟踪时长为第二时长,其中,所述第二时长为所述第一时长与拍摄时间间隔之和,所述拍摄时间间隔为所述第O帧图像的拍摄时间与所述第N帧图像的拍摄时间的差值。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
11.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502736.1A CN110264497B (zh) | 2019-06-11 | 2019-06-11 | 跟踪时长的确定方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502736.1A CN110264497B (zh) | 2019-06-11 | 2019-06-11 | 跟踪时长的确定方法及装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110264497A CN110264497A (zh) | 2019-09-20 |
CN110264497B true CN110264497B (zh) | 2021-09-17 |
Family
ID=67917612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910502736.1A Active CN110264497B (zh) | 2019-06-11 | 2019-06-11 | 跟踪时长的确定方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264497B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126807B (zh) * | 2019-12-12 | 2023-10-10 | 浙江大华技术股份有限公司 | 行程切分方法和装置、存储介质及电子装置 |
CN111008611B (zh) * | 2019-12-20 | 2023-07-14 | 浙江大华技术股份有限公司 | 排队时长的确定方法及装置、存储介质、电子装置 |
US11553136B2 (en) * | 2020-02-19 | 2023-01-10 | Canon Kabushiki Kaisha | Subject tracking device, subject tracking method, and storage medium |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413295A (zh) * | 2013-07-12 | 2013-11-27 | 长沙理工大学 | 一种视频多目标长程跟踪方法 |
CN103793921A (zh) * | 2012-10-29 | 2014-05-14 | 浙江大华技术股份有限公司 | 一种运动目标提取方法及装置 |
CN104867198A (zh) * | 2015-03-16 | 2015-08-26 | 北京首都国际机场股份有限公司 | 排队时长获取方法和装置 |
CN108764167A (zh) * | 2018-05-30 | 2018-11-06 | 上海交通大学 | 一种时空关联的目标重识别方法和*** |
CN109117721A (zh) * | 2018-07-06 | 2019-01-01 | 江西洪都航空工业集团有限责任公司 | 一种行人徘徊检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080073933A (ko) * | 2007-02-07 | 2008-08-12 | 삼성전자주식회사 | 객체 트래킹 방법 및 장치, 그리고 객체 포즈 정보 산출방법 및 장치 |
-
2019
- 2019-06-11 CN CN201910502736.1A patent/CN110264497B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793921A (zh) * | 2012-10-29 | 2014-05-14 | 浙江大华技术股份有限公司 | 一种运动目标提取方法及装置 |
CN103413295A (zh) * | 2013-07-12 | 2013-11-27 | 长沙理工大学 | 一种视频多目标长程跟踪方法 |
CN104867198A (zh) * | 2015-03-16 | 2015-08-26 | 北京首都国际机场股份有限公司 | 排队时长获取方法和装置 |
CN108764167A (zh) * | 2018-05-30 | 2018-11-06 | 上海交通大学 | 一种时空关联的目标重识别方法和*** |
CN109117721A (zh) * | 2018-07-06 | 2019-01-01 | 江西洪都航空工业集团有限责任公司 | 一种行人徘徊检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110264497A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742100B (zh) | 一种考生身份验证方法及终端设备 | |
CN110264497B (zh) | 跟踪时长的确定方法及装置、存储介质、电子装置 | |
CN109165645B (zh) | 一种图像处理方法、装置以及相关设备 | |
US20200005090A1 (en) | Target recognition method and apparatus, storage medium, and electronic device | |
CN109299658B (zh) | 脸部检测方法、脸部图像渲染方法、装置及存储介质 | |
US9031862B2 (en) | Advertisement delivery target identifying apparatus, advertisement delivery apparatus, advertisement delivery target identifying method, advertisement delivery method, program, and recording medium | |
CN105975980A (zh) | 监控图像标注质量的方法和装置 | |
CN107480624B (zh) | 常住人口获取方法、装置及***、计算机装置和存储介质 | |
KR102097781B1 (ko) | 객체 정보 제공 장치 및 방법 | |
CN110738219A (zh) | 图像中线条提取方法和装置、存储介质及电子装置 | |
CN110363176B (zh) | 一种图像分析方法及装置 | |
CN109961472B (zh) | 3d热力图生成的方法、***、存储介质及电子设备 | |
CN110348519A (zh) | 金融产品欺诈团伙的识别方法和装置 | |
EP3846114A1 (en) | Animal information management system and animal information management method | |
CN111047622B (zh) | 视频中对象的匹配方法和装置、存储介质及电子装置 | |
CN112631333B (zh) | 无人机的目标跟踪方法、装置及图像处理芯片 | |
CN110309330A (zh) | 视觉地图的处理方法和装置 | |
CN112819889B (zh) | 位置信息的确定方法及装置、存储介质、电子装置 | |
CN111950507B (zh) | 数据处理和模型训练方法、装置、设备及介质 | |
WO2021103727A1 (zh) | 一种数据处理方法、设备及存储介质 | |
CN113947795A (zh) | 口罩佩戴检测方法、装置、设备及存储介质 | |
CN111385527B (zh) | 同行判定方法及相关产品 | |
CN112163519A (zh) | 图像映射处理方法、装置、存储介质及电子装置 | |
JP5560704B2 (ja) | 表示スケジュール設定装置、コンテンツ表示システム、スケジュール設定方法、及びプログラム | |
CN111145212B (zh) | 一种目标追踪处理方法及装置 |
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 |