CN112102356B - 一种目标跟踪方法、装置、终端设备及存储介质 - Google Patents
一种目标跟踪方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112102356B CN112102356B CN201910526105.3A CN201910526105A CN112102356B CN 112102356 B CN112102356 B CN 112102356B CN 201910526105 A CN201910526105 A CN 201910526105A CN 112102356 B CN112102356 B CN 112102356B
- Authority
- CN
- China
- Prior art keywords
- information
- preset
- target
- position information
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 32
- 239000002245 particle Substances 0.000 claims abstract description 182
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 210000001747 pupil Anatomy 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
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
本发明实施例公开了一种目标跟踪方法、装置、终端设备及存储介质。所述方法包括:确定目标物体的初始位置信息;根据所述初始位置信息,确定预设数量的粒子;基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息。利用该方法,能够避免对灰度分布均匀的目标物体使用灰度值相关的特征进行目标跟踪导致的精度下降的问题。通过目标物体的初始位置信息和对应的各粒子的预设位置信息对目标物体进行跟踪,跟踪结果更加准确、跟踪速度更加快速,从而提升了目标跟踪的效率。
Description
技术领域
本发明实施例涉及计算机视觉技术领域,尤其涉及一种目标跟踪方法、装置、终端设备及存储介质。
背景技术
目标跟踪是计算机视觉研究领域的热点之一,并得到广泛应用。相机的跟踪对焦、无人机的自动目标跟踪和物体跟踪等都需要用到了目标跟踪技术。其中,目标跟踪可以包括人脸跟踪。
目标跟踪的实现可以是:在连续的视频序列中,确定所要跟踪的目标物体(如人脸或瞳孔)的位置,如,给定目标物体在第一帧图像中的初始位置信息,通过该初始位置信息计算目标物体在下一帧图像中的位置,从而得到目标物体在视频序列中完整的运动轨迹,实现对目标物体的跟踪。
目前对目标跟踪时所采用的跟踪方法多使用与灰度值相关的特征,当目标物体灰度分布均匀时,则目标跟踪精度下降;若为了提高目标跟踪精度而采用Mean-Shift算法、光流法等方法进行目标跟踪,则需要多次迭代,运算速度较慢。
发明内容
本发明实施例提供了一种目标跟踪方法、装置、终端设备及存储介质,以提升目标跟踪的效率。
第一方面,本发明实施例提供了一种目标跟踪方法,包括:
确定目标物体的初始位置信息;
根据所述初始位置信息,确定预设数量的粒子;
基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息。
可选的,所述基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息,包括:
分别计算所述初始位置信息对应的初始梯度信息和各粒子的预设位置信息对应的预设梯度信息,所述预设位置信息包括预设边缘信息和预设中心信息;
根据所述初始梯度信息和各所述预设梯度信息,确定各粒子与所述目标物体的相关度;
基于各所述相关度,确定目标物体的目标位置信息。
可选的,所述根据所述初始梯度信息和各所述预设梯度信息,确定各粒子与所述目标物体的相关度,包括:
基于所述初始梯度信息和各所述预设梯度信息,确定各所述预设梯度信息与对应位置处的初始梯度信息的角度信息;
对每一粒子对应的各角度信息进行归一化处理,确定各粒子与所述目标物体的相关度。
可选的,所述基于各所述相关度,确定目标物体的目标位置信息,包括:
如果存在大于相关度阈值的目标相关度,则确定各所述粒子对应的后验概率,并根据各所述后验概率和对应的预设中心信息,确定所述目标物体的目标位置信息;否则,对所述目标物体的物体图像进行检测,确定所述目标物体的目标位置信息。
可选的,所述确定各所述粒子对应的后验概率,包括:
分别确定各所述预设梯度信息与对应位置处的初始梯度信息的投影信息;
对每一粒子对应的各投影信息进行归一化处理,得到各所述粒子对应的后验概率。
可选的,所述目标位置信息包括目标中心位置和目标边缘位置;相应的,所述根据各所述后验概率和对应的预设中心信息,确定所述目标物体的目标位置信息,包括:
将各后验概率与对应的预设中心信息相乘并将相乘后的结果进行累加,得到目标物体的目标中心位置;
基于所述目标中心位置和所述初始位置信息确定所述目标物体的目标边缘位置。
可选的,所述初始位置信息包括:所述目标物体的中心信息和边缘信息。
可选的,所述根据所述初始位置信息,确定预设数量的粒子,包括:
基于预设分布,在所述初始位置信息对应位置处和/或设定位置处选取预设数量的粒子,所述设定位置与所述初始位置信息对应位置的距离在设定范围内。
第二方面,本发明实施例还提供了一种目标跟踪装置,包括:
初始位置确定模块,用于确定目标物体的初始位置信息;
粒子确定模块,用于根据所述初始位置信息,确定预设数量的粒子;
目标位置确定模块,用于基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息。
第三方面,本发明实施例还提供了一种终端设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例提供的目标跟踪方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例提供的目标跟踪方法。
本发明实施例提供了一种目标跟踪方法、装置、终端设备及存储介质,利用上述技术方案,能够基于目标物体的初始位置信息确定预设数量的粒子,然后根据初始位置信息和各粒子的预设位置信息,确定目标物体的目标位置信息。避免对灰度分布均匀的目标物体使用灰度值相关的特征进行目标跟踪导致的精度下降的问题,基于目标物体的初始位置信息和对应的各粒子的预设位置信息对目标物体进行跟踪,跟踪结果更加准确、跟踪速度更加快速,从而提升了目标跟踪的效率。
附图说明
图1为本发明实施例一提供的一种目标跟踪方法的流程示意图;
图2a为本发明实施例二提供的一种目标跟踪方法的流程示意图;
图2b为本发明实施例提供的初始物体图像中目标物体的中心位置和边缘信息的位置关系示意图;
图2c为本发明实施例提供的预设数量的粒子与目标物体的位置关系示意图;
图2d为本发明实施例二提供的目标跟踪方法的示例流程示意图;
图3为本发明实施例三提供的一种目标跟踪装置的结构示意图;
图4为本发明实施例四提供的一种终端设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种目标跟踪方法的流程示意图,该方法可适用于对目标物体进行跟踪的情况,该方法可以由目标跟踪装置来执行,其中该装置可由软件和/或硬件实现,并一般集成在终端设备上,在本实施例中终端设备包括但不限于:计算机、个人数字助理、眼球追踪设备或眼控仪等设备。
其中,终端设备可以集成有图像采集设备,图像采集设备包括但不限于红外摄像设备、红外图像传感器、照相机或摄像机等。当目标物体为眼睛时,终端设备还可以集成有光源,光源可以为红外光源,因为红外光线不会影响眼睛的视觉;红外光源的个数可以为多个,以预定的方式排列,例如品字形、一字形等。
如图1所示,本发明实施例一提供的一种目标跟踪方法,包括如下步骤:
S101、确定目标物体的初始位置信息。
在本实施例中,目标物体可以理解为待进行跟踪的物体。本实施例中的目标物体需要满足的条件可以为以下至少之一:边界清晰、短时间形变不明显和移动范围较小(或已粗定位需要跟踪精确位置)。如目标物体为边界清晰、短时间形变不明显且移动范围较小的物体。其中,边界清晰可以理解为目标物体边界灰度值变化大于设定灰度值。设定灰度值可以根据实际情况进行设定,如根据目标物体各位置处的灰度值确定或根据图像识别精度确定。短时间形变中限定的短时间的具体时间值可以根据所跟踪的目标物体的实际情况进行设定此处不作限定。如短时间可以为预设时间,预设时间的数值不作限定。移动范围较小可以理解为目标物体移动范围小于设定距离。设定距离可以根据实际情况设定,此处不作限定。
初始位置信息可以理解为在对目标物体跟踪前,目标物体的位置信息。该初始位置信息可以为对目标物体的初始物体图像进行检测确定的。检测手段不作限定,如可以先获取包括目标物体的初始物体图像,然后对初始物体图像进行预处理,以提取预处理后的初始物体图像中物体的初始位置信息。预处理手段包括但不限于,灰度化、二值化和增强处理。
其中,初始位置信息包括但不限于目标物体的中心信息和边缘信息。在对目标物体进行跟踪时,可以以中心位置标识目标物体所处位置,使用边缘信息对目标物体进行跟踪。
本步骤不限定确定目标物体的初始位置信息的具体手段,具体确定手段可以基于初始位置信息包括的内容确定。如,当初始位置信息包括中心位置和边缘位置时,可以对包含目标物体的初始物体图像进行阈值处理并提取目标物体的轮廓信息,然后对目标物体的轮廓信息进行拟合。当目标物体为瞳孔时,可以对轮廓信息进行椭圆拟合。然后基于拟合结果确定中心位置和边缘位置。其中,初始物体图像的获取手段不作限定,如通过图像采集设备拍摄目标物体获取。
S102、根据所述初始位置信息,确定预设数量的粒子。
在本实施例中,预设数量的具体数值不作限定,可以根据目标物体的大小或终端设备的处理速度确定。预设数量越大,目标跟踪效果可以越精确。粒子可以理解为基于初始位置信息选取的候选点。基于各粒子对应的预设位置信息能够确定目标物体可能存在的位置。
本步骤不限定如何根据初始位置信息确定预设数量的粒子,如可以在初始位置信息对应的位置附近按照预设分布,选取预设数量的粒子;也可以在初始位置信息对应的位置附近随机选取预设数量的粒子。其中,预设分布包括但不限于:均匀分布或高斯分布。
确定出的预设数量的粒子可以是目标物体可能的位置,故在确定出各粒子后,可以基于初始位置信息和各粒子确定目标物体的目标位置信息,以实现对目标物体的跟踪。
S103、基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息。
在本实施例中,预设位置信息可以理解为粒子所处位置,初始位置信息可以理解为目标物体上一时刻所处位置,目标位置信息可以理解为目标物体当前所处位置。当初始位置信息为目标物体在第一帧中所处位置时,则目标位置信息可以认为是目标物体在下一帧中所处位置。其中,下一帧可以为第二帧。
预设位置信息包括但不限于:预设中心信息和预设边缘信息。其中,预设中心信息可以表示粒子的中心所处位置。预设边缘信息可以理解为表示粒子边缘的信息,如坐标信息。预设边缘信息可以基于初始位置信息和预设中心信息确定。初始位置信息可以用于表征目标物体的形状和位置信息。如通过初始位置信息中的中心信息表示目标物体的位置信息,用初始位置信息中的边缘信息表示目标物体的形状。
在确定预设边缘信息时,可以基于预设中心信息和初始位置信息的中心信息、边缘位置,确定出预设边缘信息。确定预设边缘信息时,可以保证目标物体的形状和粒子对应的形状相同或形状偏差在设定范围内。设定范围的具体数值不作限定,可以根据目标物体的形状信息及目标物体运动情况设定。粒子对应的形状可以由预设位置信息表示。
在确定各粒子后,本步骤可以基于初始位置信息和各粒子的预设位置信息,确定各粒子与目标物体的相关度。然后基于各粒子与目标物体的相关度,确定目标物体的目标位置信息。
确定出目标物体的目标位置信息后,可以将该目标位置信息作为新的初始位置信息,继续对目标物体进行跟踪。
本发明实施例一提供的一种目标跟踪方法,利用上述方法,能够基于目标物体的初始位置信息确定预设数量的粒子,然后根据初始位置信息和各粒子的预设位置信息,确定目标物体的目标位置信息。避免对灰度分布均匀的目标物体使用灰度值相关的特征进行目标跟踪导致的精度下降的问题,基于目标物体的初始位置信息和对应的各粒子的预设位置信息对目标物体进行跟踪,跟踪结果更加准确、跟踪速度更加快速,从而提升了目标跟踪的效率。
进一步的,所述基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息,包括:
分别计算所述初始位置信息对应的初始梯度信息和各粒子的预设位置信息对应的预设梯度信息,所述预设位置信息包括预设边缘信息和预设中心信息;
根据所述初始梯度信息和各所述预设梯度信息,确定各粒子与所述目标物体的相关度;
基于各所述相关度,确定目标物体的目标位置信息。
其中,初始梯度信息可以理解为初始位置信息的梯度。当初始位置信息包括边缘信息时,初始梯度信息可以为各边缘信息对应的梯度。初始梯度信息可以是向量信息。每一个边缘信息对应一个向量,该边缘信息位置处的灰度值变化最大。
预设梯度信息可以理解为各预设位置信息处对应的梯度。如,当预设位置信息包括预设边缘信息时,预设梯度信息可以为预设边缘位置的梯度。
根据目标物体的边缘信息与中心信息的相对关系和预设中心信息,确定粒子的预设边缘信息,使得粒子具有与目标物体相同的特性。预设边缘信息可以用于目标跟踪判断,如基于预设边缘信息对应的预设梯度信息和初始位置信息包括的边缘信息对应的初始梯度信息,确定目标物体与粒子的相关度。
相关度可以理解为粒子对应的预设位置信息所表示的区域内包含目标物体的概率。相关度越大可以认为包含目标物体的可能性越大。
在基于初始位置信息和各粒子的预设位置信息确定目标物体的目标位置信息时,可以首先确定初始位置信息对应的初始梯度信息和各粒子的预设位置信息对应的预设梯度信息。然后根据初始梯度信息和各预设梯度信息,确定目标物体与各粒子的相关度。然后对各相关度进行分析,以得到目标物体的目标位置信息。
如果相关度较大,如大于相关度阈值,则可以基于各粒子对应的预设位置信息和初始位置信息确定目标位置信息;否则,可以直接对目标物体当前的物体图像进行检测得到目标物体的目标位置信息。相关度阈值不作限定,可以根据实际情况进行设定。
实施例二
图2a为本发明实施例二提供的一种目标跟踪方法的流程示意图,本实施例二在上述各实施例的基础上进行优化。在本实施例中,将根据所述初始梯度信息和各所述预设梯度信息,确定各粒子与所述目标物体的相关度,优化包括:基于所述初始梯度信息和各所述预设梯度信息,确定各所述预设梯度信息与对应位置处的初始梯度信息的角度信息;对每一预设梯度信息对应的各角度信息进行归一化处理,确定各粒子与所述目标物体的相关度。
进一步地,本实施例还将基于各所述相关度,确定目标物体的目标位置信息,优化包括:如果存在大于相关度阈值的目标相关度,则确定各所述粒子对应的后验概率,并根据各所述后验概率和对应的预设中心信息,确定所述目标物体的目标位置信息;否则,对所述目标物体的物体图像进行检测,确定所述目标物体的目标位置信息。
在上述优化的基础上,本实施例将初始位置信息优化包括:所述目标物体的中心信息和边缘信息。
进一步的,本实施例将根据所述初始位置信息,确定预设数量的粒子,优化包括:基于预设分布,在所述初始位置信息对应位置处和/或设定位置处选取预设数量的粒子,所述设定位置与所述初始位置信息对应位置的距离在设定范围内。
本实施例尚未详尽的内容请参考实施例一。
如图2a所示,本发明实施例二提供的一种目标跟踪方法,包括如下步骤:
S201、确定目标物体的初始位置信息,所述初始位置信息包括:所述目标物体的中心信息和边缘信息。
本实施例中的初始位置信息可以优化包括中心信息和边缘信息,中心信息可以用于表示目标物体的初始时刻的位置。边缘信息可以理解为目标物体边缘的信息,如坐标信息。边缘信息可以用于进行目标跟踪。
所谓边缘是指图像局部特征的不连续性。灰度或结构信息的突变称为边缘,例如:灰度级的突变、颜色的突变、纹理结的突变。边缘可以指图像局部强度变化最显著的部分。主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间,是图像分割、纹理特征和形状特征等图像分析的重要基础。图像的边缘有方向和幅度两个属性,沿边缘方向像素变化平缓,垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用微分算子检测出来,如用一阶或二阶导数来检测边缘,从而得到边缘信息。在边缘检测中还可以使用普利维特算子(Prewitt operator);罗伯茨交叉边缘检测(Roberts Cross operator);拉普拉斯算子等。
确定出边缘信息后,可以基于目标物体的形状信息和确定出的边缘信息,确定目标物体的中心信息。
示例性的,图2b为本发明实施例提供的初始物体图像中目标物体的中心位置和边缘信息的位置关系示意图。参见图2b,对初始物体图像进行识别后,可以确定目标物体的中心21的中心信息为(x0,y0)和边缘点1、边缘点2...边缘点n对应的边缘信息为(x01,y01)(x02,y02)...(x0n,y0n)。其中,目标物体可以为瞳孔,相应的,中心信息为瞳孔中心,边缘信息为瞳孔边缘。
S202、基于预设分布,在所述初始位置信息对应位置处和/或设定位置处选取预设数量的粒子,所述设定位置与所述初始位置信息对应位置的距离在设定范围内。
在本实施例中,预设分布包括但不限于均匀分布或高斯分布。
确定初始位置信息后,本步骤可以在初始位置信息对应位置处和/或在与所述初始位置信息对应位置的距离在设定范围内的设定位置处,以预设分布选取预设数量的粒子,以实现对目标物体的跟踪。
示例性的,本实施例可以采用粒子滤波(Particle Filter)方法选取预设数量的粒子。粒子滤波方法可以是一种基于粒子分布统计的方法。以跟踪为例,首先对目标物体进行建模,并定义一种相似度度量确定粒子与目标物体的匹配程度。在目标物体搜索的过程中,可以按照一定的分布(比如均匀分布或高斯分布)撒一些粒子,统计这些粒子的相似度,确定目标可能的位置。
本步骤可以通过撒粒子的手段确定预设数量的粒子,示例性的,图2c为本发明实施例提供的预设数量的粒子与目标物体的位置关系示意图,参见图2c,一个粒子是目标物体一个可能的位置。本实施例可以将粒子撒在初始位置信息对应位置22处和初始位置信息附近的八个新的位置处,如第一位置23、第二位置24、第三位置25、第四位置26、第五位置27、第六位置28、第七位置29和第八位置30。八个新的位置对应八个粒子,各粒子的预设中心信息可以为(x0’,y0’),(x1’,y1’),...(x8’,y8’)。
S203、分别计算所述初始位置信息对应的初始梯度信息和各粒子的预设位置信息对应的预设梯度信息,所述预设位置信息包括预设边缘信息和预设中心信息。
在确定初始位置信息后,可以计算初始位置信息中边缘信息对应的各初始梯度信息。确定各粒子的预设位置信息后,可以计算每一个粒子的预设位置信息对应的预设梯度信息。
在计算初始梯度信息时,可以在各边缘信息处进行梯度检测,得到各边缘信息对应的初始梯度信息。示例性的,可以分别计算边缘信息为(x01,y01)(x02,y02)...(x0n,y0n)时,各边缘点对应的初始梯度信息a01、a02...a0n。
在计算预设梯度信息时,可以在各预设边缘信息处进行梯度检测,得到各预设边缘信息对应的预设梯度信息。其中,预设位置信息中的预设边缘信息可以根据预设中心信息和初始位置信息确定。
示例性的,假设第一粒子的预设中心信息为(x0’,y0’),则可以基于初始位置信息中边缘信息与中心信息的相对位置及第一粒子的预设中心信息,确定第一粒子的预设边缘信息。即,该第一粒子预设边缘信息为(x0’-x0+x01,y0’-y0+y01)(x0’-x0+x02,y0’-y0+y02)...(x0’-x0+x0n,y0’-y0+y0n)。确定每个粒子对应的预设边缘信息后,可以对边缘进行梯度检测,得到对应的预设梯度信息,如,a01’、a02’...a0n’。
可以理解的是,初始位置信息包括的边缘信息中边缘点的个数与初始梯度信息中边缘点的个数相同,预设位置信息中包括的边缘点的个数与该预设位置信息对应的预设梯度信息的个数相同。边缘信息和预设边缘信息可以通过预设数量的边缘点的坐标表示。
可以理解的是,粒子的预设边缘信息对应的各边缘点与预设中心信息的相对位置,与初始位置信息对应的各边缘点与中心信息的相对位置相同或偏差在一定范围内。
S204、基于所述初始梯度信息和各所述预设梯度信息,确定各所述预设梯度信息与对应位置处的初始梯度信息的角度信息。
角度信息可以理解为各预设梯度信息和初始梯度信息中,相对位置相同的目标预设梯度信息和目标初始梯度信息的夹角。其中,相对位置相同可以理解为目标预设梯度信息与预设中心信息的相对位置与目标初始梯度信息与中心信息的相对位置相同。
根据初始梯度信息和各预设梯度信息,确定各粒子与目标物体的相关度时,可以首先确定各预设梯度信息与对应位置处的初始梯度信息的角度信息。可以理解的是,角度信息越小,可以说明预设梯度信息与对应位置处的初始梯度信息偏差越小,则目标物体与该预设梯度信息对应的粒子的相关度越大。
示例性的,第一粒子中边缘点i对应的预设梯度信息与对应位置处(即边缘点i)的初始梯度信息的角度信息可以为a0i’*a0i/|a0i’|。其中,i为正整数。
S205、对每一粒子对应的各角度信息进行归一化处理,确定各粒子与所述目标物体的相关度。
确定各预设梯度信息与对应位置处的初始梯度的角度信息后,可以分别将每一个粒子对应的各角度信息进行归一化处理,以得到各粒子与目标物体的相关度。具体的,可以将每一粒子对应的各角度信息进行累加,然后将累加后的结果除以角度信息的个数。其中,角度信息的个数可以为粒子的边缘点的个数。
示例性的,第一粒子与目标物体的相关度可以为q0=(a01’*a01/|a01’|/|a01|+a02’*a02/|a02’|/|a02|+...+a0n’*a0n/|a1n’|/|a0n|)/n。
S206、判断各相关度中是否存在大于相关度阈值的目标相关度,若是,则执行S207;若否,则执行S208。
相关度阈值可以理解为粒子与目标物体相关度的阈值。各相关度中存在大于相关度阈值的目标相关度时,可以认为当前时刻各粒子对应的预设位置信息所表示的区域中存在目标物体,则可以执行S207。当各相关度中不存在大于相关度阈值的目标相关度,则可以说明各粒子对应的预设位置信息所表示的区域中不存在目标物体,则可以执行S208。
S207、确定各所述粒子对应的后验概率,并根据各所述后验概率和对应的预设中心信息,确定所述目标物体的目标位置信息,结束操作。
当相关度中存在大于相关度阈值的目标相关度时,则本步骤可以分别确定各粒子对应的后验概率。其中,各粒子对应的后验概率可以基于每一粒子包括的各预设梯度信息与对应位置处的初始梯度信息的投影信息确定。
确定出后验概率后,本步骤可以基于各后验概率和对应的预设中心信息确定目标物体的目标位置信息。其中,后验概率可以表征粒子对应的预设位置信息所表示的区域包含目标物体的概率,当后验概率越大时,粒子对应的预设位置信息所表示的区域包含目标物体的概率越大。相应的,在确定目标物体的目标位置信息时,可以基于后验概率和对应的预设中心信息确定出目标物体的目标中心位置。如,以各后验概率为权重累加各预设中心信息得到目标中心位置。确定目标中心位置后,可以更新目标物体当前的边缘信息,如基于目标中心位置和初始位置信息的相对关系,确定目标边缘位置。
S208、对所述目标物体的物体图像进行检测,确定所述目标物体的目标位置信息。
当各相关度中不存在大于相关度阈值的目标相关度,可以认为当前对目标物体的跟踪失败,则可以重新检测目标物体的位置信息作为目标位置信息。
具体的,可以首先获取包含目标物体的当前物体图像,然后对当前物体图像进行检测识别出目标位置信息,基于物体图像确定目标位置信息的具体手段可以参见基于初始物体图像确定初始位置信息的手段,此处不作赘述。
以下对本实施例进行实例性的描述:
本实施例提供的目标跟踪方法可以认为是基于瞳孔边缘梯度跟踪瞳孔的方案。跟踪时,根据瞳孔上一时刻的位置和当前时刻物体图像,计算出瞳孔,即目标物体,当前时刻的位置。
现有的目标跟踪方法多使用与灰度值相关的特征,但瞳孔图像灰度分布均匀,故与灰度相关的特征不能很好的表征瞳孔,导致跟踪精度下降。若采用Mean-Shift算法、光流法等方法进行目标跟踪,则需要多次迭代,运算速度较慢;若采用卡尔曼滤波方法对目标物体进行跟踪,则运算速度快,但是只能预测线性模型,无法对瞳孔进行跟踪。
图2d为本发明实施例二提供的目标跟踪方法的示例流程示意图,如图2d所示,在进行目标跟踪时,可以包括以下步骤:
S1.检测物体中心和边缘。
本方法跟踪瞳孔,以中心标识瞳孔。跟踪使用边缘对应的边缘信息。该步骤可以认为是确定目标物体的初始位置信息。
S2.计算边缘梯度。
边缘梯度是向量,每个边缘点对应一个向量;瞳孔中心可以为(x0,y0)和边缘可以为(x01,y01)(x02,y02)...(x0n,y0n)。边缘对应边缘梯度为a01、a02...a0n。
S3.新图像撒粒子。
撒粒子指预先选取几个目标物体可能的位置,每个粒子对应一个位置;将粒子撒在上帧中目标物体的中心(x0’,y0’)及八联通区域(x1’,y1’),...(x8’,y8’)。
S4.计算粒子对应边缘梯度。
计算粒子对应边缘位置的梯度,即计算当前目标物体所在当前物体图像中8个粒子对应边缘的梯度。例如,(x0’,y0’)的边缘为(x0’-x0+x01,y0’-y0+y01)(x0’-x0+x02,y0’-y0+y02)...(x0’-x0+x0n,y0’-y0+y0n)。计算对应梯度为a01’、a02’...a0n’。
S5.计算后验概率和相关度。
根据边缘计算目标物体落在该点的后验概率的过程可以为:
计算p0’=max(0,a01’*a01/|a01’|+a02’*a02/|a02’|+...+a0n’*a0n/|a1n’|);(x0’,y0’)为目标中心位置的后验概率p0=p0’/(p0’+p1’+...+p8’)。p0越大可以认为对应的预设中心信息越接近实际瞳孔中心。
点(x0’,y0’)的相关度为:
q0=(a01’*a01/|a01’|/|a01|+a02’*a02/|a02’|/|a02|+...+a0n’*a0n/|a1n’|/|a0n|)/n。
S6.判断跟踪是否成功,若是,则执行S7;若否,则执行S1。
跟踪成功时可以同时满足:1存在相关度高于阈值的粒子;2跟踪结果和基准帧距离小于阈值;
其中,跟踪结果可以是目标中心位置,如基于S7计算出的物体中心。基准帧的位置可以通过最近一次检测所确定的中心信息确定。阈值的具体数值不作限定,本领域技术人员可以根据实际情况设定。
q0小于等于1,q0越大并大于相关度阈值可以证明跟踪成功,增加判断成功的步骤是为了防止物体产生形变,当跟踪不成功时,需要重新回到S1,对目标物体进行检测,得到初始位置信息。
S7.以后验概率密度为权重累加粒子获取物体中心,并更新物体中心和边缘,执行S2。
计算中心并更新边缘,跟踪失败则重新检测目标物体在当前物体图像中的位置信息作为初始位置信息,即执行S1。
中心x=(p0*x0’+p1*x1’+...+pn*xn’),y=(p0*y0’+p1*y1’+...+pn*yn’)。该中心可以认为是目标物体的目标中心信息,如瞳孔中心。
通过加权计算中心,精度可以达到亚像素及,p0’~p8’计算受边缘梯度大小影响,通过增加了明显边缘的贡献值,使跟踪结果更可靠;其中,明显边缘的贡献值体现在:在确定中心(即目标中心位置)时,是基于各预设梯度信息与对应位置处的初始梯度信息的投影信息得到的后验概率确定的。其保留了初始位置信息对应的初始梯度信息的膜,使得明显边缘在计算中心时所占权重较大,从而使得跟踪结果更加准确。
本实施例对目标物体跟踪时,具有以下特征:
参与计算的粒子个数不大,所需计算量不高,能满足跟踪的快速性要求;利用边缘计算,适用于内部特征不明显的目标物体;通过在密集区域撒粒子,适用于物体移动速度慢和已知物体粗略位置的场景;使用边缘而非目标内部特征利用梯度计算后验概率和相关度,后验概率计算体现梯度大小,使精度更高。
本发明实施例二提供的一种目标跟踪方法,具体化了初始位置信息、确定预设数量的粒子的操作、确定各粒子与目标物体的相关度操作和确定目标物体的相关度的操作。利用该方法,能够基于目标物体的边缘信息进行跟踪,在跟踪时,基于预设分布,在所述初始位置信息对应位置处和/或设定位置处选取预设数量的粒子,所述设定位置与所述初始位置信息对应位置的距离在设定范围内。然后基于边缘信息对应的初始梯度信息和各粒子对应的预设梯度信息,确定各粒子与目标物体的相关度,从而基于该相关度确定目标物体的目标位置信息。在确定目标位置信息时,无需使用与灰度值相关的特征,通过边缘信息计算得到目标位置信息,提升了跟踪精度。
进一步的,所述确定各所述粒子对应的后验概率,包括:
分别确定各所述预设梯度信息与对应位置处的初始梯度信息的投影信息;
对每一粒子对应的各投影信息进行归一化处理,得到各所述粒子对应的后验概率。
可选的,在确定各粒子对应的后验概率时,本实施例可以先确定各预设梯度信息在对应位置处的初始梯度信息上的投影信息,通过投影信息可以表征各预设梯度信息与对应位置处的初始梯度信息的相似度。
确定各投影信息后,对每一个粒子对应的各投影信息进行归一化处理,以确定对应的后验概率。
以计算第一粒子的后验概率为例,第一粒子的预设中心信息可以为(x0’,y0’)。第一粒子的后验概率p0=p0’/(p0’+p1’+...+p8’),其中,p0’=max(0,a01’*a01/|a01’|+a02’*a02/|a02’|+...+a0n’*a0n/|a1n’|),或
p0’=a01’*a01/|a01’|+a02’*a02/|a02’|+...+a0n’*a0n/|a1n’|。
对每一粒子对应的各投影信息进行归一化处理前,可以基于每一个粒子包括的各投影信息,对粒子进行筛选,筛选出预设边缘信息与边缘信息的相似度小于相似度阈值的粒子。筛选出的粒子的后验概率值可以为0,从而排除该粒子在确定目标位置信息时的干扰。如,通过p0’=max(0,a01’*a01/|a01’|+a02’*a02/|a02’|+...+a0n’*a0n/|a1n’|)实现对联通区域的筛选,当联通区域对应的各投影信息的累加小于0时,将该联通区域的后验概率设置为0。
进一步的,所述目标位置信息包括目标中心位置和目标边缘位置;相应的,所述根据各所述后验概率和对应的预设中心信息,确定所述目标物体的目标位置信息,包括:
将各后验概率与对应的预设中心信息相乘并将相乘后的结果进行累加,得到目标物体的目标中心位置;
基于所述目标中心位置和所述初始位置信息确定所述目标物体的目标边缘位置。
目标中心位置可以理解为目标物体当前的中心信息。目标边缘位置可以理解为目标物体当前的边缘信息。
在确定目标位置信息时,可以将各粒子对应的后验概率与对应的预设中心信息相乘,然后将相乘后的结果进行累加,从而得到目标物体的目标中心信息。
示例性的,目标中心位置可以为:x=(p0*x0’+p1*x1’+...+pn*xn’),y=(p0*y0’+p1*y1’+...+pn*yn’)。
在确定目标中心位置后,可以基于目标中心位置和初始位置信息确定目标边缘信息,确定目标边缘信息的手段可以参见确定预设边缘信息的手段,此处不作赘述。如目标边缘信息可以为:
(x-x0+x01,y-y0+y01)(x-x0+x02,y-y0+y02)...(x-x0+x0n,y-y0+y0n)。
实施例三
图3为本发明实施例三提供的一种目标跟踪装置的结构示意图,该装置可适用于对目标物体进行跟踪的情况,其中该装置可由软件和/或硬件实现,并一般集成在终端设备上。
如图3所示,该装置包括:初始位置确定模块31、粒子确定模块32和目标位置确定模块33;
其中,初始位置确定模块31,用于确定目标物体的初始位置信息;
粒子确定模块32,用于根据所述初始位置信息,确定预设数量的粒子;
目标位置确定模块33,用于基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息。
在本实施例中,该装置首先通过初始位置确定模块31确定目标物体的初始位置信息;然后通过粒子确定模块32根据所述初始位置信息,确定预设数量的粒子;最后通过目标位置确定模块33基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息。
本实施例提供了一种目标跟踪装置,能够基于目标物体的初始位置信息确定预设数量的粒子,然后根据初始位置信息和各粒子的预设位置信息,确定目标物体的目标位置信息。避免对灰度分布均匀的目标物体使用灰度值相关的特征进行目标跟踪导致的精度下降的问题,基于目标物体的初始位置信息和对应的各粒子的预设位置信息对目标物体进行跟踪,跟踪结果更加准确、跟踪速度更加快速,从而提升了目标跟踪的效率。
进一步的,目标位置确定模块33,具体用于:分别计算所述初始位置信息对应的初始梯度信息和各粒子的预设位置信息对应的预设梯度信息,所述预设位置信息包括预设边缘信息和预设中心信息;
根据所述初始梯度信息和各所述预设梯度信息,确定各粒子与所述目标物体的相关度;
基于各所述相关度,确定目标物体的目标位置信息。
在上述优化的基础上,目标位置确定模块33在根据所述初始梯度信息和各所述预设梯度信息,确定各粒子与所述目标物体的相关度时,优化包括:根据所述初始梯度信息和各所述预设梯度信息,确定各粒子与所述目标物体的相关度。
基于上述技术方案,目标位置确定模块33在基于各所述相关度,确定目标物体的目标位置信息时,优化包括:如果存在大于相关度阈值的目标相关度,则确定各所述粒子对应的后验概率,并根据各所述后验概率和对应的预设中心信息,确定所述目标物体的目标位置信息;否则,对所述目标物体的物体图像进行检测,确定所述目标物体的目标位置信息。
进一步的,目标位置确定模块33,确定各所述粒子对应的后验概率时,优化包括:
分别确定各所述预设梯度信息与对应位置处的初始梯度信息的投影信息;
对每一粒子对应的各投影信息进行归一化处理,得到各所述粒子对应的后验概率。
进一步的,目标位置信息包括目标中心位置和目标边缘位置;相应的,目标位置确定模块33根据各所述后验概率和对应的预设中心信息,确定所述目标物体的目标位置信息时,优化包括:
将各后验概率与对应的预设中心信息相乘并将相乘后的结果进行累加,得到目标物体的目标中心位置;
基于所述目标中心位置和所述初始位置信息确定所述目标物体的目标边缘位置。
进一步的,初始位置确定模块31具体用于确定目标物体的初始位置信息,初始位置信息包括:所述目标物体的中心信息和边缘信息。
进一步的,粒子确定模块32具体用于:基于预设分布,在所述初始位置信息对应位置处和/或设定位置处选取预设数量的粒子,所述设定位置与所述初始位置信息对应位置的距离在设定范围内。
上述目标跟踪装置可执行本发明任意实施例所提供的目标跟踪方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种终端设备的结构示意图。如图4所示,本发明实施例四提供的终端设备包括:一个或多个处理器41和存储装置42;该终端设备中的处理器41可以是一个或多个,图4中以一个处理器41为例;存储装置42用于存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器41执行,使得所述一个或多个处理器41实现如本发明实施例中任一项所述的目标跟踪方法。
所述终端设备还可以包括:输入装置43和输出装置44。
终端设备中的处理器41、存储装置42、输入装置43和输出装置44可以通过总线或其他方式连接,图4中以通过总线连接为例。
该终端设备中的存储装置42作为一种计算机可读存储介质,可用于存储一个或多个程序,所述程序可以是软件程序、计算机可执行程序以及模块,如本发明实施例一或二所提供目标跟踪方法对应的程序指令/模块(例如,附图3所示的目标跟踪装置中的模块,包括:初始位置确定模块31、粒子确定模块32和目标位置确定模块33)。处理器41通过运行存储在存储装置42中的软件程序、指令以及模块,从而执行终端设备的各种功能应用以及数据处理,即实现上述方法实施例中目标跟踪方法。
存储装置42可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储装置42可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置42可进一步包括相对于处理器41远程设置的存储器,这些远程存储器可以通过网络连接至设备。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。
输入装置43可用于接收输入的数字或字符信息,以及产生与终端设备的用户设置以及功能控制有关的键信号输入,输入装置43包括但不限于图像采集设备。输出装置44可包括显示屏等显示设备。
并且,当上述终端设备所包括一个或者多个程序被所述一个或者多个处理器41执行时,程序进行如下操作:
确定目标物体的初始位置信息;
根据所述初始位置信息,确定预设数量的粒子;
基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息。
实施例五
本发明实施例五提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时用于执行目标跟踪方法,该方法包括:
确定目标物体的初始位置信息;
根据所述初始位置信息,确定预设数量的粒子;
基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息。
可选的,该程序被处理器执行时还可以用于执行本发明任意实施例所提供的目标跟踪方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于:电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、无线电频率(Radio Frequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种目标跟踪方法,其特征在于,包括:
确定目标物体的初始位置信息;其中,所述初始位置信息包括所述目标物体的中心信息和边缘信息;
根据所述初始位置信息,确定预设数量的粒子;
基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息,其中,所述预设位置信息包括预设边缘信息和预设中心信息;
所述基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息,包括:
分别计算所述初始位置信息对应的初始梯度信息和各粒子的预设位置信息对应的预设梯度信息,其中,预设梯度信息是基于预设边缘信息进行梯度检测得到,预设边缘信息是基于初始位置信息中边缘信息与中心信息的相对位置及粒子的预设中心信息确定;
根据所述初始梯度信息和各所述预设梯度信息,确定各粒子与所述目标物体的相关度;
基于各所述相关度,确定目标物体的目标位置信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述初始梯度信息和各所述预设梯度信息,确定各粒子与所述目标物体的相关度,包括:
基于所述初始梯度信息和各所述预设梯度信息,确定各所述预设梯度信息与对应位置处的初始梯度信息的角度信息;
对每一粒子对应的各角度信息进行归一化处理,确定各粒子与所述目标物体的相关度。
3.根据权利要求1所述的方法,其特征在于,所述基于各所述相关度,确定目标物体的目标位置信息,包括:
如果存在大于相关度阈值的目标相关度,则确定各所述粒子对应的后验概率,并根据各所述后验概率和对应的预设中心信息,确定所述目标物体的目标位置信息;否则,对所述目标物体的物体图像进行检测,确定所述目标物体的目标位置信息。
4.根据权利要求2所述的方法,其特征在于,所述确定各所述粒子对应的后验概率,包括:
分别确定各所述预设梯度信息与对应位置处的初始梯度信息的投影信息;
对每一粒子对应的各投影信息进行归一化处理,得到各所述粒子对应的后验概率。
5.根据权利要求3所述的方法,其特征在于,所述目标位置信息包括目标中心位置和目标边缘位置;相应的,所述根据各所述后验概率和对应的预设中心信息,确定所述目标物体的目标位置信息,包括:
将各后验概率与对应的预设中心信息相乘并将相乘后的结果进行累加,得到目标物体的目标中心位置;
基于所述目标中心位置和所述初始位置信息确定所述目标物体的目标边缘位置。
6.根据权利要求1所述的方法,其特征在于,所述根据所述初始位置信息,确定预设数量的粒子,包括:
基于预设分布,在所述初始位置信息对应位置处和/或设定位置处选取预设数量的粒子,所述设定位置与所述初始位置信息对应位置的距离在设定范围内。
7.一种目标跟踪装置,其特征在于,包括:
初始位置确定模块,用于确定目标物体的初始位置信息;其中,所述初始位置信息包括所述目标物体的中心信息和边缘信息;
粒子确定模块,用于根据所述初始位置信息,确定预设数量的粒子;
目标位置确定模块,用于基于所述初始位置信息和各粒子的预设位置信息,确定所述目标物体的目标位置信息,其中,所述预设位置信息包括预设边缘信息和预设中心信息;
所述目标位置确定模块,具体用于:
分别计算所述初始位置信息对应的初始梯度信息和各粒子的预设位置信息对应的预设梯度信息,其中,预设梯度信息是基于预设边缘信息进行梯度检测得到,预设边缘信息是基于初始位置信息中边缘信息与中心信息的相对位置及粒子的预设中心信息确定;
根据所述初始梯度信息和各所述预设梯度信息,确定各粒子与所述目标物体的相关度;
基于各所述相关度,确定目标物体的目标位置信息。
8.一种终端设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的目标跟踪方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的目标跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910526105.3A CN112102356B (zh) | 2019-06-18 | 2019-06-18 | 一种目标跟踪方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910526105.3A CN112102356B (zh) | 2019-06-18 | 2019-06-18 | 一种目标跟踪方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102356A CN112102356A (zh) | 2020-12-18 |
CN112102356B true CN112102356B (zh) | 2024-07-02 |
Family
ID=73748686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910526105.3A Active CN112102356B (zh) | 2019-06-18 | 2019-06-18 | 一种目标跟踪方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102356B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877130A (zh) * | 2009-04-29 | 2010-11-03 | 中国科学院自动化研究所 | 复杂场景下基于粒子滤波器的运动目标跟踪方法 |
CN103149940A (zh) * | 2013-03-27 | 2013-06-12 | 清华大学 | 一种结合均值移动与粒子滤波的无人机目标跟踪方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8600108B2 (en) * | 2010-01-25 | 2013-12-03 | Hewlett-Packard Development Compant, L.P. | Data processing system and method |
GB201004234D0 (en) * | 2010-03-15 | 2010-04-28 | Bae Systems Plc | Target tracking |
CN102903121A (zh) * | 2012-08-31 | 2013-01-30 | 四川九洲电器集团有限责任公司 | 基于运动目标跟踪的融合算法 |
JP6079076B2 (ja) * | 2012-09-14 | 2017-02-15 | 沖電気工業株式会社 | 物体追跡装置及び物体追跡方法 |
CN102982340A (zh) * | 2012-10-31 | 2013-03-20 | 中国科学院长春光学精密机械与物理研究所 | 基于半监督学习和随机蕨类分类器的目标跟踪方法 |
CN103150572B (zh) * | 2012-12-11 | 2016-04-13 | 中国科学院深圳先进技术研究院 | 在线式视觉跟踪方法 |
CN106557774B (zh) * | 2015-09-29 | 2019-04-30 | 南京信息工程大学 | 多通道核相关滤波的实时跟踪方法 |
CN107705321A (zh) * | 2016-08-05 | 2018-02-16 | 南京理工大学 | 基于嵌入式***的运动目标检测与跟踪方法 |
CN106408592B (zh) * | 2016-09-09 | 2019-04-05 | 南京航空航天大学 | 一种基于目标模板更新的目标跟踪方法 |
CN107767401B (zh) * | 2017-10-16 | 2020-01-14 | 武汉沃德自动化技术有限公司 | 基于核相关滤波的红外目标实时跟踪方法及装置 |
CN108154159B (zh) * | 2017-12-25 | 2018-12-18 | 北京航空航天大学 | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 |
CN108154118B (zh) * | 2017-12-25 | 2018-12-18 | 北京航空航天大学 | 一种基于自适应组合滤波与多级检测的目标探测***及方法 |
CN108629797A (zh) * | 2018-04-28 | 2018-10-09 | 四川大学 | 一种基于粒子滤波的视觉目标跟踪方法 |
CN108765468A (zh) * | 2018-05-30 | 2018-11-06 | 中国石油大学(华东) | 一种基于特征融合的目标跟踪方法和装置 |
CN108805074B (zh) * | 2018-06-06 | 2020-10-09 | 安徽江淮汽车集团股份有限公司 | 一种车道线检测方法及装置 |
CN109101872B (zh) * | 2018-06-20 | 2023-04-18 | 济南大学 | 一种3d手势鼠标的生成方法 |
CN108875655A (zh) * | 2018-06-25 | 2018-11-23 | 鲁东大学 | 一种基于多特征的实时目标视频跟踪方法及*** |
CN109434251B (zh) * | 2018-10-22 | 2021-04-02 | 湖北文理学院 | 一种基于粒子滤波的焊缝图像跟踪方法 |
-
2019
- 2019-06-18 CN CN201910526105.3A patent/CN112102356B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877130A (zh) * | 2009-04-29 | 2010-11-03 | 中国科学院自动化研究所 | 复杂场景下基于粒子滤波器的运动目标跟踪方法 |
CN103149940A (zh) * | 2013-03-27 | 2013-06-12 | 清华大学 | 一种结合均值移动与粒子滤波的无人机目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112102356A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035304B (zh) | 目标跟踪方法、介质、计算设备和装置 | |
CN107886048B (zh) | 目标跟踪方法及***、存储介质及电子终端 | |
CN106971401B (zh) | 多目标跟踪装置和方法 | |
WO2005081941A2 (en) | Component association tracker system and method | |
CN102521840A (zh) | 一种运动目标跟踪方法、***及终端 | |
CN111354022B (zh) | 基于核相关滤波的目标跟踪方法及*** | |
CN115546705B (zh) | 目标识别方法、终端设备及存储介质 | |
CN115063454B (zh) | 多目标跟踪匹配方法、装置、终端及存储介质 | |
CN113420682A (zh) | 车路协同中目标检测方法、装置和路侧设备 | |
CN111915657A (zh) | 一种点云配准方法、装置、电子设备及存储介质 | |
CN112966654A (zh) | 唇动检测方法、装置、终端设备及计算机可读存储介质 | |
CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
KR101690050B1 (ko) | 지능형 영상보안 시스템 및 객체 추적 방법 | |
CN106033613B (zh) | 目标跟踪方法及装置 | |
Yildirim et al. | Direction‐based modified particle filter for vehicle tracking | |
CN115690545A (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN109993715A (zh) | 一种机器人视觉图像预处理***及图像处理方法 | |
CN116630367B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN113052019A (zh) | 目标跟踪方法及装置、智能设备和计算机存储介质 | |
CN112070035A (zh) | 基于视频流的目标跟踪方法、装置及存储介质 | |
CN114639159A (zh) | 移动行人检测方法、电子设备及机器人 | |
KR101595334B1 (ko) | 농장에서의 움직임 개체의 이동 궤적 트래킹 방법 및 장치 | |
CN112102356B (zh) | 一种目标跟踪方法、装置、终端设备及存储介质 | |
CN116883897A (zh) | 一种低分辨率目标识别方法 | |
CN111062415A (zh) | 基于对比差异的目标对象图像提取方法、***及存储介质 |
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 |