CN112465866B - 多目标轨迹获取方法、装置、***及存储介质 - Google Patents
多目标轨迹获取方法、装置、***及存储介质 Download PDFInfo
- Publication number
- CN112465866B CN112465866B CN202011364337.2A CN202011364337A CN112465866B CN 112465866 B CN112465866 B CN 112465866B CN 202011364337 A CN202011364337 A CN 202011364337A CN 112465866 B CN112465866 B CN 112465866B
- Authority
- CN
- China
- Prior art keywords
- track data
- data
- camera
- track
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013145 classification model Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 105
- 238000012544 monitoring process Methods 0.000 description 30
- 238000007726 management method Methods 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008439 repair process Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method 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
- 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
-
- 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种多目标轨迹获取方法、装置、***及存储介质,获取待关联的多个单相机轨迹数据;分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征;基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果;其中,所述分类模型为利用多个带有标签的样本训练得到的模型,所述样本包括两个样本轨迹数据,所述标签用于表示所述两个样本轨迹数据是否属于同一样本目标;基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。通过本方案,可以扩展多目标轨迹获取的适用场景。
Description
技术领域
本发明涉及轨迹获取技术领域,特别是涉及一种多目标轨迹获取方法、装置、***及存储介质。
背景技术
为了实现对安防监控、无人机管理以及无人驾驶等场景中多个目标的管理,需要获取多个目标运动的轨迹。对此,通常可以通过单个摄像机对多个目标进行图像采集,并基于采集得到的图像,利用单相机追踪模型获取每个目标运动的轨迹。或者,可以通过监控范围不同的多个摄像机对多个目标进行跨相机的图像采集,基于多个摄像机采集的多个图像,获取每个目标的多个轨迹数据,并对每个目标的多个轨迹数据进行关联,得到每个目标在更大范围下运动的轨迹。
在具体应用中,对于多个摄像机的情况,通常需要相邻的第一摄像机和第二摄像机之间存在重叠的监控范围,以便在每个目标进入第一摄像机的监控范围内、并触发第一摄像机获取每个目标的轨迹数据的过程中,基于每个目标进入重叠的监控范围触发第二摄像机获取每个目标的轨迹数据,从而利用不同的摄像机分段获取每个目标的轨迹数据,得到每个目标的多个轨迹数据,并对每个目标的多个轨迹数据进行关联,得到每个目标运动的轨迹。
但是,上述单个摄像机的监控范围,以及相邻两个摄像机的监控范围需要存在重叠区域,严重限制了上述目标轨迹获取方式的适用场景。例如,酒店、商超等需要监控的范围较大的场景,以及摄像机个数和安装位置有限的场景等等。
发明内容
本发明实施例的目的在于提供一种多目标轨迹获取方法、装置、***及存储介质,以实现扩展多目标轨迹获取的适用场景的效果。具体技术方案如下:
第一方面,本发明实施例提供了一种多目标轨迹获取方法,所述方法包括:
获取待关联的多个单相机轨迹数据;其中,所述单相机轨迹数据为一个摄像机获取的一个目标的轨迹数据;
分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征;其中,所述时空类特征用于表明每两个轨迹数据分别对应的轨迹在时空维度的关系;所述历史关联轨迹数据为已进行过关联的轨迹数据;
基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果;其中,所述分类模型为利用多个带有标签的样本训练得到的模型,所述样本包括两个样本轨迹数据,所述标签用于表示所述两个样本轨迹数据是否属于同一样本目标;
基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。
第二方面,本发明实施例提供了一种多目标轨迹获取装置,所述装置包括:
轨迹数据获取模块,用于获取待关联的多个单相机轨迹数据;其中,所述单相机轨迹数据为一个摄像机获取的一个目标的轨迹数据;
轨迹特征提取模块,用于分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征;其中,所述时空类特征用于表明每两个轨迹数据分别对应的轨迹在时空维度的关系;所述历史关联轨迹数据为已进行过关联的轨迹数据;
轨迹数据分类模块,用于基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果;其中,所述分类模型为利用多个带有标签的样本训练得到的模型,所述样本包括两个样本轨迹数据,所述标签用于表示所述两个样本轨迹数据是否属于同一样本目标;
目标轨迹获取模块,用于基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。
第三方面,本发明实施例提供了一种多目标轨迹获取***,所述***包括:至少一个摄像机,以及与所述摄像机通信连接的管理后台;
所述摄像机,用于获取一个目标的轨迹数据,作为单相机轨迹数据;
所述管理后台,用于获取待关联的多个单相机轨迹数据;分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征;其中,所述时空类特征用于表明每两个轨迹数据分别对应的轨迹在时空维度的关系;所述历史关联轨迹数据为已进行过关联的轨迹数据;基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果;其中,所述分类模型为利用多个带有标签的样本训练得到的模型,所述样本包括两个样本轨迹数据,所述标签用于表示所述两个样本轨迹数据是否属于同一样本目标;基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。
第四方面,本发明实施例提供了一种电子设备,应用于多目标轨迹获取***,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面提供的多目标轨迹获取方法的步骤。
第五方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现上述第一方面提供的多目标轨迹获取方法的步骤。
本发明实施例有益效果:
本发明实施例提供的方案中,预先利用多个带有标签的样本训练得到分类模型,且样本包括两个样本轨迹数据,标签用于表示两个样本轨迹数据是否属于同一样本目标。因此,分类模型能够用于获取不同轨迹数据是否属于同一目标的分类结果。并且,历史关联轨迹数据为已进行过关联的轨迹数据,因此,获取每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果,相当于从多个单相机轨迹数据中,确定出每个单相机轨迹数据分别属于哪个目标。在此基础上,基于每个单相机轨迹数据与历史关联轨迹数据属于同一目标的分类结果,可以对多个单相机轨迹数据与历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。可见,本方案在通过多个摄像机对多个目标进行跨相机的图像采集,以获取每个目标运动的轨迹时,可以不受单个摄像机的监控范围以及相邻两个摄像机的监控范围需要存在重叠区域的限制,能够适用于需要监控的区域较大,以及摄像机个数和安装位置有限等等场景,实现扩展多目标轨迹获取的适用场景的效果。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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实施例。
图1为本发明一实施例提供的多目标轨迹获取方法的流程示意图;
图2为本发明另一实施例提供的多目标轨迹获取方法中,分类模型的获取流程示意图;
图3为本发明再一实施例提供的多目标轨迹获取方法的流程示意图;
图4为本发明一实施例提供的多目标轨迹获取装置的结构示意图;
图5为本发明一实施例提供的多目标轨迹获取***的结构示意图;
图6为本发明一实施例提供的多目标轨迹获取***中,管理后台的结构示意图;
图7为本发明一实施例提供的多目标轨迹获取***中,摄像机的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在获取多个目标运动的轨迹时,对于需要相邻的第一摄像机和第二摄像机之间存在重叠的监控范围以获取多目标轨迹的情况,为了提高第二摄像机获取每个目标的轨迹数据的准确度,还可以增加监控范围覆盖所有摄像机的监控范围的全局摄像机。具体的,在基于每个目标进入重叠的监控范围触发第二摄像机获取每个目标的轨迹数据时,第二摄像机可以接收全局摄像机采集的每个目标的位置信息,并利用接收的位置信息准确采集每个目标的图像数据,进而利用采集的图像数据获取每个目标的轨迹数据。但是,全局摄像机的监控范围覆盖所有摄像机的监控范围的条件,限制了该多目标轨迹获取方式的适用场景,例如,无法监控范围较大的商超等场景,且增加了摄像机的成本。
为了扩大多目标轨迹获取的适用场景,本发明实施例提供一种多目标轨迹获取方法。该方法可以应用于与多个摄像机通信连接的管理后台,或者,多个摄像机中的任一摄像机。其中,管理后台和摄像机具体可以是多种的。示例性的,管理后台可以包括计算机设备,智能移动终端,可穿戴式终端以及服务器等等电子设备中的任一种。摄像机可以包括:网络摄像机,红外照明型摄像机以及球机等等摄像机中的任一种。并且,多个摄像机中,相邻两个摄像机的监控范围可以不重叠。
下面对本发明实施例提供的一种多目标轨迹获取方法进行介绍。
如图1所示,本发明一实施例提供的多目标轨迹获取方法的流程,该方法可以包括:
S101,获取待关联的多个单相机轨迹数据。
其中,单相机轨迹数据为一个摄像机获取的一个目标的轨迹数据。
在具体应用中,当一个目标进入一个摄像机的监控范围时,该摄像机会对该目标进行实时追踪,形成该目标在该监控相机所监控范围下的运动轨迹,则此轨迹对应的轨迹数据就被称为单相机轨迹数据。在此基础上,对于多目标轨迹获取,存在多个目标,因此,多个单相机轨迹数据可以是一个摄像机获取的多个目标的单相机轨迹数据,或者,多个摄像机分别获取的多个目标的轨迹数据。
并且,示例性的,获取待关联的多个单相机轨迹数据可以包括:接收每个摄像机按照预设周期主动发送的单相机轨迹数据,或者,按照预设周期主动向每个摄像机请求该摄像机获取的单相机轨迹。其中,预设周期可以是预先设置的获取多目标轨迹的周期,例如,5秒,10秒,1分钟,或者1天等等。对于预设周期较长,例如1天等情况,相当于非实时,也就是离线获取多目标轨迹;对于预设周期较短,例如5秒,10秒等情况,相当于实时获取多目标轨迹。因此,用户可以按照具体的多目标轨迹获取需求,设置不同的预设周期。
另外,一个摄像机获取的一个目标的轨迹数据,具体可以包括:当一个目标进入到一个摄像机的监控范围时,该摄像机采集该目标的图像数据,基于采集的图像数据,利用单相机追踪模型生成该目标的单相机轨迹数据。其中,单相机追踪模型可以是多种的。示例性的,单相机追踪模型可以包括:基于检测的追踪(Detection Based Tracking,DBT)模型,或者无检测追踪(Detection Free Tracking,DFT)模型。DBT模型是一种首先识别目标,然后将目标链接到已有轨迹中的模型;DFT模型是一种人工标定第一帧图像中的目标,之后边检测边追踪目标的模型。任何可以获取单相机轨迹数据的方法,均可用于本发明中,本实施例对此不作限制。
S102,分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征。
其中,时空类特征用于表明每两个轨迹数据分别对应的轨迹在时空维度的关系;历史关联轨迹数据为已进行过关联的轨迹数据。
在具体应用中,同一目标的轨迹数据很可能在形成时间上连续,因此,为了提高对轨迹数据关联的效率,分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征,具体可以包括:按照待关联的多个单相机轨迹数据的形成时间,分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征。并且,时空类特征可以是多种的,为了合理布局和便于理解,后续以可选实施例的形式进行具体说明。
并且,当未进行过轨迹数据的关联时,历史关联轨迹数据可以是待关联的多个单相机轨迹数据中,形成时间最早的单相机轨迹数据。另外,时空类特征用于表明每两个轨迹数据分别对应的轨迹在时空维度的关系,因此,每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征,可以包括:针对每个单相机轨迹数据,该单相机轨迹数据与一个历史关联轨迹数据之间的时空类特征。
S103,基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果。
其中,分类模型为利用多个带有标签的样本训练得到的模型,样本包括两个样本轨迹数据,标签用于表示两个样本轨迹数据是否属于同一样本目标。
为了保证分类模型可以用于基于所获取的时空类特征获得上述分类结果,在获取分类模型时,可以获取每个样本中两个样本轨迹数据之间的时空类特征,且获取方式与步骤S102中时空类特征的获取方式相似,区别在于轨迹数据不同。并且,一个单相机轨迹数据与一个历史关联轨技数据是否属于同一目标的分类结果可以是多种的。示例性的,分类结果可以是一个单相机轨迹数据与与一个历史关联轨技数据是否属于同一目标的置信度,或者结果标签等等。任何用于表明每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果均可用于本发明,本实施例对此不作限制。
另外,为了提高获取每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果的准确度,还可以记录有单相机轨迹数据对应的图像数据,以便在步骤S103之前还获取每个单相机轨迹数据与历史关联轨迹数据之间的图像类特征,并基于图像类特征和时空类特征获取分类结果。为了便于理解和合理布局,后续以可选实施例的形式进行具体说明。
S104,基于分类结果,对多个单相机轨迹数据与历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。
在具体应用中,基于分类结果,对多个单相机轨迹数据与历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹,可是多种的。示例性的,可以将多个单相机轨迹数据与历史关联轨迹数据中,分类结果表明属于同一目标的一组单相机轨迹数据和历史关联轨迹数据进行关联,得到该目标运动的轨迹。或者,示例性的,可以将多个单相机轨迹数据与历史关联轨迹数据中,分类结果表明属于同一目标的一组单相机轨迹数据和历史关联轨迹数据进行关联,将不存在关联异常的关联后的轨迹数据,作为该目标运动的轨迹。或者,示例性的,对于存在关联异常的情况,可以对异常的进行了关联的轨迹数据修复,并将修复后的轨迹数据所属的关联后的轨迹数据作为相应目标运动的轨迹。或者,示例性的,对于以上任一示例性目标运动的轨迹的获取,可以将置信度作为分类结果,并获取预设关联层数,按照置信度从大到小的顺序,对多个单相机轨迹数据中预设的关联层数个单相机轨迹数据,进行与历史关联轨迹数据的关联,得到关联后的轨迹数据对应的目标运动的轨迹。为了便于理解和合理布局,对于关联异常的确定以及修复,按照预设关联层数进行关联的示例性说明,后续以可选实施例的形式进行具体说明。
另外,任何可以基于分类结果,对多个单相机轨迹数据与历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹的方式,均可用于用于本发明,本实施例对此不作限制。
本发明实施例提供的方案中,获取每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果,相当于从多个单相机轨迹数据中,确定出每个单相机轨迹数据分别属于哪个目标。在此基础上,基于每个单相机轨迹数据与历史关联轨迹数据属于同一目标的分类结果,可以对多个单相机轨迹数据与历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。可见,本方案在通过多个摄像机对多个目标进行跨相机的图像采集,以获取每个目标运动的轨迹时,可以不受单个摄像机的监控范围以及相邻两个摄像机的监控范围需要存在重叠区域的限制,能够适用于需要监控的区域较大,以及摄像机个数和安装位置有限等等场景,实现扩展多目标轨迹获取的适用场景的效果。
在一种可选的实施方式中,上述多个带有标签的样本中还可以包括:样本轨迹数据对应的图像数据;
相应的,在上述基于所获取的时空类特征,利用预先训练得到的分类模型,获取每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果之前,本发明实施例提供的多目标轨迹获取方法,还可以包括如下步骤:
分别获取每个单相机轨迹数据和历史关联轨迹数据的图像类特征;其中,图像类特征用于表明每两个轨迹数据分别对应的图像数据中的目标在图像维度的关系;
相应的,上述基于所获取的时空类特征,利用预先训练得到的分类模型,获取每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果,具体可以包括如下步骤:
将所获取的时空类特征和图像类特征输入预先训练得到的分类模型,获取每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果。
为了提高获取每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果的准确度,上述多个带有标签的样本中还可以包括:样本轨迹数据对应的图像数据,此时,分类模型相当于利用样本中的时空类特征、图像类特征以及标签训练得到的模型。相应的,本发明实施例提供的多目标轨迹获取方法,还可以在本地存储或者从摄像机中获取单相机轨迹数据对应的图像数据,以在获取分类结果时,基于单相机轨迹数据获取时空类特征,以及基于图像数据获取图像类特征。以此为基础,可以基于时空类特征和图像类特征,对一个单相机轨迹数据和一个历史关联轨迹数据进行更加全面的对比,提高获取每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果的准确度。并且,时空类特征和图像类特征,均可以是多种的,下面以可选实施例的形式进行具体说明。
在一种可选的实施方式中,上述时空类特征可以包括:空间类特征和时间类特征;
空间类特征包括如下特征中的至少一个:用于表明每两个轨迹数据是否分别包含第一指定位置和第二指定位置的特征,用于表明多个摄像机中每两个摄像机间拓扑关系的特征,以及用于表明参考范围内目标的信息的特征;其中,第一指定位置和第二指定位置为使得目标运动的轨迹关联的位置;参考范围包括:与每两个轨迹数据分别对应的轨迹相距预设距离的范围;
时间类特征包括如下特征中的至少一个:用于表明每两个轨迹数据分别对应的轨迹的形成时间之间的相似度的特征,用于表明每两个轨迹数据分别对应的轨迹的衔接关系的特征,用于表明每两个轨迹数据分别对应的轨迹的运动趋势之间的关系的特征,以及用于表明参考范围内目标的信息的特征。
在具体应用中,对于空间类特征进行如下三点介绍:
第一点,使得目标运动的轨迹关联的第一指定位置和第二指定位置可以是多种的。示例性的,对于存在出口位置信息和入口位置信息的场景,第一指定位置和第二指定位置可以分别是出口位置信息和入口位置信息;对于存在运动方向标识位置信息的场景,第一指定位置和第二指定位置可以分别为两个连续的运动方向标识位置信息。其中,出口位置信息和入口位置信息,以及运动方向标识位置信息可以按照具体场景预先存储。并且,获取用于表明每两个轨迹数据是否分别包含第一指定位置和第二指定位置的特征,可以包括:确定第一指定位置和第二指定位置是否分别包含在两个轨迹数据中,并将确定结果作为时空类特征。
第二点,由于目标运动的轨迹在空间位置上与相机的位置存在一定关系,导致两两相机之间拓扑关系不同时,两个相机分别获取的单相机轨迹数据属于同一目标的概率不同,因此,可以将用于表明多个摄像机中每两个摄像机间拓扑关系的特征作为时空类特征。并且,获取用于表明多个摄像机中每两个摄像机间拓扑关系的特征,可以包括:获取每个摄像机的设备标识;对所获取的设备标识进行两两组合,得到分别包含两个设备标识的多个组合,作为空间类特征。
第三点,为了便于理解与每两个轨迹数据分别对应的轨迹相距预设距离的参考范围,进行示例性说明。示例性的,预设距离为50厘米,参考范围可以包括:与轨迹数据D1对应的轨迹T1相距1米的范围R1,以及与轨迹数据D2对应的轨迹T2相距50厘米的范围R2。其中,范围R1相当于轨迹T1周围50厘米的范围,该范围的形状可以是多种的,例如正方形,圆形等等,范围R2类似,区别在于对应的轨迹为T2。由此,参考范围内目标的信息就是每两个轨迹数据分别对应的轨迹周围预设距离内目标的信息。参考范围内目标的信息如果相同,表明每两个轨迹数据分别对应的轨迹周围的目标相同,那么两个轨迹数据属于同一目标的概率增大。因此,可以将用于表明参考范围内目标的信息的特征作为空间类特征。并且,获取用于表明参考范围内目标的信息的特征,可以包括:针对两个轨迹数据,在摄像机采集的图像的图像坐标系中,将与该轨迹数据相距预设距离的范围作为参考范围;获取参考范围中目标的信息,作为空间类特征。其中,目标的信息可以包括:目标的标识、图像数据和轨迹数据等等信息。
在具体应用中,对于时间类特征进行如下四点介绍:
第一点,当两个轨迹数据分别对应的轨迹的形成时间存在重叠,那么两个轨迹数据很可能是不同摄像机采集的同一目标的轨迹,因此,可以将用于表明每两个轨迹数据分别对应的轨迹的形成时间之间的相似度的特征作为时间类特征。并且,获取用于表明每两个轨迹数据分别对应的轨迹的形成时间之间的相似度的特征,可以包括:计算两个轨迹数据分别对应的轨迹的形成时间中,重叠的时间之间的平均距离、最大距离、最小距离以及重叠时长,作为时间类特征。其中,用于表明相似度的距离具体可以是欧式距离以及曼哈顿距离等等距离中的任一种。相应的,具体可以计算两个轨迹数据分别对应的轨迹的形成时间中,重叠的时间之间的平均欧式距离、最大欧式距离、最小欧式距离以及重叠时长,作为时间类特征。
第二点,当每两个轨迹数据分别对应的轨迹的形成时间不存在重叠,那么每两个轨迹数据可能是同一目标在不同时间运动形成的轨迹对应的轨迹数据。并且,如果目标从一个轨迹数据对应的轨迹到达另一个轨迹数据对应的轨迹时,运动速度符合该目标的合理运动速度,则两个轨迹属于同一目标的概率增加。因此,可以将用于表明每两个轨迹数据分别对应的轨迹的衔接关系的特征作为时间类特征。并且,获取用于表明每两个轨迹数据分别对应的轨迹的衔接关系的特征,可以包括:计算两个轨迹数据分别对应的两个轨迹中,形成时间在前的轨迹的结束位置和另一轨迹的起始位置之间距离的差值,以及结束位置的形成时间和起始位置的形成时间之间的时间差;利用距离差和时间差,计算目标的运动速度;确定计算得到的运动速度与预设速度之间的差异值是否满足预设合理速度条件,并将确定结果作为时间类特征。其中,预设速度可以是按照目标在该场景下的合理运动速度,例如,在摄像机的监控范围中,交通规则规定某目标的合法速度为不大于S,那么该目标的预设速度可以是S。预设合理速度条件可以差异值小于或者等于预设差异阈值。
第三点,获取用于表明每两个轨迹数据分别对应的轨迹的运动趋势之间的关系的特征,可以是多种的。示例性的,获取用于表明每两个轨迹数据分别对应的轨迹的运动趋势之间的关系的特征,可以包括:当两个轨迹数据分别对应的轨迹不重叠时,获取两个轨迹数据分别对应的轨迹中,形成时间在前的轨迹的结束位置的运动方向,以及形成时间在后的轨迹的起始位置的运动方向;计算获取的两个运动方向之间的夹角,作为时间类特征;或者,基于两个轨迹数据,利用预先训练得到的相似度模型,获取两个轨迹数据分别对应的轨迹之间的运动趋势的相似度,作为时间类特征。其中,预先训练得到的相似度模型为利用多个样本轨迹数据训练得到的模型。
第四点,由于参考范围内目标的信息中,图像数据的采集时间以及轨迹数据对应轨迹的形成时间可以从时间维度表明目标的相似度,因此,用于表明参考范围内目标的信息的特征可以作为时间类特征。并且,参考范围与空间类特征中的参考范围相同,在此不再赘述,详见上述空间类特征中的描述。
在一种可选的实施方式中,上述图像类特征具体可以包括如下特征中的至少一个:
用于表明每两个轨迹数据分别对应的图像数据所表明的两个目标的:轮廓之间的相似度的特征、指定部位之间的相似度的特征、多个特征中二分类的特征的分类标签的特征。
在具体应用中,可以将两个轨迹数据分别对应的图像数据输入预先训练得到的神经网络模型,得到该图像数据所表明的目标的建模结果;其中,神经网络模型为利用多个样本图像数据,以及样本图像数据的建模结果标签训练得到的模型。并且,建模结果包括:该建模结果对应的目标的轮廓的特征向量,目标的指定部位的特征向量,以及该建模结果对应的目标的特征中,被二分类的特征的分类标签。当然,建模结果具体包括的内容与图像类特征的种类对应。例如,图像类特征为两个目标的:轮廓之间的相似度的特征时,建模可以包括建模结果对应的目标的轮廓的特征向量。以此为基础,针对每种图像类特征,可以:计算得到的两个建模结果所包括的轮廓的特征向量之间的相似度,作为图像类特征;计算得到的两个建模结果所包括的指定部位的特征向量之间的相似度,作为图像类特征;计算得到的两个建模结果所包括的特征的质量评分,作为图像类特征;确定得到的两个建模结果所包括的关于同一特征的分类标签,是否相同,并将确定结果作为图像类特征。
示例性的,以两个目标为人,以及两个目标为车辆为例说明图像类特征。轮廓之间的相似度可以包括:人体之间的相似度,具体可以为人体图像之间的相似度;车辆外形轮廓之间的相似度,具体可以为车辆图像之间的相似度等等。指定部位之间的相似度可以包括:人脸之间的相似度,具体可以为人脸图像之间的相似度;人体关节形态,也就是行走步态之间的相似度;车辆的车牌之间的相似度等等。被二分类的特征可以称为属性特征,可以包括:人体是否背包、是否拎包、是否骑车、是否围巾以及是否打伞等等;人脸是否戴眼镜、是否戴帽子、是否戴口罩以及是否有胡子等等;车辆是否安装旗帜以及是否遮挡车牌等等。特征的质量评分可以包括:表明轮廓特征的清晰程度的评分,表明人脸特征的清晰程度的评分,以及表明被二分类特征的分类准确度的评分等等。
如图2所示,本发明另一实施例提供的多目标轨迹获取方法中,分类模型的获取流程,也就是分类模型可以预先采用如下步骤训练得到:
S201,获取多个摄像机采集的多个样本目标的轨迹数据。
其中,多个摄像机的安装场景与本发明图1实施例的摄像机安装场景相同。例如,对体育场D1中的多目标进行轨迹获取时,所利用的分类模型为M2,那么训练得到M2时的多个摄像机采集体育场D1中多个样本目标的轨迹数据。另外,为了提高分类模型的准确度,可以按照预设采集周期,例如一周或者两天等等,直接读取多个摄像机采集的多个目标的轨迹数据,作为多个样本目标的轨迹数据,也就是利用离线轨迹数据,训练得到分类模型,或者,对已有的分类模型进行训练,以得到新的分类模型并使用,这都是合理的。
S202,将多个样本目标的轨迹数据中,每两个轨迹数据以及每两个轨迹数据分别对应的图像数据作为一个样本,并为该样本标记标签。
在具体应用中,当属于同一样本目标的两个样本轨迹数据分别对应的轨迹的形成时间跨度大于预设时长阈值,将两个样本轨迹数据组成的样本的标签设置为不属于同一目标。其中,预设时长阈值可以按照具体场景,利用数据探索的方式设置。并且,当上述形成时间跨度大于预设时长阈值时,如果样本的标签设置为属于同一目标将导致该样本为无学习价值的冗余样本。
示例性的,样本目标无人机U1在13:00-13:15形成样本轨迹数据B1,在13:15-16:15停留在停机区,在16:16-16:30形成样本轨迹数据B2,样本轨迹数据B1和样本轨迹数据B2之间时间跨度大于预设时长阈值6分钟。对此,通常情况下,用于识别样本轨迹数据B1和样本轨迹数据B2的学习对大多数目标运动的情况不适用。因此,当上述形成时间跨度大于预设时长阈值时,如果样本的标签设置为属于同一目标将导致该样本为无学习价值的冗余样本。
S203,获取每个样本的时空类特征和图像类特征。
其中,样本的时空类特征和图像类特征,与本发明图1可选实施例中的时空类特征和图像类特征相似,区别在于轨迹数据不同。对于相同部分在此不再赘述,详见上述本发明图1可选实施例的描述。
S204,利用每个样本的时空类特征和图像类特征,以及每个样本的标签,对预设模型进行训练,得到分类模型。
在具体应用中,预设模型可以是多种的。示例性的,预设模型可以是支持向量机,以及轻量梯度提升算法(Light Gradient Boosting Machine,lightgbm)等等可以用于分类的模型中的任一种。其中,lightgbm是一个实现GBDT算法的框架,支持高效率的并行训练,并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。进行训练的过程中,可以通过不断验证预设模型的性能指标,对预设模型进行相应的参数调整,直到调整后的预设模型的性能符合验证指标时,将调整后的预设模型作为分类模型。
示例性的,可以利用K折交叉验证的方式:第一步,将多个样本随机分为k份样本子集,各样本子集中的样本不重复;第二步,选择其中1份作为验证集,剩余k-1份作为训练集用于预设模型的训练,利用训练集训练得到调整后的预设模型,利用验证集测试调整后的预设模型,得到调整后的预设模型的性能指标;重复执行k次第二步,也就是确保每份样本子集都有一次机会作为验证集;第四步,计算k组性能指标的平均值作为第K次验证对应的调整后的预设模型的精度估计和性能指标;不断重复K折交叉验证的步骤,直到调整后的预设模型的性能符合验证指标时,将调整后的预设模型作为分类模型。
另外,本发明图1实施例的分类模型可以采用与本发明图2实施例相似的步骤训练得到,区别在于本发明图1实施例的样本中不包括图像数据,且无需提取图像类特征,相应的,训练时利用时空类特征和样本的标签即可。因此,对于本发明图1实施例的分类模型的获取流程,可以参见本发明图2实施例的描述,在此不再赘述。
在一种可选的实施方式中,上述分类结果可以包括:每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的置信度;
相应的,上述基于分类结果,对多个单相机轨迹数据与历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹,具体可以包括如下步骤:
获取预设的关联层数;
按照置信度从大到小的顺序,对多个单相机轨迹数据中预设的关联层数个单相机轨迹数据,进行与历史关联轨迹数据的关联,得到关联后的轨迹数据对应的目标运动的轨迹。
在具体应用中,预设关联层数越多,对同一目标的轨迹数据进行的关联也就越多,因此,可以提高该目标运动的轨迹获取准确度。并且,为了兼顾目标运动的轨迹获取准确度和获取效率,用户可以按照场景的具体情况,设置满足自身需求的预设关联层数。例如,场景为笔直的小巷,预设关联层数可以1层,场景为目标相对较多,范围较大的商场,预设关联层数可以为5层等等。
另外,按照置信度从大到小的顺序,可以保证优先把属于同一个目标的概率更高的轨迹数据关联起来。由此,进行逐层逐级关联,成一个漏斗形态,最后完成所有轨迹的关联,对于预设层数较少的情况,有利于高效获取目标运动的轨迹。
如图3所示,本发明再一实施例提供的多目标轨迹获取方法的流程,
S301,获取待关联的多个单相机轨迹数据。
S302,分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征。
S303,基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果。
上述S301-S303与本发明图1实施例的步骤S102-S103为相同步骤,在此不再赘述,详见本发明图1实施例的描述。
S304,基于分类结果,对多个单相机轨迹数据与历史关联轨迹数据中,属于同一目标的轨迹数据进行关联。
上述S304与本发明图1实施例的S104中,关于对轨迹数据进行关联的内容相同,在此不再赘述,详见本发明图1实施例的描述。
S305,获取每个单相机轨迹数据和历史关联轨迹数据分别对应的图像类特征。
其中,图像类特征用于表明每两个轨迹数据分别对应的图像数据中的目标在图像维度的关系。
为了后续步骤S306能够根据属于同一目标的轨迹数据在时空维度和图像维度的关系,确定进行了关联的轨迹数据中是否存在关联异常的轨迹数据,可以通过步骤S305获取用于表明每两个轨迹数据分别对应的图像数据中的目标在图像维度的关系的图像类特征。
S306,根据属于同一目标的轨迹数据在时空维度和/或图像维度的关系,确定进行了关联的轨迹数据中是否存在关联异常的轨迹数据。
在一种可选的实施方式中,上述S306具体可以包括如下步骤:
当上述进行了关联的轨迹数据不满足多个关联条件中的任一个时,确定进行了关联的轨迹数据中存在关联异常的轨迹数据;
其中,多个关联条件可以包括:第一条件,进行了关联的轨迹数据中,属于同一摄像机的一个单相机轨迹数据,在同一时刻对应的目标标识唯一;第二条件,进行了关联的轨迹数据中,多个位置数据的形成时刻相同的一个单相机轨迹数据,多个位置数据之间的差异值小于或者等于预设差异阈值;第三条件,本次关联时,进行了关联的轨迹数据中,不存在未关联的单相机轨迹数据;第四条件,进行了关联的轨迹数据中,同一个单相机轨迹数据对应的不同图像数据之间的相似度大于或者等于第一相似度阈值;第五条件,进行了关联的轨迹数据对应的属于同一目标的不同图像数据之间的相似度大于或者等于第二相似度阈值。
在上述五个条件中,第一条件至第三条件可以表明属于同一目标的轨迹数据在时空维度的关系,第四条件至第五条件可以表明属于同一目标的轨迹数据在图像维度的关系。具体的,进行了关联的轨迹数据不满足第一条件,表明该轨迹数据出现标识交换(Idswitch)问题:即单相机追踪多个目标时发生所追踪的目标的id交换,导致一个摄像机输出的单相机轨迹数据对应有多个例如两个不同的目标标识的情况。进行了关联的轨迹数据不满足第二条件,表明发生不同摄像机获取的不同轨迹数据错误关联的问题,也就是说,同一个目标的轨迹数据对应的轨迹产生大范围的抖动。进行了关联的轨迹数据不满足第三条件,表明发生轨迹数据关联失败的问题。进行了关联的轨迹数据不满足第四条件,表明同一个单相机轨迹数据对应的不同图像数据之间的相似度过低,很可能是将与该单相机轨迹数据表明的目标不同的另一目标的图像数据与作为该单相机轨迹数据对应的图像数据,也就是图像数据对应错误导致轨迹数据关联异常。进行了关联的轨迹数据不满足第五条件,表明同一个目标的不同图像的相似度过低,也就是将不同目标的轨迹数据进行了关联导致关联异常
S307,如果不存在,将关联后的轨迹数据作为相应目标运动的轨迹。
本发明图3实施例可以根据属于同一目标的轨迹数据在时空维度和图像维度的关系,有效识别存在关联异常的轨迹数据,保证目标运动的轨迹中不存在关联异常的轨迹数据,可以提升目标运动的轨迹的准确度。
另外,本发明图3实施例中确定进行了关联的轨迹数据中是否存在关联异常的轨迹数据的步骤,同样可以用于本发明图2实施例的情况,区别在于分类模型不同,在此不再赘述。
在一种可选的实施方式中,在上述根据属于同一目标的轨迹数据在所述时空维度,和/或者,所述图像维度的关系,确定进行了关联的轨迹数据中是否存在关联异常的轨迹数据之后,本发明实施例提供的多目标轨迹获取方法,还可以包括如下步骤:
如果存在,对存在关联异常的轨迹数据进行如下步骤A至步骤E的修复操作,并将修复后的轨迹数据所属的关联后的轨迹数据,作为相应目标运动的轨迹:
步骤A,针对在同一时刻对应的目标标识不唯一的单相机轨迹数据,从该单相机轨迹数据对应的多个目标标识中,确定该单相机轨迹数据唯一对应的目标标识。
上述步骤A是对不满足第一条件的存在关联异常的轨迹数据,也就是发生Idswitch(标识交换)的轨迹数据进行的修复。示例性的,可以将在同一时刻对应的目标标识不唯一的单相机轨迹数据作为异常的单相机轨迹数据,对异常的单相机轨迹数据中各位置数据对应的时空类特征和图像类特征进行比较;将各位置数据中与其他位置数据对应的时空类特征之间的差异值大于预设时空阈值,以及各位置数据中与其他位置数据对应的图像类特征之间的差异值大于预设图像阈值的位置数据,确定为切分位置数据;按切分位置数据表明的位置划分异常的单相机轨迹数据,得到多个子轨迹数据;从异常的单相机轨迹数据在同一时刻对应的多个目标标识中,确定多个子轨迹数据分别对应的目标标识。本过程相当于对发生Idswitch的轨迹数据进行切分,对切分得到的多个子轨迹数据关联该子轨迹数据实际的目标标识。
步骤B,针对多个位置数据之间的差异值大于预设差异阈值的单相机轨迹数据,剔除不属于该单相机轨迹数据的位置数据,并为剔除的位置数据所属的单相机轨迹数据关联属于该剔除的位置数据对应目标的轨迹数据。
上述步骤B是对不满足第二条件的存在关联异常的轨迹数据进行的修复。示例性的,可以将针对多个位置数据之间的差异值大于预设差异阈值的单相机轨迹数据作为异常的单相机轨迹数据,利用多个位置数据分别对应的单相机轨迹数据,与异常的单相机轨迹数据之间的分类结果,将与异常的单相机轨迹数据不属于同一目标的单相机轨迹数据对应的位置数据,从异常的单相机轨迹数据中剔除,并为剔除的位置数据所属的单相机轨迹数据关联属于该剔除的位置数据对应目标的轨迹数据。
步骤C,针对完成本次关联时,未关联的单相机轨迹数据,将未关联的单相机轨迹数据中,属于同一目标的单相机轨迹数据进行关联。
上述步骤C是对不满足第三条件的存在关联异常的轨迹数据进行的修复。示例性的,将未关联的单相机轨迹数据中,属于同一目标的单相机轨迹数据进行关联具体可以包括:当未关联的单相机轨迹数据的个数为1个,将未关联的单相机轨迹数据作为历史关联轨迹数据,参与下一次轨迹关联。否则,将多个未关联的单相机轨迹数据中,对应轨迹的形成时间不存在重叠,且每个未关联的单相机轨迹数据的参考范围中仅存在该未关联的单相机轨迹数据的轨迹数据,进行轨迹关联。其中,参考范围与本发明图1可选实施例中的参考范围相同,在此不再赘述。
步骤D,针对对应的不同图像数据之间的相似度小于第一相似度阈值的单相机轨迹数据,剔除不属于该单相机轨迹数据的图像数据,并建立剔除的图像数据与剔除的图像数据所属的单相机轨迹数据之间的对应关系。
上述步骤D是对不满足第四条件的存在关联异常的轨迹数据进行的修复。示例性的,将针对对应的不同图像数据之间的相似度小于第一相似度阈值的单相机轨迹数据作为异常的单相机轨迹数据时,不属于异常的单相机轨迹数据的图像数据,可以是与异常的单相机轨迹数据的第一指定数量的图像数据的相似度,均小于第一相似度阈值的图像数据。其中,异常的单相机轨迹数据的图像数据总数量为N,那么第一指定数量可以为N-1。
步骤E,针对对应的属于同一目标的不同图像数据之间的相似度小于第二相似度阈值的进行了关联的轨迹数据,剔除不属于该同一目标的图像数据,并建立剔除的图像数据与所述剔除的图像数据所属的目标之间的对应关系。
上述步骤E是对不满足第五条件的存在关联异常的轨迹数据进行的修复。示例性的,将针对对应的属于同一目标的不同图像数据之间的相似度小于第二相似度阈值的进行了关联的轨迹数据的目标,作为异常目标时,不属于该同一目标的图像数据,可以是与异常目标的第二指定数量的图像数据的相似度,均小于第二相似度阈值的图像数据。其中,异常目标的图像数据总数量为M,那么第二指定数量可以为M-1。
本可选实施例通过对存在关联异常的轨迹数据进行修复,并将修复后的轨迹数据所属的关联后的轨迹数据,作为相应目标运动的轨迹,可以提高轨迹数据的利用率和目标运动的轨迹的准确度。
相应于上述方法实施例,本发明实施例还提供了一种多目标轨迹获取装置。
如图4所示,本发明一实施例提供的多目标轨迹获取装置的结构,该装置包括:
轨迹数据获取模块401,用于获取待关联的多个单相机轨迹数据;其中,所述单相机轨迹数据为一个摄像机获取的一个目标的轨迹数据;
轨迹特征提取模块402,用于分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征;其中,所述时空类特征用于表明每两个轨迹数据分别对应的轨迹在时空维度的关系;所述历史关联轨迹数据为已进行过关联的轨迹数据;
轨迹数据分类模块403,用于基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果;其中,所述分类模型为利用多个带有标签的样本训练得到的模型,所述样本包括两个样本轨迹数据,所述标签用于表示所述两个样本轨迹数据是否属于同一样本目标;
目标轨迹获取模块404,用于基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。
本发明实施例提供的方案中,获取每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果,相当于从多个单相机轨迹数据中,确定出每个单相机轨迹数据分别属于哪个目标。在此基础上,基于每个单相机轨迹数据与历史关联轨迹数据属于同一目标的分类结果,可以对多个单相机轨迹数据与历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。可见,本方案在通过多个摄像机对多个目标进行跨相机的图像采集,以获取每个目标运动的轨迹时,可以不受单个摄像机的监控范围以及相邻两个摄像机的监控范围需要存在重叠区域的限制,能够适用于需要监控的区域较大,以及摄像机个数和安装位置有限等等场景,实现扩展多目标轨迹获取的适用场景的效果。
可选的,所述多个带有标签的样本中还包括:样本轨迹数据对应的图像数据;
所述轨迹特征提取模块402,还用于分别获取所述每个单相机轨迹数据和所述历史关联轨迹数据的图像类特征;其中,所述图像类特征用于表明每两个轨迹数据分别对应的图像数据中的目标在图像维度的关系;
所述轨迹数据分类模块403,具体用于将所获取的时空类特征和图像类特征输入预先训练得到的分类模型,获取每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果。
可选的,所述分类模型预先采用如下步骤训练得到:
获取多个摄像机采集的多个样本目标的轨迹数据;
将所述多个样本目标的轨迹数据中,每两个轨迹数据以及所述每两个轨迹数据分别对应的图像数据作为一个样本,并为该样本标记所述标签;
获取每个样本的时空类特征和图像类特征;
利用所述每个样本的时空类特征和图像类特征,以及所述每个样本的标签,对预设模型进行训练,得到所述分类模型。
可选的,所述时空类特征包括:空间类特征和时间类特征;
所述空间类特征包括如下特征中的至少一个:用于表明所述每两个轨迹数据是否分别包含第一指定位置和第二指定位置的特征,用于表明所述多个摄像机中每两个摄像机间拓扑关系的特征,以及用于表明参考范围内目标的信息的特征;其中,所述第一指定位置和第二指定位置为使得目标运动的轨迹关联的位置;所述参考范围包括:与所述每两个轨迹数据分别对应的轨迹相距预设距离的范围;
所述时间类特征包括如下特征中的至少一个:用于表明所述每两个轨迹数据分别对应的轨迹的形成时间之间的相似度的特征,用于表明所述每两个轨迹数据分别对应的轨迹的衔接关系的特征,用于表明所述每两个轨迹数据分别对应的轨迹的运动趋势之间的关系的特征,以及所述用于表明参考范围内目标的信息的特征。
可选的,所述图像类特征包括如下特征中的至少一个:
用于表明所述每两个轨迹数据分别对应的图像数据所表明的两个目标的:轮廓之间的相似度的特征、指定部位之间的相似度的特征、多个特征中二分类的特征的分类标签的特征。
可选的,所述分类结果包括:每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的置信度;
所述目标轨迹获取模块404,具体用于:
获取预设的关联层数;
按照所述置信度从大到小的顺序,对所述多个单相机轨迹数据中所述预设的关联层数个单相机轨迹数据,进行与所述历史关联轨迹数据的关联,得到关联后的轨迹数据对应的目标运动的轨迹。
可选的,记录有单相机轨迹数据对应的图像维度的图像数据;
所述目标轨迹获取模块404,具体用于:
获取所述每个单相机轨迹数据和所述历史关联轨迹数据分别对应的图像类特征;其中,所述图像类特征用于表明每两个轨迹数据分别对应的图像数据中的目标在图像维度的关系;
基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联;
根据属于同一目标的轨迹数据在所述时空维度和/或所述图像维度的关系,确定进行了关联的轨迹数据中是否存在关联异常的轨迹数据;
如果不存在,将关联后的轨迹数据作为相应目标运动的轨迹。
可选的,所述目标轨迹获取模块404,具体用于:
当所述进行了关联的轨迹数据不满足多个关联条件中的任一个时,确定所述进行了关联的轨迹数据中存在关联异常的轨迹数据;
其中,所述多个关联条件包括:所述进行了关联的轨迹数据中,属于同一摄像机的一个单相机轨迹数据,在同一时刻对应的目标标识唯一;所述进行了关联的轨迹数据中,多个位置数据的形成时刻相同的一个单相机轨迹数据,所述多个位置数据之间的差异值小于或者等于预设差异阈值;完成本次关联时,所述进行了关联的轨迹数据中,不存在未关联的单相机轨迹数据;所述进行了关联的轨迹数据中,同一个单相机轨迹数据对应的不同图像数据之间的相似度大于或者等于第一相似度阈值;所述进行了关联的轨迹数据对应的属于同一目标的不同图像数据之间的相似度大于或者等于第二相似度阈值。
可选的,所述目标轨迹获取模块404,还用于:
如果存在,对存在关联异常的轨迹数据进行如下修复操作,并将修复后的轨迹数据所属的关联后的轨迹数据,作为相应目标运动的轨迹:
针对在同一时刻对应的目标标识不唯一的单相机轨迹数据,从该单相机轨迹数据对应的多个目标标识中,确定该单相机轨迹数据唯一对应的目标标识;
针对所述多个位置数据之间的差异值大于预设差异阈值的单相机轨迹数据,剔除不属于该单相机轨迹数据的位置数据,并为剔除的位置数据所属的单相机轨迹数据关联属于所述剔除的位置数据对应目标的轨迹数据;
针对完成本次关联时,所述未关联的单相机轨迹数据,将所述未关联的单相机轨迹数据中,属于同一目标的单相机轨迹数据进行关联;
针对对应的不同图像数据之间的相似度小于第一相似度阈值的单相机轨迹数据,剔除不属于该单相机轨迹数据的图像数据,并建立剔除的图像数据与所述剔除的图像数据所属的单相机轨迹数据之间的对应关系;
针对对应的属于同一目标的不同图像数据之间的相似度小于第二相似度阈值的进行了关联的轨迹数据,剔除不属于该同一目标的图像数据,并建立剔除的图像数据与所述剔除的图像数据所属的目标之间的对应关系。
如图5所示,本发明一实施例提供的多目标轨迹获取***的结构,该***包括:至少一个摄像机501,以及与摄像机通信连接的管理后台502;
所述摄像机501,用于获取一个目标的轨迹数据,作为单相机轨迹数据;
所述管理后台502,用于获取待关联的多个单相机轨迹数据;分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征;其中,所述时空类特征用于表明每两个轨迹数据分别对应的轨迹在时空维度的关系;所述历史关联轨迹数据为已进行过关联的轨迹数据;基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果;其中,所述分类模型为利用多个带有标签的样本训练得到的模型,所述样本包括两个样本轨迹数据,所述标签用于表示所述两个样本轨迹数据是否属于同一样本目标;基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。
本发明实施例提供的方案中,获取每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果,相当于从多个单相机轨迹数据中,确定出每个单相机轨迹数据分别属于哪个目标。在此基础上,基于每个单相机轨迹数据与历史关联轨迹数据属于同一目标的分类结果,可以对多个单相机轨迹数据与历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。可见,本方案在通过多个摄像机对多个目标进行跨相机的图像采集,以获取每个目标运动的轨迹时,可以不受单个摄像机的监控范围以及相邻两个摄像机的监控范围需要存在重叠区域的限制,能够适用于需要监控的区域较大,以及摄像机个数和安装位置有限等等场景,实现扩展多目标轨迹获取的适用场景的效果。
本发明实施例还提供了一种应用于图5所示多目标轨迹获取***的管理后台,如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现如下步骤:
获取待关联的多个单相机轨迹数据;其中,所述单相机轨迹数据为一个摄像机获取的一个目标的轨迹数据;
分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征;其中,所述时空类特征用于表明每两个轨迹数据分别对应的轨迹在时空维度的关系;所述历史关联轨迹数据为已进行过关联的轨迹数据;
基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果;其中,所述分类模型为利用多个带有标签的样本训练得到的模型,所述样本包括两个样本轨迹数据,所述标签用于表示所述两个样本轨迹数据是否属于同一样本目标;
基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。
本发明实施例还提供了一种应用于图5所示多目标轨迹获取***的摄像机,如图7所示,包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信,
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现如下步骤:
获取待关联的多个单相机轨迹数据;其中,所述单相机轨迹数据为一个摄像机获取的一个目标的轨迹数据。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一多目标轨迹获取方法的步骤。
本发明实施例提供的方案中,获取每个单相机轨迹数据与历史关联轨迹数据是否属于同一目标的分类结果,相当于从多个单相机轨迹数据中,确定出每个单相机轨迹数据分别属于哪个目标。在此基础上,基于每个单相机轨迹数据与历史关联轨迹数据属于同一目标的分类结果,可以对多个单相机轨迹数据与历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹。可见,本方案在通过多个摄像机对多个目标进行跨相机的图像采集,以获取每个目标运动的轨迹时,可以不受单个摄像机的监控范围以及相邻两个摄像机的监控范围需要存在重叠区域的限制,能够适用于需要监控的区域较大,以及摄像机个数和安装位置有限等等场景,实现扩展多目标轨迹获取的适用场景的效果。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一多目标轨迹获取方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,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,对于装置和***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。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种多目标轨迹获取方法,其特征在于,所述方法包括:
获取待关联的多个单相机轨迹数据;其中,所述单相机轨迹数据为一个摄像机获取的一个目标的轨迹数据;
分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征;其中,所述时空类特征用于表明每两个轨迹数据分别对应的轨迹在时空维度的关系;所述历史关联轨迹数据为已进行过关联的轨迹数据;
基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果;其中,所述分类模型为利用多个带有标签的样本训练得到的模型,所述样本包括两个样本轨迹数据,所述标签用于表示所述两个样本轨迹数据是否属于同一样本目标;
基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹;
其中,所述时空类特征包括:空间类特征和时间类特征;
所述空间类特征包括如下特征中的至少一个:用于表明所述每两个轨迹数据是否分别包含第一指定位置和第二指定位置的特征,用于表明所述多个摄像机中每两个摄像机间拓扑关系的特征,以及用于表明参考范围内目标的信息的特征;其中,所述第一指定位置和第二指定位置为使得目标运动的轨迹关联的位置;所述参考范围包括:与所述每两个轨迹数据分别对应的轨迹相距预设距离的范围;
所述时间类特征包括如下特征中的至少一个:用于表明所述每两个轨迹数据分别对应的轨迹的形成时间之间的相似度的特征,用于表明所述每两个轨迹数据分别对应的轨迹的衔接关系的特征,用于表明所述每两个轨迹数据分别对应的轨迹的运动趋势之间的关系的特征,以及所述用于表明参考范围内目标的信息的特征;
其中,所述用于表明所述每两个轨迹数据分别对应的轨迹的形成时间之间的相似度的特征是由该两个轨迹数据分别对应的轨迹的形成时间中,存在重叠的时间之间的指定距离和存在重叠的时间对应的时长确定的;
所述基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹,包括:
获取所述每个单相机轨迹数据和所述历史关联轨迹数据分别对应的图像类特征;其中,所述图像类特征用于表明每两个轨迹数据分别对应的图像数据中的目标在图像维度的关系;基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联;根据属于同一目标的轨迹数据在所述时空维度和/或所述图像维度的关系,确定进行了关联的轨迹数据中是否存在关联异常的轨迹数据;如果不存在,将关联后的轨迹数据作为相应目标运动的轨迹;
在所述根据属于同一目标的轨迹数据在所述时空维度,和/或者,所述图像维度的关系,确定进行了关联的轨迹数据中是否存在关联异常的轨迹数据之后,所述方法还包括:
如果存在,对存在关联异常的轨迹数据进行如下修复操作,并将修复后的轨迹数据所属的关联后的轨迹数据,作为相应目标运动的轨迹:针对在同一时刻对应的目标标识不唯一的单相机轨迹数据,从该单相机轨迹数据对应的多个目标标识中,确定该单相机轨迹数据唯一对应的目标标识;针对所述多个位置数据之间的差异值大于预设差异阈值的单相机轨迹数据,剔除不属于该单相机轨迹数据的位置数据,并为剔除的位置数据所属的单相机轨迹数据关联属于所述剔除的位置数据对应目标的轨迹数据;针对完成本次关联时未关联的单相机轨迹数据,将所述未关联的单相机轨迹数据中,属于同一目标的单相机轨迹数据进行关联;针对对应的不同图像数据之间的相似度小于第一相似度阈值的单相机轨迹数据,剔除不属于该单相机轨迹数据的图像数据,并建立剔除的图像数据与所述剔除的图像数据所属的单相机轨迹数据之间的对应关系;针对对应的属于同一目标的不同图像数据之间的相似度小于第二相似度阈值的进行了关联的轨迹数据,剔除不属于该同一目标的图像数据,并建立剔除的图像数据与所述剔除的图像数据所属的目标之间的对应关系。
2.根据权利要求1所述的方法,其特征在于,所述多个带有标签的样本中还包括:样本轨迹数据对应的图像数据;
在所述基于所获取的时空类特征,利用预先训练得到的分类模型,获取每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果之前,所述方法还包括:
分别获取所述每个单相机轨迹数据和所述历史关联轨迹数据的图像类特征;其中,所述图像类特征用于表明每两个轨迹数据分别对应的图像数据中的目标在图像维度的关系;
所述基于所获取的时空类特征,利用预先训练得到的分类模型,获取每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果,包括:
将所获取的时空类特征和图像类特征输入预先训练得到的分类模型,获取每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果。
3.根据权利要求2所述的方法,其特征在于,所述分类模型预先采用如下步骤训练得到:
获取多个摄像机采集的多个样本目标的轨迹数据;
将所述多个样本目标的轨迹数据中,每两个轨迹数据以及每两个轨迹数据分别对应的图像数据作为一个样本,并为该样本标记所述标签;
获取每个样本的时空类特征和图像类特征;
利用所述每个样本的时空类特征和图像类特征,以及所述每个样本的标签,对预设模型进行训练,得到所述分类模型。
4.根据权利要求2所述的方法,其特征在于,所述图像类特征包括如下特征中的至少一个:
用于表明所述每两个轨迹数据分别对应的图像数据所表明的两个目标的:轮廓之间的相似度的特征、指定部位之间的相似度的特征、多个特征中二分类的特征的分类标签的特征。
5.根据权利要求1所述的方法,其特征在于,所述分类结果包括:每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的置信度;
所述基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹,包括:
获取预设的关联层数;
按照所述置信度从大到小的顺序,对所述多个单相机轨迹数据中所述预设的关联层数个单相机轨迹数据,进行与所述历史关联轨迹数据的关联,得到关联后的轨迹数据对应的目标运动的轨迹。
6.根据权利要求1所述的方法,其特征在于,所述根据属于同一目标的轨迹数据在所述时空维度和/或所述图像维度的关系,确定进行了关联的轨迹数据中是否存在关联异常的轨迹数据,包括:
当所述进行了关联的轨迹数据不满足多个关联条件中的任一个时,确定所述进行了关联的轨迹数据中存在关联异常的轨迹数据;
其中,所述多个关联条件包括:所述进行了关联的轨迹数据中,属于同一摄像机的一个单相机轨迹数据,在同一时刻对应的目标标识唯一;所述进行了关联的轨迹数据中,多个位置数据的形成时刻相同的一个单相机轨迹数据,所述多个位置数据之间的差异值小于或者等于预设差异阈值;完成本次关联时,所述进行了关联的轨迹数据中,不存在未关联的单相机轨迹数据;所述进行了关联的轨迹数据中,同一个单相机轨迹数据对应的不同图像数据之间的相似度大于或者等于第一相似度阈值;所述进行了关联的轨迹数据对应的属于同一目标的不同图像数据之间的相似度大于或者等于第二相似度阈值。
7.一种多目标轨迹获取装置,其特征在于,所述装置包括:
轨迹数据获取模块,用于获取待关联的多个单相机轨迹数据;其中,所述单相机轨迹数据为一个摄像机获取的一个目标的轨迹数据;
轨迹特征提取模块,用于分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征;其中,所述时空类特征用于表明每两个轨迹数据分别对应的轨迹在时空维度的关系;所述历史关联轨迹数据为已进行过关联的轨迹数据;
轨迹数据分类模块,用于基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果;其中,所述分类模型为利用多个带有标签的样本训练得到的模型,所述样本包括两个样本轨迹数据,所述标签用于表示所述两个样本轨迹数据是否属于同一样本目标;
目标轨迹获取模块,用于基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹;
其中,所述时空类特征包括:空间类特征和时间类特征;
所述空间类特征包括如下特征中的至少一个:用于表明所述每两个轨迹数据是否分别包含第一指定位置和第二指定位置的特征,用于表明所述多个摄像机中每两个摄像机间拓扑关系的特征,以及用于表明参考范围内目标的信息的特征;其中,所述第一指定位置和第二指定位置为使得目标运动的轨迹关联的位置;所述参考范围包括:与所述每两个轨迹数据分别对应的轨迹相距预设距离的范围;
所述时间类特征包括如下特征中的至少一个:用于表明所述每两个轨迹数据分别对应的轨迹的形成时间之间的相似度的特征,用于表明所述每两个轨迹数据分别对应的轨迹的衔接关系的特征,用于表明所述每两个轨迹数据分别对应的轨迹的运动趋势之间的关系的特征,以及所述用于表明参考范围内目标的信息的特征;
其中,所述用于表明所述每两个轨迹数据分别对应的轨迹的形成时间之间的相似度的特征是由该两个轨迹数据分别对应的轨迹的形成时间中,存在重叠的时间之间的指定距离和存在重叠的时间对应的时长确定的;
所述目标轨迹获取模块,具体用于:
获取所述每个单相机轨迹数据和所述历史关联轨迹数据分别对应的图像类特征;其中,所述图像类特征用于表明每两个轨迹数据分别对应的图像数据中的目标在图像维度的关系;基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联;根据属于同一目标的轨迹数据在所述时空维度和/或所述图像维度的关系,确定进行了关联的轨迹数据中是否存在关联异常的轨迹数据;如果不存在,将关联后的轨迹数据作为相应目标运动的轨迹;
所述目标轨迹获取模块,还用于:
如果存在,对存在关联异常的轨迹数据进行如下修复操作,并将修复后的轨迹数据所属的关联后的轨迹数据,作为相应目标运动的轨迹;针对在同一时刻对应的目标标识不唯一的单相机轨迹数据,从该单相机轨迹数据对应的多个目标标识中,确定该单相机轨迹数据唯一对应的目标标识;针对所述多个位置数据之间的差异值大于预设差异阈值的单相机轨迹数据,剔除不属于该单相机轨迹数据的位置数据,并为剔除的位置数据所属的单相机轨迹数据关联属于所述剔除的位置数据对应目标的轨迹数据;针对完成本次关联时未关联的单相机轨迹数据,将所述未关联的单相机轨迹数据中,属于同一目标的单相机轨迹数据进行关联;针对对应的不同图像数据之间的相似度小于第一相似度阈值的单相机轨迹数据,剔除不属于该单相机轨迹数据的图像数据,并建立剔除的图像数据与所述剔除的图像数据所属的单相机轨迹数据之间的对应关系;针对对应的属于同一目标的不同图像数据之间的相似度小于第二相似度阈值的进行了关联的轨迹数据,剔除不属于该同一目标的图像数据,并建立剔除的图像数据与所述剔除的图像数据所属的目标之间的对应关系。
8.一种多目标轨迹获取***,其特征在于,所述***包括:至少一个摄像机,以及与所述摄像机通信连接的管理后台;
所述摄像机,用于获取一个目标的轨迹数据,作为单相机轨迹数据;
所述管理后台,用于获取待关联的多个单相机轨迹数据;分别获取每个单相机轨迹数据和历史关联轨迹数据之间的时空类特征;其中,所述时空类特征用于表明每两个轨迹数据分别对应的轨迹在时空维度的关系;所述历史关联轨迹数据为已进行过关联的轨迹数据;基于所获取的时空类特征,利用预先训练得到的分类模型,获得每个单相机轨迹数据与所述历史关联轨迹数据是否属于同一目标的分类结果;其中,所述分类模型为利用多个带有标签的样本训练得到的模型,所述样本包括两个样本轨迹数据,所述标签用于表示所述两个样本轨迹数据是否属于同一样本目标;基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹;
其中,所述时空类特征包括:空间类特征和时间类特征;
所述空间类特征包括如下特征中的至少一个:用于表明所述每两个轨迹数据是否分别包含第一指定位置和第二指定位置的特征,用于表明所述多个摄像机中每两个摄像机间拓扑关系的特征,以及用于表明参考范围内目标的信息的特征;其中,所述第一指定位置和第二指定位置为使得目标运动的轨迹关联的位置;所述参考范围包括:与所述每两个轨迹数据分别对应的轨迹相距预设距离的范围;
所述时间类特征包括如下特征中的至少一个:用于表明所述每两个轨迹数据分别对应的轨迹的形成时间之间的相似度的特征,用于表明所述每两个轨迹数据分别对应的轨迹的衔接关系的特征,用于表明所述每两个轨迹数据分别对应的轨迹的运动趋势之间的关系的特征,以及所述用于表明参考范围内目标的信息的特征;
其中,所述用于表明所述每两个轨迹数据分别对应的轨迹的形成时间之间的相似度的特征是由该两个轨迹数据分别对应的轨迹的形成时间中,存在重叠的时间之间的指定距离和存在重叠的时间对应的时长确定的;
所述管理后台基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联,得到该目标运动的轨迹,包括:
获取所述每个单相机轨迹数据和所述历史关联轨迹数据分别对应的图像类特征;其中,所述图像类特征用于表明每两个轨迹数据分别对应的图像数据中的目标在图像维度的关系;基于所述分类结果,对所述多个单相机轨迹数据与所述历史关联轨迹数据中,属于同一目标的轨迹数据进行关联;根据属于同一目标的轨迹数据在所述时空维度和/或所述图像维度的关系,确定进行了关联的轨迹数据中是否存在关联异常的轨迹数据;如果不存在,将关联后的轨迹数据作为相应目标运动的轨迹;
所述管理后台,还用于:
在所述根据属于同一目标的轨迹数据在所述时空维度,和/或者,所述图像维度的关系,确定进行了关联的轨迹数据中是否存在关联异常的轨迹数据之后,如果存在,对存在关联异常的轨迹数据进行如下修复操作,并将修复后的轨迹数据所属的关联后的轨迹数据,作为相应目标运动的轨迹:针对在同一时刻对应的目标标识不唯一的单相机轨迹数据,从该单相机轨迹数据对应的多个目标标识中,确定该单相机轨迹数据唯一对应的目标标识;针对所述多个位置数据之间的差异值大于预设差异阈值的单相机轨迹数据,剔除不属于该单相机轨迹数据的位置数据,并为剔除的位置数据所属的单相机轨迹数据关联属于所述剔除的位置数据对应目标的轨迹数据;针对完成本次关联时未关联的单相机轨迹数据,将所述未关联的单相机轨迹数据中,属于同一目标的单相机轨迹数据进行关联;针对对应的不同图像数据之间的相似度小于第一相似度阈值的单相机轨迹数据,剔除不属于该单相机轨迹数据的图像数据,并建立剔除的图像数据与所述剔除的图像数据所属的单相机轨迹数据之间的对应关系;针对对应的属于同一目标的不同图像数据之间的相似度小于第二相似度阈值的进行了关联的轨迹数据,剔除不属于该同一目标的图像数据,并建立剔除的图像数据与所述剔除的图像数据所属的目标之间的对应关系。
9.一种电子设备,其特征在于,应用于多目标轨迹获取***,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011364337.2A CN112465866B (zh) | 2020-11-27 | 2020-11-27 | 多目标轨迹获取方法、装置、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011364337.2A CN112465866B (zh) | 2020-11-27 | 2020-11-27 | 多目标轨迹获取方法、装置、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465866A CN112465866A (zh) | 2021-03-09 |
CN112465866B true CN112465866B (zh) | 2024-02-02 |
Family
ID=74809254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011364337.2A Active CN112465866B (zh) | 2020-11-27 | 2020-11-27 | 多目标轨迹获取方法、装置、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465866B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536084B (zh) * | 2021-06-29 | 2022-10-14 | 中国人民解放军战略支援部队航天工程大学 | 一种时空事件提取***和方法 |
CN114066974A (zh) * | 2021-11-17 | 2022-02-18 | 上海高德威智能交通***有限公司 | 一种目标轨迹的生成方法、装置、电子设备及介质 |
CN114973143B (zh) * | 2022-06-17 | 2023-07-07 | 湖南中科助英智能科技研究院有限公司 | 一种融合运动特征的低空飞行器鲁棒检测方法 |
CN115169588A (zh) * | 2022-09-06 | 2022-10-11 | 深圳前海中电慧安科技有限公司 | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 |
CN116363565B (zh) * | 2023-06-01 | 2023-08-11 | 深圳须弥云图空间科技有限公司 | 目标轨迹确定方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436662A (zh) * | 2011-11-29 | 2012-05-02 | 南京信息工程大学 | 一种非重叠视域多摄像机网络中的人体目标跟踪方法 |
CN104112282A (zh) * | 2014-07-14 | 2014-10-22 | 华中科技大学 | 一种基于在线学习跟踪监控视频中多个运动目标的方法 |
CN107016374A (zh) * | 2017-04-12 | 2017-08-04 | 电子科技大学 | 面向特定目标的智能检测追踪及时空轨迹的生成方法 |
CN107145862A (zh) * | 2017-05-05 | 2017-09-08 | 山东大学 | 一种基于霍夫森林的多特征匹配多目标跟踪方法 |
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及*** |
CN110728702A (zh) * | 2019-08-30 | 2020-01-24 | 深圳大学 | 一种基于深度学习的高速跨摄像头单目标跟踪方法及*** |
CN110969644A (zh) * | 2018-09-28 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 人员轨迹追踪方法、装置及*** |
CN111724412A (zh) * | 2020-06-17 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 确定运动轨迹的方法、装置及计算机存储介质 |
CN111784728A (zh) * | 2020-06-29 | 2020-10-16 | 杭州海康威视数字技术股份有限公司 | 轨迹处理方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2545658A (en) * | 2015-12-18 | 2017-06-28 | Canon Kk | Methods, devices and computer programs for tracking targets using independent tracking modules associated with cameras |
-
2020
- 2020-11-27 CN CN202011364337.2A patent/CN112465866B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436662A (zh) * | 2011-11-29 | 2012-05-02 | 南京信息工程大学 | 一种非重叠视域多摄像机网络中的人体目标跟踪方法 |
CN104112282A (zh) * | 2014-07-14 | 2014-10-22 | 华中科技大学 | 一种基于在线学习跟踪监控视频中多个运动目标的方法 |
CN107016374A (zh) * | 2017-04-12 | 2017-08-04 | 电子科技大学 | 面向特定目标的智能检测追踪及时空轨迹的生成方法 |
CN107145862A (zh) * | 2017-05-05 | 2017-09-08 | 山东大学 | 一种基于霍夫森林的多特征匹配多目标跟踪方法 |
CN110969644A (zh) * | 2018-09-28 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 人员轨迹追踪方法、装置及*** |
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及*** |
CN110728702A (zh) * | 2019-08-30 | 2020-01-24 | 深圳大学 | 一种基于深度学习的高速跨摄像头单目标跟踪方法及*** |
CN111724412A (zh) * | 2020-06-17 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 确定运动轨迹的方法、装置及计算机存储介质 |
CN111784728A (zh) * | 2020-06-29 | 2020-10-16 | 杭州海康威视数字技术股份有限公司 | 轨迹处理方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
《Tracking Across Multiple CamerasWith Disjoint Views》;Omar Javed et al.;《Proceedings of the Ninth IEEE International Conference on Computer Vision (ICCV’03)》;全文 * |
《人体目标的跨视域识别》;项宗杰;《中国博士学位论文全文数据库信息科技辑》;第1.3节、第1.4节、第2.1节、第4.1节 * |
《基于目标检测的视觉多目标跟踪技术研究》;蓝龙;《中国博士学位论文全文数据库信息科技辑》;第1.2节、第3章 * |
《基于轨迹关联的多目标跟踪》;许正 等;《南京邮电大学学报( 自然科学版)》;第37卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112465866A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465866B (zh) | 多目标轨迹获取方法、装置、***及存储介质 | |
CN107145862B (zh) | 一种基于霍夫森林的多特征匹配多目标跟踪方法 | |
Bai et al. | Traffic anomaly detection via perspective map based on spatial-temporal information matrix. | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
CN112770265B (zh) | 一种行人身份信息获取方法、***、服务器和存储介质 | |
CN108932509A (zh) | 一种基于视频跟踪的跨场景目标检索方法及装置 | |
CN114241016A (zh) | 一种跨相机轨迹关联方法、装置及电子设备 | |
CN112651398B (zh) | 车辆的抓拍控制方法、装置及计算机可读存储介质 | |
CN112507860A (zh) | 一种视频标注方法、装置、设备及存储介质 | |
Bashar et al. | Multiple object tracking in recent times: A literature review | |
CN114898326A (zh) | 基于深度学习的单行道车辆逆行检测方法、***及设备 | |
CN115909224A (zh) | 轨迹检测方法及轨迹检测*** | |
CN116311063A (zh) | 监控视频下基于人脸识别的人员细粒度跟踪方法及*** | |
CN109389177B (zh) | 一种基于协同级联森林的隧道车辆再识别方法 | |
Karim et al. | An attention-guided multistream feature fusion network for early localization of risky traffic agents in driving videos | |
CN111950507B (zh) | 数据处理和模型训练方法、装置、设备及介质 | |
CN112150814B (zh) | 基于智能交通的信息处理方法、装置及智能交通*** | |
CN115187884A (zh) | 一种高空抛物识别方法、装置、电子设备及存储介质 | |
CN115620098B (zh) | 跨摄像头行人跟踪算法的评价方法、***和电子设备 | |
US20230081930A1 (en) | Data collection device, data collection method, and data collection program | |
Cheng et al. | Detection features as attention (defat): A keypoint-free approach to amur tiger re-identification | |
Jiang et al. | Vehicle tracking with non-overlapping views for multi-camera surveillance system | |
CN113361392B (zh) | 无监督的基于相机和无线定位的多模态行人重识别方法 | |
Bilecen et al. | Video anomaly detection with autoregressive modeling of covariance features | |
CN113609317A (zh) | 一种图像库构建方法、装置及电子设备 |
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 |