CN112927258A - 一种目标跟踪方法及装置 - Google Patents
一种目标跟踪方法及装置 Download PDFInfo
- Publication number
- CN112927258A CN112927258A CN201911148440.0A CN201911148440A CN112927258A CN 112927258 A CN112927258 A CN 112927258A CN 201911148440 A CN201911148440 A CN 201911148440A CN 112927258 A CN112927258 A CN 112927258A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- similarity
- threshold
- target image
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种目标跟踪方法及装置,其中,所述方法包括:从视频数据的第一图像中,检测得到至少一个待跟踪的第一目标图像;根据第一图像之前已跟踪到的目标的自相似度,更新所述目标对应的相似度阈值,以及,根据第一图像之前已跟踪到的所述目标的运动信息,更新所述目标对应的距离阈值;根据每个目标对应的相似度阈值和距离阈值,将所述第一目标图像与匹配数据库中的目标图像进行匹配,识别所述第一目标图像所属的第一目标;本发明实施例根据目标的自相似度和运动信息,自适应的更新相似度阈值和距离阈值,可以实现较好的目标跟踪,提高了目标跟踪的成功率,进而可以提高后续行为分析的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,本发明涉及一种目标跟踪方法及装置。
背景技术
在人物行为分析领域中,通常使用摄像头采集视频数据,然后利用视频分析技术来检测人物的状态、行为及相互关联信息。例如,在养老领域中,通常利用基于序列图像的行为分析来实现老人的跌倒检测。在以上方法中,需要实现以下技术:行人检测、特征(如关节点)提取、跟踪以及动作判断等。其中,跟踪技术用于获取相邻帧图像中不同行人的关系,进而获取不同行人的连续特征,为后续的动作判断提供时序特征数据。
目前常用的一种跟踪方法包括有基于相似度比较的跟踪方法,其主要技术手段是对于当前图像,获取之前一定帧图像的目标以生成比对库;对于当前图像中检测到的目标,计算此目标与比对库中目标的相似度及距离,获取距离小于一定阈值,且相似度高于一定阈值的最相似目标,作为同一目标,实现跟踪。
从上述方法的实现手段可以看出,其识别同一目标的方式严重依赖于上述距离及相似度阈值的设定。而在跌倒检测等行为分析领域中,人物行为(如跌倒动作)可能发生迅速,且人物姿态发生剧烈变化,导致相似度变化较大,因此以上方法在上述领域中容易发生跟踪失败,进而对动作检测的精度产生不利影响。
现有技术的另一种判断目标跟踪效果的方法,其采用的技术手段:获得样本目标图像,并对所述样本目标图像采用角点检测获得样本角点序列;获取跟踪目标图像,对跟踪目标图像采用角点检测获得跟踪目标图像的角点序列;根据所述跟踪目标图像的角点序列与所述样本目标图像的角点序列判定跟踪目标的效果。该方法中,提取检测到的目标的直方图特征,比较直方图特征的相似性,基于指定阈值对相似性进行匹配,获取目标间的关联,实现跟踪。该方法仍然存在上述类似的阈值问题。
可以看出,在人物行为分析领域中,现有技术目前存在以下问题:
问题1:在行为检测(如跌倒检测)中,某些行为(如跌倒动作)发生迅速,相邻目标间的距离,相比于普通动作较远,因此常规距离阈值难以适用;
问题2:某些行为(如跌倒动作)发生过程中,相邻目标间的相似度,相比于普通动作较小,因此常规的相似度阈值难以适用。
发明内容
本发明实施例要解决的技术问题是提供一种目标跟踪方法及装置,通过自适应的调整距离阈值和相似度阈值,可以提高目标跟踪的成功率,提高行为分析的准确性。
为解决上述技术问题,本发明实施例提供的一种目标跟踪方法,包括:
从视频数据的第一图像中,检测得到至少一个待跟踪的第一目标图像;
根据第一图像之前已跟踪到的目标的自相似度,更新所述目标对应的相似度阈值,以及,根据第一图像之前已跟踪到的所述目标的运动信息,更新所述目标对应的距离阈值;
根据每个目标对应的相似度阈值和距离阈值,将所述第一目标图像与匹配数据库中的目标图像进行匹配,识别所述第一目标图像所属的第一目标;其中,所述匹配数据库中保存有已跟踪到的各个目标的目标图像。
可选的,所述目标对应的相似度阈值,与所述自相似度正相关;所述目标对应的距离阈值,与所述目标的运动信息正相关。
可选的,根据第一图像之前已跟踪到的目标的自相似度,更新所述目标对应的相似度阈值的步骤,包括:
计算所述第一图像之前已跟踪到的目标的自相似度Sa与预设的自相似度参考值S0的第一比值,并计算所述第一比值与预设的相似度参考阈值的乘积,得到更新后的所述目标对应的相似度阈值。
可选的,根据第一图像之前已跟踪到的所述目标的运动信息,更新所述目标对应的距离阈值的步骤,包括:
计算第一图像之前已跟踪到的所述目标的位移距离Da与预设的距离参考值D0的第二比值,并计算所述第二比值与预设的距离参考阈值的乘积,得到更新后的所述目标对应的距离阈值。
可选的,将所述第一目标图像与匹配数据库中的目标图像进行匹配,识别所述第一目标图像所属的第一目标的步骤,包括:
计算所述第一目标图像与匹配数据库中的每个目标图像的相似度,以及,计算第一目标图像与所述匹配数据库中的每个目标图像间的距离;
查找与所述第一目标图像之间的距离小于所述距离阈值,且所述相似度大于所述相似度阈值的第二目标图像,并将所述第二目标图像所属的目标,确定为所述第一目标图像所属的第一目标。
可选的,在所述匹配数据库中存在多个目标图像,与所述第一目标图像之间的距离小于所述距离阈值,且所述相似度大于所述相似度阈值时,将最大相似度所对应的目标图像,作为所述第二目标图像。
可选的,在识别所述第一目标图像所属的第一目标的步骤之后,所述方法还包括:
判断所述匹配数据库中的第一目标的目标图像与所述第一目标图像的相似度是否大于预设门限,得到判断结果;
根据所述判断结果,删除所述匹配数据中与所述第一目标图像的相似度大于所述预设门限的目标图像,并将所述第一目标图像添加至所述匹配数据库。
本发明实施例还提供了一种目标跟踪装置,包括:
图像检测单元,用于从视频数据的第一图像中,检测得到至少一个待跟踪的第一目标图像;
阈值更新单元,用于根据第一图像之前已跟踪到的目标的自相似度,更新所述目标对应的相似度阈值,以及,根据第一图像之前已跟踪到的所述目标的运动信息,更新所述目标对应的距离阈值;
目标识别单元,用于根据每个目标对应的相似度阈值和距离阈值,将所述第一目标图像与匹配数据库中的目标图像进行匹配,识别所述第一目标图像所属的第一目标;其中,所述匹配数据库中保存有已跟踪到的各个目标的目标图像。
可选的,所述目标对应的相似度阈值,与所述自相似度正相关;
所述目标对应的距离阈值,与所述目标的运动信息正相关。
可选的,所述阈值更新单元,还用于计算所述第一图像之前已跟踪到的目标的自相似度Sa与预设的自相似度参考值S0的第一比值,并计算所述第一比值与预设的相似度参考阈值的乘积,得到更新后的所述目标对应的相似度阈值;
以及,计算第一图像之前已跟踪到的所述目标的位移距离Da与预设的距离参考值D0的第二比值,并计算所述第二比值与预设的距离参考阈值的乘积,得到更新后的所述目标对应的距离阈值。
可选的,上述装置还包括:
数据库更新单元,用于在识别所述第一目标图像所属的第一目标之后,判断所述匹配数据库中的第一目标的目标图像与所述第一目标图像的相似度是否大于预设门限,得到判断结果;根据所述判断结果,删除所述匹配数据中与所述第一目标图像的相似度大于所述预设门限的目标图像,并将所述第一目标图像添加至所述匹配数据库。
本发明实施例还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上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的目标跟踪方法的步骤。
与现有技术相比,本发明实施例提供的目标跟踪方法及装置,根据目标的自相似度和运动信息,自适应的更新相似度阈值和距离阈值,可以实现较好的目标跟踪,提高了目标跟踪的成功率,进而可以提高后续行为分析的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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附图。
图1为本发明实施例提供的目标跟踪方法的一种流程示意图;
图2为本发明实施例提供的目标跟踪处理的示示例图;
图3为本发明实施例提供的对行人A进行识别处理的示例图;
图4为本发明实施例提供的更新匹配数据库的示例图;
图5为本发明实施例提供的目标跟踪装置的一种结构示意图;
图6为本发明实施例提供的目标跟踪装置的另一结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
如背景技术所述的,现有技术的目标跟踪方法应用于某些行为检测的场景中时,可能容易发生跟踪失败以及动作检测精度不高等问题,为解决以上问题中的至少一种,本发明实施例提供了一种目标跟踪方法,如图1所示,该方法包括:
步骤11,从视频数据的第一图像中,检测得到至少一个待跟踪的第一目标图像。
这里,视频数据可以是针对特定区域所采集到的图像数据,通常包括时间上连续的多帧图像数据。例如,可以在养老机构的各种空间内安装摄像头,采集该空间内的图像数据,用于后续的行为分析等处理。
在对视频数据进行处理时,本发明实施例可以对该视频数据的某帧图像(为了便于描述,这里称之为第一图像)进行目标检测,从而获得至少一个待跟踪的目标图像(为了便于描述,这里称之为第一目标图像)。具体的,目标检测可以采用已有的各种检测算法,如行人检测算法,识别出第一图像中的特定目标(即第一目标图像)。通常,一帧图像中可能存在一个或多个第一目标图像,当然,也可能未检测到任何第一目标图像。
步骤12,根据第一图像之前已跟踪到的目标的自相似度,更新所述目标对应的相似度阈值,以及,根据第一图像之前已跟踪到的所述目标的运动信息,更新所述目标对应的距离阈值。
这里,本发明实施例可以利用各种已有的目标跟踪算法,对视频数据中检测到的目标进行跟踪。通常,目标跟踪算法在跟踪到某个目标时,会更新并输出该目标的自相似度,该自相似度是最近两次跟踪到的该目标的目标图像之间的相似度,例如,在第x帧图像中检测到一个行人图像(假设为目标图像u),并识别出该目标图像u是行人A;在当前的第x+1帧图像中检测到行人图像(假设为目标图像v),并识别出该目标图像v是行人A,那么,此时该行人A的自相似度为该行人A在第x帧图像和第x+1帧图像中的目标图像之间的相似度,即目标图像v和目标图像u之间的相似度。如果在第x+1帧图像之前,最近一次跟踪到该行人A是在第x-2帧图像的目标图像p,那么这里的自相似度可以取目标图像v和目标图像p之间的相似度。
类似的,目标跟踪算法在跟踪到某个目标时,会更新并输出该目标的运动信息,这里,运动信息可以采用最近两次跟踪到的该目标的目标图像之间的位移距离来表征。例如,在第x帧图像中检测到一个行人图像(假设为目标图像u),并识别出该目标图像u是行人A;在当前的第x+1帧图像中检测到行人图像(假设为目标图像v),并识别出该目标图像v是行人A,那么,此时该行人A的运动信息为该行人A在第x帧图像和第x+1帧图像中的目标图像之间的位移距离,即目标图像v和目标图像u之间的位移距离。如果在第x+1帧图像之前,最近一次跟踪到该行人A是在第x-2帧图像的目标图像p,那么这里的自相似度可以取目标图像v和目标图像p之间的位移距离。
在本步骤12中,本发明实施例改变了现有技术中采用固定的相似度阈值和距离阈值的做法,而是基于之前已跟踪到每个目标的自相似度和运动信息,来分别更新该目标对应的相似度阈值和距离阈值,实现了上述阈值的自适应更新。具体的,每个目标对应的相似度阈值,与该目标的自相似度正相关,即自相似度越大,则相似度阈值越大,反之,自相似度越小,则相似度阈值越小。类似的,每个目标对应的距离阈值,与该目标的运动信息(位移距离)正相关,即位移距离越大,则距离阈值越大,反之,位移距离越小,则距离阈值越小。
本发明实施例还提供了满足上述正相关关系的阈值计算方式,具体为:
计算所述第一图像之前已跟踪到的目标的自相似度Sa与预设的自相似度参考值S0的第一比值,并计算所述第一比值与预设的相似度参考阈值sth0的乘积,得到更新后的所述目标对应的相似度阈值sth,即:
上述相似度参考阈值sth0是预先设置的一个固定值,例如,可以采用现有技术目标跟踪算法中固定的自相似度阈值,也可以根据实际应用场景对该值进行预先设置。上述自相似度参考值S0可以是根据具体的目标跟踪场景预先设置的一个固定值,针对不同的应用场景(如行人检测、车辆检测等)可以有不同的取值。
计算第一图像之前已跟踪到的所述目标的位移距离Da与预设的距离参考值D0的第二比值,并计算所述第二比值与预设的距离参考阈值Dth0的乘积,得到更新后的所述目标对应的距离阈值Dth。
上述距离参考阈值Dth0是预先设置的一个固定值,例如,可以采用现有技术目标跟踪算法中固定的距离阈值,也可以根据实际应用场景对该值进行预先设置。上述距离参考值D0可以是根据具体的目标跟踪场景预先设置的一个固定值,针对不同的应用场景(如行人检测、车辆检测等)可以有不同的取值,例如,根据目标的运动速度来设置合适的取值。
需要说明的是,以上计算公式只是本发明实施例可以采用的公式的一种示例。在满足上述正相关关系的前提下,还可以对以上公式进行变形,也可以采用其他不同形式的公式,这些公式都可以应用于本发明实施例,本发明实施例对此不做具体限定。
步骤13,根据每个目标对应的相似度阈值和距离阈值,将所述第一目标图像与匹配数据库中的目标图像进行匹配,识别所述第一目标图像所属的第一目标;其中,所述匹配数据库中保存有已跟踪到的各个目标的目标图像。
这里,在获得步骤12中更新后的阈值之后,本发明实施例在步骤13中利用更新后的阈值进行目标跟踪匹配处理,识别所述第一目标图像所属的目标(为了便于描述,这里称之为第一目标)。具体的目标跟踪匹配可以包括:
计算所述第一目标图像与匹配数据库中的每个目标图像的相似度,以及,计算第一目标图像与所述匹配数据库中的每个目标图像间的距离;然后,查找与所述第一目标图像之间的距离小于所述距离阈值,且所述相似度大于所述相似度阈值的第二目标图像,并将所述第二目标图像所属的目标,确定为所述第一目标图像所属的第一目标。
另外,在所述匹配数据库中存在多个目标图像,与所述第一目标图像之间的距离小于所述距离阈值,且所述相似度大于所述相似度阈值时,可以将最大相似度所对应的目标图像,作为所述第二目标图像。
通过以上步骤,本发明实施例实现了相似度阈值和距离阈值的自适应变化,在目标发生较为剧烈的行为动作时,也可以很好的对目标进行跟踪,提高了目标跟踪的成功率,进而可以提高后续行为分析的准确性。
本发明实施例中,所述匹配数据库中保存有已跟踪到的目标的目标图像。在对所述视频数据的第一帧图像进行目标跟踪时,所述匹配数据库处于初始状态,此时尚未有任何目标图像,因此,可以将第一帧图像中检测到的目标图像作为初始目标,并加入到所述匹配数据库中。在对所述视频数据的后续帧图像进行处理时,可以按照上文的步骤与所述匹配数据库中保存的目标图像进行匹配处理。在对后续帧图像进行跟踪处理,若从后续帧图像中识别出某个目标的新目标图像,则可以将识别出的该目标的新目标图像加入到所述匹配数据库中。
为了降低对匹配数据库的空间大小的要求,以及,减少匹配处理的工作量,提高目标跟踪效率,本发明实施例在将某个目标的新目标图像加入到匹配数据库时,还可以将该目标的某个或某些旧目标图像从所述匹配数据库中删除,从而可以在所述匹配数据库中保留同一目标的差异性较大的多个目标图像,同时还保留了该目标的最新的目标图像,另外还可以减少同一目标的目标图像的总数量,降低匹配数据库的规模,减少匹配处理的工作量。
具体的,在上述步骤13之后,本发明实施例还可以判断所述匹配数据库中的第一目标的目标图像与所述第一目标图像的相似度是否大于某个预设门限,然后,根据所述判断结果,删除所述匹配数据中与所述第一目标图像的相似度大于所述预设门限的目标图像,并将所述第一目标图像添加至所述匹配数据库。这里,在删除所述匹配数据中与所述第一目标图像的相似度大于所述预设门限的目标图像时,可以至多删除所述匹配数据中与所述第一目标图像的相似度大于所述预设门限的一个目标图像,具体的,可以删除与当前的第一图像时间最远的目标图像,从而实现删除同一目标的旧目标图像,并增加新目标图像,以使得匹配数据库能更好的接近于目标的当前状态。另外,所述预设门限大于所述相似度门限。
图2~4给出了本发明实施例上述方法的一个具体示例。
其中,图2示提供了对图像4进行目标跟踪处理的示例,假设当前的匹配数据库中保存了两个目标,即行人A和行人B的目标图像,具体是从图像1~3中跟踪到的行人A的目标图像a1~a3,以及从图像1和图像3中跟踪到的行人B的目标图像b1和b3。假设从图像4中将检测到一个待跟踪的目标图像x,需要识别x是否为行人A或B。
图3中提供了对行人A进行识别处理的示例,首先更新行人A和行人B的相似度阈值和距离阈值,具体更新方式可以参考前文的说明。然后计算x与匹配数据库中的每个目标图像,即a1~a3、b1和b3之间的相似度和距离,并查找与x之间的距离小于距离阈值,且相似度大于相似度阈值的目标图像,假设这里查找到a3满足上述条件,此时可以识别x为行人A的目标图像,即识别x为a4。
图4提供了更新匹配数据库的示例,假设a4与a1之间的相似度大于预设门限,设a4与a2之间的相似度也大于预设门限,那么可以从匹配数据库中删除行人A的距离a4时间最远的目标图像,即删除a1,另外,还需要将a4添加到匹配数据库中。当然,这里也可以删除更多的相似度大于所述预设门限的目标图像,例如,将a1和a2都从所述匹配数据库中删除。
通过以上示例可以看出,本发明实施例根据目标的自相似度和运动信息,自适应的更新相似度阈值和距离阈值,在目标发生较为剧烈的行为动作的情况下仍然可以实现较好的目标跟踪,提高了目标跟踪的成功率,进而可以提高后续行为分析的准确性。
基于以上的目标跟踪方法,本发明实施例还提供了实施上述方法的装置。
请参照图5,本发明实施例提供的一种目标跟踪装置50,包括:
图像检测单元51,用于从视频数据的第一图像中,检测得到至少一个待跟踪的第一目标图像;
阈值更新单元52,用于根据第一图像之前已跟踪到的目标的自相似度,更新所述目标对应的相似度阈值,以及,根据第一图像之前已跟踪到的所述目标的运动信息,更新所述目标对应的距离阈值;
目标识别单元53,用于根据每个目标对应的相似度阈值和距离阈值,将所述第一目标图像与匹配数据库中的目标图像进行匹配,识别所述第一目标图像所属的第一目标;其中,所述匹配数据库中保存有已跟踪到的各个目标的目标图像。
根据本发明的至少一个实施例,所述目标对应的相似度阈值,与所述自相似度正相关;所述目标对应的距离阈值,与所述目标的运动信息正相关。
根据本发明的至少一个实施例,所述阈值更新单元52,还用于计算所述第一图像之前已跟踪到的目标的自相似度Sa与预设的自相似度参考值S0的第一比值,并计算所述第一比值与预设的相似度参考阈值的乘积,得到更新后的所述目标对应的相似度阈值;以及,计算第一图像之前已跟踪到的所述目标的位移距离Da与预设的距离参考值D0的第二比值,并计算所述第二比值与预设的距离参考阈值的乘积,得到更新后的所述目标对应的距离阈值。
根据本发明的至少一个实施例,所述目标识别单元53,还用于计算所述第一目标图像与匹配数据库中的每个目标图像的相似度,以及,计算第一目标图像与所述匹配数据库中的每个目标图像间的距离;查找与所述第一目标图像之间的距离小于所述距离阈值,且所述相似度大于所述相似度阈值的第二目标图像,并将所述第二目标图像所属的目标,确定为所述第一目标图像所属的第一目标。
根据本发明的至少一个实施例,所述目标识别单元53,还用于在所述匹配数据库中存在多个目标图像,与所述第一目标图像之间的距离小于所述距离阈值,且所述相似度大于所述相似度阈值时,将最大相似度所对应的目标图像,作为所述第二目标图像。
根据本发明的至少一个实施例,上述目标跟踪装置还可以包括以下单元(图中未示出):
数据库更新单元,用于在识别所述第一目标图像所属的第一目标之后,判断所述匹配数据库中的第一目标的目标图像与所述第一目标图像的相似度是否大于预设门限,得到判断结果;根据所述判断结果,删除所述匹配数据中与所述第一目标图像的相似度大于所述预设门限的目标图像,并将所述第一目标图像添加至所述匹配数据库。
通过以上处理装置,本发明实施例可以对目标跟踪的相似度阈值和距离阈值进行自适应的更新,可以提高目标跟踪的准确性以及提高后续行为分析的精度。
如图5所示,本发明实施例还提供了另一种目标跟踪装置60,该目标跟踪装置60具体包括处理器61、存储器62、总线***63、接收器64和发送器65。其中,处理器61、存储器62、接收器64和发送器65通过总线***63相连,该存储器62用于存储指令,该处理器61用于执行该存储器62存储的指令,以控制接收器64接收信号,并控制发送器65发送信号;
其中,该处理器61,用于读取存储器中的程序,执行下列过程:
从视频数据的第一图像中,检测得到至少一个待跟踪的第一目标图像;
根据第一图像之前已跟踪到的目标的自相似度,更新所述目标对应的相似度阈值,以及,根据第一图像之前已跟踪到的所述目标的运动信息,更新所述目标对应的距离阈值;
根据每个目标对应的相似度阈值和距离阈值,将所述第一目标图像与匹配数据库中的目标图像进行匹配,识别所述第一目标图像所属的第一目标;其中,所述匹配数据库中保存有已跟踪到的各个目标的目标图像。
应理解,在本发明实施例中,该处理器61可以是中央处理单元(CentralProcessing Unit,简称为“CPU”),该处理器61还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器62可以包括只读存储器和随机存取存储器,并向处理器61提供指令和数据。存储器62的一部分还可以包括非易失性随机存取存储器。例如,存储器62还可以存储设备类型的信息。
该总线***63除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都标为总线***63。
在实现过程中,上述方法的各步骤可以通过处理器61中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器62,处理器61读取存储器62中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
可选的,所述目标对应的相似度阈值,与所述自相似度正相关;所述目标对应的距离阈值,与所述目标的运动信息正相关。
根据本发明的至少一个实施例,所述程序被处理器61执行时还可实现如下步骤:计算所述第一图像之前已跟踪到的目标的自相似度Sa与预设的自相似度参考值S0的第一比值,并计算所述第一比值与预设的相似度参考阈值的乘积,得到更新后的所述目标对应的相似度阈值。
根据本发明的至少一个实施例,所述程序被处理器61执行时还可实现如下步骤:计算第一图像之前已跟踪到的所述目标的位移距离Da与预设的距离参考值D0的第二比值,并计算所述第二比值与预设的距离参考阈值的乘积,得到更新后的所述目标对应的距离阈值。
根据本发明的至少一个实施例,所述程序被处理器61执行时还可实现如下步骤:计算所述第一目标图像与匹配数据库中的每个目标图像的相似度,以及,计算第一目标图像与所述匹配数据库中的每个目标图像间的距离;查找与所述第一目标图像之间的距离小于所述距离阈值,且所述相似度大于所述相似度阈值的第二目标图像,并将所述第二目标图像所属的目标,确定为所述第一目标图像所属的第一目标。
根据本发明的至少一个实施例,所述程序被处理器61执行时还可实现如下步骤:在所述匹配数据库中存在多个目标图像,与所述第一目标图像之间的距离小于所述距离阈值,且所述相似度大于所述相似度阈值时,将最大相似度所对应的目标图像,作为所述第二目标图像。
根据本发明的至少一个实施例,所述程序被处理器61执行时还可实现如下步骤:
判断所述匹配数据库中的第一目标的目标图像与所述第一目标图像的相似度是否大于预设门限,得到判断结果;
根据所述判断结果,删除所述匹配数据中与所述第一目标图像的相似度大于所述预设门限的目标图像,并将所述第一目标图像添加至所述匹配数据库。
在本发明的一些实施例中,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时可以实现以下步骤:
从视频数据的第一图像中,检测得到至少一个待跟踪的第一目标图像;
根据第一图像之前已跟踪到的目标的自相似度,更新所述目标对应的相似度阈值,以及,根据第一图像之前已跟踪到的所述目标的运动信息,更新所述目标对应的距离阈值;
根据每个目标对应的相似度阈值和距离阈值,将所述第一目标图像与匹配数据库中的目标图像进行匹配,识别所述第一目标图像所属的第一目标;其中,所述匹配数据库中保存有已跟踪到的各个目标的目标图像。
该程序被处理器执行时能实现图1所示的目标跟踪方法中的所有实现方式,且能达到相同的技术效果,为避免重复,此处不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种目标跟踪方法,其特征在于,包括:
从视频数据的第一图像中,检测得到至少一个待跟踪的第一目标图像;
根据第一图像之前已跟踪到的目标的自相似度,更新所述目标对应的相似度阈值,以及,根据第一图像之前已跟踪到的所述目标的运动信息,更新所述目标对应的距离阈值;
根据每个目标对应的相似度阈值和距离阈值,将所述第一目标图像与匹配数据库中的目标图像进行匹配,识别所述第一目标图像所属的第一目标;其中,所述匹配数据库中保存有已跟踪到的各个目标的目标图像。
2.如权利要求1或2所述的方法,其特征在于,
所述目标对应的相似度阈值,与所述自相似度正相关;
所述目标对应的距离阈值,与所述目标的运动信息正相关。
3.如权利要求1所述的方法,其特征在于,根据第一图像之前已跟踪到的目标的自相似度,更新所述目标对应的相似度阈值的步骤,包括:
计算所述第一图像之前已跟踪到的目标的自相似度Sa与预设的自相似度参考值S0的第一比值,并计算所述第一比值与预设的相似度参考阈值的乘积,得到更新后的所述目标对应的相似度阈值。
4.如权利要求1所述的方法,其特征在于,根据第一图像之前已跟踪到的所述目标的运动信息,更新所述目标对应的距离阈值的步骤,包括:
计算第一图像之前已跟踪到的所述目标的位移距离Da与预设的距离参考值D0的第二比值,并计算所述第二比值与预设的距离参考阈值的乘积,得到更新后的所述目标对应的距离阈值。
5.如权利要求1所述的方法,其特征在于,将所述第一目标图像与匹配数据库中的目标图像进行匹配,识别所述第一目标图像所属的第一目标的步骤,包括:
计算所述第一目标图像与匹配数据库中的每个目标图像的相似度,以及,计算第一目标图像与所述匹配数据库中的每个目标图像间的距离;
查找与所述第一目标图像之间的距离小于所述距离阈值,且所述相似度大于所述相似度阈值的第二目标图像,并将所述第二目标图像所属的目标,确定为所述第一目标图像所属的第一目标。
6.如权利要求5所述的方法,其特征在于,
在所述匹配数据库中存在多个目标图像,与所述第一目标图像之间的距离小于所述距离阈值,且所述相似度大于所述相似度阈值时,将最大相似度所对应的目标图像,作为所述第二目标图像。
7.如权利要求5所述的方法,其特征在于,在识别所述第一目标图像所属的第一目标的步骤之后,所述方法还包括:
判断所述匹配数据库中的第一目标的目标图像与所述第一目标图像的相似度是否大于预设门限,得到判断结果;
根据所述判断结果,删除所述匹配数据中与所述第一目标图像的相似度大于所述预设门限的目标图像,并将所述第一目标图像添加至所述匹配数据库。
8.一种目标跟踪装置,其特征在于,包括:
图像检测单元,用于从视频数据的第一图像中,检测得到至少一个待跟踪的第一目标图像;
阈值更新单元,用于根据第一图像之前已跟踪到的目标的自相似度,更新所述目标对应的相似度阈值,以及,根据第一图像之前已跟踪到的所述目标的运动信息,更新所述目标对应的距离阈值;
目标识别单元,用于根据每个目标对应的相似度阈值和距离阈值,将所述第一目标图像与匹配数据库中的目标图像进行匹配,识别所述第一目标图像所属的第一目标;其中,所述匹配数据库中保存有已跟踪到的各个目标的目标图像。
9.如权利要求8所述的装置,其特征在于,所述目标对应的相似度阈值,与所述自相似度正相关;
所述目标对应的距离阈值,与所述目标的运动信息正相关。
10.如权利要求8或9所述的装置,其特征在于,
所述阈值更新单元,还用于计算所述第一图像之前已跟踪到的目标的自相似度Sa与预设的自相似度参考值S0的第一比值,并计算所述第一比值与预设的相似度参考阈值的乘积,得到更新后的所述目标对应的相似度阈值;
以及,计算第一图像之前已跟踪到的所述目标的位移距离Da与预设的距离参考值D0的第二比值,并计算所述第二比值与预设的距离参考阈值的乘积,得到更新后的所述目标对应的距离阈值。
11.如权利要求8或9所述的装置,其特征在于,还包括:
数据库更新单元,用于在识别所述第一目标图像所属的第一目标之后,判断所述匹配数据库中的第一目标的目标图像与所述第一目标图像的相似度是否大于预设门限,得到判断结果;根据所述判断结果,删除所述匹配数据中与所述第一目标图像的相似度大于所述预设门限的目标图像,并将所述第一目标图像添加至所述匹配数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148440.0A CN112927258A (zh) | 2019-11-21 | 2019-11-21 | 一种目标跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148440.0A CN112927258A (zh) | 2019-11-21 | 2019-11-21 | 一种目标跟踪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112927258A true CN112927258A (zh) | 2021-06-08 |
Family
ID=76160707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911148440.0A Pending CN112927258A (zh) | 2019-11-21 | 2019-11-21 | 一种目标跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927258A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023041970A1 (en) * | 2021-09-16 | 2023-03-23 | Sensetime International Pte. Ltd. | Data collection method and apparatus, device and storage medium |
WO2024022450A1 (zh) * | 2022-07-27 | 2024-02-01 | 杭州海康威视数字技术股份有限公司 | 目标检测的场景适应性提高方法、装置、目标检测*** |
-
2019
- 2019-11-21 CN CN201911148440.0A patent/CN112927258A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023041970A1 (en) * | 2021-09-16 | 2023-03-23 | Sensetime International Pte. Ltd. | Data collection method and apparatus, device and storage medium |
WO2024022450A1 (zh) * | 2022-07-27 | 2024-02-01 | 杭州海康威视数字技术股份有限公司 | 目标检测的场景适应性提高方法、装置、目标检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108470332B (zh) | 一种多目标跟踪方法及装置 | |
Wang et al. | Tracklet association by online target-specific metric learning and coherent dynamics estimation | |
WO2018099032A1 (zh) | 一种目标跟踪方法及装置 | |
US20170300744A1 (en) | Method and apparatus for determining identity identifier of face in face image, and terminal | |
US20170213080A1 (en) | Methods and systems for automatically and accurately detecting human bodies in videos and/or images | |
CN108038176B (zh) | 一种路人库的建立方法、装置、电子设备及介质 | |
CN112669349A (zh) | 一种客流统计方法、电子设备及存储介质 | |
CN110782483A (zh) | 基于分布式相机网络的多视图多目标跟踪方法及*** | |
US20200134875A1 (en) | Person counting method and person counting system | |
CN111104925B (zh) | 图像处理方法、装置、存储介质和电子设备 | |
WO2022205936A1 (zh) | 多目标跟踪方法、装置、电子设备及可读存储介质 | |
CN111241928B (zh) | 人脸识别底库优化方法、***、设备、可读存储介质 | |
CN110647818A (zh) | 一种遮挡目标物体的识别方法及装置 | |
CN115272426A (zh) | 一种跨相机轨迹关联方法、装置及电子设备 | |
CN112927258A (zh) | 一种目标跟踪方法及装置 | |
CN112183304A (zh) | 离位检测方法、***及计算机存储介质 | |
CN116645396A (zh) | 轨迹确定方法、装置、计算机可读存储介质及电子设备 | |
CN113256683B (zh) | 目标跟踪方法及相关设备 | |
KR20190047748A (ko) | 영상의 객체 처리 방법 및 장치 | |
CN110795599A (zh) | 基于多尺度图的视频突发事件监测方法及*** | |
CN114387296A (zh) | 目标轨迹追踪方法、装置、计算机设备及存储介质 | |
CN114022531A (zh) | 图像处理方法、电子设备和存储介质 | |
JP7243372B2 (ja) | 物体追跡装置および物体追跡方法 | |
CN112884804A (zh) | 行动对象追踪方法及相关设备 | |
CN115953434B (zh) | 轨迹匹配方法、装置、电子设备和存储介质 |
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 |