CN113139416A - 目标关联方法、计算机设备和存储介质 - Google Patents
目标关联方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113139416A CN113139416A CN202011287230.2A CN202011287230A CN113139416A CN 113139416 A CN113139416 A CN 113139416A CN 202011287230 A CN202011287230 A CN 202011287230A CN 113139416 A CN113139416 A CN 113139416A
- Authority
- CN
- China
- Prior art keywords
- target
- frame image
- information
- ith
- frame
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 claims abstract description 97
- 238000001914 filtration Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction 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
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于计算机技术领域,提供了一种目标关联方法、计算机设备和存储介质。该方法包括:对视频数据中的第i帧图像进行目标检测,得到所述第i帧图像的目标检测信息;其中,所述视频数据包括N个帧图像,所述N≥2,2≤i≤N;获取所述视频数据中第i‑1帧图像的目标检测信息,并根据所述第i‑1帧图像的目标检测信息,获得所述第i‑1帧图像中各目标在第i帧图像的预测信息;若所述第i帧图像的目标检测信息和所述第i‑1帧图像的预测信息匹配成功,确定所述第i帧图像的目标关联结果。该方法结合第i‑1帧图像的预测信息对第i帧图像进行目标关联,可有效解决多目标数据的关联问题。
Description
技术领域
本申请属于计算机技术领域,尤其涉及一种目标关联方法、计算机设备和存储介质。
背景技术
在现代化战争的作战方式中,以信息融合为代表的新技术的发展及其在军事领域上的应用正占据着重要的位置。在复杂的现代作战环境下,单一的传感器无法提供全面、可靠且实时的战场态势信息,而通过信息融合技术将多个传感器的信息进行融合处理,便可以得到全面的战场态势。目标数据关联作为信息融合技术的关键过程,对信息融合效果的优劣起着关键性的作用。
随着计算机技术的发展,人们对目标数据关联的问题进行了大量的研究。例如对一段视频数据,若将视频数据每一帧图像中存在的目标进行关联,则对后续的目标跟踪、目标分析等工作具有一定的指导作用。因此,如何实现多目标数据的关联成为本领域研究人员持续关注的问题。
发明内容
本申请实施例提供了一种目标关联方法、计算机设备和存储介质,可以有效解决多目标数据的关联问题。
第一方面,本申请实施例提供了一种目标关联方法,包括:
对视频数据中的第i帧图像进行目标检测,得到所述第i帧图像的目标检测信息;其中,所述视频数据包括N个帧图像,所述N≥2,2≤i≤N;
获取所述视频数据中第i-1帧图像的目标检测信息,并根据所述第i-1帧图像的目标检测信息,获得所述第i-1帧图像中各目标在第i帧图像的预测信息;
若所述第i帧图像的目标检测信息和所述第i-1帧图像的预测信息匹配成功,确定所述第i帧图像的目标关联结果。
上述目标关联方法,通过对第i帧图像进行目标检测得到目标检测信息,以及对第i-1帧图像的目标检测信息进行预测得到各目标在第i帧图像的预测信息,进而可以对第i帧图像的目标检测信息和第i-1帧图像的预测信息进行信息比对,得到第i帧图像的目标关联结果。由此结合第i-1帧图像的预测信息对第i帧图像进行目标关联,可有效解决多目标数据的关联问题。
在第一方面的一种可能的实现方式中,第i帧图像的目标检测信息包括所述第i帧图像中各目标的位置信息和尺寸信息,所述第i-1帧图像的预测信息包括所述第i-1帧图像中各目标在第i帧图像中的预测位置信息和预测尺寸信息。
在第一方面的一种可能的实现方式中,对所述若所述第i帧图像的目标检测信息和所述第i-1帧图像的预测信息匹配成功,确定所述第i帧图像的目标关联结果,包括:
根据所述位置信息和尺寸信息,确定所述第i帧图像中目标的边界框信息;
根据所述预测位置信息和预测尺寸信息,确定所述第i-1帧图像中目标在第i帧图像中的边界框预测信息;
若所述第i帧图像中目标的边界框信息和所述第i-1帧图像中目标在第i帧图像中的边界框预测信息匹配成功,确定所述第i帧图像的目标关联结果。
在第一方面的一种可能的实现方式中,若所述第i帧图像中目标的边界框信息和所述第i-1帧图像中目标在第i帧图像中的边界框预测信息匹配成功,确定所述第i帧图像的目标关联结果,包括:
根据所述第i帧图像中目标的边界框信息和所述第i-1帧图像中目标在第i帧图像中的边界框预测信息,依次计算所述第i帧图像中目标的边界框和所述第i-1帧图像中目标的预测边界框的交并比,得到交并比矩阵;
采用优化算法对所述交并比矩阵进行优化分配,将优化分配结果对应的目标确定为匹配成功的目标,得到所述第i帧图像的目标关联结果。
在第一方面的一种可能的实现方式中,根据所述第i-1帧图像的目标检测信息,获得所述第i-1帧图像中各目标在第i帧图像的预测信息,包括:
将所述第i-1帧图像的目标检测信息输入卡尔曼滤波模型进行预测,得到所述第i-1帧图像中各目标在第i帧图像的预测信息。
在第一方面的一种可能的实现方式中,若所述第i-1帧图像的目标关联结果中关联成功的目标个数为零,在所述将所述第i-1帧图像的目标检测信息输入卡尔曼滤波模型进行预测之前,所述方法还包括:
将所述第i帧图像的目标检测信息输入所述卡尔曼滤波模型进行参数初始化,更新所述卡尔曼滤波模型。
在第一方面的一种可能的实现方式中,在确定所述第i帧图像的目标关联结果之后,所述方法还包括:
根据所述第i帧图像的目标关联结果,对所述卡尔曼滤波模型进行参数更新,得到更新后的卡尔曼滤波模型。
在第一方面的一种可能的实现方式中,根据所述第i帧图像的目标关联结果,对所述卡尔曼滤波模型进行参数更新,包括:
针对所述第i帧图像中关联成功的目标,将所述关联成功的目标的目标检测信息输入所述卡尔曼滤波模型进行参数更新;
针对所述第i帧图像中未关联成功的目标,将所述未关联成功的目标的目标检测信息输入所述卡尔曼滤波模型进行参数初始化。
在第一方面的一种可能的实现方式中,在确定所述第i帧图像的目标关联结果之后,所述方法还包括:
根据所述第i帧图像的目标关联结果,统计视频目标集合中各目标关联成功的次数和未关联成功的次数;
针对各所述目标,若所述目标关联成功的次数大于第一阈值且未关联成功的次数小于第二阈值,对所述目标分配目标编号;
若所述目标未关联成功的次数不小于所述第二阈值,将所述目标从所述视频目标集合中删除。
第二方面,本申请实施例提供了一种目标关联装置,包括:
检测单元,用于对视频数据中的第i帧图像进行目标检测,得到所述第i帧图像的目标检测信息;其中,所述视频数据包括N个帧图像,所述N≥2,2≤i≤N;
预测单元,用于获取所述视频数据中第i-1帧图像的目标检测信息,并根据所述第i-1帧图像的目标检测信息,获得所述第i-1帧图像中各目标在所述第i帧图像的预测信息;
关联单元,用于在所述第i帧图像的目标检测信息和所述第i-1帧图像的预测信息匹配成功的情况下,确定所述第i帧图像的目标关联结果。
第三方面,本申请实施例提供了一种计算机设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的目标关联方法。
第四方面,本申请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中任一项所述的目标关联方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行上述第一方面中任一项所述的目标关联方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的计算机设备的结构示意图;
图2是本申请一实施例提供的目标关联方法的流程示意图;
图3是本申请另一实施例提供的目标关联方法的流程示意图;
图4是本申请一实施例提供的交并比矩阵的形式示意图;
图5是本申请又一实施例提供的目标关联方法的流程示意图;
图6是本申请实施例提供的目标关联装置的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例提供的目标关联方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)等计算机设备上,本申请实施例对计算机设备的具体类型不作任何限制。
图1为本申请一实施例提供的计算机设备的结构示意图。如图1所示,该实施例的计算机设备1包括:至少一个处理器10(图1中仅示出一个)处理器、存储器11以及存储在所述存储器11中并可在所述至少一个处理器10上运行的计算机程序12,所述处理器10执行所述计算机程序12时实现上述任意各个视频关键帧提取方法实施例中的步骤。
所述计算机设备1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该计算机设备1可包括,但不仅限于,处理器10、存储器11。本领域技术人员可以理解,图1仅仅是计算机设备1的举例,并不构成对计算机设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器10可以是中央处理单元(Central Processing Unit,CPU),该处理器10还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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。
所述存储器11在一些实施例中可以是所述计算机设备1的内部存储单元,例如计算机设备1的硬盘或内存。所述存储器11在另一些实施例中也可以是所述计算机设备1的外部存储设备,例如所述计算机设备1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括所述计算机设备1的内部存储单元也包括外部存储设备。所述存储器11用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
当前,在对一些视频数据进行处理时,为实现目标跟踪或目标分析等工作,通常需要将视频数据每一帧图像中存在的目标进行关联。本申请实施例通过对某一帧图像进行目标检测得到目标检测信息,以及对该图像的上一帧图像的目标检测信息进行预测得到预测信息,进而可以对该图像的目标检测信息和上一帧图像的预测信息进行信息匹配,得到该图像的目标关联结果。
图2示出了本申请提供的目标关联方法的示意性流程图,作为示例而非限定,该方法可以应用于上述计算机设备1中。
S101,对视频数据中的第i帧图像进行目标检测,得到所述第i帧图像的目标检测信息;其中,所述视频数据包括N个帧图像,所述N≥2,2≤i≤N。
其中,视频数据可以为计算机设备从监控服务器上获取的监控数据,例如监控服务器中存储的道路、车站等区域的监控视频、或者用于网信安全及应急救援的监控视频等。本实施例中的目标关联方法用于将该视频数据前后帧图像中的各目标进行关联,比如经判断在前一帧图像中存在目标A,在后一帧图像中也存在目标A,则可以将目标A在前后帧图像中的信息关联,为后续的目标分析等工作提供数据基础。
具体地,对于视频数据中的第i帧图像,计算机设备可以对该帧图像进行目标检测,以检测到第i帧图像中各个目标的目标检测信息。可选地,本实施例中进行目标检测的方法包括但不限于帧间差分法、背景建模法、基于YOLO(you look only once)或者Faster-RCNN等深度学习的方法。作为示例而非限定性的,检测得到的目标检测信息包括但不限于目标的位置信息和尺寸信息,如目标左上角的坐标、中心点坐标及目标宽高等数据。
S102,获取所述视频数据中第i-1帧图像的目标检测信息,并根据所述第i-1帧图像的目标检测信息,获得所述第i-1帧图像中各目标在第i帧图像的预测信息。
其中,在计算机设备对第i帧图像进行检测处理时,视频数据中第i帧图像之前的帧图像所对应的目标检测信息和目标关联结果都是已知的。因此,计算机设备可以获取到视频数据中第i-1帧图像的目标检测信息,包括但不限于第i-1帧图像中各目标的位置信息和大小信息;然后对第i-1帧图像的目标检测信息进行预测,预测第i-1帧图像各目标在第i帧图像中的位置和大小,如从一个位置所拍摄的视频,目标离拍摄位置越远,其在帧图像中所占的比例越小,得到的预测结果记为第i-1帧图像的预测信息。
可选地,计算机设备对目标检测信息进行预测的方法包括但不限于:基于目标在第i-1帧图像中的位置信息和大小信息、以及目标的移动速度和方向,推算得到各目标在第i帧图像的预测信息;或者采用基于深度学习的方法训练得到一个预测模型,由该预测模型对第i-1帧图像的目标检测信息进行预测,得到预测信息。
S103,若所述第i帧图像的目标检测信息和所述第i-1帧图像的预测信息匹配成功,确定所述第i帧图像的目标关联结果。
具体地,计算机设备可以对第i帧图像的目标检测信息和第i-1帧图像的预测信息进行比对,示例性的,可以针对第i帧图像中的每个目标检测信息,将其与各预测信息分别进行比对,若第i帧图像中存在一个目标的检测信息和第i-1帧图像中目标B的预测信息相同或相近,则可以将第i帧图像中对应的目标也确定为目标B,即完成了目标B的关联。由此,对于第i帧图像中的每个目标,都可以确定是否与第i-1帧图像的目标关联匹配,即可以确定第i帧图像的目标关联结果。
进一步地,为提高得到的目标关联结果的准确性,在对目标检测信息和预测信息进行比对之后,计算机设备还可以识别比对成功的目标的特征,即识别第i帧图像中该目标的特征和第i-1帧图像中该目标的特征,若两个特征的相似度大于一定的阈值,则可以确定为同一个目标,完成了该目标的关联。可选地,计算机设备可以采用基于深度学习的目标识别方法,如ResNet模型等对目标进行特征识别。
上述目标关联方法,计算机设备通过对第i帧图像进行目标检测得到目标检测信息,以及对第i-1帧图像的目标检测信息进行预测得到各目标在第i帧图像的预测信息,进而可以对第i帧图像的目标检测信息和第i-1帧图像的预测信息进行信息比对,得到第i帧图像的目标关联结果。由此结合第i-1帧图像的预测信息对第i帧图像进行目标关联,可有效解决多目标数据的关联问题。
在一种可能的实现方式中,上述第i帧图像的目标检测信息包括所述第i帧图像中各目标的位置信息和尺寸信息,第i-1帧图像的预测信息包括所述第i-1帧图像中各目标在第i帧图像中的预测位置信息和预测尺寸信息。在此基础上,可选地,如图3所示,上述S103可以包括:
S201,根据所述位置信息和尺寸信息,确定所述第i帧图像中目标的边界框信息。
S202,根据所述预测位置信息和预测尺寸信息,确定所述第i-1帧图像中目标在第i帧图像中的边界框预测信息。
S203,若所述第i帧图像中目标的边界框信息和所述第i-1帧图像中目标在第i帧图像中的边界框预测信息匹配成功,确定所述第i帧图像的目标关联结果。
具体地,计算机设备在得到第i帧图像中目标的位置信息和尺寸信息后,根据这两个信息可以确定该目标的边界框信息,该边界框可以为将目标包覆在内的最小矩形框;例如上述目标的位置信息为目标中心点坐标,尺寸信息为目标宽高,则所确定的边界框信息也可以为边界框的位置及尺寸。同理,计算机设备也可以根据对第i-1帧图像所预测的目标的预测位置信息和预测尺寸信息,确定第i-1帧图像中目标在第i帧图像中的边界框预测信息。
然后,计算机设备可以对比第i帧图像中目标的边界框信息和第i-1帧图像中目标的边界框预测信息;示例性而非限定性的,对于第i帧图像中的目标A,计算机可以根据其边界框信息中边界框的位置,从各边界框预测信息中确定一个与目标A位置相同或相近的目标B,然后计算目标A的边界框与目标B的边界框的交并比,若交并比大于预设的交并比阈值(如90%),则可以认为目标A和目标B为同一个目标,即将第i帧图像中的目标A和第i-1帧图像中的目标B进行关联,记为同一个目标。
可选地,计算机设备还可以根据第i帧图像中目标的边界框信息和第i-1帧图像中目标在第i帧图像中的边界框预测信息,依次计算第i帧图像中目标的边界框和第i-1帧图像中目标的预测边界框的交并比,得到交并比矩阵。例如,假设第i帧图像包括3个目标,对应3个边界框信息,第i-1帧图像包括4个目标,对应4个边界框预测信息,则计算机设备分别计算第i帧图像中3个边界框与第i-1帧图像中4个预测边界框的交并比,得到3×4大小的交并比矩阵。然后,计算机设备采用优化算法对该交并比矩阵进行优化分配,将优化分配结果对应的目标确定为匹配成功的目标;可选地,该优化算法可以包括匈牙利算法,对于交并比矩阵中的每一行,将交并比最大的一组目标作为匹配成功的目标,并且去除交并比小于限定值的目标对,即得到第i帧图像的目标关联结果;其中,上述限定值可以为预设的0-100%之间的任意值。示例性的,假设交并比矩阵如图4所示,设定的限定值为60%,对于第i帧图像中的目标A1,与其边界框交并比最大的为目标B2(90%),对于目标A2,与其边界框交并比最大的为目标B1(80%),对于目标A3,与其边界框交并比最大的为目标B4(40%),但A3与B4交并比却小于限定值,因此最终确定为同一目标的是A1和B2、A2和B1,A3未匹配成功,即得到第i帧图像的目标关联结果。
上述目标关联方法,计算机设备通过第i帧图像中目标的边界框信息与第i-1帧图像中目标的边界框预测信息,以确定第i帧图像的目标关联结果,可进一步提高得到的目标关联结果的准确性。
在一种可能的实现方式中,上述根据第i-1帧图像的目标检测信息,获得所述第i-1帧图像中各目标在第i帧图像的预测信息,包括:将所述第i-1帧图像的目标检测信息输入卡尔曼滤波模型进行预测,得到所述第i-1帧图像中各目标在第i帧图像的预测信息。
具体地,卡尔曼滤波模型通常可以为匀速模型或线性观测模型,本实施例中定义卡尔曼滤波模型为其中,x为目标的中心点横坐标,y为目标的中心点纵坐标,s为目标框的宽高比,h为目标框的高度,为x在图像坐标中对应的速度信息,为y在图像坐标中对应的速度信息,为s在图像坐标中对应的速度信息,为h在图像坐标中对应的速度信息。计算机设备将第i-1帧图像的目标检测信息输入卡尔曼滤波模型后,通过上述定义的模型可以根据第i-1帧图像的目标检测信息确定每个目标的状态预测和协方差预测,进而预测每个目标在第i帧图像中的位置、大小等信息,即得到目标的预测信息。
可选地,在第i-1帧图像的目标关联结果(该结果当前已知)中关联成功的目标个数为零的情况下,可能存在卡尔曼滤波模型的性能问题,为提高在对第i帧图像进行目标关联时的准确性,则在将所述第i-1帧图像的目标检测信息输入卡尔曼滤波模型进行预测之前,上述方法还可以包括:将第i帧图像的目标检测信息输入卡尔曼滤波模型进行参数初始化,更新上述卡尔曼滤波模型;该卡尔曼滤波模型为对第i-2帧图像进行预测时所使用的模型,计算机设备将第i帧图像的目标检测信息输入卡尔曼滤波模型后,可以建立每个目标对应的状态矩阵和协方差矩阵,从而更新上述卡尔曼滤波模型;然后计算机设备采用参数初始化后的卡尔曼滤波模型对第i-1帧图像的目标检测信息进行预测。若第i-1帧图像的目标关联结果中关联成功的目标个数不为0,则计算机设备可以直接采用对第i-2帧图像进行预测时所使用的模型作为卡尔曼滤波模型,对第i-1帧图像的目标检测信息进行预测。
可选地,因第i-1帧图像的目标关联结果中通常会包括关联成功的目标和未关联成功的目标,那么在采用卡尔曼滤波模型对第i-1帧图像的目标检测信息进行预测时,对于关联成功的目标,可以通过卡尔曼滤波模型对速度分量进行优化求解得到协方差预测,即采用该目标的实际检测信息进行预测;而对于未关联成功的目标,可以只通过线性速度模型进行推测状态预测,即通过线性速度模型进行推导预测。
上述目标关联方法,计算机设备采用卡尔曼滤波模型对第i-1帧图像的目标检测信息进行预测,通过确定每个目标的状态预测和协方差预测以得到目标的预测信息,可提高得到的预测信息的准确性,进而提高第i帧图像的目标关联结果的准确性。
在一种可能的实现方式中,在确定了上述第i帧图像的目标关联结果之后,计算机设备还可以根据该目标关联结果,对上述卡尔曼滤波模型进行参数更新,以得到更新后的卡尔曼滤波模型,为下一帧图像的目标关联过程做数据准备。
其中,在第i帧图像的目标关联结果中同样包括关联成功的目标和未关联成功的目标,针对关联成功的目标,计算机设备可以将该目标的目标检测信息输入上述卡尔曼滤波模型进行参数更新,如计算卡尔曼增益、状态更新以及协方差更新等;而针对未关联成功的目标,例如一些新出现的目标,则计算机设备可以将该目标的目标检测信息输入上述卡尔曼滤波模型再次进行参数初始化,以供对该目标的目标检测信息进行预测,进行下一帧图像的目标关联过程;另外,还可能存在第i帧图像中所有目标都未与第i-1帧图像中的目标关联成功的情况,则可以将第i-1帧图像中未关联成功的目标的目标检测信息输入上述卡尔曼滤波模型进行参数初始化。该方法通过对卡尔曼滤波模型的更新,可提高该模型对目标检测信息进行预测的准确性,进而提高目标关联结果的准确性。
在一种可能的实现方式中,在确定了上述第i帧图像的目标关联结果之后,上述方法还可以包括:计算机设备根据第i帧图像的目标关联结果,统计视频目标集合中各目标关联成功的次数和未关联成功的次数,该视频目标集合中可以保存每一帧图像中存在的目标信息,例如对于一个目标,在第i-1帧图像的目标关联结果中关联成功,在第i帧图像的目标关联结果中也关联成功,则为其关联成功的次数加1;对于另一个目标,在第i-1帧图像的目标关联结果中未关联成功,在第i帧图像的目标关联结果中也未关联成功,则为其未关联成功的次数加1,需要说明的是,该未关联成功的目标可以为第i帧图像检测到但未关联成功的目标,还可以包括第i-1帧图像检测到而第i帧图像未检测到的目标。针对各个目标,若目标关联成功的次数大于第一阈值(如3次)且未关联成功的次数小于第二阈值(如2次),则认为该目标为一个连续目标,可为其分配一个目标编号;若目标未关联成功的次数不小于第二阈值,则认为该目标可能跟丢,则将其从视频目标集合中删除,同时释放其之前所分配的目标编号。可选地,在为各目标分配了目标编号后,还可以向用户呈现带有目标编号的第i帧图像,则用户可以根据需要对某一目标编号进行目标跟踪等。
为更好理解上述目标关联方法的整个过程,下面以一个整体实施例方式对该方法进行描述:如图5所示,该方法包括:
S301,对视频数据中的第i帧图像进行目标检测,得到第i帧图像中各目标的位置信息和尺寸信息;
S302,获取所述视频数据中第i-1帧图像的目标检测信息,将所述第i-1帧图像的目标检测信息输入卡尔曼滤波模型进行预测,得到所述第i-1帧图像中各目标在第i帧图像中的预测位置信息和预测尺寸信息;
S303,根据所述位置信息和尺寸信息,确定所述第i帧图像中目标的边界框信息;根据所述预测位置信息和预测尺寸信息,确定所述第i-1帧图像中目标在第i帧图像中的边界框预测信息;
S304,根据所述第i帧图像中目标的边界框信息和所述第i-1帧图像中目标在第i帧图像中的边界框预测信息,依次计算所述第i帧图像中目标的边界框和所述第i-1帧图像中目标的预测边界框的交并比,得到交并比矩阵;
S305,采用优化算法对所述交并比矩阵进行优化分配,将优化分配结果对应的目标确定为匹配成功的目标,得到所述第i帧图像的目标关联结果;
S306,根据所述第i帧图像的目标关联结果,对所述卡尔曼滤波模型进行参数更新,得到更新后的卡尔曼滤波模型;
S307,根据所述第i帧图像的目标关联结果,统计视频目标集合中各目标关联成功的次数和未关联成功的次数;
S308,针对各所述目标,若所述目标关联成功的次数大于第一阈值且未关联成功的次数小于第二阈值,对所述目标分配目标编号;若所述目标未关联成功的次数不小于所述第二阈值,将所述目标从所述视频目标集合中删除。
关于本实施例中各步骤的实现过程,可以参见上述实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应理解,上述实施例中各步骤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,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的目标方法,图6示出了本申请实施例提供的目标关联装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图6,该装置包括:检测单元21、预测单元22和关联单元23。
具体地,检测单元21,用于对视频数据中的第i帧图像进行目标检测,得到所述第i帧图像的目标检测信息;其中,所述视频数据包括N个帧图像,所述N≥2,2≤i≤N;
预测单元22,用于获取所述视频数据中第i-1帧图像的目标检测信息,并根据所述第i-1帧图像的目标检测信息,获得所述第i-1帧图像中各目标在第i帧图像的预测信息;
关联单元23,用于在所述第i帧图像的目标检测信息和所述第i-1帧图像的预测信息匹配成功的情况下,确定所述第i帧图像的目标关联结果。
在一种可能的实现方式中,所述第i帧图像的目标检测信息包括所述第i帧图像中各目标的位置信息和尺寸信息,所述第i-1帧图像的预测信息包括所述第i-1帧图像中各目标在第i帧图像中的预测位置信息和预测尺寸信息。
在一种可能的实现方式中,关联单元23,具体用于根据所述位置信息和尺寸信息,确定所述第i帧图像中目标的边界框信息;根据所述预测位置信息和预测尺寸信息,确定所述第i-1帧图像中目标在第i帧图像中的边界框预测信息;在所述第i帧图像中目标的边界框信息和所述第i-1帧图像中目标在第i帧图像中的边界框预测信息匹配成功的情况下,确定所述第i帧图像的目标关联结果。
在一种可能的实现方式中,根据所述第i帧图像中目标的边界框信息和所述第i-1帧图像中目标在第i帧图像中的边界框预测信息,依次计算所述第i帧图像中目标的边界框和所述第i帧图像中目标的预测边界框的交并比,得到交并比矩阵;采用优化算法对所述交并比矩阵进行优化分配,将优化分配结果对应的目标确定为匹配成功的目标,得到所述第i帧图像的目标关联结果。
在一种可能的实现方式中,预测单元22,具体用于将所述第i-1帧图像的目标检测信息输入卡尔曼滤波模型进行预测,得到所述第i-1帧图像中各目标在第i帧图像的预测信息。
在一种可能的实现方式中,上述装置还包括获取单元,用于在所述第i-1帧图像的目标关联结果中关联成功的目标个数为零的情况下,将所述第i帧图像的目标检测信息输入所述卡尔曼滤波模型进行参数初始化,更新所述卡尔曼滤波模型。
在一种可能的实现方式中,上述获取单元还用于根据所述第i帧图像的目标关联结果,对所述卡尔曼滤波模型进行参数更新,得到更新后的卡尔曼滤波模型。
在一种可能的实现方式中,上述获取单元,具体用于针对所述第i帧图像中关联成功的目标,将所述关联成功的目标的目标检测信息输入所述卡尔曼滤波模型进行参数更新;针对所述第i帧图像中未关联成功的目标,将所述未关联成功的目标的目标检测信息输入所述卡尔曼滤波模型进行参数初始化。
在一种可能的实现方式中,上述装置还包括统计单元,用于根据所述第i帧图像的目标关联结果,统计视频目标集合中各目标关联成功的次数和未关联成功的次数;针对各所述目标,若所述目标关联成功的次数大于第一阈值且未关联成功的次数小于第二阈值,对所述目标分配目标编号;若所述目标未关联成功的次数不小于所述第二阈值,将所述目标从所述视频目标集合中删除。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请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存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到上述装置/计算机设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种目标关联方法,其特征在于,包括:
对视频数据中的第i帧图像进行目标检测,得到所述第i帧图像的目标检测信息;其中,所述视频数据包括N个帧图像,所述N≥2,2≤i≤N;
获取所述视频数据中第i-1帧图像的目标检测信息,并根据所述第i-1帧图像的目标检测信息,获得所述第i-1帧图像中各目标在第i帧图像的预测信息;
若所述第i帧图像的目标检测信息和所述第i-1帧图像的预测信息匹配成功,确定所述第i帧图像的目标关联结果。
2.如权利要求1所述的目标关联方法,其特征在于,所述第i帧图像的目标检测信息包括所述第i帧图像中各目标的位置信息和尺寸信息,所述第i-1帧图像的预测信息包括所述第i-1帧图像中各目标在第i帧图像中的预测位置信息和预测尺寸信息。
3.如权利要求2所述的目标关联方法,其特征在于,所述若所述第i帧图像的目标检测信息和所述第i-1帧图像的预测信息匹配成功,确定所述第i帧图像的目标关联结果,包括:
根据所述位置信息和尺寸信息,确定所述第i帧图像中目标的边界框信息;
根据所述预测位置信息和预测尺寸信息,确定所述第i-1帧图像中目标在第i帧图像中的边界框预测信息;
若所述第i帧图像中目标的边界框信息和所述第i-1帧图像中目标在第i帧图像中的边界框预测信息匹配成功,确定所述第i帧图像的目标关联结果。
4.如权利要求3所述的目标关联方法,其特征在于,所述若所述第i帧图像中目标的边界框信息和所述第i-1帧图像中目标在第i帧图像中的边界框预测信息匹配成功,确定所述第i帧图像的目标关联结果,包括:
根据所述第i帧图像中目标的边界框信息和所述第i-1帧图像中目标在第i帧图像中的边界框预测信息,依次计算所述第i帧图像中目标的边界框和所述第i-1帧图像中目标的预测边界框的交并比,得到交并比矩阵;
采用优化算法对所述交并比矩阵进行优化分配,将优化分配结果对应的目标确定为匹配成功的目标,得到所述第i帧图像的目标关联结果。
5.如权利要求1所述的目标关联方法,其特征在于,所述根据所述第i-1帧图像的目标检测信息,获得所述第i-1帧图像中各目标在第i帧图像的预测信息,包括:
将所述第i-1帧图像的目标检测信息输入卡尔曼滤波模型进行预测,得到所述第i-1帧图像中各目标在第i帧图像的预测信息。
6.如权利要求5所述的目标关联方法,其特征在于,若所述第i-1帧图像的目标关联结果中关联成功的目标个数为零,在所述将所述第i-1帧图像的目标检测信息输入卡尔曼滤波模型进行预测之前,所述方法还包括:
将所述第i帧图像的目标检测信息输入所述卡尔曼滤波模型进行参数初始化,更新所述卡尔曼滤波模型。
7.如权利要求5或6所述的目标关联方法,其特征在于,在确定所述第i帧图像的目标关联结果之后,所述方法还包括:
根据所述第i帧图像的目标关联结果,对所述卡尔曼滤波模型进行参数更新,得到更新后的卡尔曼滤波模型。
8.如权利要求1所述的目标关联方法,其特征在于,在确定所述第i帧图像的目标关联结果之后,所述方法还包括:
根据所述第i帧图像的目标关联结果,统计视频目标集合中各目标关联成功的次数和未关联成功的次数;
针对各所述目标,若所述目标关联成功的次数大于第一阈值且未关联成功的次数小于第二阈值,对所述目标分配目标编号;
若所述目标未关联成功的次数不小于所述第二阈值,将所述目标从所述视频目标集合中删除。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011287230.2A CN113139416A (zh) | 2020-11-17 | 2020-11-17 | 目标关联方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011287230.2A CN113139416A (zh) | 2020-11-17 | 2020-11-17 | 目标关联方法、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113139416A true CN113139416A (zh) | 2021-07-20 |
Family
ID=76809392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011287230.2A Pending CN113139416A (zh) | 2020-11-17 | 2020-11-17 | 目标关联方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139416A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228698A (zh) * | 2023-02-20 | 2023-06-06 | 北京鹰之眼智能健康科技有限公司 | 基于图像处理的填充物状态检测方法 |
CN116883915A (zh) * | 2023-09-06 | 2023-10-13 | 常州星宇车灯股份有限公司 | 一种基于前后帧图像关联的目标检测方法及检测*** |
WO2024125571A1 (zh) * | 2022-12-14 | 2024-06-20 | 合众新能源汽车股份有限公司 | 目标检测方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563919A (zh) * | 2020-04-03 | 2020-08-21 | 深圳市优必选科技股份有限公司 | 目标跟踪方法、装置、计算机可读存储介质及机器人 |
CN111695429A (zh) * | 2020-05-15 | 2020-09-22 | 深圳云天励飞技术有限公司 | 视频图像目标关联方法、装置及终端设备 |
-
2020
- 2020-11-17 CN CN202011287230.2A patent/CN113139416A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563919A (zh) * | 2020-04-03 | 2020-08-21 | 深圳市优必选科技股份有限公司 | 目标跟踪方法、装置、计算机可读存储介质及机器人 |
CN111695429A (zh) * | 2020-05-15 | 2020-09-22 | 深圳云天励飞技术有限公司 | 视频图像目标关联方法、装置及终端设备 |
Non-Patent Citations (1)
Title |
---|
赵广辉 等: "基于卡尔曼滤波的多目标跟踪方法", 计算机科学, vol. 45, no. 8, pages 253 - 257 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024125571A1 (zh) * | 2022-12-14 | 2024-06-20 | 合众新能源汽车股份有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN116228698A (zh) * | 2023-02-20 | 2023-06-06 | 北京鹰之眼智能健康科技有限公司 | 基于图像处理的填充物状态检测方法 |
CN116228698B (zh) * | 2023-02-20 | 2023-10-27 | 北京鹰之眼智能健康科技有限公司 | 基于图像处理的填充物状态检测方法 |
CN116883915A (zh) * | 2023-09-06 | 2023-10-13 | 常州星宇车灯股份有限公司 | 一种基于前后帧图像关联的目标检测方法及检测*** |
CN116883915B (zh) * | 2023-09-06 | 2023-11-21 | 常州星宇车灯股份有限公司 | 一种基于前后帧图像关联的目标检测方法及检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815754B (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
CN113139416A (zh) | 目标关联方法、计算机设备和存储介质 | |
CN111145214A (zh) | 目标跟踪方法、装置、终端设备及介质 | |
CN111612841B (zh) | 目标定位方法及装置、移动机器人及可读存储介质 | |
CN110751674A (zh) | 多目标跟踪方法及相应视频分析*** | |
CN112085701B (zh) | 一种人脸模糊度检测方法、装置、终端设备及存储介质 | |
CN111739016B (zh) | 目标检测模型训练方法、装置、电子设备及存储介质 | |
CN114155284A (zh) | 基于多目标行人场景的行人跟踪方法、装置、设备及介质 | |
CN111209774A (zh) | 目标行为识别及显示方法、装置、设备、可读介质 | |
CN113392794B (zh) | 车辆跨线识别方法、装置、电子设备和存储介质 | |
CN112966654A (zh) | 唇动检测方法、装置、终端设备及计算机可读存储介质 | |
CN115294168A (zh) | 一种跟踪目标的方法、装置及电子设备 | |
CN117908536A (zh) | 机器人避障方法、终端设备及计算机可读存储介质 | |
CN112200004B (zh) | 图像检测模型的训练方法、装置及终端设备 | |
CN116383423A (zh) | 图像检索结果的重排方法、装置、计算机设备及介质 | |
CN113610904B (zh) | 3d局部点云对抗样本生成方法、***、计算机及介质 | |
CN113721240A (zh) | 一种目标关联方法、装置、电子设备及存储介质 | |
CN113762027A (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
CN114913567A (zh) | 口罩佩戴的检测方法、装置、终端设备及可读存储介质 | |
CN112270257A (zh) | 一种运动轨迹确定方法、装置及计算机可读存储介质 | |
Yuan et al. | Multiple object detection and tracking from drone videos based on GM-YOLO and multi-tracker | |
CN115221981B (zh) | 一种目标跟踪方法、装置、终端设备及存储介质 | |
CN114882068B (zh) | 多目标跟踪方法、装置、计算机设备和存储介质 | |
Jiang et al. | Research on the human vehicle recognition system based on deep learning fusion remove haze algorithm | |
CN117935303A (zh) | 目标跟踪方法、终端设备及计算机可读存储介质 |
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 |