CN113989694B - 目标跟踪方法、装置、电子设备及存储介质 - Google Patents
目标跟踪方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113989694B CN113989694B CN202111102065.3A CN202111102065A CN113989694B CN 113989694 B CN113989694 B CN 113989694B CN 202111102065 A CN202111102065 A CN 202111102065A CN 113989694 B CN113989694 B CN 113989694B
- Authority
- CN
- China
- Prior art keywords
- target
- frame
- current image
- image frame
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种目标跟踪方法、装置、电子设备及存储介质,所述方法包括:获取用户在当前图像帧中选定的目标位置,并以所述目标位置为中心生成所述用户选定的第一目标框;基于检测算法在所述当前图像帧内进行检测,得到检测框;计算所述检测框与所述第一目标框之间的重叠度,并将所述重叠度最高的检测框作为目标所在的第二目标框;基于所述第二目标框,确定所述当前图像帧中的目标所在区域。本申请实施例能够提高目标跟踪的效率。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种目标跟踪方法、装置、电子设备及存储介质。
背景技术
随着图像处理技术的高速发展,在众多领域的应用中,均需要对图像中的目标进行跟踪。尤其是在无人机飞行过程中进行目标跟踪时,一般来说,飞手会先选定要跟踪的目标,进而用户终端再根据飞手选定的目标进行目标跟踪。
由于各类因素的影响,飞手往往需要经过多次选定才能正确选定到目标。一旦飞手选定的目标与实际目标之间存在较大的误差,便会导致在后续图像帧中无法成功跟踪目标,跟踪效率较低。
发明内容
本申请的一个目的在于提出一种目标跟踪方法、装置、电子设备及存储介质,能够提高目标跟踪的效率。
根据本申请实施例的一方面,公开了一种目标跟踪方法,所述方法包括:
获取用户在当前图像帧中选定的目标位置,并以所述目标位置为中心生成所述用户选定的第一目标框;
基于检测算法在所述当前图像帧内进行检测,得到检测框;
计算所述检测框与所述第一目标框之间的重叠度,并将所述重叠度最高的检测框作为目标所在的第二目标框;
基于所述第二目标框,确定所述当前图像帧中的目标所在区域。
根据本申请实施例的一方面,公开了一种目标跟踪装置,所述装置包括:
获取模块,配置为获取用户在当前图像帧中选定的目标位置,并以所述目标位置为中心生成所述用户选定的第一目标框;
检测模块,配置为基于检测算法在所述当前图像帧内进行检测,得到检测框;
计算模块,配置为计算所述检测框与所述第一目标框之间的重叠度,并将所述重叠度最高的检测框作为目标所在的第二目标框;
确定模块,配置为基于所述第二目标框,确定所述当前图像帧中的目标所在区域。
在本申请的一示例性实施例中,所述获取模块配置为:
获取所述用户针对所述第一目标框调节的波门;
基于所述波门计算得到所述第一目标框的第一尺寸参数,并将以所述目标位置为中心生成的所述第一尺寸参数的框作为所述第一目标框。
在本申请的一示例性实施例中,所述获取模块配置为:
获取针对所述第一尺寸参数中的轮廓线长度预设的最大值与针对所述第一尺寸参数中的轮廓线长度预设的最小值之间的差值;
基于所述差值与针对所述波门预设的最大值之间的比值,对所述波门进行修正,得到修正值;
基于所述修正值与所述最小值的和,获取所述第一尺寸参数中的轮廓线长度。
在本申请的一示例性实施例中,所述检测模块配置为:
基于检测算法在包含所述当前图像帧在内的与所述当前图像帧相邻的预设数目个的图像帧进行检测,得到检测框。
在本申请的一示例性实施例中,所述计算模块配置为:
计算所述检测框与所述第一目标框之间的交集面积;
计算所述检测框与所述第一目标框之间的并集面积;
基于所述交集面积除以所述并集面积的比值,获取所述重叠度。
在本申请的一示例性实施例中,所述确定模块配置为:
基于所述第二目标框,确定所述当前图像帧中的目标所在区域,并确定在所述当前图像帧之后的图像帧中的目标所在区域。
在本申请的一示例性实施例中,所述确定模块配置为:
将所述第二目标框的第二尺寸参数以及坐标传递至预设的机器学习模型,以通过所述机器学习模型确定所述当前图像帧中的目标所在区域。
在本申请的一示例性实施例中,所述确定模块配置为:
以所述当前图像帧中的目标所在区域为新样本对所述机器学习模型进行训练,以通过所述机器学习模型确定在所述当前图像帧之后的图像帧中的目标所在区域。
根据本申请实施例的一方面,公开了一种电子设备,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,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现以上权利要求中的任一项所述的方法。
根据本申请实施例的一方面,公开了一种计算机程序介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行以上权利要求中的任一项所述的方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
本申请实施例中,以用户选定的目标位置生成的第一目标框为基准,基于在当前图像帧内检测得到的检测框与该第一目标框之间的重叠度,确定新的第二目标框,进而基于该第二目标框进行目标跟踪。通过这种方法,降低了用户手动选定目标位置所造成的误差,提高了目标跟踪的效率。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
通过参考附图详细描述其示例实施例,本申请的上述和其它目标、特征及优点将变得更加显而易见。
图1示出了根据本申请一个实施例的目标跟踪方法的流程图。
图2示出了根据本申请一个实施例的目标跟踪过程中用户终端的界面示意图。
图3示出了根据本申请一个实施例的目标跟踪过程中用户终端的界面示意图。
图4示出了根据本申请一个实施例的目标跟踪过程中用户终端的界面示意图。
图5示出了根据本申请一个实施例的目标跟踪过程中用户终端的界面示意图。
图6示出了根据本申请一个实施例的训练***的流程示意图。
图7示出了根据本申请一个实施例的目标跟踪装置的框图。
图8示出了根据本申请一个实施例的电子设备的硬件图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些示例实施方式使得本申请的描述将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本申请的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中,提供许多具体细节从而给出对本申请的示例实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、步骤等。在其它情况下,不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本申请的各方面变得模糊。
附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本申请提出了一种目标跟踪方法,主要通过确定监控视频的图像帧中的目标框,从而实现对目标的跟踪。其中,目标框指的是在图像帧中圈选出目标所在区域的封闭框。一般的,目标框为矩形框。
在一实施例中,通过带有摄像头的无人机对运动中的目标进行跟踪。该无人机在飞行过程中,通过摄像头拍摄该目标的监控视频,并根据本申请所提出的目标跟踪方法进行目标跟踪,确定图像帧中的目标框。
图1示出了本申请一实施例的目标跟踪方法的流程图。示例性的,以用户终端为本申请实施例的执行主体。该方法包括:
步骤S110、获取用户在当前图像帧中选定的目标位置,并以目标位置为中心生成用户选定的第一目标框;
步骤S120、基于检测算法在当前图像帧内进行检测,得到检测框;
步骤S130、计算检测框与第一目标框之间的重叠度,并将重叠度最高的检测框作为目标所在的第二目标框;
步骤S140、基于第二目标框,确定当前图像帧中的目标所在区域。
本申请实施例所提出的目标跟踪方法,主要应用于用户手动选定目标位置的情况下对目标进行跟踪这一场景。
本申请实施例中,用户在当前图像帧中选定目标位置后,用户终端以该目标位置为中心生成用户选定的第一目标框。
可以理解的,用户的手动操作难免存在误差,因此,用户选定的目标位置通常与目标的真实位置存在误差,例如,图像帧中存在两辆距离较近的车辆,用户选定目标位置时选中了车头处,而以该目标位置为中心生成的第一目标框将另外一辆车辆的车尾处也圈选入内,因而在以该第一目标框跟踪时,会造成在两车的差距变大的其他帧中出现跟踪丢失的情况。即仅根据用户选定的目标位置进行跟踪,难以准确地将目标圈选入内,从而降低目标跟踪的效率以及出现跟踪丢失的情况。
为保证目标跟踪的效率,基于检测算法在当前图像帧内进行检测,得到检测框。其中,检测算法指的是用于检测目标所在区域,进而生成检测框的算法;检测框指的是采用该检测算法生成的封闭框。
进而将与第一目标框之间的重叠度最高的检测框作为目标所在的第二目标框。进而以第二目标框为跟踪对象,通过跟踪第二目标框确定当前图像帧中的目标所在区域。
由此可见,本申请实施例中,以用户选定的目标位置生成的第一目标框为基准,基于在当前图像帧内检测得到的检测框与该第一目标框之间的重叠度,确定新的第二目标框,进而基于该第二目标框进行目标跟踪。通过这种方法,降低了用户手动选定目标位置所造成的误差,提高了目标跟踪的效率。
本发明实施例可以应用于包括无人机及地面站的***中,该地面站可以是一用户终端,无人机吊舱作为图像采集设备对地面的道路上的情况进行监控拍摄,拍摄的视频可以传回至用户终端并实时播放。
图2至图5示出了本申请一实施例的目标跟踪过程中用户终端的界面示意图。需要说明的是,为了便于区分目标框与检测框,图中使用实线框表示目标框,使用虚线框表示检测框。实线虚线这种视觉效果只是示例性的,并不代表现实应用中必须按照实线虚线之分来区别目标框以及检测框。
参考图2至图5所示,该实施例中,待跟踪的目标为图中所示车辆。用户终端的界面中播放有该车辆的监控视频,用户通过触摸或是鼠标点击手动地在该监控视频中选定目标位置,进而用户终端生成以该目标位置为中心的第一目标框。
由于用户的手动操作存在误差,因此第一目标框可能无法准确地将该车辆圈选在内,如图3所示。因此基于检测算法在当前图像帧内进行检测,得到检测框,如图4所示,进而将与第一目标框重叠度最大的检测框作为新的第二目标框,如图5所示,进而基于第二目标框对该车辆进行跟踪。由于相比于第一目标框,第二目标框更加准确地圈选该车辆,因此通过这种方法提高了对该车辆的跟踪效率。
在一实施例中,目标框所围合的一般为矩形区域。在这种情况下,获取到用户选定的目标位置后,将该目标位置作为该矩形区域的几何中心,进而确定该矩形区域的第一尺寸参数,从而基于第一尺寸参数得到第一目标框。其中,第一尺寸参数可以是默认设置的,也可以是由用户手动调节的。
需要指出的是,以目标位置为矩形区域的几何中心一般是指将目标位置作为第一目标框的矩形的对角线的交点,而第一目标框通常是在图像帧内平行于图像帧放置,不会在图像帧中倾斜设置。第一目标得到的第一目标框通常为正方形,因此,该第一尺寸参数为该正方形的边长。
在一实施例中,用户手动调节波门,进而得到对应尺寸的第一目标框。
该实施例中,获取用户针对第一目标框调节的波门。基于波门计算得到第一目标框的第一尺寸参数,并将以目标位置为中心生成的第一尺寸参数的框作为第一目标框。
具体的,于用户终端向用户提供用户调节波门的接口,使得用户可以通过该接口手动调节波门,从而调节第一目标框的第一尺寸参数。
在一实施例中,获取针对第一尺寸参数中的轮廓线长度预设的最大值与针对第一尺寸参数中的轮廓线长度预设的最小值之间的差值。基于差值与针对波门预设的最大值之间的比值,对波门进行修正,得到修正值。基于修正值与最小值的和,获取第一尺寸参数中的轮廓线长度。
具体的,记第一尺寸参数中的轮廓线长度为L,针对L预设的最大值为MaxL,针对L预设的最小值为MinL,波门为tracking_window,针对波门预设的最大值为MaxT,可以得到如下的波门与第一尺寸参数的关系:
L=MinL+tracking_window*(MaxL-MinL)/255
波门的取值范围为0至255,根据该公式可见,当波门为最小值0时,第一尺寸参数的轮廓线长度为预设的最小值MinL;当波门为最大值255时,即用户将波门调至最大时,第一尺寸参数的轮廓线长度为预设的最大值MaxL。
在一实施例中,根据经验值,将针对第一尺寸参数的轮廓线长度的最大值MaxL设为256像素,将针对第一尺寸参数的轮廓线长度的最小值MinL设为48像素。
在一实施例中,用以在包含当前图像帧的前N个图像帧内进行检测的检测算法为yolov(You Only Look Once)系列算法。其中,yolov系列算法包括:yolovl、yolov2以及yolov3等。
在一实施例中,基于检测算法在包含所述当前图像帧在内的与所述当前图像帧相邻的预设数目个的图像帧进行检测,得到检测框。即,基于检测算法在包含当前图像帧的N个相邻图像帧内进行检测,得到检测框,N为大于0的自然数。
该实施例的优点在于,通过在N个图像帧内进行检测得到检测框,避免在当前图像帧找不到检测框,从而提高检测框的覆盖率。
在一实施例中,N为5。即,基于检测算法在包含当前图像帧的5个相邻图像帧内进行检测,得到该5个图像帧内的检测框。进而在该5个图像帧内的检测框中确定第二目标框。
在一实施例中,基于框与框的面积之间的交并比,得到框与框之间的重叠度。
该实施例中,计算每一检测框与第一目标框之间的交集面积。计算每一检测框与第一目标框之间的并集面积。基于每一检测框与第一目标框的交集面积除以并集面积所得到的比值,获取每一检测框与第一目标框的重叠度。
具体的,针对每一检测框,计算得到该检测框与第一目标框的面积之间的交并比后,可以将该交并比作为该检测框与第一目标框之间的重叠度。也可以按照预设的映射函数将该交并比转换为该检测框与第一目标框之间的重叠度,其中,交并比与对应的重叠度呈正相关。即,交并比越大,对应检测框与第一目标框之间的重叠度越高。
在一实施例中,记用户选定的第一目标框为box_manual,检测框为AI,用以跟踪目标的第二目标框为box。通过如下所示公式,从包含当前图像帧的前N个图像帧内的AI中确定box。
在一实施例中,在确定第二目标框后,可以将该第二目标框确定为当前图像帧中的目标所在区域该,即当前图像帧中的第二目标框为当前图像帧中的目标所在区域。在当前图像帧中确定的第二目标框还用于在后续图像帧中进行目标跟踪。
在一实施例中,通过机器学习模型的方式进行目标跟踪。
该实施例中,将第二目标框的第二尺寸参数以及坐标传递至预设的机器学习模型,以通过机器学习模型确定该当前图像帧之后的图像帧中的目标所在区域。
具体的,一般称为***的该机器学习模型采用跟踪算法自动跟踪监控视频中的目标。
用户终端确定目标所在的第二目标框后,将该第二目标框的第二尺寸参数以及坐标传递至该***,从而该***根据该第二目标框的第二尺寸参数以及坐标,确定该当前图像帧之后的图像帧中的目标所在区域。
在一实施例中,在确定当前图像帧之后的图像帧中的目标所在区域之前,以当前图像帧中的目标所在区域为新样本对机器学习模型进行训练,以通过机器学习模型确定在当前图像帧之后的图像帧中的目标所在区域。
图6示出了本申请一实施例中训练***的流程示意图。
该实施例中,图像帧中目标框的坐标以及尺寸事先已确定。根据目标框的坐标以及尺寸,从图像帧中提取出目标框的区域的特征。并通过初始化投影矩阵对目标框的区域的特征进行降维处理,从而提高***的训练效率。
进而对目标框的图像的特征进行余弦窗处理、傅里叶变换等预处理操作,并将预处理操作后的特征作为新样本添加至***的训练集中。
进而采用添加了新样本的训练集对***进行训练,得到训练完成的***。
在一实施例中,目标框的图像的特征为HOG(Histogram of Oriented Gradient,梯度直方图)特征以及CN(Color Name,颜色)特征。
在一实施例中,***按照ECO跟踪(Efficient Convolution Operators forTracking,高效卷积跟踪)算法自动跟踪监控视频中的目标。
图7示出了根据本申请一实施例的目标跟踪装置,所述装置包括:
获取模块210,配置为获取用户在当前图像帧中选定的目标位置,并以所述目标位置为中心生成所述用户选定的第一目标框;
检测模块220,配置为基于检测算法在所述当前图像帧内进行检测,得到检测框;
计算模块230,配置为计算所述检测框与所述第一目标框之间的重叠度,并将所述重叠度最高的检测框作为目标所在的第二目标框;
确定模块240,配置为基于所述第二目标框,确定所述当前图像帧中的目标所在区域。
在本申请的一示例性实施例中,所述获取模块配置为:
获取所述用户针对所述第一目标框调节的波门;
基于所述波门计算得到所述第一目标框的第一尺寸参数,并将以所述目标位置为中心生成的所述第一尺寸参数的框作为所述第一目标框。
在本申请的一示例性实施例中,所述获取模块配置为:
获取针对所述第一尺寸参数中的轮廓线长度预设的最大值与针对所述第一尺寸参数中的轮廓线长度预设的最小值之间的差值;
基于所述差值与针对所述波门预设的最大值之间的比值,对所述波门进行修正,得到修正值;
基于所述修正值与所述最小值的和,获取所述第一尺寸参数中的轮廓线长度。
在本申请的一示例性实施例中,所述检测模块配置为:
基于检测算法在包含所述当前图像帧在内的与所述当前图像帧相邻的预设数目个的图像帧进行检测,得到检测框。
在本申请的一示例性实施例中,所述计算模块配置为:
计算所述检测框与所述第一目标框之间的交集面积;
计算所述检测框与所述第一目标框之间的并集面积;
基于所述交集面积除以所述并集面积的比值,获取所述重叠度。
在本申请的一示例性实施例中,所述确定模块配置为:
基于所述第二目标框,确定所述当前图像帧中的目标所在区域,并确定在所述当前图像帧之后的图像帧中的目标所在区域。
在本申请的一示例性实施例中,所述确定模块配置为:
将所述第二目标框的第二尺寸参数以及坐标传递至预设的机器学习模型,以通过所述机器学习模型确定所述当前图像帧中的目标所在区域。
在本申请的一示例性实施例中,所述确定模块配置为:
以所述当前图像帧中的目标所在区域为新样本对所述机器学习模型进行训练,以通过所述机器学习模型确定在所述当前图像帧之后的图像帧中的目标所在区域。
下面参考图8来描述根据本申请实施例的电子设备30。图8显示的电子设备30仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,电子设备30以通用计算设备的形式表现。电子设备30的组件可以包括但不限于:上述至少一个处理单元310、上述至少一个存储单元320、连接不同***组件(包括存储单元320和处理单元310)的总线330。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元310执行,使得所述处理单元310执行本说明书上述示例性方法的描述部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元310可以执行如图1中所示的各个步骤。
存储单元320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备30也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备30交互的设备通信,和/或与使得该电子设备30能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。输入/输出(I/O)接口350与显示单元340相连。并且,电子设备30还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器360通过总线330与电子设备30的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行上述方法实施例部分描述的方法。
根据本申请的一个实施例,还提供了一种用于实现上述方法实施例中的方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、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的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如JAVA、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由所附的权利要求指出。
Claims (11)
1.一种目标跟踪方法,其特征在于,所述方法包括:
获取用户在当前图像帧中选定的目标位置,并以所述目标位置为中心生成所述用户选定的第一目标框;
基于检测算法在所述当前图像帧内进行检测,得到检测框;
计算所述检测框与所述第一目标框之间的重叠度,并将所述重叠度最高的检测框作为目标所在的第二目标框;
基于所述第二目标框,确定所述当前图像帧中的目标所在区域。
2.根据权利要求1所述的方法,其特征在于,以所述目标位置为中心生成所述用户选定的第一目标框,包括:
获取所述用户针对所述第一目标框调节的波门;
基于所述波门计算得到所述第一目标框的第一尺寸参数,并将以所述目标位置为中心生成的所述第一尺寸参数的框作为所述第一目标框。
3.根据权利要求2所述的方法,其特征在于,基于所述波门计算得到所述第一目标框的第一尺寸参数,包括:
获取针对所述第一尺寸参数中的轮廓线长度预设的最大值与针对所述第一尺寸参数中的轮廓线长度预设的最小值之间的差值;
基于所述差值与针对所述波门预设的最大值之间的比值,对所述波门进行修正,得到修正值;
基于所述修正值与所述最小值的和,获取所述第一尺寸参数中的轮廓线长度。
4.根据权利要求1所述的方法,其特征在于,基于检测算法在所述当前图像帧内进行检测,得到检测框,包括:
基于检测算法在包含所述当前图像帧在内的与所述当前图像帧相邻的预设数目个的图像帧进行检测,得到检测框。
5.根据权利要求1所述的方法,其特征在于,计算所述检测框与所述第一目标框之间的重叠度,包括:
计算所述检测框与所述第一目标框之间的交集面积;
计算所述检测框与所述第一目标框之间的并集面积;
基于所述交集面积除以所述并集面积的比值,获取所述重叠度。
6.根据权利要求1所述的方法,其特征在于,基于所述第二目标框,确定所述当前图像帧中的目标所在区域,包括:
基于所述第二目标框,确定所述当前图像帧中的目标所在区域,并确定在所述当前图像帧之后的图像帧中的目标所在区域。
7.根据权利要求1所述的方法,其特征在于,基于所述第二目标框,确定所述当前图像帧中的目标所在区域,包括:
将所述第二目标框的第二尺寸参数以及坐标传递至预设的机器学习模型,以通过所述机器学习模型确定所述当前图像帧中的目标所在区域。
8.根据权利要求7所述的方法,其特征在于,通过所述机器学习模型确定所述当前图像帧中的目标所在区域之后,所述方法还包括:
以所述当前图像帧中的目标所在区域为新样本对所述机器学习模型进行训练,以通过所述机器学习模型确定在所述当前图像帧之后的图像帧中的目标所在区域。
9.一种目标跟踪装置,其特征在于,所述装置包括:
获取模块,配置为获取用户在当前图像帧中选定的目标位置,并以所述目标位置为中心生成所述用户选定的第一目标框;
检测模块,配置为基于检测算法在所述当前图像帧内进行检测,得到检测框;
计算模块,配置为计算所述检测框与所述第一目标框之间的重叠度,并将所述重叠度最高的检测框作为目标所在的第二目标框;
确定模块,配置为基于所述第二目标框,确定所述当前图像帧中的目标所在区域。
10.一种电子设备,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时,使得所述电子设备实现如权利要求1至8任一项所述的方法。
11.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111102065.3A CN113989694B (zh) | 2021-09-18 | 2021-09-18 | 目标跟踪方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111102065.3A CN113989694B (zh) | 2021-09-18 | 2021-09-18 | 目标跟踪方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989694A CN113989694A (zh) | 2022-01-28 |
CN113989694B true CN113989694B (zh) | 2022-10-14 |
Family
ID=79736145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111102065.3A Active CN113989694B (zh) | 2021-09-18 | 2021-09-18 | 目标跟踪方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989694B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671103A (zh) * | 2018-12-12 | 2019-04-23 | 易视腾科技股份有限公司 | 目标跟踪方法及装置 |
CN110472496A (zh) * | 2019-07-08 | 2019-11-19 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
CN110910427A (zh) * | 2019-12-04 | 2020-03-24 | 数据堂(北京)智能科技有限公司 | 一种交互式视频数据标注方法及装置 |
CN113177968A (zh) * | 2021-04-27 | 2021-07-27 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580053A (zh) * | 2019-08-13 | 2019-12-17 | 深圳市道通智能航空技术有限公司 | 一种目标追踪方法、飞行器及飞行*** |
US11409989B2 (en) * | 2019-10-22 | 2022-08-09 | Objectvideo Labs, Llc | Video object detection with co-occurrence |
CN111652902B (zh) * | 2020-06-02 | 2023-03-28 | 浙江大华技术股份有限公司 | 目标的跟踪检测方法、电子设备及装置 |
CN112634326A (zh) * | 2020-12-17 | 2021-04-09 | 深圳云天励飞技术股份有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-18 CN CN202111102065.3A patent/CN113989694B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671103A (zh) * | 2018-12-12 | 2019-04-23 | 易视腾科技股份有限公司 | 目标跟踪方法及装置 |
CN110472496A (zh) * | 2019-07-08 | 2019-11-19 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
CN110910427A (zh) * | 2019-12-04 | 2020-03-24 | 数据堂(北京)智能科技有限公司 | 一种交互式视频数据标注方法及装置 |
CN113177968A (zh) * | 2021-04-27 | 2021-07-27 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113989694A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113486797B (zh) | 无人车位置检测方法、装置、设备、存储介质及车辆 | |
JP6588053B2 (ja) | 点群データにアノテーションを付与する方法および装置 | |
US10984556B2 (en) | Method and apparatus for calibrating relative parameters of collector, device and storage medium | |
CN109214238B (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
CN107886048B (zh) | 目标跟踪方法及***、存储介质及电子终端 | |
CN108805917B (zh) | 空间定位的方法、介质、装置和计算设备 | |
CN111031348B (zh) | 一种视频加扰方法、装置、服务器和存储介质 | |
EP2660753B1 (en) | Image processing method and apparatus | |
CN110276293B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
US11688078B2 (en) | Video object detection | |
CN110069961B (zh) | 一种物体检测方法和装置 | |
CN110610127B (zh) | 人脸识别方法、装置、存储介质及电子设备 | |
CN110363748B (zh) | 关键点的抖动处理方法、装置、介质及电子设备 | |
CN110232368B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
CN113989696B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN110929564A (zh) | 基于对抗网络的指纹模型生成方法以及相关装置 | |
CN108010052A (zh) | 复杂场景中的目标跟踪方法及***、存储介质及电子终端 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN113286086B (zh) | 一种摄像头的使用控制方法、装置、电子设备及存储介质 | |
CN114422848A (zh) | 视频分割方法、装置、电子设备及存储介质 | |
CN113902932A (zh) | 特征提取方法、视觉定位方法及装置、介质和电子设备 | |
CN113989694B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN113869163B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN108062752B (zh) | 判断主光源的方位的方法、介质、装置和计算设备 | |
CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 |
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 |