CN114419097A - 目标跟踪的方法及装置 - Google Patents
目标跟踪的方法及装置 Download PDFInfo
- Publication number
- CN114419097A CN114419097A CN202111669635.7A CN202111669635A CN114419097A CN 114419097 A CN114419097 A CN 114419097A CN 202111669635 A CN202111669635 A CN 202111669635A CN 114419097 A CN114419097 A CN 114419097A
- Authority
- CN
- China
- Prior art keywords
- target
- monitoring range
- objects
- appearance
- camera
- 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 66
- 238000012544 monitoring process Methods 0.000 claims abstract description 220
- 230000033001 locomotion Effects 0.000 claims abstract description 97
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 239000013598 vector Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 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 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本申请适用于视频图像处理技术领域,提供了一种目标跟踪的方法,包括:在第一目标移出第一监控范围时,获取第二监控范围内的多个对象的运动特征以及外观特征,其中第一监控范围对应的是第一摄像头,第二监控范围对应的是第二摄像头,并根据第一目标的运动特征以及外观特征,以及多个对象的运动特征以及外观特征,从多个对象中确定第一目标,从而实现了跨摄像头跟踪的目的,该方法可以在第一目标从第一摄像头对应的监控范围内移出时,同时通过第一目标的运动特征以及外观特征,从第二监控范围内的多个对象中确定出第一目标,有效提高了跨摄像头跟踪时的准确度。
Description
技术领域
本申请属于视频图像处理技术领域,尤其涉及一种目标跟踪的方法及装置。
背景技术
当前,为了便于观察监控区间的某个特定的目标对象,在监控时可以对需要监控的目标进行实时的跟踪,例如,对公园中指定的行人或指定的动物进行实时的跟踪。在使用多个摄像头对指定的行人或指定的动物进行跨摄像头跟踪时,当监控的目标从当前摄像头的监控范围移出时,需要在其他摄像头的监控范围中对监控目标进行寻找,并继续跟踪。
在目标移出当前摄像头的监控范围时,需要在其他摄像头的监控范围中重新确定目标,再进行跟踪,然而,在相关技术中,在跨摄像头进行跟踪时,重新确定跟踪目标的准确度较低,因此导致容易出现目标丢失,或对错误的目标进行跟踪的现象,从而无法继续对丢失的目标进行跟踪。
发明内容
本申请实施例提供了一种目标跟踪的方法及装置,可以解决跨摄像头监控时目标跟踪的准确度较低的问题。
第一方面,本申请实施例提供了一种目标跟踪的方法,应用于包括多个摄像头的监控***,其特征在于,包括:当第一目标移出第一监控范围时,获取第二监控范围内的多个对象的运动特征以及外观特征,所述第二监控范围为所述第一目标当前所处的监控范围,所述第一监控范围与第一摄像头对应,所述第二监控范围与第二摄像头对应;根据所述第一目标的外观特征以及运动特征、所述第二监控范围中的多个对象的运动特征以及外观特征,从所述多个对象中确定所述第一目标。
在第一方面的一种可能的实现方式中,所述根据所述第一目标的外观特征以及运动特征、所述第二监控范围中的多个对象的运动特征以及外观特征,从所述多个对象中确定所述第一目标,包括:根据所述第二监控范围中的多个对象的运动特征与所述第一目标的运动特征,确定第一参数,所述第一参数包括所述第二监控范围中的每个对象的外观特征与所述第一目标的外观特征之间的相似度;根据所述第二监控范围中的多个对象的外观特征与所述第一目标的外观特征,确定第二参数,所述第二参数包括所述第二监控范围中的每个对象的运动特征与所述第一目标的运动特征之间的相似度;根据所述第一参数与所述第二参数,从所述多个对象中确定所述第一目标。
在第一方面的一种可能的实现方式中,在所述第一目标处于单摄像头对应的监控范围内时,所述方法还包括:获取所述第一目标在当前时刻的第一位置信息;根据所述第一位置信息与第二位置信息,确定所述第一目标在当前时刻的第三位置信息,所述第二位置信息是根据所述第一目标在前一时刻的第三位置信息确定的。
在第一方面的一种可能的实现方式中,所述第二位置信息是根据所述第一目标在前一时刻的位置信息、所述第一目标对应的观察框在前一时刻的尺寸、所述第一目标在前一时刻的运动特征确定的,所述第一目标的观察框的尺寸是根据所述第一目标在前一时刻的轮廓确定的。
在第一方面的一种可能的实现方式中,所述方法还包括:若在所述第一监控范围中,第一目标在前一时刻的第三位置信息对应的外观特征以及当前时刻的第三位置信息对应的外观特征之间的相似度小于或等于第一阈值,则在所述第一监控范围内,重新确定所述第一目标在当前时刻的第三位置信息。
在第一方面的一种可能的实现方式中,所述方法还包括:根据所述第一目标移出所述第一监控范围时,所述第一目标在所述第一监控范围内所处的方位,确定所述第二监控范围。
在第一方面的一种可能的实现方式中,当所述第一目标在所述第一监控范围内消失时,所述方法还包括:获取所述第一监控范围中的多个对象的运动特征以及外观特征;根据所述第一目标的外观特征以及运动特征、所述第一监控范围中的多个对象的运动特征以及外观特征,确定所述多个对象中是否存在所述第一目标。
本申请实施例提供的目标跟踪方法,通过在第一目标移出第一摄像头对应的第一监控范围时,获取第二摄像头对应的第二监控范围内的多个对象的运动特征以及外观特征,其中第二监控范围为第一目标当前所处的监控范围,再根据第一目标的运动特征以及外观特征,以及第二监控范围内多个对象的运动特征以及外观特征,从多个对象中确定第一目标的技术手段。可以看到,当第一目标移出第一摄像头对应的第一监控范围,并进入第二监控范围之后,为了继续跟踪第一目标,需要从第二监控范围内的多个对象中确定第一目标时,本申请提出的目标跟踪方法不仅考虑到了第一目标的外观特征,同时加以考虑第一目标的运动特征。相比于现有技术中,仅考虑第一目标的外观特征或仅考虑第一目标的运动特征的技术方案,本申请提出的技术方案达到了可以有效提高识别第一目标的准确度的技术效果。
第二方面,本申请实施例提供了一种目标跟踪的装置,该装置用于执行上述第一方面或第一方面的任一可能的实现方式中的方法。具体地,该装置可以包括用于执行第一方面或第一方面的任一可能的实现方式中目标跟踪的方法的模块。
第三方面,本申请实施例提供了一种设备,该设备包括存储器与处理器。该存储器用于存储指令;该处理器执行该存储器存储的指令,使得该设备执行第一方面或第一方面的任一可能的实现方式中目标跟踪的方法。
第四方面,提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当该指令在计算机上运行时,使得计算机执行第一方面或第一方面的任一可能的实现方式中目标跟踪的方法。
第五方面,提供一种包含指令的计算机程序产品,当该指令在设备上运行时,使得设备执行第一方面或第一方面的任一可能的实现方式中目标跟踪的方法。
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是本申请实施例提供的目标跟踪的方法100的流程示意图;
图2是本申请实施例提供的多摄像头监控***的示意图;
图3中的(a)图是本申请实施例提供的第一目标离开第一监控范围时的示意图;
图3中的(b)图是本申请实施例提供的确定第二监控范围的示意图;
图4中的(a)图是本申请实施例提供的另一第一目标离开第一监控范围时的示意图;
图4中的(b)图是本申请实施例提供的另一确定第二监控范围的示意图;
图5中的(a)图是本申请实施例提供的再一第一目标离开第一监控范围时的示意图;
图5中的(b)图是本申请实施例提供的再一确定第二监控范围的示意图;
图6中的(a)图是本申请实施例提供的再一第一目标离开第一监控范围时的示意图;
图6中的(b)本申请实施例提供的再一确定第二监控范围的示意图;
图7是本申请实施例提供的目标跟踪的装置700的结构示意图;
图8是本申请实施例提供的设备800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。
在使用摄像头对某一地点中的特定目标进行监控时,为了扩大监控的范围,常选择使用多个摄像头同时进行监控,从而扩大监控的范围,这种方式在目标从一个摄像头的监控范围移出时,需要在其他摄像头中对目标进行继续跟踪。由于目标在移出当前摄像头时,无法直接的对目标进行跟踪,需要重新确定目标,再继续跟踪,因此现有技术常根据目标的外观特征,重新确定目标对象,从而继续对目标对象进行跟踪。
然而这种跟踪方式会导致跨摄像头跟踪时的跟踪准确度较低,造成目标跟踪丢失,或对错误的目标进行跟踪的现象。
因此,亟需一种跟踪方法及装置,可以有效提高跨摄像头目标跟踪时,跟踪的准确率。
下面结合图1所示的流程图,对本申请提供的目标跟踪的方法100进行介绍。
S101、当第一目标移出第一监控范围时,获取第二监控范围内的多个对象的运动特征以及外观特征,其中第二监控范围为第一目标当前所处的监控范围,第一监控范围与第一摄像头对应,第二监控范围与第二摄像头对应。
在一些实施例中,可以从多个摄像中确定一个摄像头,作为第一摄像头,从第一摄像头对应的监控范围内确定出一个或多个行人(例如,第一目标)进行跟踪,假设行人之后移出了第一监控范围。例如,行人从第一监控范围移到了第二监控范围,将负责第二监控范围的摄像头称为第二摄像头,其中,第二摄像头可以包括多个摄像头中除第一摄像头以外的一个或多个摄像头。
示例性的,当第一目标的中心点坐标不在第一监控范围内时,可以认为第一目标移出了第一监控范围。
示例性的,当第一目标移出第一监控范围时,可以通过步骤1和步骤2获取第二监控范围内的多个对象的运动特征以及外观特征:
步骤1、确定第二监控范围。
在一种实现方式中,可以由用户自行指定第二摄像头,从而确定第二监控范围,例如,用户可以将摄像头阵列中的一个或多个摄像头指定为第二摄像头,则摄像头阵列中的一个或多个摄像头对应的监控范围为第二监控范围,或者,用户可以实时在摄像头阵列中指定一个或多个摄像头为第二摄像头,将用户实时在摄像头阵列中指定一个或多个摄像头对应的监控范围为第二监控范围。
在另一种实现方式中,可以根据第一目标移出第一监控范围时,第一目标在第一监控范围内所处的方位,确定第二监控范围。
示例性的,在确定第一目标在第一监控范围内所处的方位时,可以根据第一目标的中心点坐标,确定第一目标在第一监控范围内所处的方位。
示例性的,第一目标在第一监控范围内的方位可以是第一监控范围的左上方、右上方、左下方、右下方。
下面以如图2所示的多摄像头监控***为例进行说明,通过摄像头阵列201对第一目标进行跟踪,其中第一目标初始位置在第一摄像头的监控范围202内,第一摄像头对应的第一监控范围202如图2所示。
例如,第一目标移出第一监控范围时对应的方位如图3中的(a)图所示,即,第一目标301在第一监控范围302中的方位为左上方。
应理解,由于第一监控范围之间的位置关系与摄像头之间的位置关系相对应,在这种情况下,如图3中的(b)图所示,第二摄像头可以是第一摄像头303的左方的摄像头304、第一摄像头303上方的摄像头305、第一摄像头303左上方的摄像头306,此时,第二监控范围为第二摄像头对应的监控范围。
又例如,第一目标移出第一监控范围时对应的方位如图4中的(a)图所示,即,第一目标401在第一监控范围402中的方位为右上方,在这种情况下,如图4中的(b)图所示,第二摄像头可以是第一摄像头403的右方的摄像头404、第一摄像头403上方的摄像头405、第一摄像头403右上方的摄像头406,此时,第二监控范围为第二摄像头对应的监控范围。
又例如,第一目标移出第一监控范围时对应的方位如图5中的(a)图所示,即,第一目标501在第一监控范围502中的方位为左下方,在这种情况下,如图5中的(b)图所示,第二摄像头可以是第一摄像头503的左方的摄像头504、第一摄像头503下方的摄像头505、第一摄像头503左下方的摄像头506,此时,第二监控范围为第二摄像头对应的监控范围。
又例如,第一目标移出第一监控范围时对应的方位如图6中的(a)图所示,即,第一目标601在第一监控范围602中的方位为右下方,在这种情况下,如图6中的(b)图所示,第二摄像头可以是第一摄像头603的右方的摄像头604、第一摄像头603下方的摄像头605、第一摄像头603右下方的摄像头606,此时,第二监控范围为第二摄像头对应的监控范围。
示例性的,当第一目标移出第一监控范围时对应的方位为上方时,第二摄像头也可以是第一摄像头上方的摄像头,第二监控范围为第二摄像头对应的监控范围。当第一目标移出第一监控范围时对应的方位为下方时,第二摄像头也可以是第一摄像头下方的摄像头,第二监控范围为第二摄像头对应的监控范围。当第一目标移出第一监控范围时对应的方位为左方时,第二摄像头也可以是第一摄像头左方的摄像头,第二监控范围为第二摄像头对应的监控范围。当第一目标移出第一监控范围时对应的方位为右方时,第二摄像头也可以是第一摄像头右方的摄像头,第二监控范围为第二摄像头对应的监控范围。
应理解,由于摄像头之间的位置关系与监控范围之间的相对关系不固定,因此本申请对根据第一目标移出第一监控范围时,第一目标在第一监控范围内所处的方位确定第二监控范围时使用的规则不作限定。
示例性的,当多个第一目标移出第一监控范围时,可以根据多个第一目标中的每个目标在第一监控范围内所处的方位,确定第二监控范围。
例如,存在两个第一目标移出第一监控范围,第一目标1移出第一监控范围时,在第一监控范围内所处的方位为左上方,第一目标2移出第一健康范围时,在第一监控范围内所处的方位为右下方。则第二监控范围为第一监控范围对应的摄像头左方的摄像头,第一监控范围对应的摄像头上方的摄像头,第一监控范围对应的摄像头左上方的摄像头,第一监控范围对应的摄像头右方的摄像头,第一监控范围对应的摄像头下方的摄像头,第一监控范围对应的摄像头右下方的摄像头。
步骤2、获取第二监控范围内的多个对象的运动特征以及外观特征。
在一些实施例中,可以使用深度学习的模型获取第二监控范围内的多个对象的运动特征以及外观特征。
示例性的,可以将第二监控范围中,当前帧的图像输入到深度学习的模型中,确定第二监控范围内多个对象的位置,并确定出多个对象的运动特征,再根据多个对象确定的位置,从当前帧的图像中裁取各个对象的图像输入到用于获取外观特征的模型中,获取多个对象的外观特征。
示例性的,多个对象的外观特征可以包括更多个对象中每个对象的轮廓、颜色等特征,多个对象的运动特征可以包括多个对象中每个对象移动速度、移动的加速度、移动的方位等特征。
示例性的,多个对象中的每个对象的外观特征以及运动特征可以用向量的形式来表示,也可以矩阵的形式来表示。
例如,以通过向量的形式表示对象的外观特征为例进行说明,外观特征可以通过一个向量来表示,也可以通过多个向量的集合来表示,本申请对外观特征以及运动特征的表示形式不作限定。
S102、根据第一目标的外观特征以及运动特征、第二监控范围中的多个对象的运动特征以及外观特征,从多个对象中确定第一目标。
在一些实施例中,可以根据第一目标的外观特征以及多个对象中每个对象的外观特征,确定第一参数,其中第一参数包括第二监控范围内的多个对象中的每个对象的外观特征与第一目标的外观特征之间的相似度。并根据第一目标的运动特征以及多个对象中每个对象的运动特征,确定第二参数,其中第二参数包括第二监控范围内的多个对象中的每个对象的运动特征与第一目标的运动特征之间的相似度。最后根据第一参数与第二参数,从多个对象中确定第一目标。
示例性的,在第一目标移出第一监控范围之前,可以根据第一目标在当前时刻的第三位置信息,获取第一目标在当前时刻的外观特征,并将第一目标在当前时刻对应的外观特征替换前一时刻的外观特征,进行存储,在第一目标移出第一监控范围时,可以将在当前时刻存储的外观特征确定为第一目标的外观特征。
应理解,在第一目标移出第一监控范围之前,对第一目标进行监控时,在每次确定在当前时刻的第一目标的第三位置信息时,同时可以确定出第一目标的运动特征,并将第一目标在当前时刻对应的运动特征替换前一时刻的运动特征,进行存储。在第一目标移出第一监控范围时,可以将当前时刻存储的运动特征确定为第一目标的运动特征。
具体的,可以通过步骤3、步骤4、步骤5,从多个对象中确定第一目标。
步骤3、确定根据第一目标的外观特征以及多个对象中每个对象的外观特征,确定第一参数,其中第一参数包括第二监控范围内的多个对象中的每个对象的外观特征与第一目标的外观特征之间的相似度。
示例性的,可以通过确定多个对象中每个对象的外观特征与第一目标的外观特征,可以得到多组参数,其中每个参数用来表示多个对象中的其中一个对象与第一目标的外观特征的相似度,将该多组参数确定为第一参数。
示例性的,在确定多个对象中的每个对象的外观特征与第一目标的外观特征之间的相似度时,可以使用欧式距离法、余弦距离法等方法确定多个对象中的每个对象的外观特征与第一目标的外观特征之间的相似度,本申请对确定相似度的方法不作限定。
例如,以第一目标的外观特征为向量1,第二监控范围中包括5个对象,且5个对象的外观特征分别为向量2、向量3、向量4、向量5、向量6为例进行说明,在这种情况下,可以确定出第一参数中包括5个对象与第一目标之间的外观特征的相似度分别为0.3、0.2、0.5、0.9、0.5,分别代表多个对象中每个对象的外观特征与第一目标的外观特征之间的相似程度。
步骤4、根据第一目标的运动特征以及多个对象中每个对象的运动特征,确定第二参数,其中第二参数包括第二监控范围内的多个对象中的每个对象的运动特征与第一目标的运动特征之间的相似度。
示例性的,可以通过确定多个对象中每个对象的运动特征与第一目标的运动特征,可以得到多组参数,其中每个参数用来表示多个对象中的其中一个对象与第一目标的运动特征的相似度,将该多组参数确定为第二参数。
示例性的,在确定多个对象中的每个对象的运动特征与第一目标的运动特征之间的相似度时,可以使用欧式距离法、余弦距离法等方法确定多个对象中的每个对象的运动特征与第一目标的运动特征之间的相似度,本申请对确定相似度的方法不作限定。
例如,以第一目标的运动特征为向量1,第二监控范围中包括5个对象,且5个对象的外观特征分别为向量2、向量3、向量4、向量5、向量6为例进行说明,在这种情况下,可以确定出第一参数中包括5个对象与第一目标之间的外观特征的相似度分别为0.4、0.6、0.2、0.8、0.2,分别代表多个对象中每个对象的运动特征与第一目标的运动特征之间的相似程度。
步骤5、根据第一参数与第二参数,从多个对象中确定第一目标。
在一些实施例中,在确定出第一参数与第二参数之后,根据第一参数中的多个相似度的值与第二参数中的多个相似度的值,从多个对象中确定第一目标。
例如,第二监控范围中包括5个对象,分别为对象1、对象2、对象3、对象4、对象5,5个对象对应的第一参数包括0.3、0.2、0.5、0.9、0.5,5个对象对应的第二参数包括0.4、0.6、0.2、0.8、0.2。即,对象1与第一目标之间的外观特征的相似度为0.3,对象1与第一目标之间的运动特征的相似度为0.4,对象2与第一目标之间的外观特征的相似度为0.2,对象2与第一目标之间的运动特征的相似度为0.6,对象3与第一目标之间的外观特征的相似度为0.5,对象3与第一目标之间的运动特征的相似度为0.2,对象4与第一目标之间的外观特征的相似度为0.9,对象4与第一目标之间的运动特征的相似度为0.8,对象5与第一目标之间的外观特征的相似度为0.5,对象5与第一目标之间的运动特征的相似度为0.2。
在这种情况下,可以对第一参数与第二参数进行加权处理,得到各个对象与第一目标之间的加权处理之后的相似度,将各个对象中加权得到的相似度最高的对象确定为第一目标。
示例性的,对第一参数与第二参数的加权系数可以根据用户的需要进行设置,在实际应用中,对加权的系数不作限定。
例如,外观特征的加权系数为0.5,运动特征的加权系数为0.5,在这种情况下,多个对象中的各个对象对应的加权处理后的相似度分别为0.35、0.4、0.35、0.85、0.35,则可以看到,对象4对应的加权处理后的相似度为0.85,为多个对象中相似度最高的对象,因此将对象4确定第一目标。
可选的,用户可以根据需求设置一个阈值,当根据上述方法从多个对象中确定出一个对象时,当该对象与第一目标之间的外观特征的相似度大于或等于设置的阈值时,可以将该对象确定为第一目标。
示例性的,本申请实施例仅以一个第一目标为例进行说明,在实际使用中,当多个第一目标移出第一监控范围时,多个第一目标中的每个第一目标都对应一个编号。
在一种实现方式中,当存在多个第一目标时,可以根据多个第一目标移出第一监控范围时,第一目标在第一监控范围内所处的方位,确定第二监控范围,再从第二监控范围对应的多个对象中,确定多个对象为移出第一监控范围的第一目标。
例如,存在3个第一目标,分别为第一目标1、第一目标2、第一目标3,可以根据第一目标1、第一目标2、第一目标3移出第一监控范围的方位,确定第二监控范围,再通过第二监控范围内的多个对象的外观特征与运动特征,从第二监控范围内确定多个对象为移出第一监控范围的多个第一目标。
例如,当3个第一目标移出第一监控范围时,可以确定第二监控范围内的多个对象的外观特征以及运动特征。根据第一目标1的外观特征以及运动特征,以及多个对象中每个的多个对象的外观特征以及运动特征,从多个对象中确定第一目标1,再根据第一目标2的外观特征以及运动特征,以及多个对象中每个的多个对象的外观特征以及运动特征,从多个对象中确定第一目标2,确定第一目标3的方式可以参考确定第一目标1或确定第一目标2的方式。最终实现从多个对象中确定3个对象,分别对应第一目标1、第一目标2、第一目标3。
在另一种实现方式中,当存在多个第一目标时,可以先根据多个第一目标中每个第一目标,分别确定第二监控范围,再在每个第一目标对应的监控范围内,确定第一目标。
例如,存在3个第一目标,可以先根据第一目标1确定第二监控范围,再从由第一目标1确定的第二监控范围内的多个对象中,确定第一目标1,再根据第一目标2确定第二监控范围,再从由第一目标2确定的第二监控范围内的多个对象中,确定第一目标2,确定第一目标3的方式可以参考确定第一目标1的方式或第一目标2的方式。
示例性的,以外观特征为向量为例,在外观特征中包括多个外观特征向量时,可以分别求取每个对象中各个外观特征向量与第一目标之间的相似度,并将求取到的多个相似度进行求取平均值,或进行加权处理,以确定每个对象与第一目标之间外观特征的相似度。
例如,外观特征中包括两个外观特征,分别为表示轮廓的外观特征与颜色的外观特征,则第一目标与某个对象的外观特征的相似度分别为0.6、0.1,则可以将两个相似度的值取平均值,确定该对象与第一目标之间的外观特征的相似度为0.35。
在一些实施例中,在一个摄像头对应的监控范围中,可以通过步骤6、步骤7对第一目标进行跟踪。
示例性的,在可以将摄像头阵列中的任意一个摄像头确定为第一摄像头,对第一摄像头对应的监控范围进行检测,从第一摄像头对应的监控范围内,确定第一目标。
可选的,可以将摄像头阵列中,中心位置的摄像头确定为第一摄像头,对第一摄像头对应的监控范围内的对象进行检测,获取一个或多个第一目标。
其中第一目标的个数可以由用户指定,每个第一目标对应一个编号,当编号的第一目标均离开摄像头阵列对应的监控范围时,重新对第一摄像头对应的监控范围进行检测,确定一个或多个第一目标。
步骤6、获取第一目标在当前时刻的第一位置信息。
示例性的,可以通过深度学习的方式,对第一目标所在的监控范围内对应的图像进行检测,获取第一目标在当前时刻的第一位置信息。
可选的,深度学习的方式可以是通过神经网络模型,对第一目标进行检测的方式,从而得到第一目标在当前时刻的第一位置信息,其中神经网络模型为经过大量训练样本对神经网络模型进行训练之后,得到的训练好的神经网络模型。
例如,可以将当前帧的图像输入到神经网络模型中,对第一目标进行检测,获取第一目标在当前监控范围内的第一位置。
步骤7、根据第一位置信息与第二位置信息,确定第一目标在当前时刻的第三位置信息,其中第二位置信息时根据第一目标在前一时刻的第三位置信息确定的。
示例性的,可以将第一目标的第一位置信息输入到滤波器中,由于滤波器会根据前一时刻第一目标的第三位置信息得到第一目标在当前时刻的第二位置信息,因此将第一目标的第一位置输入到滤波器中,可以由滤波器根据第一目标的第一位置信息与第二位置信息,确定出一个第一目标的第三位置信息,用于对第一目标的跟踪。
应理解,由于首次确定第一目标的位置信息时,仅能够对第一目标进行检测,得到第一目标的第一位置信息,而无法根据在前一时刻第一目标的位置信息,因此首次确定的第一目标的第二位置信息与第三位置信息均为第一目标的第一位置信息。
可选的,用于确定第一目标的位置信息的滤波器可以是卡尔曼滤波器,即,可以根据卡尔曼滤波器预测第一目标在当前时刻的第二位置信息,并第一目标在当前时刻的第一位置信息,由卡尔曼滤波器输出一个第一目标的第三位置信息。
在一些实施例中,可以通过以下方式确定第一目标的第二位置信息。
示例性的,可以根据第一目标在前一时刻的第三位置信息以及,第一目标在前一时刻的运动特征,和/或,第一目标在前一时刻的观察框的尺寸,确定第一目标在当前时刻的第二位置信息。
应理解,为了方便观察目标,根据第一目标的轮廓确定出一个第一目标的观察框,其中第一目标轮廓的尺寸越大,第一目标的观察框的尺寸越大。
可选的,可以根据第一目标在前一时刻的第三位置信息与第一目标在前一时刻的运动特征,确定第一目标在当前时刻的第二位置信息。
例如,第一目标在前一时刻的第三位置的坐标为(3,4),根据第一目标在前一时刻的运动特征,确定第一目标在当前时刻的第二位置为(4,4)。
可选的,可以根据第一目标在前一时刻的第三位置信息与第一目标在前一时刻的观察框的尺寸,确定第一目标在当前时刻的第二位置信息。
例如,第一目标在前一时刻的第三位置的坐标为(5,7),第一目标在前一时刻的观察框的尺寸的宽度为100厘米,观察框的长度为100厘米,则可以根据第一目标在前一时刻的第三位置以及观察框的尺寸,通过运动特征,确定出第一目标在当前时刻的第二位置为(6,7)。
在本申请的一些实施例中,也可以第一目标在前一时刻的第三位置对应的外观特征以及第一目标在当前时刻的第三位置对于的外观特征,确定是否重新确定所述第一目标在当前时刻的第三位置信息。
示例性的,若第一目标在前一时刻的第三位置对应的外观特征以及第一目标在当前时刻的第三位置对于的外观特征之间的相似度小于或等于预设阈值,则需要重新确定第一目标在当前时刻的第三位置信息。
例如,设置预设阈值为0.6,则第一目标在前一时刻的第三位置对应的外观特征以及第一目标在当前时刻的第三位置对于的外观特征之间的相似度为0.2,则在这种情况下,很有可能当前时刻确定的第一目标不再是前一时刻确定的第一目标,即目标跟踪的过程中可能出现错误跟踪的现象,此时需要使用上述方法,重新确定第一目标的第三位置信息。
可选的,重新确定第一目标的第三位置信息可以参考上述首次确定第一目标的第三位置信息的方法,此处为了简洁,不再赘述。
在本申请的一些实施例中,当所述第一目标在所述第一监控范围内消失时,可以获取第一监控范围内的多个对象的运动特征以及外观特征,在根据在第一监控范围内消失的第一目标对应的运动特征以及外观特征,确定多个对象中是否存在第一目标。
例如,当第一监控范围内某个对象与第一目标的相似度达到了0.9,则可以将该对象确定为第一目标,沿用第一目标对应的编号,按照上述方法确定第一目标的第三位置,实现对第一目标的跟踪。
图7为本申请实施例提供的目标跟踪装置700的示意性框图,包括获取单元701和确定单元702。
获取单元701,用于当第一目标移出第一监控范围时,获取第二监控范围内的多个对象的运动特征以及外观特征,所述第二监控范围为所述第一目标当前所处的监控范围,所述第一监控范围与第一摄像头对应,所述第二监控范围与第二摄像头对应。
确定单元702,用于根据所述第一目标的外观特征以及运动特征、所述第二监控范围中的多个对象的运动特征以及外观特征,从所述多个对象中确定所述第一目标。
可选的,确定单元702,还用于根据所述第二监控范围中的多个对象的运动特征与所述第一目标的运动特征,确定第一参数,所述第一参数包括所述第二监控范围中的每个对象的外观特征与所述第一目标的外观特征之间的相似度。
可选的,确定单元702,还用于根据所述第二监控范围中的多个对象的外观特征与所述第一目标的外观特征,确定第二参数,所述第二参数包括所述第二监控范围中的每个对象的运动特征与所述第一目标的运动特征之间的相似度。
可选的,确定单元702,还用于根据所述第一参数与所述第二参数,从所述多个对象中确定所述第一目标。
可选的,在所述第一目标处于单摄像头对应的监控范围内时,获取单元701,还用于获取所述第一目标在当前时刻的第一位置信息。
可选的,在所述第一目标处于单摄像头对应的监控范围内时,确定单元702,还用于根据所述第一位置信息与第二位置信息,确定所述第一目标在当前时刻的第三位置信息,所述第二位置信息是根据所述第一目标在前一时刻的第三位置信息确定的。
可选的,所述第二位置信息是根据所述第一目标在前一时刻的位置信息、所述第一目标对应的观察框在前一时刻的尺寸、所述第一目标在前一时刻的运动特征确定的,所述第一目标的观察框的尺寸是根据所述第一目标的轮廓确定的。
可选的,确定单元702,还用于在所述第一监控范围中,第一目标在前一时刻的第三位置信息对应的外观特征以及当前时刻的第三位置信息对应的外观特征之间的相似度小于或等于第一阈值的情况下,在所述第一监控范围内,重新确定所述第一目标在当前时刻的第三位置信息。
可选的,确定单元702,还用于根据所述第一目标移出所述第一监控范围时,所述第一目标在所述第一监控范围内所处的方位,确定所述第二监控范围。
可选的,当所述第一目标在所述第一监控范围内消失时,所述获取单元701,还用于获取所述第一监控范围中的多个对象的运动特征以及外观特征。
可选的,当所述第一目标在所述第一监控范围内消失时,确定单元702,还用于根据所述第一目标的外观特征以及运动特征、所述第一监控范围中的多个对象的运动特征以及外观特征,确定所述多个对象中是否存在所述第一目标。
应理解的是,本申请实施例的装置700可以通过专用集成电路(application-specific integrated circuit,ASIC)实现,或可编程逻辑器件(programmable logicdevice,PLD)实现,上述PLD可以是复杂程序逻辑器件(complex programmable logicaldevice,CPLD),现场可编程门阵列(field-programmable gate array,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。也可以通过软件实现图1所示的目标跟踪的方法,当通过软件实现图1所示的目标跟踪的方法时,装置700及其各个模块也可以为软件模块。
图8为本申请实施例提供的一种设备的结构示意图。如图8所示,其中设备800包括处理器801、存储器802、通信接口803和总线804。其中,处理器801、存储器802、通信接口803通过总线804进行通信,也可以通过无线传输等其他手段实现通信。该存储器802用于存储指令,该处理器801用于执行该存储器802存储的指令。该存储器802存储程序代码8021,且处理器801可以调用存储器802中存储的程序代码8021执行图1所示的目标跟踪的方法。
应理解,在本申请实施例中,处理器801可以是CPU,处理器801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)、现场可编程门阵列(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是任何常规的处理器等。
该存储器802可以包括只读存储器和随机存取存储器,并向处理器801提供指令和数据。存储器802还可以包括非易失性随机存取存储器。该存储器802可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double datadate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
该总线804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8中将各种总线都标为总线804。
应理解,根据本申请实施例的设备800可对应于本申请实施例中的装置700,并可以对应于本申请实施例图1所示方法中的设备,当设备800对应于图1所示方法中的设备时,设备800中的各个模块的上述和其它操作和/或功能分别为了实现图1中的由设备执行的方法的操作步骤,为了简洁,在此不再赘述。
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移动终端上运行时,使得移动设备执行时实现可实现上述各个方法实施例中的步骤。
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。
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,即将上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。
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/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,上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。
上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)
1.一种目标跟踪的方法,应用于包括多个摄像头的监控***,其特征在于,包括:
当第一目标移出第一监控范围时,获取第二监控范围内的多个对象的运动特征以及外观特征,所述第二监控范围为所述第一目标当前所处的监控范围,所述第一监控范围与第一摄像头对应,所述第二监控范围与第二摄像头对应;
根据所述第一目标的运动特征以及外观特征、所述第二监控范围中的多个对象的运动特征以及外观特征,从所述多个对象中确定所述第一目标。
2.如权利要求1所述的方法,其特征在于,所述根据所述第一目标的外观特征以及运动特征、所述第二监控范围中的多个对象的运动特征以及外观特征,从所述多个对象中确定所述第一目标,包括:
根据所述第二监控范围中的多个对象的运动特征与所述第一目标的运动特征,确定第一参数,所述第一参数包括所述第二监控范围中的每个对象的外观特征与所述第一目标的外观特征之间的相似度;
根据所述第二监控范围中的多个对象的外观特征与所述第一目标的外观特征,确定第二参数,所述第二参数包括所述第二监控范围中的每个对象的运动特征与所述第一目标的运动特征之间的相似度;
根据所述第一参数与所述第二参数,从所述多个对象中确定所述第一目标。
3.如权利要求1所述的方法,其特征在于,在所述第一目标处于单摄像头对应的监控范围内时,所述方法还包括:
获取所述第一目标在当前时刻的第一位置信息;
根据所述第一位置信息与第二位置信息,确定所述第一目标在当前时刻的第三位置信息,所述第二位置信息是根据所述第一目标在前一时刻的第三位置信息确定的。
4.如权利要求3所述的方法,其特征在于,所述第二位置信息是根据所述第一目标在前一时刻的位置信息、所述第一目标对应的观察框在前一时刻的尺寸、所述第一目标在前一时刻的运动特征确定的,所述第一目标的观察框的尺寸是根据所述第一目标在前一时刻的轮廓确定的。
5.如权利要求3或4所述的方法,其特征在于,所述方法还包括:
若在所述第一监控范围中,第一目标在前一时刻的第三位置信息对应的外观特征以及当前时刻的第三位置信息对应的外观特征之间的相似度小于或等于第一阈值,则在所述第一监控范围内,重新确定所述第一目标在当前时刻的第三位置信息。
6.如权利要求1或2所述的方法,其特征在于,所述方法还包括:
根据所述第一目标移出所述第一监控范围时,所述第一目标在所述第一监控范围内所处的方位,确定所述第二监控范围。
7.如权利要求1至4任一项所述的方法,其特征在于,当所述第一目标在所述第一监控范围内消失时,所述方法还包括:
获取所述第一监控范围中的多个对象的运动特征以及外观特征;
根据所述第一目标的外观特征以及运动特征、所述第一监控范围中的多个对象的运动特征以及外观特征,确定所述多个对象中是否存在所述第一目标。
8.一种目标跟踪的装置,其特征在于,包括用于执行如权利要求1至7任一项所述方法的模块。
9.一种设备,其特征在于,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7任一项所述的方法。
10.一种计算机程序产品,其特征在于,当所述计算机程序产品在设备运行时,实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669635.7A CN114419097A (zh) | 2021-12-30 | 2021-12-30 | 目标跟踪的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669635.7A CN114419097A (zh) | 2021-12-30 | 2021-12-30 | 目标跟踪的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419097A true CN114419097A (zh) | 2022-04-29 |
Family
ID=81272257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111669635.7A Pending CN114419097A (zh) | 2021-12-30 | 2021-12-30 | 目标跟踪的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419097A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6445409B1 (en) * | 1997-05-14 | 2002-09-03 | Hitachi Denshi Kabushiki Kaisha | Method of distinguishing a moving object and apparatus of tracking and monitoring a moving object |
CN101572804A (zh) * | 2009-03-30 | 2009-11-04 | 浙江大学 | 多摄像机智能控制方法及装置 |
CN104660987A (zh) * | 2015-01-27 | 2015-05-27 | 武汉烽火众智数字技术有限责任公司 | 一种目标运动轨迹分析的方法和监控*** |
CN105744219A (zh) * | 2014-12-26 | 2016-07-06 | 三星电子株式会社 | 用于操作安全***的方法和设备 |
CN106303442A (zh) * | 2016-08-26 | 2017-01-04 | 浙江大华技术股份有限公司 | 追踪路径拓扑结构建立方法、目标对象追踪方法及设备 |
CN106295598A (zh) * | 2016-08-17 | 2017-01-04 | 北京大学 | 一种跨摄像头目标跟踪方法及装置 |
CN107066931A (zh) * | 2017-01-12 | 2017-08-18 | 张家港全智电子科技有限公司 | 一种基于监控视频的目标轨迹跟踪方法 |
CN107093188A (zh) * | 2017-04-12 | 2017-08-25 | 湖南源信光电科技股份有限公司 | 一种基于全景摄像机和高速球机的智能联动与跟踪方法 |
CN107564034A (zh) * | 2017-07-27 | 2018-01-09 | 华南理工大学 | 一种监控视频中多目标的行人检测与跟踪方法 |
CN110428448A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
CN110490902A (zh) * | 2019-08-02 | 2019-11-22 | 西安天和防务技术股份有限公司 | 应用于智慧城市的目标跟踪方法、装置、计算机设备 |
CN110866480A (zh) * | 2019-11-07 | 2020-03-06 | 浙江大华技术股份有限公司 | 对象的跟踪方法及装置、存储介质、电子装置 |
CN110969097A (zh) * | 2019-11-18 | 2020-04-07 | 浙江大华技术股份有限公司 | 监控目标联动跟踪控制方法、设备及存储装置 |
-
2021
- 2021-12-30 CN CN202111669635.7A patent/CN114419097A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6445409B1 (en) * | 1997-05-14 | 2002-09-03 | Hitachi Denshi Kabushiki Kaisha | Method of distinguishing a moving object and apparatus of tracking and monitoring a moving object |
CN101572804A (zh) * | 2009-03-30 | 2009-11-04 | 浙江大学 | 多摄像机智能控制方法及装置 |
CN105744219A (zh) * | 2014-12-26 | 2016-07-06 | 三星电子株式会社 | 用于操作安全***的方法和设备 |
CN104660987A (zh) * | 2015-01-27 | 2015-05-27 | 武汉烽火众智数字技术有限责任公司 | 一种目标运动轨迹分析的方法和监控*** |
CN106295598A (zh) * | 2016-08-17 | 2017-01-04 | 北京大学 | 一种跨摄像头目标跟踪方法及装置 |
CN106303442A (zh) * | 2016-08-26 | 2017-01-04 | 浙江大华技术股份有限公司 | 追踪路径拓扑结构建立方法、目标对象追踪方法及设备 |
CN107066931A (zh) * | 2017-01-12 | 2017-08-18 | 张家港全智电子科技有限公司 | 一种基于监控视频的目标轨迹跟踪方法 |
CN107093188A (zh) * | 2017-04-12 | 2017-08-25 | 湖南源信光电科技股份有限公司 | 一种基于全景摄像机和高速球机的智能联动与跟踪方法 |
CN107564034A (zh) * | 2017-07-27 | 2018-01-09 | 华南理工大学 | 一种监控视频中多目标的行人检测与跟踪方法 |
CN110428448A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
CN110490902A (zh) * | 2019-08-02 | 2019-11-22 | 西安天和防务技术股份有限公司 | 应用于智慧城市的目标跟踪方法、装置、计算机设备 |
CN110866480A (zh) * | 2019-11-07 | 2020-03-06 | 浙江大华技术股份有限公司 | 对象的跟踪方法及装置、存储介质、电子装置 |
CN110969097A (zh) * | 2019-11-18 | 2020-04-07 | 浙江大华技术股份有限公司 | 监控目标联动跟踪控制方法、设备及存储装置 |
Non-Patent Citations (1)
Title |
---|
万琴等: "一种多运动目标检测、跟踪方法研究与实现", 《计算机应用研究》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409354B (zh) | 无人机智能跟随目标确定方法、无人机和遥控器 | |
CN109960742B (zh) | 局部信息的搜索方法及装置 | |
CN110363817B (zh) | 目标位姿估计方法、电子设备和介质 | |
KR20210110713A (ko) | 모델 트레이닝 방법 및 장치, 및 이를 위한 단말 및 저장 매체 | |
CN111931764A (zh) | 一种目标检测方法、目标检测框架及相关设备 | |
CN113591872A (zh) | 一种数据处理***、物体检测方法及其装置 | |
CN111401196A (zh) | 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质 | |
CN112037249A (zh) | 一种对摄像装置影像中物体进行跟踪的方法及装置 | |
CN112912894B (zh) | 道路边界识别方法和装置 | |
CN113112525A (zh) | 目标跟踪方法、网络模型及其训练方法、设备和介质 | |
CN111899285B (zh) | 目标对象的跟踪轨迹的确定方法和装置、存储介质 | |
CN112348116A (zh) | 利用空间上下文的目标检测方法、装置和计算机设备 | |
CN114802261A (zh) | 泊车控制方法、障碍物识别模型训练方法、装置 | |
CN115294539A (zh) | 多任务检测方法及装置、存储介质、终端 | |
CN115223135B (zh) | 车位跟踪方法、装置、车辆及存储介质 | |
CN112508839A (zh) | 对象检测***及其对象检测方法 | |
CN108876812B (zh) | 用于视频中物体检测的图像处理方法、装置及设备 | |
CN114220063A (zh) | 目标检测方法及装置 | |
CN114972492A (zh) | 一种基于鸟瞰图的位姿确定方法、设备和计算机存储介质 | |
CN110633630B (zh) | 一种行为识别方法、装置及终端设备 | |
CN114419097A (zh) | 目标跟踪的方法及装置 | |
CN114648639B (zh) | 一种目标车辆的检测方法、***及装置 | |
CN113936042B (zh) | 一种目标跟踪方法、装置和计算机可读存储介质 | |
CN112257686B (zh) | 人体姿态识别模型的训练方法、装置及存储介质 | |
CN113661513A (zh) | 一种图像处理方法、设备、图像处理***及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220429 |