CN114463386A - 一种视觉跟踪方法、装置、设备及存储介质 - Google Patents
一种视觉跟踪方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114463386A CN114463386A CN202210113895.4A CN202210113895A CN114463386A CN 114463386 A CN114463386 A CN 114463386A CN 202210113895 A CN202210113895 A CN 202210113895A CN 114463386 A CN114463386 A CN 114463386A
- Authority
- CN
- China
- Prior art keywords
- target
- area
- determining
- super
- seeds
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视觉跟踪方法,包括:获取待检测图像;待检测图像中包括矩形目标区域;确定矩形目标区域中的纯净目标区域;将纯净目标区域作为设定视觉跟踪算法中的跟踪目标进行视觉跟踪。本发明公开的视觉跟踪方法,通过确定纯净目标区域解决了视觉跟踪算法中将部分背景区域作为跟踪目标的问题,提升了视觉跟踪算法的跟踪效果。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种视觉跟踪方法、装置、设备及存储介质。
背景技术
随着计算机网络、信息存储技术、成像技术、计算机处理能力和数字通信等相关科学的迅速发展,使得现实世界的信息可以通过计算机视觉***将其转变为计算机可以处理的数字信息。计算机视觉利用视频传感器捕捉现实世界的图像、视频或者多维数据信息,再进一步用计算机去处理这些信息以实现人眼的功能如目标的检测、跟踪、行为识别和分析等。计算机视觉作为当今世界最热门的问题之一,其目的是通过算法检测出图像中包含的目标并定义这些目标之间的关系从而实现对图像的理解。作为计算机视觉的一个分支,视觉跟踪主要有人机交互、智能交通***、视觉导航以及军事应用等几方面的应用。
现有的基于分块策略的视觉跟踪算法采用了多个局部块去表示跟踪的目标并且在粒子滤波框架下使用关联滤波器获得跟踪的结果。该算法的核心点是如何在跟踪过程中识别那些从目标处截取的图像块。
分块跟踪策略没有充分利用目标及其周围环境信息,因此会影响跟踪效果,具体为以下两点:(1)因为所要跟踪的目标通常具有不规则的形状,而手工标注的目标边界框通常都是一个规则的矩形框,那么分块跟踪算法依据目标边界框采样得到的图像块可能就会包含过多的背景区域,将这些图像块用于目标的后续跟踪可能会造成不准确的跟踪结果;(2)分块跟踪策略中将部分背景信息作为目标的表观表示会影响跟踪效果,更为严重的是,误差在跟踪的过程中会逐渐积累和传播,影响跟踪算法对后续帧中目标位置的计算,可能会造成跟踪目标丢失。
发明内容
本发明提供了一种视觉跟踪方法、装置、设备及存储介质,以实现对视觉跟踪效果的提升。
根据本发明的一方面,提供了一种视觉跟踪方法,包括:
获取待检测图像;所述待检测图像中包括矩形目标区域;
确定所述矩形目标区域中的纯净目标区域;
将所述纯净目标区域作为设定视觉跟踪算法中的跟踪目标进行视觉跟踪。
进一步地,确定所述矩形目标区域中的纯净目标区域,包括:
在所述矩形目标区域中建立目标先验区域;
将所述矩形目标区域与所述目标先验区域之间的部分确定为待验证区域;
确定所述待验证区域中属于所述目标对象的目标区域,将所述目标先验区域与目标区域的集合确定为所述纯净目标区域。
进一步地,在所述矩形目标区域中建立目标先验区域,包括:
确定所述目标先验区域与所述矩形目标区域的面积比;所述面积比小于1;
将所述矩形目标区域的中心确定为所述目标先验区域的中心,根据所述面积比确定所述目标先验区域的大小。
进一步地,确定所述待验证区域中属于所述目标对象的目标区域,包括:
建立背景先验区域;所述背景先验区域包括所述矩形目标区域与背景区域;
对所述背景先验区域进行超像素划分,得到设定个数的超像素种子;
将属于所述待验证区域的超像素种子确定为待验证超像素种子,确定所述待验证超像素种子中属于所述目标对象的目标超像素种子;
将所述目标超像素种子的集合确定为所述目标区域。
进一步地,确定所述待验证超像素种子中属于所述目标对象的目标超像素种子,包括:
根据所述待验证超像素种子与所述目标先验区域及背景区域的相似性,将所述待验证超像素种子分类为二次验证超像素种子和背景超像素种子;
确定各所述二次验证超像素种子对应的权重自相似函数值,根据所述权重自相似函数值的大小确定所述二次验证超像素种子中的目标超像素种子。
进一步地,根据所述权重自相似函数值的大小确定所述二次验证超像素种子中的目标超像素种子,包括:
将各所述二次验证超像素种子对应的权重自相似函数值按从大到小的顺序排序;
将排序最后的设定个数的二次验证超像素种子确定为所述背景超像素种子;
将去除所述背景超像素种子之后的二次验证超像素种子确定为所述目标超像素种子。
进一步地,所述设定视觉跟踪算法包括分块跟踪算法。
根据本发明的另一方面,提供了一种视觉跟踪装置,包括:
待检测图像获取模块,用于获取待检测图像;所述待检测图像中包括矩形目标区域;
纯净目标区域确定模块,用于确定所述矩形目标区域中的纯净目标区域;
视觉跟踪模块,用于将所述纯净目标区域作为设定视觉跟踪算法中的跟踪目标进行视觉跟踪。
可选的,纯净目标区域确定模块还用于:
在所述矩形目标区域中建立目标先验区域;
将所述矩形目标区域与所述目标先验区域之间的部分确定为待验证区域;
确定所述待验证区域中属于所述目标对象的目标区域,将所述目标先验区域与目标区域的集合确定为所述纯净目标区域。
可选的,纯净目标区域确定模块还用于:
确定所述目标先验区域与所述矩形目标区域的面积比;所述面积比小于1;
将所述矩形目标区域的中心确定为所述目标先验区域的中心,根据所述面积比确定所述目标先验区域的大小。
可选的,纯净目标区域确定模块还用于:
建立背景先验区域;所述背景先验区域包括所述矩形目标区域与背景区域;
对所述背景先验区域进行超像素划分,得到设定个数的超像素种子;
将属于所述待验证区域的超像素种子确定为待验证超像素种子,确定所述待验证超像素种子中属于所述目标对象的目标超像素种子;
将所述目标超像素种子的集合确定为所述目标区域。
可选的,纯净目标区域确定模块还用于:
根据所述待验证超像素种子与所述目标先验区域及背景区域的相似性,将所述待验证超像素种子分类为二次验证超像素种子和背景超像素种子;
确定各所述二次验证超像素种子对应的权重自相似函数值,根据所述权重自相似函数值的大小确定所述二次验证超像素种子中的目标超像素种子。
可选的,纯净目标区域确定模块还用于:
将各所述二次验证超像素种子对应的权重自相似函数值按从大到小的顺序排序;
将排序最后的设定个数的二次验证超像素种子确定为所述背景超像素种子;
将去除所述背景超像素种子之后的二次验证超像素种子确定为所述目标超像素种子。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的视觉跟踪方法。
根据本发明的另一方面,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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的视觉跟踪方法。
本发明实施例首先获取待检测图像;待检测图像中包括矩形目标区域;然后确定矩形目标区域中的纯净目标区域;最后将纯净目标区域作为设定视觉跟踪算法中的跟踪目标进行视觉跟踪。本发明实施例提供的视觉跟踪方法,通过确定纯净目标区域解决了视觉跟踪算法中将部分背景区域作为跟踪目标的问题,提升了视觉跟踪算法的跟踪效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是根据本发明实施例一提供的一种视觉跟踪方法的流程图;
图2是根据本发明实施例二提供的一种视觉跟踪方法的流程图;
图3为根据本发明实施例三提供的一种视觉跟踪装置的结构示意图;
图4是实现本发明实施例四的视觉跟踪方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种视觉跟踪方法的流程图,本实施例可适用于对图像中的目标对象进行跟踪的情况,该方法可以由视觉跟踪装置来执行,该视觉跟踪装置可以采用硬件和/或软件的形式实现,该视觉跟踪装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取待检测图像。
其中,待检测图像中包括矩形目标区域。
在本实施例中,矩形目标区域可以是人为标注出来的包含被跟踪的目标对象的区域。对于给定的一帧待检测图像,其中通常包含两部分:矩形目标区域Tr和目标对象周围的背景区域Br。优选地,矩形目标区域Tr可以在视频序列的第一帧通过手动的标注一个矩形边界框得到,该边界框可以表示为Tr=[x,y,w,h]∈R4,也就是通常所说的真值,其中,(x,y)表示被跟踪的目标对象的中心坐标,w和h分别表示目标对象的宽度和高度。
可选的,获取待检测图像的方式可以是,获取待检测的视频序列,将视频序列中的图像作为待检测图像。
S120、确定矩形目标区域中的纯净目标区域。
其中,由于目标对象可能为不规则的形状,故矩形目标区域中可能包含部分背景区域,纯净目标区域为在矩形目标区域中去除了背景区域之后的部分区域。
在本实施例中,为提高视觉跟踪的准确性,可以将矩形目标区域中的纯净目标区域识别出来,代替矩形目标区域进行进一步的处理。
可选的,确定矩形目标区域中的纯净目标区域的方式可以是,利用超像素分割方法,将矩形目标区域划分为多个超像素种子,通过对超像素种子进行分类确定纯净目标区域。其中,超像素种子为一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域,这些小区域,大多保留了进一步进行图像分割的有效信息,且一般不会破坏图像中物体的边界信息。
S130、将纯净目标区域作为设定视觉跟踪算法中的跟踪目标进行视觉跟踪。
可选的,设定视觉跟踪算法包括分块跟踪算法。
在本实施例中,确定纯净目标区域之后,可以用于优化分块跟踪策略中选择分块的方法,从而利用分块跟踪策略完成目标跟踪。优选地,可以将视觉跟踪过程内嵌入单片机中,对于给定的视频序列,通过手工标注视频序列第一帧的矩形目标区域,即可完成对目标对象在后续每一帧视频中的跟踪。
本发明实施例首先获取待检测图像;待检测图像中包括矩形目标区域;然后确定矩形目标区域中的纯净目标区域;最后将纯净目标区域作为设定视觉跟踪算法中的跟踪目标进行视觉跟踪。本发明实施例提供的视觉跟踪方法,通过确定纯净目标区域解决了视觉跟踪算法中将部分背景区域作为跟踪目标的问题,提升了视觉跟踪算法的跟踪效果。
实施例二
图2为本发明实施例二提供的一种视觉跟踪方法的流程图,本实施例为上述实施例S120的细化。如图2所示,该方法包括:
S210、获取待检测图像。
其中,待检测图像中包括矩形目标区域。
在本实施例中,可以通过获取待检测的视频序列等方式获取待检测图像,并在待检测图像中通过手工标注等方式确定矩形目标区域。
S220、在矩形目标区域中建立目标先验区域。
其中,目标先验区域为一个包括在矩形目标区域之内,面积小于矩形目标区域的区域。
在本实施例中,由于矩形目标区域中包含部分背景区域,故通过设定较小的目标先验区域可以使目标先验区域中包含的背景区域更少。
可选的,在矩形目标区域中建立目标先验区域的方式可以是:确定目标先验区域与矩形目标区域的面积比;面积比小于1;将矩形目标区域的中心确定为目标先验区域的中心,根据面积比确定目标先验区域的大小。
具体的,可以令目标先验区域为Tp,Tp的面积大小为矩形目标区域Tr的γ(γ<1)倍,为保证区域Tp包含足够的目标对象的特征,γ不应该被过大。目标先验区域为Tp的边界框可以表示为Tp=[x,y,γw,γh]∈R4,其中,(x,y)表示被跟踪的目标对象的中心坐标,w和h分别表示目标对象的宽度和高度。
S230、将矩形目标区域与目标先验区域之间的部分确定为待验证区域。
S240、确定待验证区域中属于目标对象的目标区域,将目标先验区域与目标区域的集合确定为纯净目标区域。
在本实施例中,对于待验证区域T’r,可以对该区域进行进一步地划分,确定其中目标对象的目标区域。
可选的,确定待验证区域中属于目标对象的目标区域的方式可以是:建立背景先验区域;背景先验区域包括矩形目标区域与背景区域;对背景先验区域进行超像素划分,得到设定个数的超像素种子;将属于待验证区域的超像素种子确定为待验证超像素种子,确定待验证超像素种子中属于目标对象的目标超像素种子;将目标超像素种子的集合确定为目标区域。
具体的,可以令背景先验区域为Xr,Xr是一个大于矩形目标区域Tr的区域,其边界框可以表示为Xr=[x,y,λw,λh]∈R4。其中λ是一个大于1的常数,(x,y)表示被跟踪的目标对象的中心坐标,w和h分别表示目标对象的宽度和高度。优选地,可以利用简单的线性迭代聚类(SLIC)算法进行超像素划分,根据设定个数,得到许多紧致且大小一致的小区域,每个小区域为一个超像素种子。对于待验证区域的超像素种子,通过对它们的分类划分可以确定其中属于目标对象的目标超像素种子,进而可以确定待验证区域中属于目标对象的目标区域。
进一步地,确定待验证超像素种子中属于目标对象的目标超像素种子的方式可以是:根据待验证超像素种子与目标先验区域及背景区域的相似性,将待验证超像素种子分类为二次验证超像素种子和背景超像素种子;确定各二次验证超像素种子对应的权重自相似函数值,根据权重自相似函数值的大小确定二次验证超像素种子中的目标超像素种子。
具体的,为了对超像素种子进行准确分类,可以通过对目标先验区域及背景区域进行学习的方式获得先验知识,并根据与目标先验区域及背景区域的相似性将与目标先验区域相似度高的超像素种子确定为二次验证超像素种子,将与背景区域相似度高的超像素种子确定为背景超像素种子。对于一个确定的超像素种子,对其作以下分类:
其中,ln(Sn)表示超像素种子Sn的分类标签,Tp为目标先验区域,Br为背景区域。
对于二次验证超像素种子,其中仍有可能包含少量不属于目标对象的超像素种子,可以根据超像素种子的权重自相似函数值进一步分类。
进一步地,根据权重自相似函数值的大小确定二次验证超像素种子中的目标超像素种子的方式可以是:将各二次验证超像素种子对应的权重自相似函数值按从大到小的顺序排序;将排序最后的设定个数的二次验证超像素种子确定为背景超像素种子;将去除背景超像素种子之后的二次验证超像素种子确定为目标超像素种子。
具体的,为了对超像素种子进行更准确地划分,可以通过构造权重自相似函数的方式从区域中寻找属于目标对象的超像素种子。在二次验证超像素种子中,属于背景区域的超像素种子的数量相比属于纯净目标区域的超像素种子的数量是很小的,且属于背景区域的超像素种子通常与属于目标区域的超像素种子是不相似的,而属于目标区域的超像素种子之间存在着自相似性。利用权重自相似函数,可以检验超像素种子之间的相似性,将属于目标区域的超像素种子同属于背景区域的超像素种子分离,进而得到一个不含有背景区域的目标。
其中,是一个权重自相似函数,对于一个确定的超像素种子,其值显示的是该种子属于跟踪目标的可能性,其值越大,则该超像素种子属于跟踪目标的概率越大,反之,其值越小,则该超像素种子属于背景区域的概率越大。F表示的是傅里叶变化,I(si)是一个矩阵,表示的是能够包含超像素种子区域的一个矩形块所对应图像的灰度值。是一个局部的权重函数,其目的是为了抑制矩形块的边界区域,定义如下:
对于一个确定的超像素种子,ln(Sn)更新为以下形式:
确定属于目标对象的目标超像素种子后,将目标超像素种子的集合确定为目标区域,进一步将目标先验区域与目标区域的集合确定为纯净目标区域。
S250、将纯净目标区域作为设定视觉跟踪算法中的跟踪目标进行视觉跟踪。
在本实施例中,得到纯净目标区域之后,可以将纯净目标区域作为分块跟踪等视觉跟踪算法中的跟踪目标,可以改善跟踪算法的准确性。
本发明实施例首先获取待检测图像;然后在矩形目标区域中建立目标先验区域;再将矩形目标区域与目标先验区域之间的部分确定为待验证区域;再确定待验证区域中属于目标对象的目标区域,将目标先验区域与目标区域的集合确定为纯净目标区域;最后将纯净目标区域作为设定视觉跟踪算法中的跟踪目标进行视觉跟踪。本发明实施例提供的视觉跟踪方法,通过确定纯净目标区域解决了视觉跟踪算法中将部分背景区域作为跟踪目标的问题,提升了视觉跟踪算法的跟踪效果。
实施例三
图3为本发明实施例三提供的一种视觉跟踪装置的结构示意图。如图3所示,该装置包括:待检测图像获取模块310,纯净目标区域确定模块320和视觉跟踪模块330。
待检测图像获取模块310,用于获取待检测图像。
其中,待检测图像中包括矩形目标区域。
纯净目标区域确定模块320,用于确定矩形目标区域中的纯净目标区域。
视觉跟踪模块330,用于将纯净目标区域作为设定视觉跟踪算法中的跟踪目标进行视觉跟踪。
可选的,纯净目标区域确定模块320还用于:
在矩形目标区域中建立目标先验区域;将矩形目标区域与目标先验区域之间的部分确定为待验证区域;确定待验证区域中属于目标对象的目标区域,将目标先验区域与目标区域的集合确定为纯净目标区域。
可选的,纯净目标区域确定模块320还用于:
确定目标先验区域与矩形目标区域的面积比;面积比小于1;将矩形目标区域的中心确定为目标先验区域的中心,根据面积比确定目标先验区域的大小。
可选的,纯净目标区域确定模块320还用于:
建立背景先验区域;背景先验区域包括矩形目标区域与背景区域;对背景先验区域进行超像素划分,得到设定个数的超像素种子;将属于待验证区域的超像素种子确定为待验证超像素种子,确定待验证超像素种子中属于目标对象的目标超像素种子;将目标超像素种子的集合确定为目标区域。
可选的,纯净目标区域确定模块320还用于:
根据待验证超像素种子与目标先验区域及背景区域的相似性,将待验证超像素种子分类为二次验证超像素种子和背景超像素种子;确定各二次验证超像素种子对应的权重自相似函数值,根据权重自相似函数值的大小确定二次验证超像素种子中的目标超像素种子。
可选的,纯净目标区域确定模块320还用于:
将各二次验证超像素种子对应的权重自相似函数值按从大到小的顺序排序;将排序最后的设定个数的二次验证超像素种子确定为背景超像素种子;将去除背景超像素种子之后的二次验证超像素种子确定为目标超像素种子。
本发明实施例所提供的视觉跟踪装置可执行本发明任意实施例所提供的视觉跟踪方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如视觉跟踪方法。
在一些实施例中,视觉跟踪方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的视觉跟踪的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行视觉跟踪方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种视觉跟踪方法,其特征在于,包括:
获取待检测图像;所述待检测图像中包括矩形目标区域;
确定所述矩形目标区域中的纯净目标区域;
将所述纯净目标区域作为设定视觉跟踪算法中的跟踪目标进行视觉跟踪。
2.根据权利要求1所述的方法,其特征在于,确定所述矩形目标区域中的纯净目标区域,包括:
在所述矩形目标区域中建立目标先验区域;
将所述矩形目标区域与所述目标先验区域之间的部分确定为待验证区域;
确定所述待验证区域中属于所述目标对象的目标区域,将所述目标先验区域与目标区域的集合确定为所述纯净目标区域。
3.根据权利要求2所述的方法,其特征在于,在所述矩形目标区域中建立目标先验区域,包括:
确定所述目标先验区域与所述矩形目标区域的面积比;所述面积比小于1;
将所述矩形目标区域的中心确定为所述目标先验区域的中心,根据所述面积比确定所述目标先验区域的大小。
4.根据权利要求2所述的方法,其特征在于,确定所述待验证区域中属于所述目标对象的目标区域,包括:
建立背景先验区域;所述背景先验区域包括所述矩形目标区域与背景区域;
对所述背景先验区域进行超像素划分,得到设定个数的超像素种子;
将属于所述待验证区域的超像素种子确定为待验证超像素种子,确定所述待验证超像素种子中属于所述目标对象的目标超像素种子;
将所述目标超像素种子的集合确定为所述目标区域。
5.根据权利要求4所述的方法,其特征在于,确定所述待验证超像素种子中属于所述目标对象的目标超像素种子,包括:
根据所述待验证超像素种子与所述目标先验区域及背景区域的相似性,将所述待验证超像素种子分类为二次验证超像素种子和背景超像素种子;
确定各所述二次验证超像素种子对应的权重自相似函数值,根据所述权重自相似函数值的大小确定所述二次验证超像素种子中的目标超像素种子。
6.根据权利要求5所述的方法,其特征在于,根据所述权重自相似函数值的大小确定所述二次验证超像素种子中的目标超像素种子,包括:
将各所述二次验证超像素种子对应的权重自相似函数值按从大到小的顺序排序;
将排序最后的设定个数的二次验证超像素种子确定为所述背景超像素种子;
将去除所述背景超像素种子之后的二次验证超像素种子确定为所述目标超像素种子。
7.根据权利要求1中所述的方法,其特征在于,所述设定视觉跟踪算法包括分块跟踪算法。
8.一种视觉跟踪装置,其特征在于,包括:
待检测图像获取模块,用于获取待检测图像;所述待检测图像中包括矩形目标区域;
纯净目标区域确定模块,用于确定所述矩形目标区域中的纯净目标区域;
视觉跟踪模块,用于将所述纯净目标区域作为设定视觉跟踪算法中的跟踪目标进行视觉跟踪。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的视觉跟踪方法。
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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的视觉跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113895.4A CN114463386A (zh) | 2022-01-30 | 2022-01-30 | 一种视觉跟踪方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113895.4A CN114463386A (zh) | 2022-01-30 | 2022-01-30 | 一种视觉跟踪方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463386A true CN114463386A (zh) | 2022-05-10 |
Family
ID=81411951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210113895.4A Pending CN114463386A (zh) | 2022-01-30 | 2022-01-30 | 一种视觉跟踪方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463386A (zh) |
-
2022
- 2022-01-30 CN CN202210113895.4A patent/CN114463386A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633276B (zh) | 训练方法、识别方法、装置、设备、介质 | |
CN115131566A (zh) | 基于超像素和改进模糊c均值聚类的自动图像分割方法 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN112381030B (zh) | 一种基于特征融合的卫星光学遥感图像目标检测方法 | |
CN116740355A (zh) | 自动驾驶图像的分割方法、装置、设备及存储介质 | |
CN113887630A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN109784198A (zh) | 机场遥感图像飞机辨识方法及装置 | |
CN116188917B (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
CN115272705B (zh) | 显著性物体检测模型的训练方法、装置以及设备 | |
CN116778386A (zh) | 一种六氟化硫的泄露检测方法、装置、设备及存储介质 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN115471772A (zh) | 一种关键帧的提取方法、装置、设备及介质 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN114463386A (zh) | 一种视觉跟踪方法、装置、设备及存储介质 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN114494818B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN117274778B (zh) | 基于无监督和半监督的图像搜索模型训练方法和电子设备 | |
CN115578583B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN116091785A (zh) | 识别模型的生成方法、装置、电子设备及存储介质 | |
CN116486144A (zh) | 噪声标签检测器的生成方法、噪声标签检测方法和装置 | |
CN114022695A (zh) | 一种检测模型的训练方法、装置、电子设备及存储介质 | |
CN117671400A (zh) | 样本收集方法、装置、电子设备及存储介质 | |
CN117611822A (zh) | 一种区域分割模型训练方法、装置、设备及介质 |
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 |