CN115331179A - 高实时性的行人追踪方法、装置及可读介质 - Google Patents

高实时性的行人追踪方法、装置及可读介质 Download PDF

Info

Publication number
CN115331179A
CN115331179A CN202211250657.4A CN202211250657A CN115331179A CN 115331179 A CN115331179 A CN 115331179A CN 202211250657 A CN202211250657 A CN 202211250657A CN 115331179 A CN115331179 A CN 115331179A
Authority
CN
China
Prior art keywords
pedestrian
person
tracking
detection result
following
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
Application number
CN202211250657.4A
Other languages
English (en)
Inventor
马源
李瑞峰
张陈涛
杨颖颖
***
汤思榕
梁培栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Quanzhou HIT Research Institute of Engineering and Technology
Original Assignee
Fujian Quanzhou HIT Research Institute of Engineering and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujian Quanzhou HIT Research Institute of Engineering and Technology filed Critical Fujian Quanzhou HIT Research Institute of Engineering and Technology
Priority to CN202211250657.4A priority Critical patent/CN115331179A/zh
Publication of CN115331179A publication Critical patent/CN115331179A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高实时性的行人追踪方法、装置及可读介质，涉及行人跟随领域，建立行人实际大小与行人跟随地轨拍摄的图像中行人大小的对应关系；获取行人跟随地轨拍摄的当前帧图像，并输入经训练的目标检测模型，得到检测结果，将检测结果与时序数据记录中的前一时刻的检测结果进行相似度比对，根据比对结果判断是否是同一人物；确定检测结果中是否存在时序数据记录中的历史追踪人物更新追踪人物，对追踪人物的位移进行加权插值，得到追踪人物的预测位移；根据对应关系与预测位移得到追踪人物的运动方向和速度，根据运动方向和速度确定行人跟随地轨的运动方向和移动速度，并控制行人跟随地轨移动，解决实时性低、成本高等问题。

Description

高实时性的行人追踪方法、装置及可读介质
技术领域
本发明涉及行人跟随领域，具体涉及一种高实时性的行人追踪方法、装置及可读介质。
背景技术
行人追踪有着广泛的应用场景，行人追踪中需要设备进行跟随的场景，如舞台上镜头追踪表演者、危险区域外机器人追踪拦截侵入者等，相对于监控等不用改变自身位置的记录性追踪，需要更高的实时性与灵活性。
目前人工追随方法成本高，不能长期保持工作效率。申请号为CN202111471521.1，专利名称为《一种基于深度神经网络的行人追踪监控方法及***》的发明专利使用机器视觉算法，并根据时序信息预测行人运动，但采用的是较大计算量的ssd模型与特征匹配，难以达成高实时性，且运动预测方法为线性插值，对于跟随过程中行人的运动变化适应较差，实时性低。申请号为CN 201710620228.4，专利名称为《行人追踪方法及装置》的发明专利需要用到深度设备采集深度信息，对于设备的硬件要求高，不能仅使用普通光学摄像机实现。
发明内容
针对上述提到的技术问题。本申请的实施例的目的在于提出了一种高实时性的行人追踪方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本申请的实施例提供了一种高实时性的行人追踪方法，包括以下步骤：
S1，建立行人实际大小与行人跟随地轨拍摄的图像中行人大小的对应关系；
S2，获取行人跟随地轨拍摄的当前帧图像，并输入经训练的目标检测模型，得到检测结果，将检测结果与时序数据记录中的前一时刻的检测结果进行相似度比对，根据比对结果判断是否是同一人物；
S3，确定检测结果中是否存在时序数据记录中的历史追踪人物更新追踪人物，对追踪人物的位移进行加权插值，得到追踪人物的预测位移；
S4，根据对应关系与预测位移得到追踪人物的运动方向和速度，根据运动方向和速度确定行人跟随地轨的运动方向和移动速度，并根据运动方向和移动速度控制行人跟随地轨移动。
作为优选，步骤S1具体包括：
获取目标场景中行人的实际平均身高与平均肩宽；
获取行人跟随地轨拍摄的图像中行人的平均高度和平均宽度；
根据行人的实际平均身高与平均肩宽以及图像中行人的平均高度和平均宽度建立对应关系。
作为优选，目标检测模型包括yolo模型。
作为优选，时序数据记录包括与当前时刻相邻的N次检测结果。
作为优选，步骤S2中的相似度比对包括IoU计算。
作为优选，步骤S3具体包括：
从时序数据记录中获取历史追踪人物，查找检测结果中是否存在历史追踪人物，若存在则将历史追踪人物作为追踪人物，否则选取离行人跟随地轨的镜头中心最近的人物作为追踪人物，并存储在时序数据记录中；
根据下式进行加权插值，得到追踪人物的预测位移P：
P = q*(O1- O2)+(1-q)*q* (O2 -O3)+(1-q) 2*q* (O3 -O4)+……+ (1-q)(N-2)*q*(O (N-2) -O (N-1))+(1-q)(N-1)* (O (N-1) -ON)；
其中，0.5≤q<1，O1为当前帧图像中追踪人物的检测结果，依次类推，ON为第N次检测中追踪人物的检测结果。
作为优选，步骤S4具体包括：
若预测位移中x方向数值大于0，则追踪人物的运动方向为向右；若预测位移中x方向数值小于0，则追踪人物的运动方向为向左；行人跟随地轨的运动方向与追踪人物的移动方向相同；
根据下式计算追踪人物的速度V1：
V1=P/b*a；
其中，a为对应关系中行人实际平均肩宽，b为行人跟随地轨拍摄的图像中行人的平均宽度；
根据下式计算行人跟随地轨的移动速度V2：
V2=α*V1；
其中，α＞1。
第二方面，本申请的实施例提供了一种高实时性的行人追踪装置，包括：
对应关系建立模块，被配置为建立行人实际大小与行人跟随地轨拍摄的图像中行人大小的对应关系；
检测对比模块，被配置为获取行人跟随地轨拍摄的当前帧图像，并输入经训练的目标检测模型，得到检测结果，将检测结果与时序数据记录中的前一时刻的检测结果进行相似度比对，根据比对结果判断是否是同一人物；
预测模块，被配置为确定检测结果中是否存在时序数据记录中的历史追踪人物更新追踪人物，对追踪人物的位移进行加权插值，得到追踪人物的预测位移；
速度计算模块，被配置为根据对应关系与预测位移得到追踪人物的运动方向和速度，根据运动方向和速度确定行人跟随地轨的运动方向和移动速度，并根据运动方向和移动速度控制行人跟随地轨移动。
第三方面，本申请的实施例提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术，本发明具有以下有益效果：
（1）本发明的实时性的行人追踪方法以yolo模型进行快速检测出行人位置，根据时序信息与之前的检测结果预测下一帧中行人运动方向，然后指引运动***进行跟随。
（2）本发明的实时性的行人追踪方法可实现对同一个行人的追踪认定和运动倾向推算，无需特殊设备，在现有的行人跟随地轨***的基础上即可实现，可节省人工成本与设备成本，并且提高实时跟随性能。
（3）本发明的实时性的行人追踪方法能够有效解决现有技术中存在的实时性低的问题，并且计算量低。
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要介绍，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，对于本领域的普通技术人员来讲，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是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本申请的实施例的高实时性的行人追踪方法的流程示意图；
图3为本申请的实施例的高实时性的行人追踪方法的流程框图；
图4为本申请的实施例的高实时性的行人追踪装置的示意图；
图5是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，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它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的高实时性的行人追踪方法或高实时性的行人追踪装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的高实时性的行人追踪方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，高实时性的行人追踪装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种高实时性的行人追踪方法，包括以下步骤：
S1，建立行人实际大小与行人跟随地轨拍摄的图像中行人大小的对应关系。
具体的，参考图3，在模拟或真实的目标场景中采集行人图像采集行人图像数据Images1，使用labelImg软件对Images1进行行人标注，保存为yolo格式的txt文件，获得标注Labels1。将Images1和Labels1共同构成行人数据集Dataset1。
在具体的实施例中，步骤S1具体包括：
获取目标场景中行人的实际平均身高与平均肩宽；
获取行人跟随地轨拍摄的图像中行人的平均高度和平均宽度；
根据行人的实际平均身高与平均肩宽以及图像中行人的平均高度和平均宽度建立对应关系。
具体的，获取目标场景中行人的实际平均身高与平均肩宽，计算Labels1中行人标注的平均高度和平均宽度，结合实际数据与标注数据，即可将行人自身作为测量尺度，推导行人跟随地轨拍摄的图像中像素的位移与实际位移的对应关系。
S2，获取行人跟随地轨拍摄的当前帧图像，并输入经训练的目标检测模型，得到检测结果，将检测结果与时序数据记录中的前一时刻的检测结果进行相似度比对，根据比对结果判断是否是同一人物。
具体的，在进行实际检测时，对于行人跟随地轨获取的视频，间隔固定时间获取帧图像，对于高速相机，可以在相邻多帧中只取一帧进行检测，减少输入的重复性。
在具体的实施例中，目标检测模型包括yolo模型。目标检测模型的训练过程如下：
将行人数据集DataSet1按一定比例划分为训练集、验证集和测试集；根据实际检测需求，选择yolo模型不同版本与结构，nano/s/m/l结构，从左往右计算量不断提高、精度提升，但也耗时增加、实时性下降。载入官方提供的已有权重，进行迁移学习。使用测试集对已训练好的yolo模型进行测试，根据检出率和定位精度对模型进行判断，如不满足要求则延长训练时间、或调整超参数并重新训练模型。
在具体的实施例中，时序数据记录包括与当前时刻相邻的N次检测结果。为节省内存，时序数据记录Record1中仅保存临近N次检测的结果，保存当前帧图像的检测结果O1后，抛弃原有N次检测以前的检测结果O（N+1），使时序数据记录Record1中的检测结果总量维持在N个。再结合当前帧图像的检测结果O1以及时序数据记录Record1中的O2、O3、……ON进行同一人物的辨认。
在具体的实施例中，步骤S2中的相似度比对包括IoU计算。
具体的，本申请的实施例中对于同一人物的判定使用IoU系列函数进行判断，即将相邻检测结果中OI中的检测框与O (I+1)中的检测框进行IoU计算，对每个OI中的检测框选取O(I+1)中能使IoU最小化的检测框，认定为同一人物。其中，IoU系列函数有原始IoU、DIoU、GIoU、CIoU、ALPHAIoU等，除了因为可能出现高速运动下检测框相交为0的情况而不推荐原始IoU，其他都可以使用。使用IoU来进行同一人物的认定只是一种简化模拟，在理论意义上不如使用特征辨认等方法准确。但行人跟随地轨***的跟随能力有限，只能跟随一人，即便IoU判断混淆了跟随对象，多数情况仍然能保证行人跟随地轨***至少跟随一人。在实际计算时，只要判定O1与O2之间是否属于同一人物，其余检测结果中的同一人物认定可以缓存记录在时序数据记录Record1中。
S3，确定检测结果中是否存在时序数据记录中的历史追踪人物更新追踪人物，对追踪人物的位移进行加权插值，得到追踪人物的预测位移。
在具体的实施例中，步骤S3具体包括：
从时序数据记录中获取历史追踪人物，查找检测结果中是否存在历史追踪人物，若存在则将历史追踪人物作为追踪人物，否则选取离行人跟随地轨的镜头中心最近的人物作为追踪人物，并存储在时序数据记录中；
根据下式进行加权插值，得到追踪人物的预测位移P：
P = q*(O1- O2)+(1-q)*q* (O2 -O3)+(1-q) 2*q* (O3 -O4)+……+ (1-q)(N-2)*q*(O (N-2) -O (N-1))+(1-q)(N-1)* (O (N-1) -ON)；
其中，0.5≤q<1，O1为当前帧图像中追踪人物的检测结果，依次类推，ON为第N次检测中追踪人物的检测结果，并要求所有相邻的检测结果的差值之前的系数和为1。
具体的，从时序数据记录Record1中获取历史追踪人物Person0，查找Output1中是否仍存在Person0，存在则Person1= Person0，否则选取离镜头中心最近的人物作为Person1，将Person1记录放回时序数据记录Record1，更新Person0。
具体的，插值体现在预测位移是多个位移的综合，为各个位移分配预测中权重的过程即可称为插值。加权插值强调为对临近的输出结果赋予更大的权重，以更好模拟行人的实时运动。在某个检测结果中Person1如不存在，则根据先验知识，认为其由两侧闯入，根据相邻帧中Person1在画面左侧还是右侧，将相邻帧中Person1的框左移/右移出镜头，补上一个相应的推测位置。
S4，根据对应关系与预测位移得到追踪人物的运动方向和速度，根据运动方向和速度确定行人跟随地轨的运动方向和移动速度，并根据运动方向和移动速度控制行人跟随地轨移动。
在具体的实施例中，步骤S4具体包括：
若预测位移中x方向数值大于0，则追踪人物的运动方向为向右；若预测位移中x方向数值小于0，则追踪人物的运动方向为向左；行人跟随地轨的运动方向与追踪人物的移动方向相同；
根据下式计算追踪人物的速度V1：
V1=P/b*a；
其中，a为对应关系中行人实际平均肩宽，b为行人跟随地轨拍摄的图像中行人的平均宽度；
根据下式计算行人跟随地轨的移动速度V2：
V2=α*V1；
其中，α＞1。
具体的，由于地轨***运动的特殊性（只有一个自由度），运动方向可以简化为左（前）或者右（后），可根据预测位移P中x方向大于/小于0判断。依照cv2库的坐标系，x>0为向右。地轨可以简化为在一条在地面上的平直轨道，而相机视角垂直于轨道，所以相机的左右就是轨道上的前后，方向上只有两个相差180度的前后选择，因此可根据预测位移中x方向数值的大小确定运动方向。将追踪人物的速度V1乘以大于一的、预先设定的控制因子α，并传递给行人跟随地轨的运动***，令其运动。α>1是为了弥补预测实际速度与真实速度的可能差值，且避免出现行人速度超过地轨速度、距离逐渐增大的情况。由于地轨运动速度大于行人速度，可能出现地轨追上、超过行人而移动反复震荡的情况，需要控制地轨的移动阈值，在行人偏离视觉中心较小、且运动指令中速度小于阈值的情况下不进行移动。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种高实时性的行人追踪装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种高实时性的行人追踪装置，包括：
对应关系建立模块1，被配置为建立行人实际大小与行人跟随地轨拍摄的图像中行人大小的对应关系；
检测对比模块2，被配置为获取行人跟随地轨拍摄的当前帧图像，并输入经训练的目标检测模型，得到检测结果，将检测结果与时序数据记录中的前一时刻的检测结果进行相似度比对，根据比对结果判断是否是同一人物；
预测模块3，被配置为确定检测结果中是否存在时序数据记录中的历史追踪人物更新追踪人物，对追踪人物的位移进行加权插值，得到追踪人物的预测位移；
速度计算模块4，被配置为根据对应关系与预测位移得到追踪人物的运动方向和速度，根据运动方向和速度确定行人跟随地轨的运动方向和移动速度，并根据运动方向和移动速度控制行人跟随地轨移动。
下面参考图5，其示出了适于用来实现本申请实施例的电子设备（例如图1所示的服务器或终端设备）的计算机装置500的结构示意图。图5示出的电子设备仅仅是一个示例，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5所示，计算机装置500包括中央处理单元（CPU）501和图形处理器（GPU）502，其可以根据存储在只读存储器（ROM）503中的程序或者从存储部分509加载到随机访问存储器（RAM）504中的程序而执行各种适当的动作和处理。在RAM 504中，还存储有装置500操作所需的各种程序和数据。CPU 501、GPU502、ROM 503以及RAM 504通过总线505彼此相连。输入/输出（I/O）接口506也连接至总线505。
以下部件连接至I/O接口506：包括键盘、鼠标等的输入部分507；包括诸如、液晶显示器（LCD）等以及扬声器等的输出部分508；包括硬盘等的存储部分509；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分510。通信部分510经由诸如因特网的网络执行通信处理。驱动器511也可以根据需要连接至I/O接口506。可拆卸介质512，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器511上，以便于从其上读出的计算机程序根据需要被安装入存储部分509。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分510从网络上被下载和安装，和/或从可拆卸介质512被安装。在该计算机程序被中央处理单元（CPU）501和图形处理器（GPU）502执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中，计算机可读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、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机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、电线、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或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，也可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：建立行人实际大小与行人跟随地轨拍摄的图像中行人大小的对应关系；获取行人跟随地轨拍摄的当前帧图像，并输入经训练的目标检测模型，得到检测结果，将检测结果与时序数据记录中的前一时刻的检测结果进行相似度比对，根据比对结果判断是否是同一人物；确定检测结果中是否存在时序数据记录中的历史追踪人物更新追踪人物，对追踪人物的位移进行加权插值，得到追踪人物的预测位移；根据对应关系与预测位移得到追踪人物的运动方向和速度，根据运动方向和速度确定行人跟随地轨的运动方向和移动速度，并根据运动方向和移动速度控制行人跟随地轨移动。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种高实时性的行人追踪方法，其特征在于，包括以下步骤：
S1，建立行人实际大小与行人跟随地轨拍摄的图像中行人大小的对应关系；
S2，获取行人跟随地轨拍摄的当前帧图像，并输入经训练的目标检测模型，得到检测结果，将所述检测结果与时序数据记录中的前一时刻的检测结果进行相似度比对，根据比对结果判断是否是同一人物；
S3，确定所述检测结果中是否存在所述时序数据记录中的历史追踪人物更新追踪人物，对所述追踪人物的位移进行加权插值，得到所述追踪人物的预测位移；
S4，根据所述对应关系与所述预测位移得到所述追踪人物的运动方向和速度，根据所述运动方向和速度确定行人跟随地轨的运动方向和移动速度，并根据所述运动方向和移动速度控制所述行人跟随地轨移动。
2.根据权利要求1所述的高实时性的行人追踪方法，其特征在于，所述步骤S1具体包括：
获取目标场景中行人的实际平均身高与平均肩宽；
获取行人跟随地轨拍摄的图像中行人的平均高度和平均宽度；
根据所述行人的实际平均身高与平均肩宽以及所述图像中行人的平均高度和平均宽度建立所述对应关系。
3.根据权利要求1所述的高实时性的行人追踪方法，其特征在于，所述目标检测模型包括yolo模型。
4.根据权利要求1所述的高实时性的行人追踪方法，其特征在于，所述时序数据记录包括与当前时刻相邻的N次检测结果。
5.根据权利要求1所述的高实时性的行人追踪方法，其特征在于，所述步骤S2中的相似度比对包括IoU计算。
6.根据权利要求1所述的高实时性的行人追踪方法，其特征在于，所述步骤S3具体包括：
从所述时序数据记录中获取历史追踪人物，查找所述检测结果中是否存在所述历史追踪人物，若存在则将所述历史追踪人物作为所述追踪人物，否则选取离所述行人跟随地轨的镜头中心最近的人物作为所述追踪人物，并存储在所述时序数据记录中；
根据下式进行加权插值，得到所述追踪人物的预测位移P：
P = q*(O1- O2)+(1-q)*q* (O2 -O3)+(1-q) 2*q* (O3 -O4)+……+ (1-q)(N-2)*q* (O(N-2) -O (N-1))+(1-q)(N-1)* (O (N-1) -ON)；
其中，0.5≤q<1，O1为当前帧图像中所述追踪人物的检测结果，依次类推，ON为第N次检测中所述追踪人物的检测结果。
7.根据权利要求6所述的高实时性的行人追踪方法，其特征在于，所述步骤S4具体包括：
若所述预测位移中x方向数值大于0，则所述追踪人物的运动方向为向右；若所述预测位移中x方向数值小于0，则所述追踪人物的运动方向为向左；所述行人跟随地轨的运动方向与所述追踪人物的移动方向相同；
根据下式计算所述追踪人物的速度V1：
V1=P/b*a；
其中，a为所述对应关系中行人实际平均肩宽，b为行人跟随地轨拍摄的图像中行人的平均宽度；
根据下式计算行人跟随地轨的移动速度V2：
V2=α*V1；
其中，α＞1。
8.一种高实时性的行人追踪装置，其特征在于，包括：
对应关系建立模块，被配置为建立行人实际大小与行人跟随地轨拍摄的图像中行人大小的对应关系；
检测对比模块，被配置为获取行人跟随地轨拍摄的当前帧图像，并输入经训练的目标检测模型，得到检测结果，将所述检测结果与时序数据记录中的前一时刻的检测结果进行相似度比对，根据比对结果判断是否是同一人物；
预测模块，被配置为确定所述检测结果中是否存在所述时序数据记录中的历史追踪人物更新追踪人物，对所述追踪人物的位移进行加权插值，得到所述追踪人物的预测位移；
速度计算模块，被配置为根据所述对应关系与所述预测位移得到所述追踪人物的运动方向和速度，根据所述运动方向和速度确定行人跟随地轨的运动方向和移动速度，并根据所述运动方向和移动速度控制所述行人跟随地轨移动。
9.一种电子设备，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，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202211250657.4A 2022-10-12 2022-10-12 高实时性的行人追踪方法、装置及可读介质 Pending CN115331179A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211250657.4A CN115331179A (zh) 2022-10-12 2022-10-12 高实时性的行人追踪方法、装置及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211250657.4A CN115331179A (zh) 2022-10-12 2022-10-12 高实时性的行人追踪方法、装置及可读介质

Publications (1)

Publication Number Publication Date
CN115331179A true CN115331179A (zh) 2022-11-11

Family

ID=83913720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211250657.4A Pending CN115331179A (zh) 2022-10-12 2022-10-12 高实时性的行人追踪方法、装置及可读介质

Country Status (1)

Country Link
CN (1) CN115331179A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117676315A (zh) * 2024-02-02 2024-03-08 深圳市积加创新技术有限公司 一种基于高像素相机形成预览双画面的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117676315A (zh) * 2024-02-02 2024-03-08 深圳市积加创新技术有限公司 一种基于高像素相机形成预览双画面的方法
CN117676315B (zh) * 2024-02-02 2024-06-11 深圳市积加创新技术有限公司 一种基于高像素相机形成预览双画面的方法

Similar Documents

Publication Publication Date Title
JP7335274B2 (ja) ジオロケーションの予測のためのシステムおよび方法
CN109117831B (zh) 物体检测网络的训练方法和装置
CN109145781B (zh) 用于处理图像的方法和装置
JP2022058915A (ja) 画像認識モデルをトレーニングするための方法および装置、画像を認識するための方法および装置、電子機器、記憶媒体、並びにコンピュータプログラム
JP2022526513A (ja) ビデオフレームの情報ラベリング方法、装置、機器及びコンピュータプログラム
US10073908B2 (en) Functional space-time trajectory clustering
JP7273129B2 (ja) 車線検出方法、装置、電子機器、記憶媒体及び車両
CN110298238A (zh) 行人视觉跟踪方法、模型训练方法、装置、设备及存储介质
CN111291690B (zh) 路线规划方法、路线规划装置、机器人及介质
CN109325996B (zh) 用于生成信息的方法和装置
CN111767475A (zh) 一种目标行人轨迹预测模型训练方法、装置、电子设备及存储介质
JP2019508805A (ja) 大域的最適化に基づく意味的セグメント化
JP2023536025A (ja) 路車協調における目標検出方法、装置及び路側機器
CN115331179A (zh) 高实时性的行人追踪方法、装置及可读介质
CN113870334A (zh) 深度检测方法、装置、设备以及存储介质
CN114972591A (zh) 动画生成模型的训练方法、动画生成方法和装置
CN115222769A (zh) 轨迹预测方法、装置和智能体
CN112461239B (zh) 移动体路径规划方法、装置、设备及存储介质
CN112612277B (zh) 车辆轨迹规划方法、装置、设备和计算机可读介质
CN114120423A (zh) 人脸图像检测方法、装置、电子设备和计算机可读介质
CN113496167A (zh) 确定目标运动轨迹的方法和装置
CN111860070A (zh) 识别发生改变的对象的方法和装置
CN114580623B (zh) 模型的训练方法、多源多目标数据关联方法及装置
Bayraktar et al. Motion Aware Data Sampling Using Sequential Frames for Deep Learning Models
CN111292350B (zh) 目标朝向的优化算法、***、电子设备及存储介质

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