CN117372477A - 一种目标跟踪匹配方法、装置、设备及介质 - Google Patents
一种目标跟踪匹配方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117372477A CN117372477A CN202311401429.7A CN202311401429A CN117372477A CN 117372477 A CN117372477 A CN 117372477A CN 202311401429 A CN202311401429 A CN 202311401429A CN 117372477 A CN117372477 A CN 117372477A
- Authority
- CN
- China
- Prior art keywords
- target
- matched
- historical
- matching
- targets
- 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 48
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 abstract description 11
- 239000002699 waste material Substances 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标跟踪匹配方法、装置、设备及介质,通过获取历史图像帧中历史目标;识别当前图像帧中的待匹配目标,并基于所述待匹配目标的置信度对所述待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标;基于所述历史目标对所述第一待匹配目标进行位置匹配,得到所述第一待匹配目标的匹配结果和未匹配的历史目标;对所述未匹配的历史目标和所述第二待匹配目标进行特征匹配,得到所述第二待匹配目标的匹配结果。本发明实施例可以实现去除冗余的特征提取和匹配,解决了基于特征的目标跟踪匹配策略存在不必要的计算资源浪费的问题,优化了目标跟踪匹配策略,降低了计算量,提高了目标跟踪匹配效率。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种目标跟踪匹配方法、装置、设备及介质。
背景技术
自动驾驶是当前交通出行领域的前沿技术和焦点,为了确保自动驾驶技术的成熟度和可靠性,通常需要对障碍物进行目标跟踪,根据障碍物的位置轨迹规划行驶路线。
目前传统的匹配规则包括位置、特征等,其中特征匹配根据重识别(Re-identification,REID)模型获取目标特征,基于目标特征进行目标跟踪匹配。
然而,在自动驾驶场景中,对目标跟踪匹配速度要求很高,但是目前对目标的跟踪匹配过程中经过REID模型获取目标特征并进行匹配的方式,所需的计算量大,计算耗时严重。
发明内容
本发明提供了一种目标跟踪匹配方法、装置、设备及介质,在保证跟踪匹配准确性的情况下,进一步优化目标跟踪匹配策略,以解决特征匹配方式造成的耗时问题,降低计算量,提高匹配效率。
根据本发明的一方面,提供了一种目标跟踪匹配方法,包括:
获取历史图像帧中历史目标;
识别当前图像帧中的待匹配目标,并基于所述待匹配目标的置信度对所述待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标;
基于所述历史目标对所述第一待匹配目标进行位置匹配,得到所述第一待匹配目标的匹配结果和未匹配的历史目标;
对所述未匹配的历史目标和所述第二待匹配目标进行特征匹配,得到所述第二待匹配目标的匹配结果。
根据本发明的另一方面,提供了一种目标跟踪匹配装置,其特征在于,包括:
历史目标获取模块,用于获取历史图像帧中历史目标;
待匹配目标识别模块,用于识别当前图像帧中的待匹配目标,并基于所述待匹配目标的置信度对所述待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标;
位置匹配模块,用于基于所述历史目标对所述第一待匹配目标进行位置匹配,得到所述第一待匹配目标的匹配结果和未匹配的历史目标;
特征匹配模块,用于对所述未匹配的历史目标和所述第二待匹配目标进行特征匹配,得到所述第二待匹配目标的匹配结果。
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目标跟踪匹配方法。
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目标跟踪匹配方法。
本发明实施例的技术方案,通过获取历史图像帧中历史目标;识别当前图像帧中的待匹配目标,并基于所述待匹配目标的置信度对所述待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标;基于所述历史目标对所述第一待匹配目标进行位置匹配,得到所述第一待匹配目标的匹配结果和未匹配的历史目标;对所述未匹配的历史目标和所述第二待匹配目标进行特征匹配,得到所述第二待匹配目标的匹配结果,可以实现去除冗余的特征提取和匹配,解决了基于特征的目标跟踪匹配策略存在不必要的计算资源浪费的问题,优化了目标跟踪匹配策略,降低了计算量,提高目标跟踪匹配效率。
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。本发明的其他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的介绍,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是本发明实施例一提供的一种目标跟踪匹配方法的流程图;
图2是本发明实施例二提供的一种目标跟踪匹配方法的流程图;
图3是本发明实施例三提供的一种目标跟踪匹配装置的结构示意图;
图4是实现本发明实施例的目标跟踪匹配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、完整的描述,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是本发明实施例一提供的一种目标跟踪匹配方法的流程图,本实施例可适用于对视频中的目标进行跟踪匹配的情况,该方法可以由目标跟踪匹配装置来执行,该目标跟踪匹配装置可以采用硬件和/或软件的形式实现,该目标跟踪匹配装置可配置于计算机或服务器等电子设备中。如图1所示,该方法包括:
S110、获取历史图像帧中历史目标。
在本实施例中,在车辆行驶过程中,实时采集车辆所在环境的图像,根据图像的采集时间戳形成行驶环境视频,图像帧是根据时间戳从行驶环境视频中提取的图像帧,例如,可以说自动驾驶场景视频中的图像帧。图像帧根据图像帧时间戳进行排序得到图像帧序列,可以按照时间戳顺序排序,也可以按照时间戳逆序排序,本实施例对此不进行限制。历史图像帧是图像帧序列中任意两个连续的图像帧中排序在前的图像帧。目标是视频中跟踪匹配的目标,以自动驾驶场景视频为例,目标是自动驾驶汽车在行驶途中需要自动规避的障碍物。历史目标是历史图像帧中跟踪的一个或多个目标。
具体的,目标跟踪匹配装置可以通过有线和/或无线连接摄像装置,得到摄像装置实时采集的视频,也可以调用存储在本地和/或服务器中的视频,可以将从视频中提取的每一帧图像作为图像帧,也可以将从视频中以间隔固定帧数提取的一帧图像作为图像帧。将图像帧根据时间戳顺序存储为图像帧序列,从图像帧序列获得任意连续两个的图像帧,其中一个图像帧作为历史图像帧,对历史图像帧进行基于人工和/或算法的目标检测,得到一个或多个历史目标。
示例性的,目标跟踪匹配装置可以通过连接自动驾驶车辆的摄像头,得到实时采集的视频,根据时间戳顺序提取视频中的每一个图像帧组成图像帧序列,图像帧序列中从0开始依次增加1的序号表征图像帧的存储位置,假设序号为3的图像帧是历史图像帧,对历史图像帧进行目标检测处理,得到多个历史目标。
S120、识别当前图像帧中的待匹配目标,并基于待匹配目标的置信度对待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标。
在本实施例中,当前图像帧是图像帧序列中与历史图像帧相邻的后一个图像帧。待匹配目标是当前图像帧中一个或多个目标。待匹配目标的置信度是以概率值的形式表征待匹配目标的识别结果的可信程度。第一待匹配目标的置信度高于第二待匹配目标的置信度。
具体的,从图像帧序列获得任意连续两个的图像帧,其中一个图像帧作为当前图像帧,将当前图像帧进行目标检测,得到一个或多个待匹配目标和每一个待匹配目标的置信度。根据待匹配目标的置信度按照置信度划分标准对待匹配目标进行分类,如果待匹配目标被划分为高置信度的待匹配目标,则可认为该待匹配目标存在被遮挡和/或目标重叠的概率低,基于位置对该待匹配目标与历史目标进行匹配的成功率高,则将高置信度的待匹配目标作为第一待匹配目标;如果待匹配目标被划分为低置信度的待匹配目标,可认为该待匹配目标存在被遮挡和/或目标重叠的概率高,基于位置对该待匹配目标与历史目标进行匹配的成功率低,则将低置信度的待匹配目标作为第二待匹配目标
示例性的,目标跟踪匹配装置可以通过连接自动驾驶车辆的摄像头,得到实时采集的视频,根据时间戳顺序提取视频中的每一个图像帧组成图像帧序列,图像帧序列中从0开始依次增加1的序号表征图像帧的存储位置,假设序号为3的图像帧是历史图像帧,则序号为4的图像帧是当前图像帧,对当前图像帧进行目标检测处理,得到多个待匹配目标以及每一个待匹配目标的置信度。假设当前图像帧中存在两个待匹配目标,第一待匹配目标的置信度高于第二待匹配目标的置信度,基于置信度对上述两个待匹配目标按照置信度划分标准进行二分类处理,第一个待匹配目标为第一待匹配目标,用于与历史目标进行位置匹配;第二个待匹配目标为第二待匹配目标,用于与历史目标进行特征匹配。
可选的,基于目标检测模型对历史图像帧和当前图像帧进行目标检测,得到当前图像帧中待匹配目标以及待匹配目标的置信度;将置信度大于或等于置信度阈值的待匹配目标确定为第一待匹配目标,将置信度小于置信度阈值的待匹配目标确定为第二待匹配目标。
在本实施例中,置信度阈值是判定待匹配目标属于第一待匹配目标或第二待匹配目标的置信度的阈值。
具体的,基于对历史图像帧进行目标检测的目标检测模型(例如,基于传统机器学习的模型和基于深度学习的模型),对当前图像帧进行目标检测,得到一个或多个待匹配目标,以及每个待匹配目标的置信度。通过专家经验或算法学习得到的能够对待匹配目标进行二分类的置信度阈值,将待匹配目标的置信度与置信度阈值进行比较,将置信度大于或等于置信度阈值的待匹配目标确定为第一待匹配目标,将置信度小于置信度阈值的待匹配目标确定为第二待匹配目标。
示例性的,假设置信度阈值为0.2,基于对历史图像帧进行目标检测的YOLO模型,对当前图像帧进行目标检测,得到两个待匹配目标,以及两个待匹配目标的置信度,分别为0.15和0.78,将两个待匹配目标的置信度与置信度阈值进行比较,将置信度为0.78的待匹配目标作为第一待匹配目标,将置信度为0.15的待匹配目标作为第二待匹配目标。
S130、基于历史目标对第一待匹配目标进行位置匹配,得到第一待匹配目标的匹配结果和未匹配的历史目标。
在本实施例中,位置匹配是基于第一待匹配目标的当前位置数据和历史目标的历史位置信息进行的匹配。当前位置数据可以为第一待匹配目标在当前图像帧中的外界框位置信息,历史位置信息可以为历史目标在历史图像帧中的的外界框位置信息,其中,外界框可以是第一待匹配目标或历史目标的二维最小外接框或三维最小外接框,即外接框可以是矩形框或长方体外接框。外界框位置信息可以包括外界框中心点坐标以及各顶点坐标,可以包括外界框的长、宽和/或高。第一待匹配目标的匹配结果为第一待匹配目标与历史目标是否匹配,以及哪一个第一待匹配目标与哪一个历史目标匹配的结果。
具体的,基于第一待匹配目标的当前位置数据和历史目标的历史位置信息,对每个第一待匹配目标与全部历史目标进行逐一位置匹配,得到历史目标与第一待匹配目标的匹配结果,可以为历史目标与第一待匹配目标匹配,第一待匹配目标与全部历史目标均不匹配,历史目标与全部第一待匹配目标均不匹配,并且将与全部第一待匹配目标均不匹配的历史目标作为未匹配的历史目标,用于进行后续的匹配操作。
示例性的,在历史图像帧中有2个历史目标,即历史目标1和历史目标2,在当前图像帧中有2个第一待匹配目标,即第一待匹配目标1和第一待匹配目标2,将2个历史目标分别与2个第一待匹配目标进行逐一位置匹配,得到第一待匹配目标的匹配结果,例如,历史目标1与第一待匹配目标1相匹配,历史目标2与第一待匹配目标2不匹配,并将历史目标2作为未匹配的历史目标。
可选的,获取当前图像帧中第一待匹配目标的当前位置数据和当前形态数据;基于第一待匹配目标的当前位置信息和/或当前形态数据,与历史目标的历史位置信息和/或历史形态数据进行匹配,得到第一待匹配目标与历史目标的匹配度数据;基于第一待匹配目标与各历史目标的匹配度数据,确定第一待匹配目标的匹配结果。
在本实施例中,当前形态数据是表征第一待匹配目标的形态的数据,历史形态数据是表征历史目标的形态的数据,匹配度数据是表征第一待匹配目标与历史目标匹配程度的数据。
具体的,基于相同目标检测方法,得到的当前图像帧中第一待匹配目标的当前位置数据和当前形态数据,以及历史目标的历史位置信息和/或历史形态数据,将每个第一待匹配目标的当前位置数据与全部历史目标的历史位置信息进行匹配,得到位置匹配数据,和/或将每个第一待匹配目标的当前形态数据与全部历史目标的历史形态数据进行匹配,得到形态匹配数据。将位置匹配数据和/或形态匹配数据按照一定的权重比例计算,得到每个第一待匹配目标与全部历史目标的匹配度数据,基于第一待匹配目标与各历史目标的匹配度数据,采用二分图最大匹配的方式对第一待匹配目标和历史目标进行匹配,在对多种已知数据进行变换处理的基础上,能够准确衡量分配上的关系,求解出最优匹配方案,得到第一待匹配目标和历史目标的匹配结果。
以第一待匹配目标和历史目标的外界框包括二维最小外接框和三维最小外接框为例,历史目标和第一待匹配目标的位置信息为基于外界框的中心点坐标信息,历史目标和第一待匹配目标的形态数据为基于外界框的长、宽和/或高信息,以及各顶点坐标信息。使用如下公式计算每一个第一待匹配目标和全部历史目标的基于外界框中心点高斯运动、形状变化以及形状重叠度(Intersection over Union,IoU)的匹配得分。
(1)基于二维外界框中心点高斯运动获得匹配得分sm,计算方式如下:sm=gaussian(c.xdet,c.xtra,wdet)*gaussian(c.ydet,c.ytra,hdet),其中,c.xdet和c.ydet分别表示任一第一待匹配目标的二维外界框中心点坐标,c.xtra和c.ytra分别表示任一历史目标的二维外界框中心点坐标,wdet和hdet分别表示任一第一待匹配目标的二维外界框的宽和高。gaussian函数计算方式如下:gaussian(x,mu,sigma)=exp(-(x-mu)*(x-mu)/(2*sigma*sigma))
(2)基于二维外界框形状变化获得匹配得分ss,计算方式如下:ss=(wtra-wdet)*(htra-hdet)/(wtra*htra),其中,wtra和htra分别表示任一历史目标的二维外界框的长和宽。
(3)基于二维外界框形状IoU获得匹配得分so,需要说明的是,IoU是一种测量在特定数据集中检测相应物体准确度的一个标准,计算方式如下:so=IOU(boxdet,boxtra),其中,boxdet=[xmindet,ymindet,xmaxdet,ymaxdet],boxtra=[xmintra,ymintra,xmaxtra,ymaxtra],IOU(box1,box2)=(box1&box2)/(box1|box2),其中,xmindet,ymindet,xmaxdet和ymaxdet分别表示任一第一待匹配目标的二维外界框的各顶点坐标,xmintra,ymintra,xmaxtra和ymaxtra分别表示任一历史目标的二维外界框各顶点坐标。
(4)同理,基于三维外界框计算中心点高斯运动、形状变化以及IoU,分别获得匹配得分sm3d、ss3d以及so3d,计算方式与(1)(2)(3)相同。
根据上述匹配得分加权获得基于位置匹配的匹配度数据,计算方式如下:score1=0.2*sm+0.2*ss+0.2*so+0.2*sm3d+0.1*ss3d+0.1*so3d,需要说明的是,上述权重值可以依据实际的应用与场景进行相应的设置。
上述得到的匹配度数据是历史图像帧中一个历史目标与当前图像帧中一个第一待匹配目标的匹配得分,如果想要确定这两帧图像帧中的第一待匹配目标与历史目标的匹配结果,需要计算历史图像帧中每一历史目标与当前图像帧中全部第一待匹配目标的匹配度数据,例如,在自动驾驶的场景中,历史图像帧中有3个障碍物,即确定历史图像帧中有3个历史目标,当前图像帧中有4个高置信度障碍物,即确定当前图像帧有4个第一待匹配目标,需要计算12个基于位置的匹配度数据,根据这些匹配度数据获得匹配矩阵matrix1,通过匈牙利算法进行二分图最大匹配计算,对第一待匹配目标和历史目标进行匹配,得到第一待匹配目标和历史目标的匹配结果,确定第一待匹配目标与各历史目标是否匹配,以及与哪一个历史目标匹配。
需要说明的是,匈牙利算法是一种在多项式时间内求解任务分配问题的组合优化算法,并推动了后来的原始对偶方法。
可选的,在第一待匹配目标与任一历史目标的匹配度数据满足匹配条件的情况下,基于当前图像帧中第一待匹配目标的位置信息,对与第一待匹配目标相匹配的历史目标的历史轨迹进行更新;在第一待匹配目标与多个历史目标的匹配度数据均不满足匹配条件的情况下,基于第一待匹配目标的位置信息生成新增目标的轨迹。
在本实施例中,匹配条件是判定第一待匹配目标与历史目标相匹配时匹配度数据需要满足的条件,例如,匹配度数据超过预设匹配度阈值。历史轨迹是由历史目标在各历史图像帧中的位置信息根据历史图像帧的顺序组成的目标运动轨迹。新增目标的轨迹是以当前图像帧中的不与历史目标匹配的第一待匹配目标为新增目标的轨迹,轨迹的起点为该新增目标。
具体的,如果第一待匹配目标与任一历史目标的匹配度数据满足匹配条件,可认为该第一待匹配目标与该历史目标相匹配,该第一待匹配目标的位置信息是该历史目标在当前图像帧中的位置信息,则使用该第一待匹配目标的位置信息更新相匹配的历史目标的历史轨迹;如果第一待匹配目标与任一历史目标的匹配度数据不满足匹配条件,可认为该第一待匹配目标与任一历史目标不匹配,则将该第一待匹配目标作为新增目标,并使用该第一待匹配目标的位置信息为起点创建新增目标的轨迹;如果历史目标与任一第一待匹配目标的匹配度数据不满足匹配条件,可认为该历史目标与任一第一待匹配目标不匹配,则将该历史目标作为未匹配的历史目标。
示例性的,在自动驾驶的场景中,历史图像帧中有2个历史目标,当前图像帧中有2个第一待匹配目标,历史目标1与第一待匹配目标1的匹配度数据满足匹配条件,则使用第一待匹配目标1更新历史目标1的跟踪轨迹;历史目标2与第一待匹配目标2不满足匹配条件,则使用第一待匹配目标2作为跟踪轨迹的起始点新增一条第一待匹配目标2的跟踪轨迹,并将历史目标2作为未匹配的历史目标。
S140、对未匹配的历史目标和第二待匹配目标进行特征匹配,得到第二待匹配目标的匹配结果。
在本实施例中,特征匹配是基于特征对第二待匹配目标和未匹配的历史目标进行的匹配。第二待匹配目标的匹配结果为未匹配的历史目标和第二待匹配目标是否匹配,以及哪一个第二待匹配目标与哪一个未匹配的历史目标匹配的结果。
具体的,提取未匹配的历史目标和第二待匹配目标的特征,对每个第二待匹配目标与全部未匹配的历史目标进行逐一特征匹配,得到第二待匹配目标与未匹配的历史目标的匹配结果,可以为第二待匹配目标与未匹配的历史目标匹配,第二待匹配目标与全部未匹配的历史目标均不匹配。
示例性的,在自动驾驶的场景中,历史图像帧中有4个障碍物,即确定历史图像帧中有4个历史目标,其中,3个历史目标为未匹配的历史目标,当前图像帧中有5个障碍物,其中,4个障碍物为低置信度障碍物,即确定当前图像帧有4个第二待匹配目标,提取3个未匹配的历史目标和4个第二待匹配目标的特征,将3个未匹配的历史目标分别与4个第二待匹配目标进行逐一特征匹配,得到第二待匹配目标的匹配结果,例如:未匹配的历史目标1与第二待匹配目标1相匹配,未匹配的历史目标2与第二待匹配目标2相匹配,未匹配的历史目标3与第二待匹配目标3不相匹配,未匹配的历史目标3与第二待匹配目标4不相匹配。
本实施例的技术方案,通过获取历史图像帧中历史目标;识别当前图像帧中的待匹配目标,并基于所述待匹配目标的置信度对所述待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标;基于所述历史目标对所述第一待匹配目标进行位置匹配,得到所述第一待匹配目标的匹配结果和未匹配的历史目标;对所述未匹配的历史目标和所述第二待匹配目标进行特征匹配,得到所述第二待匹配目标的匹配结果,可以实现去除冗余的特征提取和匹配,解决了基于特征的目标跟踪匹配策略存在不必要的计算资源浪费的问题,优化了目标跟踪匹配策略,降低了计算量,提高了目标跟踪匹配效率。
实施例二
图2是本发明实施例二提供的一种目标跟踪匹配方法的流程图,本发明实施例的技术方案在上述任意实施例基础上进一步优化。如图2所示,该方法包括:
S210、获取历史图像帧中历史目标。
S220、识别当前图像帧中的待匹配目标,并基于待匹配目标的置信度对待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标。
S230、基于历史目标对第一待匹配目标进行位置匹配,得到第一待匹配目标的匹配结果和未匹配的历史目标。
S240、基于特征提取模块分别确定第二待匹配目标的第一特征数据以及未匹配的历史目标的第二特征数据。
在本实施例中,特征提取模块是用于提取第二待匹配目标的第一特征数据和未匹配的历史目标的第二特征数据的模块。
具体的,使用存储在本地和/或服务器中的样本集对初始特征提取模型进行训练,得到训练好的特征提取模型,将其作为提取第二待匹配目标的第一特征数据和未匹配的历史目标的第二特征数据的特征提取模块,其中样本对象的样本位置与样本对象的样本位置对应的特征。将未匹配的历史目标和第二待匹配目标输入至特征提取模块,得到与第二待匹配目标对应的第一待匹配目标,以及与未匹配的历史目标对应的第二特征数据。
示例性的,以resnet18为骨干构建目标重识别REID模型,作为初始特征提取模型,基于Nuscene数据集构建ROI-id序列训练数据集,对初始特征提取模型进行训练,将训练好的REID模型作为特征提取模块,提取第二待匹配目标的第一特征数据和未匹配的历史目标的第二特征数据。
可选的,未匹配的历史目标的第二特征数据包括未匹配的历史目标在多个历史图像帧中的特征数据。
在本实施例中,多个历史图像帧为图像帧序列中在历史图像帧之前的多个连续图像帧。
具体的,根据图像帧序列中的顺序,将未匹配的历史目标在历史图像帧与之前的多个历史图像帧中的特征数据作为未匹配的历史目标的第二特征数据。
示例性的,假设序号为4的图像帧是当前图像帧,序号为3的图像帧是历史图像帧,则将序号为1、2和3的三个图像帧中同一未匹配的历史目标对应的的特征数据按照序号顺序存储为特征序列,作为该未匹配的历史目标的第二特征数据。
本实施例的技术方案,通过以多个历史图像帧中的特征数据作为未匹配的历史目标的第二特征数据,避免了历史图像帧为同一历史目标在多个历史图像帧之间轨迹中断点对应的中断图像帧导致的匹配误差,加强了目标跟踪匹配的稳定性。
S250、基于第一特征数据和第二特征数据确定第二待匹配目标和未匹配的历史目标的匹配度数据。
具体的,将每个第一特征数据与全部第二特征数据进行匹配,得到每一个第二待匹配目标和全部未匹配的历史目标的匹配度数据。
示例性的,基于余弦距离得到第二待匹配目标和未匹配的历史目标的匹配度数据,公式如下:
其中,featuredet和featuretra分别表示当前帧目标和历史目标轨迹的目标特征,k表示向量的维度。
S260、基于第二待匹配目标与多个未匹配的历史目标的匹配度数据,确定第二待匹配目标的匹配结果。
具体的,基于第二待匹配目标与各未匹配的历史目标的匹配度数据,采用二分图最大匹配的方式对第二待匹配目标与未匹配的历史目标进行匹配,在对多种已知数据进行变换处理的基础上,能够准确衡量分配上的关系,求解出最优匹配方案,得到第二待匹配目标与未匹配的历史目标的匹配结果。
示例性的,在自动驾驶的场景中,历史图像帧中有3个历史目标为未匹配的历史目标,当前图像帧有4个第二待匹配目标,需要计算12个基于特征的匹配度数据,根据这些匹配度数据获得匹配矩阵matrix2,通过匈牙利算法进行二分图最大匹配计算,对第二待匹配目标与未匹配的历史目标进行匹配,得到第二待匹配目标与未匹配的历史目标的匹配结果,确定第二待匹配目标与各未匹配的历史目标是否匹配,以及与哪一个未匹配的历史目标匹配。
可选的,在第二待匹配目标与任一未匹配的历史目标的匹配度数据满足匹配条件的情况下,基于当前图像帧中第二待匹配目标的位置信息,对与第二待匹配目标相匹配的历史目标的历史轨迹进行更新;在第二待匹配目标与多个未匹配的历史目标的匹配度数据均不满足匹配条件的情况下,丢弃第二待匹配目标。
在本实施例中,匹配条件是判定第二待匹配目标与未匹配的历史目标相匹配时匹配度数据需要满足的条件,例如,匹配度数据超过预设匹配度阈值。
具体的,如果第二待匹配目标与未匹配的历史目标的匹配度数据满足匹配条件,可认为该第二待匹配目标与该未匹配的历史目标相匹配,该第二待匹配目标的位置信息是该未匹配的历史目标在当前图像帧中的位置信息,则使用该第二待匹配目标的位置信息更新相匹配的历史目标的历史轨迹;如果第二待匹配目标与未匹配的历史目标的匹配度数据不满足匹配条件,可认为该第二待匹配目标与任一未匹配的历史目标不匹配,则将该第二待匹配目标丢弃。
本实施例的技术方案,通过获取历史图像帧中历史目标;识别当前图像帧中的待匹配目标,并基于待匹配目标的置信度对待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标;基于历史目标对第一待匹配目标进行位置匹配,得到第一待匹配目标的匹配结果和未匹配的历史目标;基于特征提取模块分别确定第二待匹配目标的第一特征数据以及未匹配的历史目标的第二特征数据;基于第一特征数据和第二特征数据确定第二待匹配目标和未匹配的历史目标的匹配度数据;基于第二待匹配目标与多个未匹配的历史目标的匹配度数据,确定第二待匹配目标的匹配结果,基于特征将未匹配的历史目标与置信度低的目标进行匹配,节省了计算资源,提高了匹配效率。
实施例三
图3是本发明实施例三提供的一种目标跟踪匹配装置的结构示意图。
如图3所示,该装置包括:
历史目标获取模块310,用于获取历史图像帧中历史目标;
待匹配目标识别模块320,用于识别当前图像帧中的待匹配目标,并基于所述待匹配目标的置信度对所述待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标;
位置匹配模块330,用于基于所述历史目标对所述第一待匹配目标进行位置匹配,得到所述第一待匹配目标的匹配结果和未匹配的历史目标;
特征匹配模块340,用于对所述未匹配的历史目标和所述第二待匹配目标进行特征匹配,得到所述第二待匹配目标的匹配结果。
本实施例的技术方案,通过获取历史图像帧中历史目标;识别当前图像帧中的待匹配目标,并基于所述待匹配目标的置信度对所述待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标;基于所述历史目标对所述第一待匹配目标进行位置匹配,得到所述第一待匹配目标的匹配结果和未匹配的历史目标;对所述未匹配的历史目标和所述第二待匹配目标进行特征匹配,得到所述第二待匹配目标的匹配结果,可以实现去除冗余的特征提取和匹配,解决了基于特征的目标跟踪匹配策略存在不必要的计算资源浪费的问题,优化了目标跟踪匹配策略,降低了计算量,提高了目标跟踪匹配效率。
在上述实施例的基础上,可选的,待匹配目标识别模块320,包括:
置信度确定单元,用于基于目标检测模型对所述历史图像帧和所述当前图像帧进行目标检测,得到所述当前图像帧中待匹配目标以及所述待匹配目标的置信度;
待匹配目标确定单元,用于将所述置信度大于或等于置信度阈值的所述待匹配目标确定为所述第一待匹配目标,将所述置信度小于所述置信度阈值的所述待匹配目标确定为所述第二待匹配目标。
在上述实施例的基础上,可选的,位置匹配模块330,包括:
位置数据获取单元,用于获取所述当前图像帧中所述第一待匹配目标的当前位置数据和当前形态数据;
位置数据匹配单元,用于基于所述第一待匹配目标的所述当前位置信息和/或所述当前形态数据,与所述历史目标的历史位置信息和/或历史形态数据进行匹配,得到所述第一待匹配目标与所述历史目标的匹配度数据;
位置匹配结果确定单元,用于基于所述第一待匹配目标与各所述历史目标的匹配度数据,确定所述第一待匹配目标的匹配结果。
在上述实施例的基础上,可选的,第一匹配结果确定单元,具体用于:
在所述第一待匹配目标与任一历史目标的匹配度数据满足匹配条件的情况下,基于所述当前图像帧中第一待匹配目标的位置信息,对与所述第一待匹配目标相匹配的历史目标的历史轨迹进行更新;
在所述第一待匹配目标与多个所述历史目标的匹配度数据均不满足匹配条件的情况下,基于所述第一待匹配目标的位置信息生成新增目标的轨迹。
在上述实施例的基础上,可选的,特征匹配模块340,包括:
特征数据确定单元,用于基于特征提取模块分别确定所述第二待匹配目标的第一特征数据以及所述未匹配的历史目标的第二特征数据;
特征数据匹配单元,用于基于所述第一特征数据和所述第二特征数据确定所述第二待匹配目标和所述未匹配的历史目标的匹配度数据;
特征匹配结果确定单元,用于基于所述第二待匹配目标与多个所述未匹配的历史目标的匹配度数据,确定所述第二待匹配目标的匹配结果。
在上述实施例的基础上,可选的,未匹配的历史目标的第二特征数据包括所述未匹配的历史目标在多个历史图像帧中的特征数据。
在上述实施例的基础上,可选的,特征匹配结果确定单元,具体用于:
用于在所述第二待匹配目标与任一未匹配的历史目标的匹配度数据满足匹配条件的情况下,基于所述当前图像帧中第二待匹配目标的位置信息,对与所述第二待匹配目标相匹配的历史目标的历史轨迹进行更新;
在所述第二待匹配目标与多个所述未匹配的历史目标的匹配度数据均不满足匹配条件的情况下,丢弃所述第二待匹配目标。
本发明实施例所提供的目标跟踪匹配装置可执行本发明任意实施例所提供的目标跟踪匹配方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4是实现本发明实施例的目标跟踪匹配方法的电子设备的结构示意图。电子设备10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)和其他类似的计算装置。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,例如目标跟踪匹配方法。
在一些实施例中,目标跟踪匹配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目标跟踪匹配方法的一个或多个步骤。备选的,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)而被配置为执行目标跟踪匹配方法。
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。
用于实施本发明的目标跟踪匹配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。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行一种目标跟踪匹配方法,该方法包括:
获取历史图像帧中历史目标;识别当前图像帧中的待匹配目标,并基于所述待匹配目标的置信度对所述待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标;基于所述历史目标对所述第一待匹配目标进行位置匹配,得到所述第一待匹配目标的匹配结果和未匹配的历史目标;对所述未匹配的历史目标和所述第二待匹配目标进行特征匹配,得到所述第二待匹配目标的匹配结果。
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。其他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)
1.一种目标跟踪匹配方法,其特征在于,包括:
获取历史图像帧中历史目标;
识别当前图像帧中的待匹配目标,并基于所述待匹配目标的置信度对所述待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标;
基于所述历史目标对所述第一待匹配目标进行位置匹配,得到所述第一待匹配目标的匹配结果和未匹配的历史目标;
对所述未匹配的历史目标和所述第二待匹配目标进行特征匹配,得到所述第二待匹配目标的匹配结果。
2.根据权利要求1所述的方法,其特征在于,所述识别当前图像帧中的待匹配目标,并基于所述待匹配目标的置信度对所述待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标,包括:
基于目标检测模型对所述历史图像帧和所述当前图像帧进行目标检测,得到所述当前图像帧中待匹配目标以及所述待匹配目标的置信度;
将所述置信度大于或等于置信度阈值的所述待匹配目标确定为所述第一待匹配目标,将所述置信度小于所述置信度阈值的所述待匹配目标确定为所述第二待匹配目标。
3.根据权利要求1所述的方法,其特征在于,所述基于所述历史目标对所述第一待匹配目标进行位置匹配,包括:
获取所述当前图像帧中所述第一待匹配目标的当前位置数据和当前形态数据;
基于所述第一待匹配目标的所述当前位置信息和/或所述当前形态数据,与所述历史目标的历史位置信息和/或历史形态数据进行匹配,得到所述第一待匹配目标与所述历史目标的匹配度数据;
基于所述第一待匹配目标与各所述历史目标的匹配度数据,确定所述第一待匹配目标的匹配结果。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第一待匹配目标与各所述历史目标的匹配度数据,确定所述第一待匹配目标的匹配结果,包括:
在所述第一待匹配目标与任一历史目标的匹配度数据满足匹配条件的情况下,基于所述当前图像帧中第一待匹配目标的位置信息,对与所述第一待匹配目标相匹配的历史目标的历史轨迹进行更新;
在所述第一待匹配目标与多个所述历史目标的匹配度数据均不满足匹配条件的情况下,基于所述第一待匹配目标的位置信息生成新增目标的轨迹。
5.根据权利要求1所述的方法,其特征在于,所述对所述未匹配的历史目标和所述第二待匹配目标进行特征匹配,得到所述第二待匹配目标的匹配结果,包括:
基于特征提取模块分别确定所述第二待匹配目标的第一特征数据以及所述未匹配的历史目标的第二特征数据;
基于所述第一特征数据和所述第二特征数据确定所述第二待匹配目标和所述未匹配的历史目标的匹配度数据;
基于所述第二待匹配目标与多个所述未匹配的历史目标的匹配度数据,确定所述第二待匹配目标的匹配结果。
6.根据权利要求5所述的方法,其特征在于,所述未匹配的历史目标的第二特征数据包括所述未匹配的历史目标在多个历史图像帧中的特征数据。
7.根据权利要求5所述的方法,其特征在于,所述基于所述第二待匹配目标与多个所述未匹配的历史目标的匹配度数据,确定所述第二待匹配目标的匹配结果,包括:
在所述第二待匹配目标与任一未匹配的历史目标的匹配度数据满足匹配条件的情况下,基于所述当前图像帧中第二待匹配目标的位置信息,对与所述第二待匹配目标相匹配的历史目标的历史轨迹进行更新;
在所述第二待匹配目标与多个所述未匹配的历史目标的匹配度数据均不满足匹配条件的情况下,丢弃所述第二待匹配目标。
8.一种目标跟踪匹配装置,其特征在于,包括:
历史目标获取模块,用于获取历史图像帧中历史目标;
待匹配目标识别模块,用于识别当前图像帧中的待匹配目标,并基于所述待匹配目标的置信度对所述待匹配目标进行分类,得到第一待匹配目标和第二待匹配目标;
位置匹配模块,用于基于所述历史目标对所述第一待匹配目标进行位置匹配,得到所述第一待匹配目标的匹配结果和未匹配的历史目标;
特征匹配模块,用于对所述未匹配的历史目标和所述第二待匹配目标进行特征匹配,得到所述第二待匹配目标的匹配结果。
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中任一项所述的目标跟踪匹配方法。
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中任一项所述的目标跟踪匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401429.7A CN117372477A (zh) | 2023-10-26 | 2023-10-26 | 一种目标跟踪匹配方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401429.7A CN117372477A (zh) | 2023-10-26 | 2023-10-26 | 一种目标跟踪匹配方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372477A true CN117372477A (zh) | 2024-01-09 |
Family
ID=89402023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311401429.7A Pending CN117372477A (zh) | 2023-10-26 | 2023-10-26 | 一种目标跟踪匹配方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372477A (zh) |
-
2023
- 2023-10-26 CN CN202311401429.7A patent/CN117372477A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN112597837B (zh) | 图像检测方法、装置、设备、存储介质和计算机程序产品 | |
CN113392794B (zh) | 车辆跨线识别方法、装置、电子设备和存储介质 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
CN116740355A (zh) | 自动驾驶图像的分割方法、装置、设备及存储介质 | |
CN116309963B (zh) | 一种图像的批量标注方法、装置、电子设备及存储介质 | |
CN115953434B (zh) | 轨迹匹配方法、装置、电子设备和存储介质 | |
CN112308917A (zh) | 一种基于视觉的移动机器人定位方法 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN116596750A (zh) | 一种点云处理方法、装置、电子设备及存储介质 | |
CN117372477A (zh) | 一种目标跟踪匹配方法、装置、设备及介质 | |
CN115330841A (zh) | 基于雷达图的抛洒物检测方法、装置、设备和介质 | |
CN115436900A (zh) | 基于雷达图的目标检测方法、装置、设备和介质 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN117351043A (zh) | 一种跟踪匹配方法、装置、电子设备和存储介质 | |
CN113360688B (zh) | 信息库的构建方法、装置及*** | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN114049615B (zh) | 行驶环境中交通对象融合关联方法、装置及边缘计算设备 | |
CN117392631B (zh) | 一种道路边界提取方法、装置、电子设备及存储介质 | |
CN114155508B (zh) | 一种道路变化检测方法、装置、设备以及存储介质 | |
CN116258769B (zh) | 一种定位校验方法、装置、电子设备和存储介质 | |
CN115857502B (zh) | 行驶控制方法和电子设备 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 |
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 |