CN117808848B - 一种识别跟踪方法、装置、电子设备及存储介质 - Google Patents
一种识别跟踪方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117808848B CN117808848B CN202410232430.XA CN202410232430A CN117808848B CN 117808848 B CN117808848 B CN 117808848B CN 202410232430 A CN202410232430 A CN 202410232430A CN 117808848 B CN117808848 B CN 117808848B
- Authority
- CN
- China
- Prior art keywords
- tracking
- target
- area
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 9
- 238000009825 accumulation Methods 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000203 mixture Substances 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
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种识别跟踪方法、装置、电子设备及存储介质。该方法包括：连续获取多个跟踪图像，确定跟踪图像中包含跟踪目标的跟踪区域；在跟踪目标为多个的情况下，对跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到预测身份，并在多个跟踪图像中对多个跟踪目标进行轮询地识别校准，得到对跟踪目标的跟踪数据。本发明通过对跟踪图像分步进行跟踪区域检测和识别校准，解决了在小特征目标识别跟踪过程中因特征像素太小导致难以识别的问题，进一步的，通过轮询识别校准的方式同时对多个跟踪目标进行视觉跟踪，解决了在有多个跟踪目标的情况下因对多个跟踪目标串行的进行识别校准而导致延迟累加的问题，减小识别跟踪的延迟，保证跟踪的实时性。
Description
技术领域
本发明涉及机器视觉技术领域，尤其涉及一种识别跟踪方法、装置、电子设备及存储介质。
背景技术
目标跟踪是机器视觉领域的一个重要问题，其目的是在视频序列中准确地跟踪目标对象的位置、速度和运动轨迹。
目前，机器视觉对多个小特征目标的识别跟踪效果较差，主要原因在于小特征目标进行识别的特征较小、像素较低，但是，若使用高像素的图像，则会因计算量太大导致跟踪延迟过大；进一步的，在多个小特征目标的情况下，由于需要对多个目标串行的进行识别校准，会导致延迟累加。
发明内容
本发明提供了一种识别跟踪方法、装置、电子设备及存储介质，以解决在小特征目标识别跟踪过程中因特征像素太小导致难以识别的问题，进一步的，解决在有多个跟踪目标的情况下因对多个跟踪目标串行的进行识别校准而导致延迟累加的问题。
根据本发明的一方面，提供了一种识别跟踪方法，包括：
连续获取多个跟踪图像，确定所述跟踪图像中包含跟踪目标的跟踪区域；
在所述跟踪目标为多个的情况下，对所述跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到所述跟踪区域的预测身份，并在所述多个跟踪图像中对多个所述跟踪目标进行轮询地识别校准，得到对所述跟踪目标的跟踪数据，其中，每一轮次对一个所述跟踪图像中部分跟踪区域的预测身份进行识别校准，所述部分跟踪区域包括一个或多个跟踪区域。
根据本发明的另一方面，提供了一种识别跟踪装置，包括：
跟踪区域检测模块，用于连续获取多个跟踪图像，确定所述跟踪图像中包含跟踪目标的跟踪区域；
识别校准模块，用于在所述跟踪目标为多个的情况下，对所述跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到所述跟踪区域的预测身份，并在所述多个跟踪图像中对多个所述跟踪目标进行轮询地识别校准，得到对所述跟踪目标的跟踪数据，其中，每一轮次对一个所述跟踪图像中部分跟踪区域的预测身份进行识别校准，所述部分跟踪区域包括一个或多个跟踪区域。
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识别跟踪方法。
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识别跟踪方法。
本发明实施例的技术方案，连续获取多个跟踪图像，确定跟踪图像中包含跟踪目标的跟踪区域；在跟踪目标为多个的情况下，对跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到跟踪区域的预测身份，并在多个跟踪图像中对多个跟踪目标进行轮询地识别校准，得到对跟踪目标的跟踪数据，其中，每一轮次对一个跟踪图像中部分跟踪区域的预测身份进行识别校准，部分跟踪区域包括一个或多个跟踪区域。通过对跟踪图像分步的进行跟踪区域检测和识别校准，解决了在小特征目标识别跟踪过程中因特征像素太小导致难以识别的问题，进一步的，通过轮询识别校准的方式同时对多个跟踪目标进行视觉跟踪，解决了在有多个跟踪目标的情况下因对多个跟踪目标串行的进行识别校准而导致延迟累加的问题，减小识别跟踪的延迟，从而保证跟踪的实时性。
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是本发明实施例一提供的一种识别跟踪方法的流程图；
图2是本发明实施例提供的连续两帧跟踪图像对跟踪区域进行轮询的示意图；
图3是本发明实施例二提供的一种识别跟踪装置的结构示意图；
图4是本发明实施例三提供的一种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是本发明实施例一提供的一种识别跟踪方法的流程图，本实施例可适用于对多个小特征目标或者远距离目标进行跟踪识别的情况，该方法可以由识别跟踪装置来执行，该识别跟踪装置可以采用硬件和/或软件的形式实现，该识别跟踪装置可配置于用于识别跟踪的电子设备中。如图1所示，该方法包括：
S110、连续获取多个跟踪图像，确定所述跟踪图像中包含跟踪目标的跟踪区域。
其中，跟踪图像是指以预设帧率采集的高分辨率图像，具体的，跟踪图像为连续采集的图像，跟踪图像之间存在时序，采集跟踪图像的预设帧率由本领域技术人员根据实际需求和采集设备的性能设置，这里不做限定。本实施例中，通过图像采集设备以预设帧率采集跟踪目标的跟踪图像；在采集跟踪图像之后，确定各跟踪图像中包含跟踪目标的跟踪区域。其中，跟踪目标是指进行识别跟踪的设置有身份标识的目标，跟踪目标包含身份识别、位置、尺寸等信息，具体的，跟踪目标包括但不限于带有车牌的车辆、带有编号的小车等设置有身份标识的跟踪目标，这里不做限定。跟踪区域是指包含跟踪目标的区域，具体的，跟踪区域是以跟踪目标的边缘确定的跟踪区域，跟踪区域包括跟踪区域的位置和尺寸；可以理解的是，由于跟踪区域包括跟踪目标，跟踪区域的位置和尺寸即可作为跟踪目标的位置和尺寸；另外，此时仅确定了跟踪区域的位置和尺寸，并未确定跟踪区域中跟踪目标的身份。
可以理解的是，车辆的车牌号和设置于小车的编号都是设置于跟踪目标上的小特征，将这些小特征作为跟踪目标的身份标识，由于作为身份标识的小特征较小，并不便于通过图像识别来确定身份身份识别，因此采用先检测出跟踪区域，进而对跟踪区域的身份标识进行识别的方式来实现对跟踪目标的识别跟踪。
在上述实施例的基础上，可选的，所述确定所述跟踪图像中包含跟踪目标的跟踪区域，包括：对所述跟踪图像进行尺寸压缩，得到压缩图像；将所述压缩图像输入至跟踪区域检测模型进行检测，得到所述压缩图像中跟踪目标的初始跟踪区域； 基于所述跟踪图像与所述压缩图像的压缩比例以及所述压缩图像中跟踪目标的初始跟踪区域确定所述跟踪图像中跟踪目标的跟踪区域；所述跟踪区域包括跟踪区域的位置和尺寸。
其中，压缩图像是对跟踪图像进行尺寸压缩后的低分辨率的跟踪图像。本实施例中，对跟踪图像进行尺寸压缩，得到压缩图像；进而将压缩图像输入至跟踪区域检测模型进行跟踪区域检测，得到压缩图像中所有跟踪目标的初始跟踪区域；其中，初始跟踪区域是指跟踪目标在压缩图像中的跟踪区域。需要说明的是，跟踪区域检测模型可以是以低分辨率的图像为训练样本训练的，例如640X480像素的低分辨率的图像。进一步的，可以根据跟踪图像压缩时的压缩比例将压缩图像中跟踪目标的初始跟踪区域转换为跟踪图像中跟踪目标的跟踪区域，并从原始的跟踪图像中裁剪出跟踪区域。
在从原始的高分辨率跟踪图像裁剪出跟踪图像中的跟踪区域之后，可以对跟踪区域中的跟踪目标的身份标识进行识别，确定跟踪目标的身份，从而实现对目标的跟踪。可以理解的是，由于采集的原始的跟踪图像的像素较高，裁剪出来的跟踪区域所包含的身份标识也会有足够的像素，因此可以直接对跟踪区域的身份标识进行识别，实现对跟踪目标的识别跟踪。然而，在跟踪目标为多个的情况下，若每一轮次（即每一帧）对跟踪图像中所有的跟踪区域都进行识别校准，那么跟踪延迟就会累加；具体的，目标跟踪延迟和跟踪目标数量成正比，例如跟踪图像中包含10个跟踪目标，相应在跟踪图像中会有10个跟踪区域，若对10个跟踪区域都进行识别校准，则跟踪延迟会变成单一跟踪目标的10倍。为解决该问题，在不增加硬件算力的前提下，我们引入了“轮询识别校准”的机制。
S120、在所述跟踪目标为多个的情况下，对所述跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到所述跟踪区域的预测身份，并在所述多个跟踪图像中对多个所述跟踪目标进行轮询地识别校准，得到对所述跟踪目标的跟踪数据，其中，每一轮次对一个所述跟踪图像中部分跟踪区域的预测身份进行识别校准，所述部分跟踪区域包括一个或多个跟踪区域。
其中，跟踪数据是指跟踪目标的跟踪数据，具体的，跟踪数据包括但不限于跟踪目标的位置、跟踪目标的尺寸、跟踪目标的身份等，这里不做限定。可以理解的是，跟踪目标所在跟踪区域的位置、尺寸即为跟踪目标的位置和尺寸，在此基础之上，识别出跟踪区域中跟踪目标身份，即可实现跟踪目标进行跟踪。部分跟踪区域是指当前轮次的跟踪图像中进行识别校准的一个或多个跟踪区域，具体的，部分跟踪区域内的跟踪区域数量小于等于当前轮次的跟踪图像中跟踪区域的总量。需要说明的是，部分跟踪区域中跟踪区域的数量与用于识别跟踪的硬件设备的算力和跟踪场景下所允许的时间延迟有关，可以根据识别跟踪的硬件设备的算力调整部分跟踪区域中跟踪区域的数量，识别跟踪的设备算力较高时，可以增加部分跟踪区域中跟踪区域的数量，以保证跟踪的实时性；或者在一些对于跟踪延迟要求不高的场景下，也可以增加部分跟踪区域中跟踪区域的数量。
本实施例中，在跟踪目标为多个的情况下，也就是说，跟踪图像中有多个跟踪区域的情况下，以采集跟踪图像的时序对跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到跟踪区域的预测身份，并在多个跟踪图像中对多个跟踪目标进行轮询地识别校准，得到对跟踪目标的跟踪数据，具体的，针对每一轮次的跟踪图像，先对跟踪图像中的所有跟踪区域进行预测识别，得到各跟踪区域的预测身份；进一步的，对跟踪图像中部分跟踪区域的预测身份进行识别校准，得到部分跟踪区域对应跟踪目标的跟踪数据，直至所有跟踪目标都轮询跟踪处理后，可得到所有跟踪目标的跟踪数据。可以理解的是，多个跟踪目标中每一轮次识别校准的部分跟踪区域不同，示例性的，如图2所示，A1、B1、C1、D1、E1和F1分别表示第一帧跟踪图像中跟踪目标A、B、C、D、E和F对应的跟踪区域，A2、B2、C2、D2、E2和F2分别表示第二帧跟踪图像中跟踪目标A、B、C、D、E和F对应的跟踪区域；假设每一轮次对两个跟踪目标进行跟踪处理，第一轮次是对第一帧跟踪图像中的A、B两个跟踪目标的跟踪区域A1和B1进行跟踪处理，第二轮次是对第二帧图像中C、D两个跟踪目标的跟踪区域C2和D2进行跟踪处理，以此类推，直至所有跟踪目标都被识别校准过一次后，重新开始下一轮询的跟踪处理。
需要说明的是，对于当前轮次内没有进行识别校准的跟踪区域，将跟踪区域的预测身份作为该跟踪区域的身份信息。
在上述实施例的基础上，可选的，所述在所述跟踪目标为多个的情况下，对所述跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到所述跟踪区域的预测身份，并在所述多个跟踪图像中对多个所述跟踪目标进行轮询地识别校准，得到对所述跟踪目标的跟踪数据，包括：在所述跟踪目标为多个的情况下，对任一轮次的所述跟踪图像，对当前轮次的所述跟踪图像的各跟踪区域进行预测识别，得到各所述跟踪区域的预测身份；基于当前轮次的所述跟踪图像中各所述跟踪区域的预测身份确定当前轮次的所述跟踪图像中的部分跟踪区域；将所述部分跟踪区域依次输入至跟踪目标识别模型对跟踪区域中跟踪目标的身份标识进行识别，得到所述跟踪区域中跟踪目标的身份信息；基于所述跟踪区域中跟踪目标的身份信息对所述跟踪区域的预测身份进行校准，得到所述跟踪目标的跟踪数据。
本实施例中，对任一轮次的跟踪图像，首先对当前轮次的跟踪图像的各跟踪区域进行预测识别，得到各跟踪区域的预测身份；进而根据当前轮次的跟踪图像中各跟踪区域的预测身份确定当前轮次的跟踪图像中的部分跟踪区域；进一步的，将部分跟踪区域中的每一跟踪区域依次输入至跟踪目标识别模型对跟踪区域中跟踪目标的身份标识进行识别，得到跟踪区域中跟踪目标的身份信息；进一步的，基于跟踪区域中跟踪目标的身份信息对跟踪区域的预测身份进行校准，得到跟踪目标的跟踪数据。可以理解的是，识别校准后跟踪区域对应跟踪目标的跟踪数据为准确的跟踪数据，对于未识别校准的跟踪区域的跟踪目标，以跟踪区域的预测身份为该跟踪区域对应跟踪目标的身份。
在一些实施例中，可选的，在对跟踪区域中跟踪目标的身份标识进行识别之前，所述方法还包括：若跟踪区域的尺寸大于预设尺寸阈值，则对跟踪区域进行尺寸压缩。具体的，由于跟踪目标与采集设备的距离的不同，所采集的跟踪图像中跟踪区域的尺寸大小不一，可能存在跟踪区域尺寸过大的情况；若跟踪区域的尺寸大于预设尺寸阈值，则可以对裁剪出的跟踪区域进行尺寸压缩。其中，预设尺寸阈值有本领域技术人员根据需求设置，这里不做限定。
在上述实施例的基础上，可选的，所述对当前轮次的所述跟踪图像的各跟踪区域进行预测识别，得到各所述跟踪区域的预测身份，包括：获取各跟踪目标到上一轮次的历史轨迹数据；将所述跟踪目标到上一轮次的历史轨迹数据输入至轨迹预测模型进行位置预测，得到所述跟踪目标在当前轮次的所述跟踪图像中的预测位置；基于所述各跟踪目标在当前轮次的所述跟踪图像中的预测位置、所述各跟踪目标对应跟踪区域的尺寸以及当前轮次的所述跟踪图像中各所述跟踪区域的位置和尺寸确定当前轮次的所述跟踪图像中各跟踪区域的预测身份。
其中，跟踪目标到上一轮次的历史轨迹数据是指从起始位置到上一轮次跟踪目标的历史轨迹数据，可以理解的是，这里的起始位置是指第一次获取的跟踪目标的位置。本实施例中，在进行识别校准之前，对当前轮次跟踪图像中的各跟踪区域进行预测识别；具体的，可以获取各跟踪目标到上一轮次的历史轨迹数据，将各跟踪目标到上一轮次的历史轨迹数据输入至轨迹预测模型进行位置预测，得到各跟踪目标在当前轮次的跟踪图像中的预测位置；进一步的，可以基于各跟踪目标在当前轮次的跟踪图像中的预测位置、各跟踪目标对应跟踪区域的尺寸以及当前轮次的跟踪图像中各跟踪区域的位置和尺寸确定当前轮次跟踪图像中各跟踪区域的预测身份，从而实现对跟踪目标初步的预测识别。其中，轨迹预测模型包括但不限于高斯混合模型（Gaussian Mixture Model，GMM）、高斯过程（GaussianProcess，GP）、车辆运动学模型等，这里不做限定。
在上述实施例的基础上，可选的，所述基于所述各跟踪目标在当前轮次的所述跟踪图像中的预测位置、所述各跟踪目标对应跟踪区域的尺寸以及当前轮次的所述跟踪图像中各所述跟踪区域的位置和尺寸确定当前轮次的所述跟踪图像中各跟踪区域的预测身份，包括：将所述各跟踪目标在当前轮次的所述跟踪图像中的预测位置和所述各跟踪目标对应跟踪区域的尺寸分别与当前轮次的所述跟踪图像中各跟踪区域的位置和尺寸进行匹配，若匹配成功，则将匹配成功的所述跟踪区域与所述跟踪目标对应，将所述跟踪目标的身份确定为所述跟踪区域的预测身份。
具体的，可以将各跟踪目标在当前轮次的跟踪图像中的预测位置与当前轮次的跟踪图像中各跟踪区域的位置进行匹配，若匹配成功，则进一步将跟踪目标对应的跟踪区域的尺寸与匹配成功的当前轮次的跟踪图像中跟踪区域的尺寸进行匹配，若同样匹配成功，则将跟踪目标与匹配成功的当前轮次的跟踪图像中跟踪区域对应，将所述跟踪目标的身份确定为所述跟踪区域的预测身份；此时，与跟踪区域匹配的跟踪目标的身份即为跟踪区域的预测身份。其中，跟踪目标在当前轮次的跟踪图像中的预测位置与当前轮次的跟踪图像中跟踪区域相匹配的条件可以是跟踪目标在当前轮次的跟踪图像中的预测位置和当前轮次的跟踪图像中跟踪区域的位置的距离小于预先设置的误差阈值，误差阈值由本领域技术人员根据经验和需求设置，这里不做限定。
可以理解的是，跟踪区域的位置是跟踪目标在当前轮次的准确位置，预测位置是跟踪目标在当前轮次的跟踪图像中的预测位置，预测位置存在误差，因此可以通过设置误差阈值来判断预测位置和跟踪区域的位置是否匹配；另外，在跟踪目标运动过程中，跟踪目标对应跟踪区域的尺寸保持不变，因此若跟踪目标的预测位置与跟踪区域位置匹配，则跟踪目标对应的跟踪区域的尺寸同样也应该与跟踪区域的尺寸匹配。
需要说明的是，基于轨迹预测对跟踪区域进行预测识别可以在不占用跟踪目标识别模型计算资源的前提下实现对跟踪目标的预测识别，但随着时间的增加，误差会因为累加或跟踪目标的极速变化等各种原因变大，因此需要及时进行准确的身份识别校准。
在上述实施例的基础上，可选的，所述基于当前轮次的所述跟踪图像中各跟踪区域的预测身份确定当前轮次的所述跟踪图像中的部分跟踪区域，包括：基于当前轮次的所述跟踪图像中各跟踪区域的预测身份确定所述各跟踪区域对应的校准超时时长；基于所述各跟踪区域对应的校准超时时长和预设部分跟踪区域数量阈值确定部分跟踪区域；所述跟踪区域对应的校准超时时长为所述跟踪区域对应的跟踪目标上一次识别校准的轮次至当前轮次的时间差。其中，校准超时时长是指跟踪目标上一次识别校准的轮次至当前轮次的时间差，具体的，每一跟踪目标皆设置有识别校准的时间戳，跟踪目标每进行一次识别校准，则对识别校准时间戳更新一次,，可以根据跟踪目标的识别校准时间戳和当前轮次对应的时刻计算跟踪目标的校准超时时长。本实施例中，可以根据当前轮次的跟踪图像中各跟踪区域的预测身份确定跟踪区域对应跟踪目标的别校准的时间戳，进而根据跟踪目标的识别校准的时间戳和当前轮次对应的时刻确定跟踪区域对应的校准超时时长；进一步的，对各跟踪区域的校准超时时长进行降序排序，得到排序结果；进而根据部分跟踪区域的预设部分跟踪区域数量阈值和排序结果确定部分跟踪区域；其中，预设跟踪区域数量阈值是部分跟踪区域中跟踪区域的数量阈值，具体的，可以选取排序结果靠前的校准超时时长对应的跟踪区域作为部分跟踪区域；预设跟踪区域数量阈值由本领域技术人员根据用于识别跟踪的硬件设备的算力和跟踪场景下所允许的时间延迟确定，这里不做限定。在一些实施例中，若当前轮次的跟踪图像的各跟踪区域中存在未预测识别的跟踪区域，则将未预测识别的跟踪区域对应的跟踪目标的识别校准时间戳设置为默认值。
其中，未预测识别的跟踪区域即没有历史轨迹数据的跟踪区域，可以理解的是，在进行第一轮次的识别或者有新的跟踪目标进入采集设备的视野内的情况下，由于跟踪目标尚未在当前轮次之前进行过识别，并没有历史轨迹数据，此类跟踪目标无法通过轨迹预测的方式进行预测识别，因此当前轮次优先对未预测识别的跟踪区域进行识别。本实施例中，若当前轮次跟踪图像的各跟踪区域中存在未预测识别的跟踪区域，则将该跟踪区域对应的跟踪目标的识别校准时间戳设置为默认值；具体的，可以将未预测识别的跟踪区域对应的跟踪目标的识别校准时间戳的默认值设置为0，如此，未预测识别的跟踪区域对应的跟踪目标的校准超时时长最长，对各跟踪目标的校准超时时长进行降序排序后可以优先将未预测识别的跟踪区域添加到部分跟踪区域中，以便于优先对未预测识别的跟踪区域进行识别。
需要说明的是，在进行第一轮次的识别校准时，第一轮次的跟踪图像中所有跟踪区域皆为未预测校准的跟踪区域，各跟踪区域对应跟踪目标的超时时长相同；在上述情况下，可以通过随机选取的方式在跟踪区域中选取预设跟踪区域数量阈值的跟踪区域作为部分跟踪区域。
在一些实施例中，可选的，在确定所述跟踪图像中包含跟踪目标的跟踪区域之后，所述方法还包括：若所述跟踪图像为初始跟踪图像，则将所述初始跟踪图像中包含跟踪目标的跟踪区域依次输入至跟踪目标识别模型对跟踪区域中跟踪目标的身份标识进行识别，得到各所述跟踪区域中跟踪目标的身份信息；基于各所述跟踪区域中跟踪目标的身份信息以及所述跟踪区域的位置和尺寸确定各跟踪目标的初始跟踪数据。
可以理解的是，由于初始跟踪图像中各跟踪目标尚未进行过识别，各跟踪目标没有历史轨迹数据，因此可以对初始跟踪图像中包含跟踪目标的跟踪区域进行身份识别，以得到各跟踪目标的初始跟踪数据。
其中，初始跟踪图像是指第一次采集的跟踪图像，具体的，初始跟踪图像中各跟踪目标没有历史轨迹数据，因此无法根据历史轨迹数据进行预测识别。本实施例中，若跟踪图像为初始跟踪图像，则可以将跟踪图像中包含跟踪目标的跟踪区域一次输入至跟踪目标识别模型对跟踪区域中跟踪目标的身份标识进行识别，得到各跟踪区域中跟踪目标的身份信息；进一步的，基于各跟踪区域中跟踪目标的身份信息以及跟踪区域的位置和尺寸确定各跟踪目标的初始跟踪数据。其中，初始跟踪数据是指第一次采集的跟踪图像中各跟踪目标的跟踪数据，具体的，跟踪数据包括跟踪目标的位置、尺寸和身份信息。
本实施例的技术方案，通过连续获取多个跟踪图像，确定跟踪图像中包含跟踪目标的跟踪区域；在跟踪目标为多个的情况下，对跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到跟踪区域的预测身份，并在多个跟踪图像中对多个跟踪目标进行轮询地识别校准，得到对跟踪目标的跟踪数据，其中，每一轮次对一个跟踪图像中部分跟踪区域的预测身份进行识别校准，部分跟踪区域包括一个或多个跟踪区域。通过对跟踪图像分步的进行跟踪区域检测和识别校准，解决了在小特征目标识别跟踪过程中因特征像素太小导致难以识别的问题，进一步的，通过轮询识别校准的方式同时对多个跟踪目标进行视觉跟踪，解决了在有多个跟踪目标的情况下因对多个跟踪目标串行的进行识别校准而导致延迟累加的问题，减小识别跟踪的延迟，从而保证跟踪的实时性。
实施例二
图3是本发明实施例二提供的一种识别跟踪装置的结构示意图。如图3所示，该装置包括：
跟踪区域检测模块310，用于连续获取多个跟踪图像，确定所述跟踪图像中包含跟踪目标的跟踪区域；
识别校准模块320，用于在所述跟踪目标为多个的情况下，对所述跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到所述跟踪区域的预测身份，并在所述多个跟踪图像中对多个所述跟踪目标进行轮询地识别校准，得到对所述跟踪目标的跟踪数据，其中，每一轮次对一个所述跟踪图像中部分跟踪区域的预测身份进行识别校准，所述部分跟踪区域包括一个或多个跟踪区域。
本实施例的技术方案，通过连续获取多个跟踪图像，确定跟踪图像中包含跟踪目标的跟踪区域；在跟踪目标为多个的情况下，对跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到跟踪区域的预测身份，并在多个跟踪图像中对多个跟踪目标进行轮询地识别校准，得到对跟踪目标的跟踪数据，其中，每一轮次对一个跟踪图像中部分跟踪区域的预测身份进行识别校准，部分跟踪区域包括一个或多个跟踪区域。通过对跟踪图像分步的进行跟踪区域检测和识别校准，解决了在小特征目标识别跟踪过程中因特征像素太小导致难以识别的问题，进一步的，通过轮询识别校准的方式同时对多个跟踪目标进行视觉跟踪，解决了在有多个跟踪目标的情况下因对多个跟踪目标串行的进行识别校准而导致延迟累加的问题，减小识别跟踪的延迟，从而保证跟踪的实时性。
在上述实施例的基础上，可选的，跟踪区域检测模块310具体用于对所述跟踪图像进行尺寸压缩，得到压缩图像；将所述压缩图像输入至跟踪区域检测模型进行检测，得到所述压缩图像中跟踪目标的初始跟踪区域；基于所述跟踪图像与所述压缩图像的压缩比例以及所述压缩图像中跟踪目标的初始跟踪区域确定所述跟踪图像中跟踪目标的跟踪区域；所述跟踪区域包括跟踪区域的位置和尺寸。
在上述实施例的基础上，可选的，识别校准模块320具体用于在所述跟踪目标为多个的情况下，对任一轮次的所述跟踪图像，对当前轮次的所述跟踪图像的各跟踪区域进行预测识别，得到各所述跟踪区域的预测身份；基于当前轮次的所述跟踪图像中各所述跟踪区域的预测身份确定当前轮次的所述跟踪图像中的部分跟踪区域； 将所述部分跟踪区域依次输入至跟踪目标识别模型对跟踪区域中跟踪目标的身份标识进行识别，得到所述跟踪区域中跟踪目标的身份信息；基于所述跟踪区域中跟踪目标的身份信息对所述跟踪区域的预测身份进行校准，得到所述跟踪目标的跟踪数据。
在上述实施例的基础上，可选的，识别校准模块320包括预测识别单元，用于获取各跟踪目标到上一轮次的历史轨迹数据；将所述跟踪目标到上一轮次的历史轨迹数据输入至轨迹预测模型进行位置预测，得到所述跟踪目标在当前轮次的所述跟踪图像中的预测位置；基于所述各跟踪目标在当前轮次的所述跟踪图像中的预测位置、所述各跟踪目标对应跟踪区域的尺寸以及当前轮次的所述跟踪图像中各所述跟踪区域的位置和尺寸确定当前轮次的所述跟踪图像中各跟踪区域的预测身份。
在上述实施例的基础上，可选的，预测识别单元具体用于将所述各跟踪目标在当前轮次的所述跟踪图像中的预测位置和所述各跟踪目标对应跟踪区域的尺寸分别与当前轮次的所述跟踪图像中各跟踪区域的位置和尺寸进行匹配，若匹配成功，则将匹配成功的所述跟踪区域与所述跟踪目标对应，将所述跟踪目标的身份确定为所述跟踪区域的预测身份。
在上述实施例的基础上，可选的，识别校准模块320包括部分跟踪区域确定单元，用于基于当前轮次的所述跟踪图像中各跟踪区域的预测身份确定所述各跟踪区域对应的校准超时时长；基于所述各跟踪区域对应的校准超时时长和预设部分跟踪区域数量阈值确定部分跟踪区域；所述跟踪区域对应的校准超时时长为所述跟踪区域对应的跟踪目标上一次识别校准的轮次至当前轮次的时间差。
在上述实施例的基础上，可选的，所述装置还包括初始跟踪图像识别模块，用于若所述跟踪图像为初始跟踪图像，则将所述初始跟踪图像中包含跟踪目标的跟踪区域依次输入至跟踪目标识别模型对跟踪区域中跟踪目标的身份标识进行识别，得到各所述跟踪区域中跟踪目标的身份信息；基于各所述跟踪区域中跟踪目标的身份信息以及所述跟踪区域的位置和尺寸确定各跟踪目标的初始跟踪数据。
本发明实施例所提供的识别跟踪装置可执行本发明任意实施例所提供的识别跟踪方法，具备执行方法相应的功能模块和有益效果。
实施例三
图4是本发明实施例三提供的一种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，例如识别跟踪方法。
在一些实施例中，识别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识别跟踪方法的一个或多个步骤。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）而被配置为执行识别跟踪方法。
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。
用于实施本发明的识别跟踪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。
实施例四
本发明实施例四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识别跟踪方法，该方法包括：
连续获取多个跟踪图像，确定所述跟踪图像中包含跟踪目标的跟踪区域；
在所述跟踪目标为多个的情况下，对所述跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到所述跟踪区域的预测身份，并在所述多个跟踪图像中对多个所述跟踪目标进行轮询地识别校准，得到对所述跟踪目标的跟踪数据，其中，每一轮次对一个所述跟踪图像中部分跟踪区域的预测身份进行识别校准，所述部分跟踪区域包括一个或多个跟踪区域。
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 (7)
1.一种识别跟踪方法，其特征在于，包括：
连续获取多个跟踪图像，确定所述跟踪图像中包含跟踪目标的跟踪区域；
在所述跟踪目标为多个的情况下，对所述跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到所述跟踪区域的预测身份，并在所述多个跟踪图像中对多个所述跟踪目标进行轮询地识别校准，得到对所述跟踪目标的跟踪数据，其中，每一轮次对一个所述跟踪图像中部分跟踪区域的预测身份进行识别校准，所述部分跟踪区域包括一个或多个跟踪区域；
其中，所述在所述跟踪目标为多个的情况下，对所述跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到所述跟踪区域的预测身份，并在所述多个跟踪图像中对多个所述跟踪目标进行轮询地识别校准，得到对所述跟踪目标的跟踪数据，包括：
在所述跟踪目标为多个的情况下，对任一轮次的所述跟踪图像，对当前轮次的所述跟踪图像的各跟踪区域进行预测识别，得到各所述跟踪区域的预测身份；
基于当前轮次的所述跟踪图像中各所述跟踪区域的预测身份确定当前轮次的所述跟踪图像中的部分跟踪区域；
将所述部分跟踪区域依次输入至跟踪目标识别模型对跟踪区域中跟踪目标的身份标识进行识别，得到所述跟踪区域中跟踪目标的身份信息；
基于所述跟踪区域中跟踪目标的身份信息对所述跟踪区域的预测身份进行校准，得到所述跟踪目标的跟踪数据；
其中，所述对当前轮次的所述跟踪图像的各跟踪区域进行预测识别，得到各所述跟踪区域的预测身份，包括：
获取各跟踪目标到上一轮次的历史轨迹数据；
将所述跟踪目标到上一轮次的历史轨迹数据输入至轨迹预测模型进行位置预测，得到所述跟踪目标在当前轮次的所述跟踪图像中的预测位置；
将所述各跟踪目标在当前轮次的所述跟踪图像中的预测位置和所述各跟踪目标对应跟踪区域的尺寸分别与当前轮次的所述跟踪图像中各跟踪区域的位置和尺寸进行匹配，若匹配成功，则将匹配成功的所述跟踪区域与所述跟踪目标对应，将所述跟踪目标的身份确定为所述跟踪区域的预测身份。
2.根据权利要求1所述的方法，其特征在于，所述确定所述跟踪图像中包含跟踪目标的跟踪区域，包括：
对所述跟踪图像进行尺寸压缩，得到压缩图像；
将所述压缩图像输入至跟踪区域检测模型进行检测，得到所述压缩图像中跟踪目标的初始跟踪区域；
基于所述跟踪图像与所述压缩图像的压缩比例以及所述压缩图像中跟踪目标的初始跟踪区域确定所述跟踪图像中跟踪目标的跟踪区域；所述跟踪区域包括跟踪区域的位置和尺寸。
3.根据权利要求1所述的方法，其特征在于，所述基于当前轮次的所述跟踪图像中各跟踪区域的预测身份确定当前轮次的所述跟踪图像中的部分跟踪区域，包括：
基于当前轮次的所述跟踪图像中各跟踪区域的预测身份确定所述各跟踪区域对应的校准超时时长；
基于所述各跟踪区域对应的校准超时时长和预设部分跟踪区域数量阈值确定部分跟踪区域；所述跟踪区域对应的校准超时时长为所述跟踪区域对应的跟踪目标上一次识别校准的轮次至当前轮次的时间差。
4.根据权利要求2所述的方法，其特征在于，在确定所述跟踪图像中包含跟踪目标的跟踪区域之后，所述方法还包括：
若所述跟踪图像为初始跟踪图像，则将所述初始跟踪图像中包含跟踪目标的跟踪区域依次输入至跟踪目标识别模型对跟踪区域中跟踪目标的身份标识进行识别，得到各所述跟踪区域中跟踪目标的身份信息；
基于各所述跟踪区域中跟踪目标的身份信息以及所述跟踪区域的位置和尺寸确定各跟踪目标的初始跟踪数据。
5.一种识别跟踪装置，其特征在于，包括：
跟踪区域检测模块，用于连续获取多个跟踪图像，确定所述跟踪图像中包含跟踪目标的跟踪区域；
识别校准模块，用于在所述跟踪目标为多个的情况下，对所述跟踪图像中包含跟踪目标的跟踪区域进行预测识别，得到所述跟踪区域的预测身份，并在所述多个跟踪图像中对多个所述跟踪目标进行轮询地识别校准，得到对所述跟踪目标的跟踪数据，其中，每一轮次对一个所述跟踪图像中部分跟踪区域的预测身份进行识别校准，所述部分跟踪区域包括一个或多个跟踪区域；
其中，所述识别校准模块具体用于在所述跟踪目标为多个的情况下，对任一轮次的所述跟踪图像，对当前轮次的所述跟踪图像的各跟踪区域进行预测识别，得到各所述跟踪区域的预测身份；基于当前轮次的所述跟踪图像中各所述跟踪区域的预测身份确定当前轮次的所述跟踪图像中的部分跟踪区域； 将所述部分跟踪区域依次输入至跟踪目标识别模型对跟踪区域中跟踪目标的身份标识进行识别，得到所述跟踪区域中跟踪目标的身份信息；基于所述跟踪区域中跟踪目标的身份信息对所述跟踪区域的预测身份进行校准，得到所述跟踪目标的跟踪数据；
其中，所述识别校准模块包括预测识别单元，用于获取各跟踪目标到上一轮次的历史轨迹数据；将所述跟踪目标到上一轮次的历史轨迹数据输入至轨迹预测模型进行位置预测，得到所述跟踪目标在当前轮次的所述跟踪图像中的预测位置；将所述各跟踪目标在当前轮次的所述跟踪图像中的预测位置和所述各跟踪目标对应跟踪区域的尺寸分别与当前轮次的所述跟踪图像中各跟踪区域的位置和尺寸进行匹配，若匹配成功，则将匹配成功的所述跟踪区域与所述跟踪目标对应，将所述跟踪目标的身份确定为所述跟踪区域的预测身份。
6.一种电子设备，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1-4中任一项所述的识别跟踪方法。
7.一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1-4中任一项所述的识别跟踪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410232430.XA CN117808848B (zh) | 2024-03-01 | 2024-03-01 | 一种识别跟踪方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410232430.XA CN117808848B (zh) | 2024-03-01 | 2024-03-01 | 一种识别跟踪方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117808848A CN117808848A (zh) | 2024-04-02 |
| CN117808848B true CN117808848B (zh) | 2024-05-17 |
Family
ID=90426021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410232430.XA Active CN117808848B (zh) | 2024-03-01 | 2024-03-01 | 一种识别跟踪方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117808848B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732187A (zh) * | 2013-12-18 | 2015-06-24 | 杭州华为企业通信技术有限公司 | 一种图像跟踪处理的方法及设备 |
| WO2018121286A1 (zh) * | 2016-12-30 | 2018-07-05 | 纳恩博（北京）科技有限公司 | 目标跟踪方法和装置 |
| WO2018133666A1 (zh) * | 2017-01-17 | 2018-07-26 | 腾讯科技（深圳）有限公司 | 视频目标跟踪方法和装置 |
| CN110555405A (zh) * | 2019-08-30 | 2019-12-10 | 北京迈格威科技有限公司 | 目标跟踪方法及装置、存储介质和电子设备 |
| CN112507949A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、路侧设备以及云控平台 |
| WO2022205936A1 (zh) * | 2021-03-30 | 2022-10-06 | 深圳市优必选科技股份有限公司 | 多目标跟踪方法、装置、电子设备及可读存储介质 |
| CN115170612A (zh) * | 2022-07-12 | 2022-10-11 | 浙江大华技术股份有限公司 | 一种检测跟踪方法、装置、电子设备及存储介质 |
| WO2022227771A1 (zh) * | 2021-04-27 | 2022-11-03 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、设备和介质 |
| CN115423846A (zh) * | 2022-09-26 | 2022-12-02 | 青岛以萨数据技术有限公司 | 多目标轨迹跟踪方法以及装置 |
| CN116740145A (zh) * | 2023-07-27 | 2023-09-12 | 重庆长安汽车股份有限公司 | 一种多目标跟踪方法、装置、车辆及存储介质 |
| WO2024042705A1 (ja) * | 2022-08-26 | 2024-02-29 | 日本電気株式会社 | 映像処理システム、映像処理方法、及び映像処理装置 |
-
2024
- 2024-03-01 CN CN202410232430.XA patent/CN117808848B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732187A (zh) * | 2013-12-18 | 2015-06-24 | 杭州华为企业通信技术有限公司 | 一种图像跟踪处理的方法及设备 |
| WO2018121286A1 (zh) * | 2016-12-30 | 2018-07-05 | 纳恩博（北京）科技有限公司 | 目标跟踪方法和装置 |
| WO2018133666A1 (zh) * | 2017-01-17 | 2018-07-26 | 腾讯科技（深圳）有限公司 | 视频目标跟踪方法和装置 |
| CN110555405A (zh) * | 2019-08-30 | 2019-12-10 | 北京迈格威科技有限公司 | 目标跟踪方法及装置、存储介质和电子设备 |
| CN112507949A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、路侧设备以及云控平台 |
| WO2022205936A1 (zh) * | 2021-03-30 | 2022-10-06 | 深圳市优必选科技股份有限公司 | 多目标跟踪方法、装置、电子设备及可读存储介质 |
| WO2022227771A1 (zh) * | 2021-04-27 | 2022-11-03 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、设备和介质 |
| CN115170612A (zh) * | 2022-07-12 | 2022-10-11 | 浙江大华技术股份有限公司 | 一种检测跟踪方法、装置、电子设备及存储介质 |
| WO2024042705A1 (ja) * | 2022-08-26 | 2024-02-29 | 日本電気株式会社 | 映像処理システム、映像処理方法、及び映像処理装置 |
| CN115423846A (zh) * | 2022-09-26 | 2022-12-02 | 青岛以萨数据技术有限公司 | 多目标轨迹跟踪方法以及装置 |
| CN116740145A (zh) * | 2023-07-27 | 2023-09-12 | 重庆长安汽车股份有限公司 | 一种多目标跟踪方法、装置、车辆及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于目标跟踪的群聚行为识别;马一博;;科技与创新;20150305(第05期);全文 * |
| 李哲 ; 彭四伟 ; .基于深度图像信息的指尖跟踪与轨迹识别.计算机应用与软件.2016,(第04期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117808848A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112633384B (zh) | 基于图像识别模型的对象识别方法、装置和电子设备 | |
| CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
| CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
| CN115690545B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
| EP4020312B1 (en) | Traffic light recognition method, apparatus, storage medium and program product | |
| CN116309963B (zh) | 一种图像的批量标注方法、装置、电子设备及存储介质 | |
| CN117808848B (zh) | 一种识别跟踪方法、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 | |
| CN117475160A (zh) | 目标对象跟随方法、***以及相关装置 | |
| CN115951344A (zh) | 雷达与相机的数据融合方法、装置、电子设备及存储介质 | |
| CN115700758A (zh) | 一种***活性的检测方法、装置、设备及存储介质 | |
| CN115526837A (zh) | 一种异常行车检测方法、装置、电子设备以及介质 | |
| CN114051624A (zh) | 检测游戏区域上游戏道具的方法及装置、设备、存储介质 | |
| CN116189028B (zh) | 图像识别方法、装置、电子设备以及存储介质 | |
| CN114897073B (zh) | 面向智能工业的模型迭代方法、装置及电子设备 | |
| CN113012439B (zh) | 车辆检测方法、装置、设备和存储介质 | |
| CN116258769B (zh) | 一种定位校验方法、装置、电子设备和存储介质 | |
| CN116935366B (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
| CN117216682A (zh) | 一种感知数据的处理方法、装置、电子设备及存储介质 | |
| CN117579766A (zh) | 视频抽帧方法及相关设备、异常场景预警方法及相关设备 | |
| CN118212668A (zh) | 一种目标识别方法、装置、电子设备及介质 | |
| CN118214943A (zh) | 一种图像采集参数调整方法、装置、电子设备及介质 | |
| CN115170878A (zh) | 一种飞机状态识别方法、装置、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 | |
| CN117710459A (zh) | 三维信息的确定方法、装置及计算机程序产品 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |