CN105551063A - 一种用于跟踪视频中运动目标的方法以及装置 - Google Patents
一种用于跟踪视频中运动目标的方法以及装置 Download PDFInfo
- Publication number
- CN105551063A CN105551063A CN201610065264.4A CN201610065264A CN105551063A CN 105551063 A CN105551063 A CN 105551063A CN 201610065264 A CN201610065264 A CN 201610065264A CN 105551063 A CN105551063 A CN 105551063A
- Authority
- CN
- China
- Prior art keywords
- moving target
- tracking
- region
- video image
- frame video
- 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.)
- Granted
Links
Classifications
-
- 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
- G06T2207/30221—Sports video; Sports image
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种用于跟踪视频中运动目标的方法以及装置。其中,所述方法包括:检测运动目标跟踪数据库中各运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的各运动对象所在的区域是否存在重合部分;在检测运动目标跟踪数据库中的运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的运动对象所在的区域存在重合部分的情况下,计算所述重合部分的面积;判断所述面积是否大于第一预设阈值;在判断所述面积大于所述第一预设阈值的情况下,更新所述运动目标的跟踪粒子信息;根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪。
Description
技术领域
本发明涉及运动目标跟踪技术领域,具体地,涉及一种用于跟踪视频中运动目标的方法以及装置。
背景技术
随着物联网大数据时代的到来,网络上的各种视频资源呈爆炸性增长。体育视频资源作为其中很重要的一类视频资源,由于其受众群体多,针对体育视频资源的各种分析处理、快速检索技术也运用而生,这些研究中最为成熟的是对体育视频中的重要事件检测的研究,该研究通过对视频内容的分析及处理,如通过统计或者规则的方法自动检索出关键的视频内容,如足球视频中的射门事件、网球比赛中的挥拍事件等,篮球比赛中的扣篮事件等,满足了广大受众的快速浏览和观赏需求,同时为视频的检索提供结构化的索引。
相对于广大体育观众而言,体育教练员和运动员更关注比赛中的战术运用,包括球队的阵型,运动员的进攻路线等。对于视频中这一类更深层次的语义内容的挖掘,需要准确地判断运动员在比赛中的运动位置。现有的视频中运动对象的跟踪算法在跟踪运动员的位置的时候需要检测运动员的初始位置,然后通过粒子滤波方法跟踪运动员,从而获得运动员的各运动位置。但现有的跟踪算法在跟踪视频图像帧中运动员的位置时不够准确、效率不高,直接导致后续视频图像帧中运动员的跟踪无法既快速又准确地跟踪到同一个运动员。因此,急需一个更加高效、准确的运动员跟踪方法。
发明内容
本发明的目的是提供一种用于跟踪视频中运动目标的方法以及装置。其中,所述方法基于视觉注意模型获取运动对象所在的区域并将其存储于运动对象参考数据库中,在采用粒子滤波算法跟踪运动目标时,采用运动对象参考数据库更新粒子及其分布概率、权重等信息,从而获得稳定的跟踪结果,不仅能够快速地跟踪视频中的运动目标,而且还能够提高运动目标跟踪的准确率。
为了实现上述目的,本发明提供一种用于跟踪视频中运动目标的方法。所述方法包括:
检测运动目标跟踪数据库中各运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的各运动对象所在的区域是否存在重合部分;
在检测运动目标跟踪数据库中的运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的运动对象所在的区域存在重合部分的情况下,计算所述重合部分的面积;
判断所述面积是否大于第一预设阈值;
在判断所述面积大于所述第一预设阈值的情况下,更新所述运动目标的跟踪粒子信息;
根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪。
可选地,所述方法还包括:
在判断所述各运动目标在上一帧视频图像中所在的区域与所述运动对象在当前帧视频图像中所在的区域不存在重合部分的情况下,将所述运动对象作为新的运动目标加入所述运动目标跟踪数据库中。
可选地,所述检测运动目标跟踪数据库中各运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的各运动对象所在的区域是否存在重合部分之前,所述方法还包括:
采用基于视觉注意模型的方法获取当前帧视频图像中各运动对象所在的区域。
可选地,所述在判断所述面积大于所述第一预设阈值的情况下,更新所述运动目标的跟踪粒子信息,进一步包括:
改变所述运动目标的跟踪粒子的组成成分;
根据所述跟踪粒子与所述运动目标的相似度计算得到所述跟踪粒子的权重值。
可选地,所述根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪,进一步包括:
根据第二预设阈值从所述运动目标的跟踪粒子中选取权重值大于所述第二预设阈值的M个跟踪粒子;
根据所述M个跟踪粒子所在区域的位置信息计算得到平均的位置信息;
根据所述平均的位置信息确定所述运动目标在当前帧视频图像中所在的区域,
其中,M为常数。
相应地,本发明还提供一种用于跟踪视频中运动目标的装置。所述装置包括:
检测单元,用于检测运动目标跟踪数据库中各运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的各运动对象所在的区域是否存在重合部分;
计算单元,用于在检测运动目标跟踪数据库中的运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的运动对象所在的区域存在重合部分的情况下,计算所述重合部分的面积;
判断单元,用于判断所述面积是否大于第一预设阈值;
更新单元,用于在判断所述面积大于所述第一预设阈值的情况下,更新所述运动目标的跟踪粒子信息;
跟踪单元,用于根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪。
可选地,所述装置还包括:
加入单元,用于在判断所述各运动目标在上一帧视频图像中所在的区域与所述运动对象在当前帧视频图像中所在的区域不存在重合部分的情况下,将所述运动对象作为新的运动目标加入所述运动目标跟踪数据库中。
可选地,所述装置还包括:
采用单元,用于采用基于视觉注意模型的方法获取当前帧视频图像中各运动对象所在的区域。
可选地,所述更新单元,具体用于:
改变所述运动目标的跟踪粒子的组成成分;
根据所述跟踪粒子与所述运动目标的相似度计算得到所述跟踪粒子的权重值。
可选地,所述跟踪单元,具体用于:
根据第二预设阈值从所述运动目标的跟踪粒子中选取权重值大于所述第二预设阈值的M个跟踪粒子;
根据所述M个跟踪粒子所在区域的位置信息计算得到平均的位置信息;
根据所述平均的位置信息确定所述运动目标在当前帧视频图像中所在的区域,
其中,M为常数。
通过上述技术方案,在检测运动目标跟踪数据库中的运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的运动对象所在的区域存在重合部分的情况下,计算重合部分的面积,并在判断所述面积大于第一预设阈值的情况下,更新运动目标的跟踪粒子信息,以及根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪,不仅能够快速地跟踪视频中的运动目标,而且还能够提高运动目标跟踪的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,还可以根据这些图获得其他的附图。
图1是本发明一种实施方式的用于跟踪视频中运动目标的方法的流程图;
图2是高斯金字塔图像的示意图;
图3是本发明一种实施方式中运动对象与运动目标的重合部分的示意图;
图4是本发明一种实施方式的用于跟踪视频中运动目标的方法的流程图;
图5是本发明提供的用于跟踪视频中运动目标的装置的结构示意图。
具体实施方式
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,都属于本发明保护的范围。
图1是本发明一种实施方式的用于跟踪视频中运动目标的方法的流程图。如图1所示,本发明一种实施方式的用于跟踪视频中运动目标的方法包括:
在步骤S101中,检测运动目标跟踪数据库中各运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的各运动对象所在的区域是否存在重合部分。
其中,所述运动目标包括视频图像帧中的运动员、球、球拍以及行人等,但不仅限于此,所述运动对象也可以包括视频图像帧中的运动员、球、球拍以及行人等,但不仅限于此。所述运动目标所在的区域为运动目标的最小外接矩形,所述运动对象所在的区域为运动对象的最小外接矩形。当然,所述运动对象所在的区域和所述运动目标所在的区域也可以为其它的规则形状,本实施方式对此不加以限制。
如果当前帧视频图像为视频图像的第一帧,则需要创建初始运动目标及其粒子。首先,要选定初始需要跟踪的运动目标所在的区域,该区域可以手工标定,也可以采用基于视觉注意模型的方法获取。在得到初始需要跟踪的运动目标所在的区域之后,以该区域的中心为均值μ,通过二维高斯模型在其周围产生若干个跟踪粒子,这些跟踪粒子为运动目标未来可能运动到的区域,则有跟踪粒子的位置中心X符合如下的高斯分布,即
其中,N(X;μ,∑)表示高斯分布,X表示跟踪粒子的位置中心,μ表示所述运动目标所在区域的中心,∑表示协方差。
需要说明的是,运动目标的每个跟踪粒子所在的区域的大小与其对应的运动目标大小一样。这样,运动目标及其跟踪粒子就构成了最初的运动目标跟踪数据库。该运动目标跟踪数据库包含了运动目标及其跟踪粒子的位置信息,在后续视频图像帧的分析中,该运动目标跟踪数据库会被不断更新,以获得运动目标在后续视频图像帧中的相应的跟踪位置。
如果当前帧视频图像不是视频图像中的第一帧,则运动目标跟踪数据库中存储的是上一帧视频图像中的各运动目标及其跟踪粒子的位置信息。
具体地,在步骤S101的检测运动目标跟踪数据库中各运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的各运动对象所在的区域是否存在重合部分之前,所述方法还包括:
采用基于视觉注意模型的方法获取当前帧视频图像中各运动对象所在的区域。
更为具体地,所述采用基于视觉注意模型的方法获取当前帧视频图像中各运动对象所在的区域,进一步包括:
第一,将当前帧视频图像转换成灰度图像。
第二,利用高斯金字塔技术对所述灰度图像进行多级的低通滤波,得到高斯金字塔图像。图2是高斯金字塔图像的示意图。如图2所示,所述高斯金字塔图像包括多级图像。
其中,根据以下公式得到高斯金字塔图像:
Gl(x,y)=I(x,y),l=0;
其中,I(x,y)表示所述灰度图像,x表示像素点的横坐标,y表示像素点的纵坐标,Gl(x,y)表示所述高斯金字塔图像中的第l级图像,w(m,n)表示权重函数,m表示权重矩阵的横坐标,n表示权重矩阵的纵坐标,l表示常数。
第三,计算所述高斯金字塔图像中每级图像的对比特征图。所述对比特征图表示图像中任意一像素点与周围区域像素点的视觉差异性,即可以根据对比特征图计算得到颜色特征差异性、色调差异性或亮度差异性。在本实施方式中,申请人根据对比特征图计算得到颜色特征差异性。
对于图像中的任意一像素点qij,以其周围l×h大小的区域块Bij作为对比特征图的计算范围,则有对比特征图的计算公式为:
其中, 表示像素点pij的特征值,在本实施方式中,所述特征值可以采用灰度值表示,μij表示所述特征值在区域块Bij的均值,l表示区域块Bij的长度,h表示区域块Bij的宽度,C(x,y)表示所述对比特征图,x表示像素点的横坐标,y表示像素点的纵坐标。
针对高斯金字塔图像的不同级图像,区域块Bij的大小也随之进行相应调整,即图像越小则区域块越小。
第四,将各级图像的对比特征图扩展到当前帧视频图像的大小。其中,根据以下公式对各级图像的对比特征图进行扩展:
Cl n(x,y)=Cl(x,y),l=0,n=0;
其中,Cl(x,y)表示所述对比特征图,Cl n(x,y)表示扩展后的对比特征图,x表示像素点的横坐标,y表示像素点的纵坐标,w(m,n)表示权重函数,m表示权重矩阵的横坐标,n表示权重矩阵的纵坐标,l表示常数。
第五,将扩展后的各级图像的对比特征图点对点地叠加在一起,得到当前帧视频图像的视觉注意模型图。
第六,采取自适应的k均值聚类算法将所述视觉注意模型图的像素点分为运动对象区域或背景区域,得到各运动对象所在的区域。
通过上述方法获取到当前帧视频图像中各运动对象所在的区域之后,将各运动对象,各运动对象所在区域的位置信息以及各运动对象的颜色直方图信息(表示颜色特征差异性)加入到运动对象参考数据库中,用于后续的运动目标跟踪识别。其中,各运动对象所在区域的位置信息包括运动对象的最小外接矩形的左上点的坐标值以及外接矩形的长度和宽度,各运动对象的颜色直方图信息包括运动对象的最小外接矩形框区域的颜色直方图。
接着,在步骤S102中,在检测运动目标跟踪数据库中的运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的运动对象所在的区域存在重合部分的情况下,计算所述重合部分的面积。
图3是本发明一种实施方式中运动对象与运动目标的重合部分的示意图。如图3所示,具体地,所述重合部分为矩形,当然,所述重合部分也可以为其它的规则形状,本实施方式对此不加以限制。
紧接着,在步骤S103中,判断所述面积是否大于第一预设阈值。
然后,在步骤S104中,在判断所述面积大于所述第一预设阈值的情况下,更新所述运动目标的跟踪粒子信息。
其中,所述在判断所述面积大于所述第一预设阈值的情况下,更新所述运动目标的跟踪粒子信息,具体包括:
第一,改变所述运动目标的跟踪粒子的组成成分。
具体地,设运动目标跟踪数据库中运动目标的当前跟踪粒子的总数为N,给定的比例值为α(0≤α≤1),则其中N(1-α)数量的跟踪粒子从运动目标的原有跟踪粒子中随机抽取,而Nα数量的跟踪粒子则由与该运动目标有重合区域的运动对象通过二维高斯模型产生。
第二,根据所述跟踪粒子与所述运动目标的相似度计算得到所述跟踪粒子的权重值。
具体地,根据以下公式计算得到所述跟踪粒子与所述运动目标的相似度:
其中,Sim(Pi,O)表示所述跟踪粒子与所述运动目标的相似度,表示所述运动目标的跟踪粒子Pi的颜色直方图的数值,HistogramO表示所述运动目标O的颜色直方图的数值,N表示所述运动目标的当前跟踪粒子的总数,所述跟踪粒子与所述运动目标的相似度即为所述跟踪粒子的权重值,由此可见,所述跟踪粒子的权重值表示该跟踪粒子与运动目标的近似程度。
需要说明的是,在判断所述面积小于或等于所述第一预设阈值的情况下,所述运动目标的每个跟踪粒子的权重值相等,为跟踪粒子总数的倒数,即该运动目标的跟踪粒子全部由其自身产生,没有通过运动对象参考数据库中的运动对象更新过跟踪粒子。
最后,在步骤S105中,根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪。
其中,所述根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪,具体包括:第一,根据第二预设阈值从所述运动目标的跟踪粒子中选取权重值大于所述第二预设阈值的M个跟踪粒子。第二,根据所述M个跟踪粒子所在区域的位置信息计算得到平均的位置信息。第三,根据所述平均的位置信息确定所述运动目标在当前帧视频图像中所在的区域。其中,M为常数。
在计算得到所述运动目标在当前帧视频图像中所在的区域之后,以上述M个跟踪粒子作为运动目标的当前跟踪粒子,并将每个跟踪粒子的权重值设置为1/M,以及将更新结果记入到运动目标跟踪数据库中,以用于下一帧视频图像中的运动目标跟踪。需要说明的是,对后续的每帧视频图像,重复上述过程,实现对运动目标的连续跟踪。
本实施方式在检测运动目标跟踪数据库中的运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的运动对象所在的区域存在重合部分的情况下,计算重合部分的面积,并在判断所述面积大于第一预设阈值的情况下,更新运动目标的跟踪粒子信息,以及根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪,不仅能够快速地跟踪视频中的运动目标,而且还能够提高运动目标跟踪的准确率。
图4是本发明一种实施方式的用于跟踪视频中运动目标的方法的流程图。如图4所示,本发明一种实施方式的用于跟踪视频中运动目标的方法包括:
在步骤S201中,检测运动目标跟踪数据库中各运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的各运动对象所在的区域是否存在重合部分。
在步骤S202中,在检测运动目标跟踪数据库中的运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的运动对象所在的区域存在重合部分的情况下,计算所述重合部分的面积。
在步骤S203中,判断所述面积是否大于第一预设阈值。
在步骤S204中,在判断所述面积大于所述第一预设阈值的情况下,更新所述运动目标的跟踪粒子信息。
在步骤S205中,根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪。
步骤S201~S205与图1所示的实施方式的步骤S101~S105相同,在此不再赘述。
在步骤S206中,在判断所述各运动目标在上一帧视频图像中所在的区域与所述运动对象在当前帧视频图像中所在的区域不存在重合部分的情况下,将所述运动对象作为新的运动目标加入所述运动目标跟踪数据库中。具体的加入方法与创建初始的运动目标跟踪数据库的方法类似,在此不再赘述。藉此,能够避免跟丢运动目标或漏跟运动目标的问题。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
图5是本发明提供的用于跟踪视频中运动目标的装置的结构示意图。如图5所示,本发明提供的用于跟踪视频中运动目标的装置包括:
检测单元20,用于检测运动目标跟踪数据库中各运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的各运动对象所在的区域是否存在重合部分;
计算单元30,用于在检测运动目标跟踪数据库中的运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的运动对象所在的区域存在重合部分的情况下,计算所述重合部分的面积;
判断单元40,用于判断所述面积是否大于第一预设阈值;
更新单元50,用于在判断所述面积大于所述第一预设阈值的情况下,更新所述运动目标的跟踪粒子信息;
跟踪单元60,用于根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪。
在本发明一可选实施方式中,所述装置还包括:
加入单元70,用于在判断所述各运动目标在上一帧视频图像中所在的区域与所述运动对象在当前帧视频图像中所在的区域不存在重合部分的情况下,将所述运动对象作为新的运动目标加入所述运动目标跟踪数据库中。
在本发明一可选实施方式中,所述装置还包括:
采用单元10,用于采用基于视觉注意模型的方法获取当前帧视频图像中各运动对象所在的区域。
在本发明一可选实施方式中,所述更新单元50,具体用于:
改变所述运动目标的跟踪粒子的组成成分;
根据所述跟踪粒子与所述运动目标的相似度计算得到所述跟踪粒子的权重值。
在本发明一可选实施方式中,所述跟踪单元60,具体用于:
根据第二预设阈值从所述运动目标的跟踪粒子中选取权重值大于所述第二预设阈值的M个跟踪粒子;
根据所述M个跟踪粒子所在区域的位置信息计算得到平均的位置信息;
根据所述平均的位置信息确定所述运动目标在当前帧视频图像中所在的区域,
其中,M为常数。
需要说明的是,对于本发明提供的用于跟踪视频中运动目标的装置还涉及的具体细节已在本发明提供的用于跟踪视频中运动目标的方法中作了详细的说明,在此不在赘述。
应当注意的是,在本发明的系统的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本发明不受限于此,可以根据需要对各个部件进行重新划分或者组合,例如,可以将一些部件组合为单个部件,或者可以将一些部件进一步分解为更多的子部件。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上实施方式仅适于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种用于跟踪视频中运动目标的方法,其特征在于,所述方法包括:
检测运动目标跟踪数据库中各运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的各运动对象所在的区域是否存在重合部分;
在检测运动目标跟踪数据库中的运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的运动对象所在的区域存在重合部分的情况下,计算所述重合部分的面积;
判断所述面积是否大于第一预设阈值;
在判断所述面积大于所述第一预设阈值的情况下,更新所述运动目标的跟踪粒子信息;
根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪。
2.根据权利要求1所述的用于跟踪视频中运动目标的方法,其特征在于,所述方法还包括:
在判断所述各运动目标在上一帧视频图像中所在的区域与所述运动对象在当前帧视频图像中所在的区域不存在重合部分的情况下,将所述运动对象作为新的运动目标加入所述运动目标跟踪数据库中。
3.根据权利要求1所述的用于跟踪视频中运动目标的方法,其特征在于,所述检测运动目标跟踪数据库中各运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的各运动对象所在的区域是否存在重合部分之前,所述方法还包括:
采用基于视觉注意模型的方法获取当前帧视频图像中各运动对象所在的区域。
4.根据权利要求1所述的用于跟踪视频中运动目标的方法,其特征在于,所述在判断所述面积大于所述第一预设阈值的情况下,更新所述运动目标的跟踪粒子信息,进一步包括:
改变所述运动目标的跟踪粒子的组成成分;
根据所述跟踪粒子与所述运动目标的相似度计算得到所述跟踪粒子的权重值。
5.根据权利要求1所述的用于跟踪视频中运动目标的方法,其特征在于,所述根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪,进一步包括:
根据第二预设阈值从所述运动目标的跟踪粒子中选取权重值大于所述第二预设阈值的M个跟踪粒子;
根据所述M个跟踪粒子所在区域的位置信息计算得到平均的位置信息;
根据所述平均的位置信息确定所述运动目标在当前帧视频图像中所在的区域,
其中,M为常数。
6.一种用于跟踪视频中运动目标的装置,其特征在于,所述装置包括:
检测单元,用于检测运动目标跟踪数据库中各运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的各运动对象所在的区域是否存在重合部分;
计算单元,用于在检测运动目标跟踪数据库中的运动目标在上一帧视频图像中所在的区域与运动对象参考数据库中当前帧视频图像的运动对象所在的区域存在重合部分的情况下,计算所述重合部分的面积;
判断单元,用于判断所述面积是否大于第一预设阈值;
更新单元,用于在判断所述面积大于所述第一预设阈值的情况下,更新所述运动目标的跟踪粒子信息;
跟踪单元,用于根据更新后的跟踪粒子信息计算得到所述运动目标在当前帧视频图像中所在的区域,从而实现所述运动目标的跟踪。
7.根据权利要求6所述的用于跟踪视频中运动目标的装置,其特征在于,所述装置还包括:
加入单元,用于在判断所述各运动目标在上一帧视频图像中所在的区域与所述运动对象在当前帧视频图像中所在的区域不存在重合部分的情况下,将所述运动对象作为新的运动目标加入所述运动目标跟踪数据库中。
8.根据权利要求6所述的用于跟踪视频中运动目标的装置,其特征在于,所述装置还包括:
采用单元,用于采用基于视觉注意模型的方法获取当前帧视频图像中各运动对象所在的区域。
9.根据权利要求6所述的用于跟踪视频中运动目标的方法,其特征在于,所述更新单元,具体用于:
改变所述运动目标的跟踪粒子的组成成分;
根据所述跟踪粒子与所述运动目标的相似度计算得到所述跟踪粒子的权重值。
10.根据权利要求6所述的用于跟踪视频中运动目标的方法,其特征在于,所述跟踪单元,具体用于:
根据第二预设阈值从所述运动目标的跟踪粒子中选取权重值大于所述第二预设阈值的M个跟踪粒子;
根据所述M个跟踪粒子所在区域的位置信息计算得到平均的位置信息;
根据所述平均的位置信息确定所述运动目标在当前帧视频图像中所在的区域,
其中,M为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610065264.4A CN105551063B (zh) | 2016-01-29 | 2016-01-29 | 一种用于跟踪视频中运动目标的方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610065264.4A CN105551063B (zh) | 2016-01-29 | 2016-01-29 | 一种用于跟踪视频中运动目标的方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105551063A true CN105551063A (zh) | 2016-05-04 |
CN105551063B CN105551063B (zh) | 2018-04-17 |
Family
ID=55830239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610065264.4A Expired - Fee Related CN105551063B (zh) | 2016-01-29 | 2016-01-29 | 一种用于跟踪视频中运动目标的方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105551063B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106558069A (zh) * | 2016-10-10 | 2017-04-05 | 广东技术师范学院 | 一种基于视频监控下的目标跟踪方法及系统 |
CN109859240A (zh) * | 2017-11-30 | 2019-06-07 | 比亚迪股份有限公司 | 视频对象跟踪方法和装置、车辆 |
CN110838133A (zh) * | 2019-09-27 | 2020-02-25 | 深圳云天励飞技术有限公司 | 多目标跟踪方法及相关设备 |
CN112017345A (zh) * | 2020-08-21 | 2020-12-01 | 中建二局第一建筑工程有限公司 | 一种智能门禁安防方法、装置、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009113144A1 (ja) * | 2008-03-14 | 2009-09-17 | 株式会社ソニー・コンピュータエンタテインメント | 対象物追跡装置および対象物追跡方法 |
CN102324025A (zh) * | 2011-09-06 | 2012-01-18 | 北京航空航天大学 | 基于高斯肤色模型和特征分析的人脸检测与跟踪方法 |
CN104616318A (zh) * | 2015-01-22 | 2015-05-13 | 重庆邮电大学 | 一种视频序列图像中的运动目标跟踪方法 |
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 |
-
2016
- 2016-01-29 CN CN201610065264.4A patent/CN105551063B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009113144A1 (ja) * | 2008-03-14 | 2009-09-17 | 株式会社ソニー・コンピュータエンタテインメント | 対象物追跡装置および対象物追跡方法 |
CN102324025A (zh) * | 2011-09-06 | 2012-01-18 | 北京航空航天大学 | 基于高斯肤色模型和特征分析的人脸检测与跟踪方法 |
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 |
CN104616318A (zh) * | 2015-01-22 | 2015-05-13 | 重庆邮电大学 | 一种视频序列图像中的运动目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
吴孙勇 等: "改进粒子滤波的弱目标跟踪与检测", 《宇航学报》 * |
娄娜 等: "足球视频中的目标检测与跟踪", 《计算机工程与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106558069A (zh) * | 2016-10-10 | 2017-04-05 | 广东技术师范学院 | 一种基于视频监控下的目标跟踪方法及系统 |
CN109859240A (zh) * | 2017-11-30 | 2019-06-07 | 比亚迪股份有限公司 | 视频对象跟踪方法和装置、车辆 |
CN109859240B (zh) * | 2017-11-30 | 2021-06-18 | 比亚迪股份有限公司 | 视频对象跟踪方法和装置、车辆 |
CN110838133A (zh) * | 2019-09-27 | 2020-02-25 | 深圳云天励飞技术有限公司 | 多目标跟踪方法及相关设备 |
CN112017345A (zh) * | 2020-08-21 | 2020-12-01 | 中建二局第一建筑工程有限公司 | 一种智能门禁安防方法、装置、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105551063B (zh) | 2018-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Adaptively constrained dynamic time warping for time series classification and clustering | |
CN102890781B (zh) | 一种针对羽毛球比赛视频的精彩镜头识别方法 | |
CN105551063A (zh) | 一种用于跟踪视频中运动目标的方法以及装置 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
CN109902018A (zh) | 一种智能驾驶系统测试案例的获取方法 | |
CN110047096B (zh) | 一种基于深度条件随机场模型的多目标跟踪方法和系统 | |
CN110532862B (zh) | 基于门控融合单元的特征融合组群识别方法 | |
CN109902727A (zh) | 防御性蒸馏模型的构建方法与装置 | |
CN111104930A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
Weeratunga et al. | Application of computer vision and vector space model for tactical movement classification in badminton | |
CN111191531A (zh) | 一种快速行人检测方法及系统 | |
Cancela et al. | Unsupervised trajectory modelling using temporal information via minimal paths | |
CN111914726A (zh) | 基于多通道自适应注意力机制的行人检测方法 | |
Wang et al. | Assessing action quality via attentive spatio-temporal convolutional networks | |
Fang et al. | Visual object tracking based on mutual learning between cohort multiscale feature-fusion networks with weighted loss | |
Ding et al. | Machine learning model for feature recognition of sports competition based on improved TLD algorithm | |
Wang et al. | Basketball motion video target tracking algorithm based on improved gray neural network | |
CN110956684A (zh) | 基于残差网络的人群运动疏散仿真方法及系统 | |
CN105844204A (zh) | 人体行为识别方法和装置 | |
Ruiz-Santaquiteria et al. | Improving handgun detection through a combination of visual features and body pose-based data | |
Haq et al. | Heatmap visualization and badminton player detection using convolutional neural network | |
Ke et al. | Prediction algorithm and simulation of tennis impact area based on semantic analysis of prior knowledge | |
CN116797961A (zh) | 运动球体的画面采集方法、装置、计算机设备和存储介质 | |
CN115631216A (zh) | 一种基于多特征滤波器融合的云台目标跟踪系统和方法 | |
Wang et al. | MGA-YOLOv4: a multi-scale pedestrian detection method based on mask-guided attention |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180417 Termination date: 20190129 |