CN107103268A - 一种目标跟踪方法和装置 - Google Patents

一种目标跟踪方法和装置 Download PDF

Info

Publication number
CN107103268A
CN107103268A CN201610099398.8A CN201610099398A CN107103268A CN 107103268 A CN107103268 A CN 107103268A CN 201610099398 A CN201610099398 A CN 201610099398A CN 107103268 A CN107103268 A CN 107103268A
Authority
CN
China
Prior art keywords
target
window
characteristic vector
present frame
object window
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
CN201610099398.8A
Other languages
English (en)
Inventor
金振
钱军波
林翀云
凌啼
冯杰
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.)
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Group Zhejiang Co Ltd
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 China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Group Zhejiang Co Ltd
Priority to CN201610099398.8A priority Critical patent/CN107103268A/zh
Publication of CN107103268A publication Critical patent/CN107103268A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种目标跟踪方法，包括：获取当前帧的第一梯度方向直方图特征向量；根据所述第一梯度方向直方图特征向量，确定当前帧的第一目标窗口的位置，所述第一目标窗口是在所述当前帧中确定目标位置的窗口；获取前一帧的第二目标窗口的位置；根据所述第一目标窗口的位置和所述第二目标窗口的位置，跟踪所述目标的运动轨迹。本发明实施例同时还公开了一种目标跟踪装置。

Description

一种目标跟踪方法和装置
技术领域
本发明涉及安防和视频监控领域，尤其涉及一种目标跟踪方法和装置。
背景技术
随着社会的发展和国民经济水平的不断提高，人流量已经成为商场、机场、超市、公共车站、地铁站等公共场所进行管理和决策时不可或缺的重要数据，对于其中某些行业来讲，人流量甚至可以直接反映出该行业的经营业绩。例如，公交车站、地铁站等场所可以利用人流量信息分析出某条线路的交通拥挤程度；商场可以利用人流量信息分析出顾客的消费购买习惯等等。
在现有技术中，例如，有通过对人的整个身体进行识别达到人流量统计的目的，并进行跟踪形成目标运动轨迹。
上述对人的整个身体进行识别的方法，如果应用在人流密集的场景中，人的身体就可能被他人的身体遮挡，因此，跟踪准确率会显著下降。
发明内容
为解决上述技术问题，本发明实施例期望提供一种目标跟踪方法和装置，能够在复杂的背景环境中，利用视频监控画面，准确、高效的检测识别、统计出大量的目标，解决了目标之间相互遮挡的问题，提高跟踪准确率。
本发明的技术方案是这样实现的：
第一方面，提供一种目标跟踪方法，所述方法包括：
获取当前帧的第一梯度方向直方图特征向量；
根据所述第一梯度方向直方图特征向量，确定所述当前帧的第一目标窗口的位置，所述第一目标窗口是在所述当前帧中确定目标的位置的窗口；
获取前一帧的第二目标窗口的位置；
根据所述第一目标窗口的位置和所述第二目标窗口的位置，跟踪所述目标的运动轨迹。
可选的，所述根据所述第一目标窗口的位置和所述第二目标窗口的位置，跟踪所述目标的运动轨迹包括：
获取所述前一帧的第二梯度方向直方图特征向量；
根据所述第一梯度方向直方图特征向量和所述第二梯度方向直方图特征向量，确定同一目标的第一目标窗口和第二目标窗口的位置；
根据所述同一目标的第一目标窗口和第二目标窗口的位置，确定所述同一目标的运动轨迹。
可选的，所述根据所述第一梯度方向直方图特征向量，确定当前帧的第一目标窗口的位置包括：
获取所述目标的中心概率图；
将所述目标的中心概率图的极大值点作为所述第一目标窗口的中心点，确定所述第一目标窗口的位置。
可选的，所述获取所述目标的中心概率图包括：
提取前景；
根据所述第一梯度方向直方图特征向量和所述前景，确定所述当前帧的特征向量；
根据所述当前帧的特征向量和预设半径，确定所述目标的中心概率图。
可选的，所述提取前景包括：
获取当前帧的新像素点；
计算所述新像素点和预设的多个背景模型样本集的所有距离；
当存在m个距离小于第一预设阈值时，将所述m作为近似样本点的数目，所述m大于0；
当所述m小于第二预设阈值时，将所述新像素点作为前景点。
可选的，所述方法还包括：
分别判断所述第一目标窗口的位置和所述第二目标窗口的位置是否超过预设计数线；
当所述第一目标窗口的位置超过所述预设计数线，且所述第二目标窗口的位置未超过所述预设计数线时，将第一计数值加1；
当所述第二目标窗口的位置超过所述预设计数线，且所述第一目标窗口的位置未超过所述预设计数线时，将第二计数值加1。
可选的，所述获取所述图像信息前一帧的目标窗口的第二位置之前，所述方法还包括：
根据预设的多个比例，缩放所述当前帧。
第二方面，提供一种目标跟踪装置，所述装置包括：
获取模块，用于获取当前帧的第一梯度方向直方图特征向量；
确定模块，用于根据所述第一梯度方向直方图特征向量，确定所述当前帧的第一目标窗口的位置，所述第一目标窗口是在所述当前帧中确定目标的位置的窗口；还用于获取前一帧的第二目标窗口的位置；
跟踪模块，用于根据所述第一目标窗口的位置和所述第二目标窗口的位置，跟踪所述目标的运动轨迹。
可选的，所述跟踪模块包括：
获取子模块，用于获取所述前一帧的第二梯度方向直方图特征向量；
确定子模块，用于根据所述第一梯度方向直方图特征向量和所述第二梯度方向直方图特征向量，确定同一目标的第一目标窗口和第二目标窗口的位置；还用于根据所述同一目标的第一目标窗口和第二目标窗口的位置，确定所述同一目标的运动轨迹。
可选的，所述确定子模块包括：
获取单元，用于获取所述目标的中心概率图；
确定单元，用于将所述目标的中心概率图的极大值点作为所述第一目标窗口的中心点，确定所述第一目标窗口的位置。
可选的，所述获取单元包括：
提取子单元，用于提取前景；
确定子单元，用于根据所述第一梯度方向直方图特征向量和所述前景，确定所述当前帧的特征向量；
所述确定子单元还用于根据所述当前帧的特征向量和预设半径，确定所述目标的中心概率图。
可选的，所述提取子单元具体用于：
获取当前帧的新像素点；
计算所述新像素点和预设的多个背景模型样本集的所有距离；
当存在m个距离小于第一预设阈值时，将所述m作为近似样本点的数目，所述m大于0；
当所述m小于第二预设阈值时，将所述新像素点作为前景点。
可选的，所述装置还包括：
判断模块，用于分别判断所述第一目标窗口的位置和所述第二目标窗口的位置是否超过预设计数线；
计数模块，用于当所述第一目标窗口的位置超过所述预设计数线，且所述第二目标窗口的位置未超过所述预设计数线时，将第一计数值加1；
所述计数模块还用于当所述第二目标窗口的位置超过所述预设计数线，且所述第一目标窗口的位置未超过所述预设计数线时，将第二计数值加1。
可选的，所述装置还包括：
缩放模块，用于根据预设的多个比例，缩放所述当前帧。
本发明实施例提供了一种目标跟踪方法和装置，获取当前帧的第一梯度方向直方图特征向量；再根据第一梯度方向直方图特征向量，确定当前帧的第一目标窗口的位置，第一目标窗口是在当前帧中确定目标的位置的窗口；接着，获取前一帧的第二目标窗口的位置；之后，根据第一目标窗口的位置和第二目标窗口的位置，跟踪目标的运动轨迹。这样一来，根据第一目标窗口和第二目标窗口，来准确、高效的检测识别出大量的目标。避免了现有技术在目标密集的场景中，由于目标相互遮挡而导致的准确率明显下降的现象。解决了目标之间相互遮挡的问题，能够在复杂的背景环境中，进行高准确率地跟踪。
附图说明
图1为本发明实施例提供的一种目标跟踪方法的流程图；
图2为本发明实施例提供的另一种目标跟踪方法的流程图；
图3为本发明实施例提供的一种目标跟踪装置的结构示意图；
图4为本发明实施例提供的另一种目标跟踪装置的结构示意图；
图5为本发明实施例提供的再一种目标跟踪装置的结构示意图；
图6为本发明实施例提供的又一种目标跟踪装置的结构示意图；
图7为本发明实施例提供的又再一种目标跟踪装置的结构示意图。
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。
实施例一
本发明实施例提供一种目标跟踪方法，应用于目标跟踪装置，该装置可以是服务器中的一部分，也可以是单独的设备，本实施例提供的方法应用于对实时视频流中每一帧的检测，如图1所示，该方法包括：
步骤101、获取当前帧的第一梯度方向直方图特征向量。
首先，采集当前帧，并将当前帧归一化到a*a像素的图片。计算该图片的梯度方向直方图，其中在计算梯度方向直方图特征向量时，分别通过采用大窗口(大窗口为b*b像素)和小窗口(小窗口为c*c像素)的方法来计算。具体的，在当前帧上分别通过上述大窗口和小窗口以s为步长移动，每到达一个新的位置就计算一次梯度方向，这里梯度方向的范围是在进行梯度方向直方图统计时，需要将角度分为每n度为一区间，则共可分为区间。再结合上述的大窗口和小窗口，每个位置代表一个对应的特征向量，故最终计算得到当前帧的第一梯度方向直方图特征向量。其中，a＝2x，b＝2y，c＝2z，π>n>0，x，y，z均为正整数，且x≥y>z。优选的，x取5，y取4，z取3，s取8，n取20(即a取32，b取16，c取8)。
其中，直方图是一种统计报告，由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据类型，纵轴表示分布情况，结合本实施例，横轴表示梯度方向分块后某一确定区间，纵轴表示该梯度方向区间出现的频数。从图像处理的角度出发，是对图像信息的一种统计描述，使得用户可以忽略细节，便于从更高的层面来观察图像信息。例如用直方图来描述一幅灰度图像：将灰度值相同的点的个数累加起来，就可以得到该灰度图像的直方图。
具体的，梯度是用来观察图像的轮廓信息，计算梯度常采用的算子包括soble算子，具体是通过soble算子与输入图像进行卷积来实现。卷积得到的结果中的每个点的梯度都是有方向的，梯度大小梯度方向其中 代表水平梯度，代表垂直梯度。对这些方向角度进行直方图统计，就可以得到梯度方向直方图。具体的，D的取值范围原本是本实施例中令n＝20，具体划分为：(-90°，-70°]，(-70°，-50°]，(-50°，-30°]，(-30°，-10°]，(-10°，10°]，(10°，30°]，(30°，50°]，(50°，70°]，(70°，90°)这9个区域。扫描实时视频场景图像每个像素对应的梯度值。当梯度大小V大于阈值T1，便按照其梯度方向D所属区间进行计数。最后统计出当前帧的梯度方向直方图。
步骤102、根据第一梯度方向直方图特征向量，确定当前帧的第一目标窗口的位置。
这里，第一目标窗口是在当前帧中确定目标的位置的窗口。值得说明的是，本实施例中对第一目标窗口的形状不做限定，可以是圆形、正方形等。
具体的，获取目标的中心概率图；将目标的中心概率图的极大值点作为第一目标窗口的中心点，确定第一目标窗口的位置。
结合中心概率图的求取过程可知，中心概率图本身的含义是：中心概率图中的极大值就是该目标的中心点。本实施例中正是依据该目标的中心点来调整第一目标窗口的位置，使第一目标窗口的位置达到最佳，即该目标的中心点和对应的第一目标窗口的中心点重合，实现了准确、高效的检测识别目标。
这里可分为两种情况：
情况1、目标的中心概率图P中存在一个极大值，即最大值。
此时，表明第一梯度方向直方图特征向量中仅包含一个目标物。只需一个第一目标窗口，并且将目标的中心概率图的极大值点(即最大值点)作为第一目标窗口的中心点，从而确定出第一目标窗口的位置。
情况2、目标的中心概率图P中存在多个极大值。
此时，表明第一梯度方向直方图特征向量中包含多个(至少两个)目标物。这时就需要与之对应个数的多个第一目标窗口，并且将目标的中心概率图的多个极大值点分别作为多个第一目标窗口的中心点，从而确定出多个第一目标窗口的位置。
进一步的，所述获取目标的中心概率图包括：提取前景；根据第一梯度方向直方图特征向量和前景，确定当前帧的特征向量；根据当前帧的特征向量和预设半径，确定目标的中心概率图。
具体的，在完成前景的提取后，该根据第一梯度方向直方图特征向量和前景，确定当前帧的特征向量包括：将要对第一梯度方向直方图特征向量进行进一步地处理，处理规则为：将不在前景上的梯度值置为0，前景上的梯度值保持不变。经过处理得到当前帧的特征向量。在当前帧的特征向量上，计算每一点处以预设半径r为圆的梯度和，得到中心概率图P。这里，求取中心概率图P的过程就是寻找目标物中心的过程。
进一步的，所述提取前景包括：获取当前帧的新像素点；计算新像素点和预设的多个背景模型样本集的所有距离；当存在m个距离小于第一预设阈值时，将m作为近似样本点的数目，m大于0；当m小于第二预设阈值时，将新像素点作为前景点。
本实施例中为了提高找到目标中心点的效率和准确率，会先将非目标物(即背景点或非前景点)置零，故应先找出背景点或非前景点。这里，每个固定位置上的背景点都会存储具有s个模型的一个样本集，该s为正整数。这里设置具有s个模型的一个样本集主要是为了适应复杂多变的外界环境，比如：白天模型、夜晚模型、灯光模型、晴天模型、雨天模型等等。
值得说明的是，这里提取前景的过程实质上就是目标识别并提取的过程。
具体的，首先获取当前帧的新像素点，然后将每个新像素点和样本集进行一一比较，判断出该新像素点是否属于前景点。以一个新像素点为例，具体判断方法如下：计算新像素和样本集中每个样本值的距离，该距离是新像素点和样本集中相应像素点的灰度值之差，如果距离小于第一预设阈值，则将近似样本点数目加1。当存在m个距离小于第一预设阈值时，将所述m作为近似样本点的数目，当m小于第二预设阈值，此时则认为该新像素点为前景点。如果近似样本点数目大于或等于第二预设阈值，则认为该新像素点为背景点，并利用该新像素点的8个邻域点对样本集中的一个随机样本进行更新。优选的，s取10，第一预设阈值取8，第二预设阈值取6。
示例的，假设样本集中的10个模型的灰度值分别为30、45、42、35、38、41、32、29、33和59，获得的新像素点的灰度值为37，通过计算新像素和样本集中每个样本值的距离，可得距离依次为：7、8、5、2、1、4、5、8、4和22。很显然，在所得的10个距离中有7个距离是小于第一预设阈值8的，那么此时近似样本点数目是8，即m＝8，且8大于第二预设阈值6。故可判定该新像素点是背景点。
步骤103、获取前一帧的第二目标窗口的位置。
上述步骤101和步骤102是针对当前帧进行的相关计算和处理，而想要得到目标的运动轨迹，不仅仅需要当前帧的第一目标窗口的位置，还需要前一帧的第二目标窗口的位置。
这里，前一帧的第二目标窗口的位置的获取与步骤101和步骤102中当前帧的第一目标窗口的位置的获取方法类似，此处就不再详述。
步骤104、根据第一目标窗口的位置和第二目标窗口的位置，跟踪目标的运动轨迹。
具体的，获取前一帧的第二梯度方向直方图特征向量；根据第一梯度方向直方图特征向量和第二梯度方向直方图特征向量，确定同一目标的第一目标窗口和第二目标窗口的位置；根据同一目标的第一目标窗口和第二目标窗口的位置，确定同一目标的运动轨迹。
当当前帧中包括了至少两个第一目标窗口时，需要对各个第一目标窗口与前一帧的各个第二目标窗口进行匹配，因此，需要通过最邻近法匹配，将某一第二目标窗口的特征点与当前帧中所有第一目标窗口的特征点进行比较，找出特征最相似的第一目标窗口，那么该第一目标窗口位置就是被跟踪到的目标位置，从而实现目标的运动轨迹的跟踪。
在步骤103之前，所述方法还包括：根据预设的多个比例，缩放当前帧。
由于目标的大小是不定的，因此对当前帧进行缩放处理，从而保证当前帧的所有目标能够完全被第一目标窗口检测出来，进而提高检测精确度，避免漏测、误测等情况的发生。多个比例缩放检测完成后，将重叠的第一目标窗口进行合并。因为第一目标窗口一旦重叠，就表明重叠的第一目标窗口所代表的是同一目标，从而得到所有目标的第一目标窗口。
在步骤104之前，所述方法还包括：根据第一目标窗口的位置和第二目标窗口的位置，利用支持向量机(Support Vector Machine，SVM)方法对特征分类；根据SVM的分类结果，存储目标的位置信息。
SVM在解决小样本、非线性以及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。在机器学习中，SVM是与相关的学习算法有关的监督学习模型，可以分析数据、模式识别，用于分类和回归分析。
SVM方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中，以求获得最好的推广能力。
具体的，给定一组训练样本，每个标记为属于两类，一个SVM训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。示例的，一个SVM模型的例子，如在空间中的点，映射，使得所述不同的类别的例子是由一个明显的差距是尽可能宽划分的表示。新的实例则映射到相同的空间中，并预测基于它们落在所述间隙侧上属于一个类别。结合本实施例，将计算得到的第一梯度方向直方图特征向量和第二梯度方向直方图特征向量，放入SVM训练器进行训练，得到可分类的训练结果。
在步骤104之后，所述方法还包括：分别判断第一目标窗口的位置和第二目标窗口的位置是否超过预设计数线；当第一目标窗口的位置超过预设计数线，且第二目标窗口的位置未超过预设计数线时，将第一计数值加1；当第二目标窗口的位置超过预设计数线，且第一目标窗口的位置未超过预设计数线时，将第二计数值加1。
这里，计数是指有方向的计数，具体的方向是指由第二目标窗口的位置指向第一目标窗口的位置。
值得说明的是，本实施例中可以跟踪的目标是图像中比较清晰且遮挡较少的前景，例如根据人的运动轨迹，目标是人头，但本实施例对目标的限定并不限于此，还可以是动物的面部等等。
这样一来，根据第一目标窗口和第二目标窗口，来准确、高效的检测识别出大量的目标。避免了现有技术在目标密集的场景中，由于目标相互遮挡而导致的准确率明显下降的现象。解决了目标之间相互遮挡的问题，能够在复杂的背景环境中，进行高准确率地跟踪。
实施例二
本发明实施例提供一种目标跟踪方法，应用于目标跟踪装置，如图2所示，假设I是检测图像，其当前帧用N表示，前一帧用B表示，本实施例获取到的检测图像信息I是北京市海淀区某商场在2015年12月10日的图像信息，需要目标跟踪的目标是人头，该方法包括：
步骤201、获取检测N的图像信息。
具体的，检测N是通过朝向竖直向下的摄像头获取而来的，历经计算机数字化图像信息处理，得到I的信息。
步骤202、根据N的图像信息计算当第一梯度方向直方图特征向量。
这里，依据实施例一中步骤101所述的方法，计算出N的第一梯度方向直方图特征向量。
步骤203、提取N的前景。
利用本发明实施例一中所述的提取前景的方法，提取N的前景。也就是提取出N中的人头。
步骤204、根据N的第一梯度方向直方图特征向量和前景，计算N的特征向量。
通过以上步骤得到N的第一梯度方向直方图特征向量和前景，接下来，利用得到的前景对N的第一梯度方向直方图特征向量进行进一步地处理，具体处理是：将第一梯度方向直方图特征向量中不在前景所在位置上的数值置零；而将在前景位置上的数值保持不变。这样可以避免背景对人头的干扰，能够高效、准确的定位到人头。
步骤205、根据N的特征向量和预设半径，计算N的人头中心概率图。
本实施例中，不仅仅要定位到N中的人头，而且还要找出N中人头的中心点位置。这里，预设半径是计算N的人头中心概率图的参数。本实施例寻找N中人头中心点位置的方法是通过N的人头中心概率图来实现的。由N的人头中心概率图的获取过程可知，N的人头中心概率图中的极大值就是N中人头中心点位置。
具体的，N的人头中心概率图的获取方法是依据实施例一中所述方法获取的。
步骤206、根据N的人头中心概率图，确定N的第一人头窗口的位置。
使N的第一人头窗口的中心点与N的人头中心概率图的极大值重合，这样便确定出N的第一人头窗口的位置。此时确定出的N的第一人头窗口的位置就是第一人头窗口圈住人头的最佳位置。
步骤207、计算N的第一人头窗口的梯度方向直方图。
分别计算出已经确定出的所有N的第一人头窗口的梯度方向直方图。
步骤208、判断N的图像信息是否扫描完成。若是，则执行步骤209；若否，则执行步骤206。
判断N的图像信息是否扫描完成，确保N的图像信息都历经经过步骤206和步骤207的处理，从而计算出所有N的第一人头窗口的梯度方向直方图。
步骤209、获取B的第二人头窗口的位置。
这里，获取B的第二人头窗口的位置就包括获取B的第二人头窗口的梯度方向直方图特征向量。要达到跟踪和\或计数的目的，就需要得到相邻两帧的人头窗口的梯度方向直方图特征向量。和获取N的第一人头窗口的梯度方向直方图特征向量的方法相类似，这里就不再详述。
步骤210、根据第一人头窗口的位置和第二人头窗口的位置，利用SVM方法对特征分类。
具体的，第一人头窗口的位置和第二人头窗口的位置还包括第一人头窗口的梯度方向直方图特征向量和第二人头窗口的梯度方向直方图特征向量。利用实施例一中所述的SVM方法，对第一人头窗口的梯度方向直方图特征向量和第二人头窗口的梯度方向直方图特征向量进行特征分类。
步骤211、根据SVM的分类结果，存储检测N和B的特征信息。
存储SVM分类好的结果，以供后续步骤使用。
步骤212、采用特征点匹配方法对人头进行跟踪。
对存储的N和B的特征信息，采用特征点匹配方法对特征信息进行匹配。特征点匹配方法就是使得在N和B的特征信息中，寻找出特征信息最为相似的一组特征信息，这样便完成了一个人头的匹配。对检测N中所有人头做方法相类似的匹配，至此，检测N中所有的人头都已完成匹配。针对完成匹配的一个确定的人头而言，由B的第二人头窗口的位置是与N的第一人头窗口的位置相对应，是指同一个人头，实现人头跟踪。
步骤213、完成该人头的跟踪并计数。
针对跟踪，通过对某一确定人头的第一目标窗口位置和第二目标窗口位置的分析，可以实现对该人的跟踪。
当存在第一人头窗口的位置和第二人头窗口的位置其中之一超过预设计数线时，本实施例不仅完成对该人头的跟踪，并且还完成了人头有向计数，这里的有向是指由第二人头窗口的位置指向第一人头窗口的位置的方向。
具体的，本实施例中将预设计数线设置在每一帧中该商场的出入口处，这样就可以判断出人是否在商场内。当判断出第一人头窗口的位置在商场外，而第二人头窗口的位置在商场内，说明对应的人离开了商场，这时出商场的人数增加1。同样的，当判断出第二人头窗口的位置在商场外，而第一人头窗口的位置在商场内，说明对应的人进入了商场，这时进商场的人数增加1。这样便统计出了该商场的人流量信息。
实施例三
本发明实施例提供一种目标跟踪装置30，如图3所示，该装置30包括：
获取模块301，用于获取当前帧的第一梯度方向直方图特征向量；
确定模块302，用于根据所述第一梯度方向直方图特征向量，确定所述当前帧的第一目标窗口的位置，所述第一目标窗口是在所述当前帧中确定目标的位置的窗口；还用于获取前一帧的第二目标窗口的位置；
跟踪模块303，用于根据所述第一目标窗口的位置和所述第二目标窗口的位置，跟踪所述目标的运动轨迹。
这样一来，根据第一目标窗口和第二目标窗口，来准确、高效的检测识别出大量的目标。避免了现有技术在目标密集的场景中，由于目标相互遮挡而导致的准确率明显下降的现象。解决了目标之间相互遮挡的问题，能够在复杂的背景环境中，进行高准确率地跟踪。
具体的，如图4所示，所述跟踪模块303包括：
获取子模块3031，用于获取所述前一帧的第二梯度方向直方图特征向量；
确定子模块3032，用于根据所述第一梯度方向直方图特征向量和所述第二梯度方向直方图特征向量，确定同一目标的第一目标窗口和第二目标窗口的位置；还用于根据所述同一目标的第一目标窗口和第二目标窗口的位置，确定所述同一目标的运动轨迹。
具体的，如图5所示，所述确定子模块3032包括：
获取单元30321，用于获取所述目标的中心概率图；
确定单元30322，用于将所述目标的中心概率图的极大值点作为所述第一目标窗口的中心点，确定所述第一目标窗口的位置。
具体的，如图6所示，所述获取单元30321包括：
提取子单元303211，用于提取前景；
确定子单元303212，用于根据所述第一梯度方向直方图特征向量和所述前景，确定所述当前帧的特征向量；还用于根据所述当前帧的特征向量和预设半径，确定所述目标的中心概率图。
具体的，所述提取子单元303211具体用于：
获取当前帧的新像素点；
计算所述新像素点和预设的多个背景模型样本集的所有距离；
当存在m个距离小于第一预设阈值时，将所述m作为近似样本点的数目，所述m大于0；
当所述m小于第二预设阈值时，将所述新像素点作为前景点。
具体的，如图7所示，所述装置30还包括：
判断模块304，用于分别判断所述第一目标窗口的位置和所述第二目标窗口的位置是否超过预设计数线；
计数模块305，用于当所述第一目标窗口的位置超过所述预设计数线，且所述第二目标窗口的位置未超过所述预设计数线时，将第一计数值加1；
所述计数模块305还用于当所述第二目标窗口的位置超过所述预设计数线，且所述第一目标窗口的位置未超过所述预设计数线时，将第二计数值加1；
缩放模块306，用于根据预设的多个比例，缩放所述当前帧。
在实际应用中，所述获取模块301、确定模块302、跟踪模块303、判断模块304、计数模块305、缩放模块306、获取子模块3031、确定子模块3032、获取单元30321、确定单元30322、提取子单元303211和确定子单元303212均可由位于检测人群密度的装置30中的中央处理器(Central Processing Unit，CPU)、微处理器(Micro Processor Unit，MPU)、数字信号处理器(Digital SignalProcessor，DSP)、或现场可编程门阵列(Field Programmable Gate Array，FPGA)等实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (14)

1.一种目标跟踪方法，其特征在于，所述方法包括：
获取当前帧的第一梯度方向直方图特征向量；
根据所述第一梯度方向直方图特征向量，确定所述当前帧的第一目标窗口的位置，所述第一目标窗口是在所述当前帧中确定目标的位置的窗口；
获取前一帧的第二目标窗口的位置；
根据所述第一目标窗口的位置和所述第二目标窗口的位置，跟踪所述目标的运动轨迹。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一目标窗口的位置和所述第二目标窗口的位置，跟踪所述目标的运动轨迹包括：
获取所述前一帧的第二梯度方向直方图特征向量；
根据所述第一梯度方向直方图特征向量和所述第二梯度方向直方图特征向量，确定同一目标的第一目标窗口和第二目标窗口的位置；
根据所述同一目标的第一目标窗口和第二目标窗口的位置，确定所述同一目标的运动轨迹。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一梯度方向直方图特征向量，确定当前帧的第一目标窗口的位置包括：
获取所述目标的中心概率图；
将所述目标的中心概率图的极大值点作为所述第一目标窗口的中心点，确定所述第一目标窗口的位置。
4.根据权利要求3所述的方法，其特征在于，所述获取所述目标的中心概率图包括：
提取前景；
根据所述第一梯度方向直方图特征向量和所述前景，确定所述当前帧的特征向量；
根据所述当前帧的特征向量和预设半径，确定所述目标的中心概率图。
5.根据权利要求4所述的方法，其特征在于，所述提取前景包括：
获取当前帧的新像素点；
计算所述新像素点和预设的多个背景模型样本集的所有距离；
当存在m个距离小于第一预设阈值时，将所述m作为近似样本点的数目，所述m大于0；
当所述m小于第二预设阈值时，将所述新像素点作为前景点。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述方法还包括：
分别判断所述第一目标窗口的位置和所述第二目标窗口的位置是否超过预设计数线；
当所述第一目标窗口的位置超过所述预设计数线，且所述第二目标窗口的位置未超过所述预设计数线时，将第一计数值加1；
当所述第二目标窗口的位置超过所述预设计数线，且所述第一目标窗口的位置未超过所述预设计数线时，将第二计数值加1。
7.根据权利要求1所述的方法，其特征在于，所述获取所述图像信息前一帧的目标窗口的第二位置之前，所述方法还包括：
根据预设的多个比例，缩放所述当前帧。
8.一种目标跟踪装置，其特征在于，所述装置包括：
获取模块，用于获取当前帧的第一梯度方向直方图特征向量；
确定模块，用于根据所述第一梯度方向直方图特征向量，确定所述当前帧的第一目标窗口的位置，所述第一目标窗口是在所述当前帧中确定目标的位置的窗口；
所述获取模块还用于获取前一帧的第二目标窗口的位置；
跟踪模块，用于根据所述第一目标窗口的位置和所述第二目标窗口的位置，跟踪所述目标的运动轨迹。
9.根据权利要求8所述的装置，其特征在于，所述跟踪模块包括：
获取子模块，用于获取所述前一帧的第二梯度方向直方图特征向量；
确定子模块，用于根据所述第一梯度方向直方图特征向量和所述第二梯度方向直方图特征向量，确定同一目标的第一目标窗口和第二目标窗口的位置；
所述确定子模块还用于根据所述同一目标的第一目标窗口和第二目标窗口的位置，确定所述同一目标的运动轨迹。
10.根据权利要求8所述的装置，其特征在于，所述确定子模块包括：
获取单元，用于获取所述目标的中心概率图；
确定单元，用于将所述目标的中心概率图的极大值点作为所述第一目标窗口的中心点，确定所述第一目标窗口的位置。
11.根据权利要求10所述的装置，其特征在于，所述获取单元包括：
提取子单元，用于提取前景；
确定子单元，用于根据所述第一梯度方向直方图特征向量和所述前景，确定所述当前帧的特征向量；
所述确定子单元还用于根据所述当前帧的特征向量和预设半径，确定所述目标的中心概率图。
12.根据权利要求11所述的装置，其特征在于，所述提取子单元具体用于：
获取当前帧的新像素点；
计算所述新像素点和预设的多个背景模型样本集的所有距离；
当存在m个距离小于第一预设阈值时，将所述m作为近似样本点的数目，所述m大于0；
当所述m小于第二预设阈值时，将所述新像素点作为前景点。
13.根据权利要求8至12任意一项所述的装置，其特征在于，所述装置还包括：
判断模块，用于分别判断所述第一目标窗口的位置和所述第二目标窗口的位置是否超过预设计数线；
计数模块，用于当所述第一目标窗口的位置超过所述预设计数线，且所述第二目标窗口的位置未超过所述预设计数线时，将第一计数值加1；
所述计数模块还用于当所述第二目标窗口的位置超过所述预设计数线，且所述第一目标窗口的位置未超过所述预设计数线时，将第二计数值加1。
14.根据权利要求8所述的装置，其特征在于，所述装置还包括：
缩放模块，用于根据预设的多个比例，缩放所述当前帧。
CN201610099398.8A 2016-02-23 2016-02-23 一种目标跟踪方法和装置 Pending CN107103268A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610099398.8A CN107103268A (zh) 2016-02-23 2016-02-23 一种目标跟踪方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610099398.8A CN107103268A (zh) 2016-02-23 2016-02-23 一种目标跟踪方法和装置

Publications (1)

Publication Number Publication Date
CN107103268A true CN107103268A (zh) 2017-08-29

Family

ID=59658753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610099398.8A Pending CN107103268A (zh) 2016-02-23 2016-02-23 一种目标跟踪方法和装置

Country Status (1)

Country Link
CN (1) CN107103268A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109427073A (zh) * 2017-08-31 2019-03-05 杭州海康威视数字技术股份有限公司 一种运动目标确定方法、装置及电子设备
WO2021036373A1 (zh) * 2019-08-27 2021-03-04 北京京东尚科信息技术有限公司 目标跟踪方法、装置和计算机可读存储介质
CN112927268A (zh) * 2021-03-17 2021-06-08 清华大学 角点跟踪方法、装置、计算机设备及可读存储介质
CN112991386A (zh) * 2021-02-20 2021-06-18 浙江欣奕华智能科技有限公司 光流跟踪装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100021009A1 (en) * 2007-01-25 2010-01-28 Wei Yao Method for moving targets tracking and number counting
CN102663409A (zh) * 2012-02-28 2012-09-12 西安电子科技大学 一种基于hog-lbp描述的行人跟踪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100021009A1 (en) * 2007-01-25 2010-01-28 Wei Yao Method for moving targets tracking and number counting
CN102663409A (zh) * 2012-02-28 2012-09-12 西安电子科技大学 一种基于hog-lbp描述的行人跟踪方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
姚睿等: "《复杂环境下的鲁棒目标检测与跟踪》", 30 June 2015, 中国矿业大学出版社 *
张宝峰等: "一种改进的Mean-shift算法在运动目标跟踪系统中的应用", 《计算机测量与控制》 *
王佳明等: "自适应窗口选取的Mean-shift目标跟踪", 《光子学报》 *
王年等: "带宽自适应的Mean Shift目标跟踪算法", 《华南理工大学学报》 *
邢文浩等: "基于边缘方向直方图的mean-shift人脸跟踪", 《图像图形技术研究与应用》 *
黑尘子: "基于MeanShift的Camshift算法原理详解", 《360个人图书馆》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109427073A (zh) * 2017-08-31 2019-03-05 杭州海康威视数字技术股份有限公司 一种运动目标确定方法、装置及电子设备
WO2021036373A1 (zh) * 2019-08-27 2021-03-04 北京京东尚科信息技术有限公司 目标跟踪方法、装置和计算机可读存储介质
CN112991386A (zh) * 2021-02-20 2021-06-18 浙江欣奕华智能科技有限公司 光流跟踪装置
CN112927268A (zh) * 2021-03-17 2021-06-08 清华大学 角点跟踪方法、装置、计算机设备及可读存储介质
CN112927268B (zh) * 2021-03-17 2022-08-05 清华大学 角点跟踪方法、装置、计算机设备及可读存储介质

Similar Documents

Publication Publication Date Title
US11798173B1 (en) Moving point detection
Jana et al. YOLO based Detection and Classification of Objects in video records
US11086016B2 (en) Method and apparatus for tracking obstacle
Angah et al. Tracking multiple construction workers through deep learning and the gradient based method with re-matching based on multi-object tracking accuracy
Zhang et al. A traffic surveillance system for obtaining comprehensive information of the passing vehicles based on instance segmentation
Wang et al. Review on vehicle detection based on video for traffic surveillance
CN110400332A (zh) 一种目标检测跟踪方法、装置及计算机设备
CN104715471B (zh) 目标定位跟踪方法及其装置
CN103679186B (zh) 检测和跟踪目标的方法和装置
Shin et al. Real-time and accurate segmentation of 3-D point clouds based on Gaussian process regression
Jodoin et al. Tracking all road users at multimodal urban traffic intersections
CN107103268A (zh) 一种目标跟踪方法和装置
GB2502187A (en) Determining parking lot occupancy from digital camera images
CN111046856B (zh) 基于动静态特征提取并行位姿跟踪与地图创建的方法
CN104318263A (zh) 一种实时高精度人流计数方法
CN104217192B (zh) 基于深度图像的手定位方法和设备
CN111882586A (zh) 一种面向剧场环境的多演员目标跟踪方法
Gad et al. Vision-based approach for automated social distance violators detection
CN108596032B (zh) 一种视频中打架行为检测方法、装置、设备及介质
US11663499B2 (en) Method, data processing apparatus and computer program product for determining road intersections
CN113257005B (zh) 一种基于关联度量的车流量统计方法
Mehboob et al. Automated vehicle density estimation from raw surveillance videos
Kuang et al. An improved Robot’s localization and mapping method based on ORB-SLAM
CN114820931A (zh) 基于虚拟现实的智慧城市cim可视化实时成像方法
Naresh et al. Real Time Vehicle Tracking using YOLO Algorithm

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170829

RJ01 Rejection of invention patent application after publication