CN108093153A - 目标跟踪方法、装置、电子设备及存储介质 - Google Patents
目标跟踪方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN108093153A CN108093153A CN201711352522.8A CN201711352522A CN108093153A CN 108093153 A CN108093153 A CN 108093153A CN 201711352522 A CN201711352522 A CN 201711352522A CN 108093153 A CN108093153 A CN 108093153A
- Authority
- CN
- China
- Prior art keywords
- present frame
- frame
- target
- scale
- sample
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/144—Movement detection
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种目标跟踪方法，所述方法包括：获取当前帧，所述当前帧的帧数大于1；获取当前帧的上一帧中的样本模板；获取当前帧对应的多个尺度参数；利用所述当前帧对应的多个尺度参数，在所述当前帧中检测目标，并确定当前帧中多个样本；基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度，及更新核相关滤波算法中的滤波器系数；基于所述当前帧中目标的尺度对应的样本，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板；基于所述当前帧中的样本模板及更新后的滤波器系数，对所述当前帧的下一帧进行处理。本发明提供一种目标跟踪装置。本发明能防止目标在跟踪过程中发生漂移的现象，提高目标跟踪精度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种目标跟踪方法、装置、电子设备及存储介质。
背景技术
运动目标跟踪就是在一个连续视频序列中，在每一帧图片中确定出感兴趣的运动目标(比如，行人，车辆)。目标跟踪具有便捷性、实时性等人类无法比拟的优势，因此在交通、安防监控、无人系统等领域有着非常广泛的应用。
目前视频目标跟踪算法主要分为基于匹配的方法、核方法、运动检测方法等。基于匹配的跟踪算法主要有特征匹配和贝叶斯跟踪；Mean-shift方法是核方法的代表；基于检测的目标跟踪算法则比较多，比如光流法以及本发明运用到的基于相关滤波的目标跟踪算法。随着研究的深入和技术的发展，这些算法在性能上暴露出了许多的不足，它们的跟踪速度相对比较慢，稳定性不高，不能很好的处理复杂环境下的目标跟踪。
目前在视频目标跟踪领域中涉及的算法有很多种，但是能适用于工业的跟踪算法却很少，主要是因为工业应用的跟踪环境非常的复杂，不但对于算法的跟踪精度和实时性有较高要求，同时还要求算法有很好的处理遮挡、光照变化以及对跟踪目标发生尺度变换具有自适应的能力。综合以上要求，基于核相关滤波的跟踪算法，表现出了较高的实时性具有快速跟踪的能力，同时它的跟踪精度也比较高但是核相关滤波的跟踪算法是针对固定尺度的处理。但在目标跟踪的过程中，随着跟踪目标的移动，会导致目标在图像中的尺度发生较大的变化，该问题严重的影响了跟踪算法的性能。若用固定尺度去跟踪目标，如果目标发生了比较大的尺度变化，现有技术中的跟踪算法，就会造成目标漂移，这种现象会对跟踪的性能造成极大的影响，最终会导致跟踪目标丢失。
发明内容
鉴于以上内容，有必要提供一种目标跟踪方法、装置、电子设备及存储介质，能防止目标在跟踪过程中发生漂移的现象，提高目标跟踪精度。
一种目标跟踪方法，所述方法包括：
获取当前帧，所述当前帧的帧数大于1；
获取当前帧的上一帧中的样本模板；
获取当前帧对应的多个尺度参数；
利用所述当前帧对应的多个尺度参数，在所述当前帧中检测目标，并确定当前帧中多个样本；
基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度，及更新核相关滤波算法中的滤波器系数；
基于所述当前帧中目标的尺度对应的样本，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板；
基于所述当前帧中的样本模板及更新后的滤波器系数，对所述当前帧的下一帧进行目标跟踪。
在本发明可选实施例中，所述方法还包括：
获取第一帧，及获取所述当前帧对应的多个尺度参数；
利用所述当前帧对应的多个尺度参数，在所述第一帧中检测目标，并确定多个样本；
基于第一帧中的多个样本，利用核相关滤波算法计算所述第一帧中目标的尺度；
基于所述第一帧中目标的尺度，确定所述第一帧中的样本模板。
在本发明可选实施例中，所述当前帧对应的多个尺度参数包括多个尺度系数、所述上一帧中样本模板的尺度。
在本发明可选实施例中，在基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度之前，所述方法还包括：
采用双线性插值方法，将所述当前帧中多个样本中的每个样本的尺度调整成相同尺度。
在本发明可选实施例中，所述基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度包括：
利用核相关滤波算法，确定所述当前帧中多个样本中的每个样本对应的多个候选样本；
利用核相关滤波算法，计算所述当前帧中所述多个候选样本中每个候选样本对应的响应值；
从所述当前帧中所述多个候选样本中每个候选样本对应的响应值中，选取最大响应值对应的样本尺度作为所述当前帧中目标的尺度。
在本发明可选实施例中，所述更新核相关滤波算法中的滤波器系数包括：
利用核相关滤波算法，计算所述当前帧中多个样本中的每个样本对应的多个候选样本；
利用核相关滤波算法，计算所述当前帧中所述多个候选样本中每个候选样本对应的响应值；
基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧对应的核相关矩阵；
基于所述当前帧对应的核相关矩阵及所述当前帧中所述多个候选样本中每个候选样本对应的响应值，更新核相关滤波算法中的滤波器系数。
在本发明可选实施例中，所述基于所述当前帧中目标的尺度，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板的计算公式包括：
其中表示所述上一帧中的样本模板，Tnew表示基于所述当前帧中目标的尺度对应的样本，表示所述当前帧中的样本模板，β表示加权系数。
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，所述当前帧的帧数大于1；
所述获取模块还用于获取当前帧的上一帧中的样本模板；
所述获取模块还用于获取当前帧对应的多个尺度参数；
确定模块，用于利用所述当前帧对应的多个尺度参数，在所述当前帧中检测目标，并确定当前帧中多个样本；
计算模块，用于基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度，及更新核相关滤波算法中的滤波器系数；
计算模块，还用于基于所述当前帧中目标的尺度对应的样本，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板；
跟踪模块，用于基于所述当前帧中的样本模板及更新后的滤波器系数，对所述当前帧的下一帧进行目标跟踪。
一种电子设备，所述电子设备包括存储器及处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现上述任意实施例中所述目标跟踪方法。
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至少一个指令，所述至少一个指令被处理器执行时实现上述任意实施例中所述目标跟踪方法。
由以上技术方案可以看出，本发明提供一种目标跟踪方法，所述方法包括：获取当前帧，所述当前帧的帧数大于1；获取当前帧的上一帧中的样本模板；获取当前帧对应的多个尺度参数；利用所述当前帧对应的多个尺度参数，在所述当前帧中检测目标，并确定当前帧中多个样本；基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度，及更新核相关滤波算法中的滤波器系数；基于所述当前帧中目标的尺度对应的样本，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板；基于所述当前帧中的样本模板及更新后的滤波器系数，对所述当前帧的下一帧进行处理。本发明提供一种目标跟踪装置。本发明能防止目标在跟踪过程中发生漂移的现象，提高目标跟踪精度。
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，还可以根据提供的附图获得其他的附图。
图1是本发明目标跟踪方法的较佳实施例的流程图。
图2是本发明目标跟踪装置的较佳实施例的功能模块图。
图3是本发明至少一个实例中电子设备的较佳实施例的结构示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，是本发明目标跟踪方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10，电子设备获取当前帧。
在本发明中，所述当前帧的帧数大于1。从抓拍的视频中，按照帧率获取当前帧。在获取当前帧之前，所述电子设备还可以获取第一帧，基于所述第一帧，利用核相关滤波算法计算所述第一帧中目标的尺度；基于所述第一帧中目标的尺度，确定所述第一帧中的样本模板，以便于后续其他帧中的目标跟踪，具体过程将在后续详述。
S11，所述电子设备获取当前帧的上一帧中样本模板。
在本发明实施例中，在对每一帧中目标进行跟踪，都会对每一帧中的样本模板进行更新，以便于下一帧利用更新后的样本模板生成样本。在后续的计算中会详细讲述更新样本模板的方法。
S12，所述电子设备获取当前帧对应的多个尺度参数。
在本发明的可选实施例中，所述当前帧对应的多个尺度参数包括，但不限于：多个尺度系数、所述上一帧中样本模板的尺度。
在本发明的可选实施例中，所述电子设备获取所述上一帧中样本模板的尺度及多个尺度系数。基于获取的目标的尺度及所述多个尺度系数，可得到多个检测框。例如，获取的目标的尺度为st，定义一个尺度的可选空间S，所述可选空间包括所述多个尺度系数。例如S＝{θ1，θ2...，θn}，其中θn表示第n个尺度系数，这样就可以得到n个检测框，其中第n个检测框可以表示为St×θn。
这样以所述上一帧中样本模板的尺度为基准，通过所述多个尺度系数，就可以得到多个检测框，即使目标的大小在抓拍的图像中发生变化，通过所述多个检测框去检测目标，可以准确的框中目标，防止目标发生漂移。
在可选实施例中，当对第一帧进行处理时，所述当前帧对应的多个尺度参数包括，但不限于：多个尺度系数、预设尺度。
S13，所述电子设备利用所述当前帧对应的多个尺度参数，在所述当前帧中检测目标，并确定当前帧的多个样本。
在可选实施例中，所述电子设备确定所述多个样本包括：所述电子设备利用所述当前帧对应的多个尺度参数得到多个检测框，利用每个检测框在所述当前帧中检测目标，并用检测框框中所述目标后就可以得到每个检测框对应的样本。这样就可以通过设置多个尺度系数，并参考所述当前帧的上一帧中目标的尺度，变换尺度大小，以多个尺度去检测目标以准确获取目标的位置，提高跟踪精度。
在可选实施例中，由于每个检测框的大小不同，在后续利用核相关滤波算法进行计算时，会涉及到矩阵的点乘运算，因此需要将所述多个样本中每个样本的尺度调整成相同尺度。所述电子设备采用双线性插值方法，将所述当前帧中多个样本中的每个样本的尺度调整成相同尺度。这样就能使核相关滤波算法处理目标尺度变化的问题。
在可选实施例中，当对第一帧进行处理时，基于所述预设尺度及多个尺度系数，按照上述类似方法，确定第一帧中的多个样本。
S14，所述电子设备基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度，及更新核相关滤波算法中的滤波器系数。
在可选实施例中，所述利用核相关滤波算法计算所述当前帧中目标的尺度包括：
(1)利用核相关滤波算法，确定所述当前帧中多个样本中的每个样本对应的多个候选样本。
在可选实施例中，利用核相关滤波算法采用循环矩阵的方法，基于所述当前帧中多个样本中每个样本进行循环移位，得到所述当前帧中每个样本对应的候选样本，所述当前帧中每个样本对应的候选样本组成所述当前帧对应的循环矩阵。
(2)计算所述当前帧中所述多个候选样本中每个候选样本对应的响应值。
在可选实施例中，所述电子设备基于核相关滤波算法利用循环矩阵可以被傅立叶矩阵相似对角化的性质，可以将计算从时域变换到频域，并计算所述当前帧中所述多个候选样本中每个候选样本对应的响应值。从而减少了算法的运算复杂度，加快了跟踪速度实现实时性。
(3)从所述当前帧中所述多个候选样本中每个候选样本对应的响应值中，选取最大响应值对应的样本尺度作为所述当前帧中目标的尺度。
在可选实施例中，基于所述当前帧中多个样本，利用核相关滤波算法，得到循环矩阵后，对循环矩阵进行处理，计算所述当前帧对应的核相关矩阵，基于所述当前帧对应的核相关矩阵及所述当前帧中所述多个候选样本中每个候选样本对应的响应值，更新核相关滤波算法中的滤波器系数。
所述更新核相关滤波算法中的滤波器系数的计算公式如下：
其中表示所述当前帧中所述多个候选样本中每个候选样本对应的响应值，表示所述当前帧对应的核相关矩阵的第一行，表示滤波器系数。
通过利用核相关滤波算法，可以将计算从时域变换到频域，从而减少了算法的运算复杂度，加快了跟踪速度，实现实时性。
S15，所述电子设备基于所述当前帧中目标的尺度对应的样本，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板。
在可选实施例中，所述基于所述当前帧中目标的尺度，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板的计算公式包括：
其中表示所述上一帧中的样本模板，Tnew表示基于所述当前帧中目标的尺度对应的样本(即是响应值最大的样本)，表示所述当前帧中的样本模板，β表示加权系数。这样结合与当前帧相邻的帧的样本模板对当前帧中的样本模板进行更新，从而使目标在图像中的尺度在变化时，能在每一帧中准确的跟踪到所述目标，提高跟踪效率。
在可选实施例中，所述电子设备还基于第一帧中的多个样本，利用核相关滤波算法计算所述第一帧中目标的尺度；基于所述第一帧中目标的尺度，确定所述第一帧中的样本模板及更新核相关滤波算法中的滤波器系数。以便于后续帧用于追踪目标。
S16，基于所述当前帧中的样本模板及更新后的滤波器系数，对所述当前帧的下一帧进行目标跟踪。
在可选实施例中，后续返回S10，在对下一帧进行处理时，将所述下一帧作为当前帧，执行S10至S16，直至结束所述目标的跟踪。即利用本发明，将第一帧中目标的尺度作为参考，对第二帧中目标进行跟踪时，将第二帧中目标的尺度作为参，对第三帧中目标进行跟踪，依次类推，直至结束目标跟踪。
本发明获取当前帧，所述当前帧的帧数大于1；获取当前帧的上一帧中的样本模板；获取当前帧对应的多个尺度参数；利用所述当前帧对应的多个尺度参数，在所述当前帧中检测目标，并确定当前帧中多个样本；基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度，及更新核相关滤波算法中的滤波器系数；基于所述当前帧中目标的尺度对应的样本，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板；基于所述当前帧中的样本模板及更新后的滤波器系数，对所述当前帧的下一帧进行目标跟踪。相对于现有技术中以固定尺度跟踪目标，本发明能设置多个尺度，在跟踪的过程中，通过多个尺度去检测目标，得到最优的目标的尺度，通过不断的调整目标的尺度去检测下一帧中目标的尺度，防止目标在跟踪过程中发生漂移的现象，提高目标跟踪精度。
如图2所示，本发明目标跟踪装置的较佳实施例的功能模块图。所述目标跟踪装置11包括获取模块100、确定模块101、调整模块102、计算模块103及跟踪模块104。本发明所称的单元是指一种能够被目标跟踪装置11的处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各单元的功能将在后续的实施例中详述。
所述获取模块100获取当前帧。
在本发明中，所述当前帧的帧数大于1。从抓拍的视频中，按照帧率获取当前帧。在获取当前帧之前，所述获取模块100还可以获取第一帧，基于所述第一帧，利用核相关滤波算法计算所述第一帧中目标的尺度；基于所述第一帧中目标的尺度，确定所述第一帧中的样本模板，以便于后续其他帧中的目标跟踪，具体过程将在后续详述。
所述获取模块100获取当前帧的上一帧中样本模板。
在本发明实施例中，在对每一帧中目标进行跟踪，都会对每一帧中的样本模板进行更新，以便于下一帧利用更新后的样本模板生成样本。在后续的计算中会详细讲述更新样本模板的方法。
所述获取模块100获取当前帧对应的多个尺度参数。
在本发明的可选实施例中，所述当前帧对应的多个尺度参数包括，但不限于：多个尺度系数、所述上一帧中样本模板的尺度。
在本发明的可选实施例中，所述获取模块100获取所述上一帧中样本模板的尺度及多个尺度系数。基于获取的目标的尺度及所述多个尺度系数，可得到多个检测框。例如，获取的目标的尺度为st，定义一个尺度的可选空间S，所述可选空间包括所述多个尺度系数。例如S＝{θ1，θ2...，θn}，其中θn表示第n个尺度系数，这样就可以得到n个检测框，其中第n个检测框可以表示为St×θn。
在可选实施例中，当对第一帧进行处理时，所述当前帧对应的多个尺度参数包括，但不限于：多个尺度系数、预设尺度。
所述确定模块101利用所述当前帧对应的多个尺度参数，在所述当前帧中检测目标，并确定当前帧中多个样本。
在可选实施例中，所述确定模块101确定所述多个样本包括：所述电子设备利用所述当前帧对应的多个尺度参数得到多个检测框，利用每个检测框在所述当前帧中检测目标，并用检测框框中所述目标后就可以得到每个检测框对应的样本。这样就可以通过设置多个尺度系数，并参考所述当前帧的上一帧中目标的尺度，变换尺度大小，以多个尺度去检测目标以准确获取目标的位置，提高跟踪精度。
在可选实施例中，由于每个检测框的大小不同，在后续利用核相关滤波算法进行计算时，会涉及到矩阵的点乘运算，因此需要将所述多个样本中每个样本的尺度调整成相同尺度。所述调整模块102采用双线性插值方法，将所述当前帧中多个样本中的每个样本的尺度调整成相同尺度。这样就能使核相关滤波算法处理目标尺度变化的问题。
在可选实施例中，所述确定模块101当对第一帧进行处理时，基于所述预设尺度及多个尺度系数，按照上述类似方法，确定第一帧中的多个样本。
所述计算模块103基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度，及更新核相关滤波算法中的滤波器系数。
在可选实施例中，所述计算模块103利用核相关滤波算法计算所述当前帧中目标的尺度包括：
(1)利用核相关滤波算法，确定所述当前帧中多个样本中的每个样本对应的多个候选样本。
在可选实施例中，利用核相关滤波算法采用循环矩阵的方法，基于所述当前帧中多个样本中每个样本进行循环移位，得到所述当前帧中每个样本对应的候选样本，所述当前帧中每个样本对应的候选样本组成所述当前帧对应的循环矩阵。
(2)计算所述当前帧中所述多个候选样本中每个候选样本对应的响应值。
在可选实施例中，所述电子设备基于核相关滤波算法利用循环矩阵可以被傅立叶矩阵相似对角化的性质，可以将计算从时域变换到频域，并计算所述当前帧中所述多个候选样本中每个候选样本对应的响应值。从而减少了算法的运算复杂度，加快了跟踪速度实现实时性。
(3)从所述当前帧中所述多个候选样本中每个候选样本对应的响应值中，选取最大响应值对应的样本尺度作为所述当前帧中目标的尺度。
在可选实施例中，基于所述当前帧中多个样本，利用核相关滤波算法，得到循环矩阵后，对循环矩阵进行处理，计算所述当前帧对应的核相关矩阵，基于所述当前帧对应的核相关矩阵及所述当前帧中所述多个候选样本中每个候选样本对应的响应值，更新核相关滤波算法中的滤波器系数。
所述更新核相关滤波算法中的滤波器系数的计算公式如下：
其中表示所述当前帧中所述多个候选样本中每个候选样本对应的响应值，表示所述当前帧对应的核相关矩阵的第一行，表示滤波器系数。
所述计算模块103基于所述当前帧中目标的尺度对应的样本，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板。
在可选实施例中，所述基于所述当前帧中目标的尺度，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板的计算公式包括：
其中表示所述上一帧中的样本模板，Tnew表示基于所述当前帧中目标的尺度对应的样本(即使响应值最大的样本)，表示所述当前帧中的样本模板，β表示加权系数。
在可选实施例中，所述计算模块103基于第一帧中的多个样本，利用核相关滤波算法计算所述第一帧中目标的尺度；基于所述第一帧中目标的尺度，确定所述第一帧中的样本模板及更新核相关滤波算法中的滤波器系数。以便于后续帧用于追踪目标。
所述跟踪模块104基于所述当前帧中的样本模板及更新后的滤波器系数，对所述当前帧的下一帧进行目标跟踪。
在可选实施例中，返回执行获取模块100获取下一帧，将所述下一帧作为当前帧，执行所述确定模块101、所述调整模块102、所述计算模块103及所述跟踪模块104，进行跟踪，直至结束所述目标的跟踪。即利用本发明，将第一帧中目标的尺度作为参考，对第二帧中目标进行跟踪时，将第二帧中目标的尺度作为参，对第三帧中目标进行跟踪，依次类推，直至结束目标跟踪。
本发明获取当前帧，所述当前帧的帧数大于1；获取当前帧的上一帧中的样本模板；获取当前帧对应的多个尺度参数；利用所述当前帧对应的多个尺度参数，在所述当前帧中检测目标，并确定当前帧中多个样本；基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度，及更新核相关滤波算法中的滤波器系数；基于所述当前帧中目标的尺度对应的样本，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板；基于所述当前帧中的样本模板及更新后的滤波器系数，对所述当前帧的下一帧进行目标跟踪。本发明设置尺度调节参数，在跟踪的过程中，对多个尺度的目标样本进行计算，得到最优的目标大小，通过不断的调整目标大小，防止目标在跟踪过程中发生漂移的现象，提高目标跟踪精度。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明每个实施例所述方法的部分步骤。
如图3所示，所述电子设备3包括至少一个发送装置31、至少一个存储器32、至少一个处理器33、至少一个接收装置34以及至少一个通信总线。其中，所述通信总线用于实现这些组件之间的连接通信。
所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。所述电子设备3还可包括网络设备和/或用户设备。其中，所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
所述电子设备3可以是，但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的电子产品，例如，平板电脑、智能手机、个人数字助理(PersonalDigital Assistant，PDA)、智能式穿戴式设备、摄像设备、监控设备等终端。
所述电子设备3所处的网络包括，但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
其中，所述接收装置34和所述发送装置31可以是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他设备进行数据通信。
所述存储器32用于存储程序代码。所述存储器32可以是集成电路中没有实物形式的具有存储功能的电路，如RAM(Random-Access Memory，随机存取存储器)、FIFO(First InFirst Out，)等。或者，所述存储器32也可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)、智能媒体卡(smart media card)、安全数字卡(secure digitalcard)、快闪存储器卡(flash card)等储存设备等等。
所述处理器33可以包括一个或者多个微处理器、数字处理器。所述处理器33可调用存储器32中存储的程序代码以执行相关的功能。例如，图2中所述的各个单元是存储在所述存储器32中的程序代码，并由所述处理器33所执行，以实现一种目标跟踪方法。所述处理器33又称中央处理器(CPU，Central Processing Unit)，是一块超大规模的集成电路，是运算核心(Core)和控制核心(Control Unit)。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令当被包括一个或多个处理器的电子设备执行时，使电子设备执行如上文方法实施例所述的目标跟踪方法。
以上说明的本发明的特征性的手段可以通过集成电路来实现，并控制实现上述任意实施例中所述目标跟踪方法的功能。即，本发明的集成电路安装于所述电子设备中，使所述电子设备发挥如下功能：获取当前帧，所述当前帧的帧数大于1；获取当前帧的上一帧中的样本模板；获取当前帧对应的多个尺度参数；利用所述当前帧对应的多个尺度参数，在所述当前帧中检测目标，并确定当前帧中多个样本；基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度，及更新核相关滤波算法中的滤波器系数；基于所述当前帧中目标的尺度对应的样本，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板；基于所述当前帧中的样本模板及更新后的滤波器系数，对所述当前帧的下一帧进行目标跟踪。
在任意实施例中所述目标跟踪方法所能实现的功能都能通过本发明的集成电路安装于所述电子设备中，使所述电子设备发挥任意实施例中所述目标跟踪方法所能实现的功能，在此不再详述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明每个实施例中的各功能模块可以集成在一个处理单元中，也可以是每个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
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，所述当前帧的帧数大于1；
获取当前帧的上一帧中的样本模板；
获取当前帧对应的多个尺度参数；
利用所述当前帧对应的多个尺度参数，在所述当前帧中检测目标，并确定当前帧中多个样本；
基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度，及更新核相关滤波算法中的滤波器系数；
基于所述当前帧中目标的尺度对应的样本，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板；
基于所述当前帧中的样本模板及更新后的滤波器系数，对所述当前帧的下一帧进行目标跟踪。
2.如权利要求1所述的目标跟踪方法，其特征在于，所述方法还包括：
获取第一帧，及获取所述当前帧对应的多个尺度参数；
利用所述当前帧对应的多个尺度参数，在所述第一帧中检测目标，并确定多个样本；
基于第一帧中的多个样本，利用核相关滤波算法计算所述第一帧中目标的尺度；
基于所述第一帧中目标的尺度，确定所述第一帧中的样本模板。
3.如权利要求1所述的目标跟踪方法，其特征在于，所述当前帧对应的多个尺度参数包括多个尺度系数、所述上一帧中样本模板的尺度。
4.如权利要求1或3所述的目标跟踪方法，其特征在于，在基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度之前，所述方法还包括：
采用双线性插值方法，将所述当前帧中多个样本中的每个样本的尺度调整成相同尺度。
5.如权利要求1或3所述的目标跟踪方法，其特征在于，所述基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度包括：
利用核相关滤波算法，确定所述当前帧中多个样本中的每个样本对应的多个候选样本；
利用核相关滤波算法，计算所述当前帧中所述多个候选样本中每个候选样本对应的响应值；
从所述当前帧中所述多个候选样本中每个候选样本对应的响应值中，选取最大响应值对应的样本尺度作为所述当前帧中目标的尺度。
6.如权利要求1所述的目标跟踪方法，其特征在于，所述更新核相关滤波算法中的滤波器系数包括：
利用核相关滤波算法，计算所述当前帧中多个样本中的每个样本对应的多个候选样本；
利用核相关滤波算法，计算所述当前帧中所述多个候选样本中每个候选样本对应的响应值；
基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧对应的核相关矩阵；
基于所述当前帧对应的核相关矩阵及所述当前帧中所述多个候选样本中每个候选样本对应的响应值，更新核相关滤波算法中的滤波器系数。
7.如权利要求1所述的目标跟踪方法，其特征在于，所述基于所述当前帧中目标的尺度，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板的计算公式包括：
<mrow>
<mover>
<msub>
<mi>T</mi>
<mi>u</mi>
</msub>
<mo>-</mo>
</mover>
<mo>=</mo>
<msub>
<mi>&beta;T</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>T</mi>
<mo>-</mo>
</mover>
<mo>,</mo>
</mrow>
其中表示所述上一帧中的样本模板，Tnew表示基于所述当前帧中目标的尺度对应的样本，表示所述当前帧中的样本模板，β表示加权系数。
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，所述当前帧的帧数大于1；
所述获取模块还用于获取当前帧的上一帧中的样本模板；
所述获取模块还用于获取当前帧对应的多个尺度参数；
确定模块，用于利用所述当前帧对应的多个尺度参数，在所述当前帧中检测目标，并确定当前帧中多个样本；
计算模块，用于基于所述当前帧中多个样本，利用核相关滤波算法计算所述当前帧中目标的尺度，及更新核相关滤波算法中的滤波器系数；
计算模块，还用于基于所述当前帧中目标的尺度对应的样本，对所述上一帧中的样本模板更新，得到所述当前帧中的样本模板；
跟踪模块，用于基于所述当前帧中的样本模板及更新后的滤波器系数，对所述当前帧的下一帧进行目标跟踪。
9.一种电子设备，其特征在于，所述电子设备包括存储器及处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现如权利要求1至7中任一项所述目标跟踪方法。
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至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至7中任一项所述目标跟踪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711352522.8A CN108093153B (zh) | 2017-12-15 | 2017-12-15 | 目标跟踪方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711352522.8A CN108093153B (zh) | 2017-12-15 | 2017-12-15 | 目标跟踪方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108093153A true CN108093153A (zh) | 2018-05-29 |
| CN108093153B CN108093153B (zh) | 2020-04-14 |
Family
ID=62176081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711352522.8A Active CN108093153B (zh) | 2017-12-15 | 2017-12-15 | 目标跟踪方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108093153B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111400069A (zh) * | 2020-03-23 | 2020-07-10 | 北京经纬恒润科技有限公司 | 一种kcf跟踪算法的实现方法、装置及系统 |
| CN113489897A (zh) * | 2021-06-28 | 2021-10-08 | 杭州逗酷软件科技有限公司 | 图像处理方法及相关装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010113513A (ja) * | 2008-11-06 | 2010-05-20 | Sony Corp | 画像処理装置、画像処理方法、プログラム |
| CN105117720A (zh) * | 2015-09-29 | 2015-12-02 | 江南大学 | 基于时空模型的目标尺度自适应跟踪方法 |
| CN106952293A (zh) * | 2016-12-26 | 2017-07-14 | 北京影谱科技股份有限公司 | 一种基于非参数在线聚类的目标跟踪方法 |
| CN107016689A (zh) * | 2017-02-04 | 2017-08-04 | 中国人民解放军理工大学 | 一种尺度自适应的相关滤波对冲目标跟踪方法 |
| CN107274435A (zh) * | 2017-05-05 | 2017-10-20 | 西安交通大学 | 一种目标跟踪中考虑场景分类的相关滤波器更新装置 |
| CN107369166A (zh) * | 2017-07-13 | 2017-11-21 | 深圳大学 | 一种基于多分辨率神经网络的目标跟踪方法及系统 |
-
2017
- 2017-12-15 CN CN201711352522.8A patent/CN108093153B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010113513A (ja) * | 2008-11-06 | 2010-05-20 | Sony Corp | 画像処理装置、画像処理方法、プログラム |
| CN105117720A (zh) * | 2015-09-29 | 2015-12-02 | 江南大学 | 基于时空模型的目标尺度自适应跟踪方法 |
| CN106952293A (zh) * | 2016-12-26 | 2017-07-14 | 北京影谱科技股份有限公司 | 一种基于非参数在线聚类的目标跟踪方法 |
| CN107016689A (zh) * | 2017-02-04 | 2017-08-04 | 中国人民解放军理工大学 | 一种尺度自适应的相关滤波对冲目标跟踪方法 |
| CN107274435A (zh) * | 2017-05-05 | 2017-10-20 | 西安交通大学 | 一种目标跟踪中考虑场景分类的相关滤波器更新装置 |
| CN107369166A (zh) * | 2017-07-13 | 2017-11-21 | 深圳大学 | 一种基于多分辨率神经网络的目标跟踪方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| KAIHUA ZHANG等: "Fast Visual Tracking via Dense Spatio-Temporal Context Learning", 《PROCEEDINGS OF 2014 EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111400069A (zh) * | 2020-03-23 | 2020-07-10 | 北京经纬恒润科技有限公司 | 一种kcf跟踪算法的实现方法、装置及系统 |
| CN111400069B (zh) * | 2020-03-23 | 2024-01-26 | 北京经纬恒润科技股份有限公司 | 一种kcf跟踪算法的实现方法、装置及系统 |
| CN113489897A (zh) * | 2021-06-28 | 2021-10-08 | 杭州逗酷软件科技有限公司 | 图像处理方法及相关装置 |
| CN113489897B (zh) * | 2021-06-28 | 2023-05-26 | 杭州逗酷软件科技有限公司 | 图像处理方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108093153B (zh) | 2020-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108053424A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN107369166B (zh) | 一种基于多分辨率神经网络的目标跟踪方法及系统 | |
| Bibi et al. | Multi-template scale-adaptive kernelized correlation filters | |
| CN108846851B (zh) | 运动目标跟踪方法及终端设备 | |
| Zhang et al. | Siamese visual tracking based on criss-cross attention and improved head network | |
| Zhang et al. | A background-aware correlation filter with adaptive saliency-aware regularization for visual tracking | |
| Qian et al. | FESSD: SSD target detection based on feature fusion and feature enhancement | |
| CN109410246A (zh) | 基于相关滤波的视觉跟踪的方法及装置 | |
| CN112966553A (zh) | 基于孪生网络的强耦合目标跟踪方法、装置、介质及设备 | |
| CN108093153A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN109948624A (zh) | 特征提取的方法、装置、电子设备和计算机存储介质 | |
| CN113139416A (zh) | 目标关联方法、计算机设备和存储介质 | |
| Hlávka et al. | Change-point methods for multivariate time-series: paired vectorial observations | |
| CN115690545B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
| CN112991394B (zh) | 基于三次样条插值和马尔科夫链的kcf目标跟踪方法 | |
| CN114674328B (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 | |
| Chen et al. | Fast compressive tracking combined with Kalman filter | |
| Yang et al. | An improved yolov3 algorithm for pedestrian detection on uav imagery | |
| Gao et al. | Region proposal patch-image model for infrared small target detection | |
| CN104182990A (zh) | 一种实时序列图像运动目标区域获取方法 | |
| Zhou et al. | Sensor Spoofing Detection On Autonomous Vehicle Using Channel-spatial-temporal Attention Based Autoencoder Network | |
| Hu et al. | Multi-scale anti-occlusion correlation filters object tracking method based on complementary features | |
| Meng et al. | An ellipse feature tracking method based on the kalman filter | |
| Qin et al. | Target tracking method based on interference detection | |
| Qin et al. | Object tracking using distribution fields with correlation coefficients |
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 |