CN109522814A - 一种基于视频数据的目标追踪方法及装置 - Google Patents

一种基于视频数据的目标追踪方法及装置 Download PDF

Info

Publication number
CN109522814A
CN109522814A CN201811251020.0A CN201811251020A CN109522814A CN 109522814 A CN109522814 A CN 109522814A CN 201811251020 A CN201811251020 A CN 201811251020A CN 109522814 A CN109522814 A CN 109522814A
Authority
CN
China
Prior art keywords
camera
selected camera
video data
shooting time
specified target
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
Application number
CN201811251020.0A
Other languages
English (en)
Other versions
CN109522814B (zh
Inventor
王继良
刘云浩
程林松
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201811251020.0A priority Critical patent/CN109522814B/zh
Publication of CN109522814A publication Critical patent/CN109522814A/zh
Application granted granted Critical
Publication of CN109522814B publication Critical patent/CN109522814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于视频数据的目标追踪方法及装置。其中，所述方法包括：获取第一预设时间段内多个选定摄像头的视频数据；根据预设时间间隔对每个选定摄像头的视频数据进行分割，获得每个选定摄像头的多个第一分割视频数据；基于从每个选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据进行指定目标识别，获得拍摄到指定目标的第一摄像头和第一拍摄时间，结合选定摄像头拓扑关系模型，预测拍摄到指定目标的第二摄像头和第二拍摄时间；再对拍摄到指定目标的所述第二摄像头进行验证，输出对指定目标的追踪结果。所述装置用于执行上述方法。本发明提供的基于视频数据的目标追踪方法及装置，提高了对指定目标的追踪效率。

Description

一种基于视频数据的目标追踪方法及装置
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于视频数据的目标追踪方法及装置。
背景技术
随着视频网络和物联网的不断普及，视频监控网络得到了迅速地发展，广泛部署在大型建筑、道路、机场、和公共场所等地方。
由于计算资源的限制，视频监控系统仅仅提供数据收集、存储和一些基础的数据分析，例如事件监测，视频监控系统并没有得到充分的利用。考虑到网络带宽和安全隐私的问题，视频监控系统收集到的海量视频数据上传到云端数据中心进行处理，成本高且实时性差。现有技术中，对视频数据中的目标追踪，可以分解为在每帧图片进行上述目标的识别，现有的基于机器学习的目标识别算法，对所有图像帧的处理需要消耗大量的时间，对目标的识别速度比较缓慢。
因此，如何提出一种目标追踪方法，能够对目标进行快速识别，以提高对目标的追踪效率成为业界亟待解决的重要课题。
发明内容
针对现有技术中的缺陷，本发明提供一种基于视频数据的目标追踪方法及装置。
一方面，本发明提出一种基于视频数据的目标追踪方法，包括：
获取第一预设时间段内多个选定摄像头的视频数据；
根据预设时间间隔对所述第一预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第一分割视频数据；
从每个所述选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据；
基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到所述指定目标的第一摄像头和第一拍摄时间；
基于每个所述第一摄像头和所述第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测拍摄到所述指定目标的第二摄像头和第二拍摄时间；
基于每个所述第二摄像头的视频数据以及所述第二拍摄时间，对拍摄到所述指定目标的所述第二摄像头进行验证；
根据各个所述第一摄像头和各自对应的所述第一拍摄时间、以及通过验证的各个所述第二摄像头和各自对应的第二拍摄时间，输出对所述指定目标的追踪结果。
另一方面，本发明提供一种基于视频数据的目标追踪装置，包括：
获取单元，用于获取第一预设时间段内多个选定摄像头的视频数据；
分割单元，用于根据预设时间间隔对所述第一预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第一分割视频数据；
选取单元，用于从每个所述选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据；
识别单元，用于基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到所述指定目标的第一摄像头和第一拍摄时间；
预测单元，用于基于每个所述第一摄像头和所述第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测拍摄到所述指定目标的第二摄像头和第二拍摄时间；
验证单元，用于基于每个所述第二摄像头的视频数据以及所述第二拍摄时间，对拍摄到所述指定目标的所述第二摄像头进行验证；
输出单元，用于根据各个所述第一摄像头和各自对应的所述第一拍摄时间、以及通过验证的各个所述第二摄像头和各自对应的第二拍摄时间，输出对所述指定目标的追踪结果。
再一方面，本发明提供一种电子设备，包括：处理器、存储器和通信总线，其中：
所述处理器和所述存储器通过所述通信总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述各实施例提供的基于视频数据的目标追踪方法。
又一方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上述各实施例提供的基于视频数据的目标追踪方法。
本发明提供的基于视频数据的目标追踪方法及装置，由于能够获取第一预设时间段内多个选定摄像头的视频数据，并根据预设时间间隔对第一预设时间段内的每个选定摄像头的视频数据进行分割，获得每个选定摄像头的多个第一分割视频数据，然后从每个选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据，接着基于各个摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到指定目标的第一摄像头、第一拍摄时间，再基于第一摄像头和第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测指定目标的拍摄到指定目标的第二摄像头和第二拍摄时间，基于每个第二摄像头的视频数据，对第二摄像头和第二拍摄时间进行验证，最后根据各个第一摄像头和各自对应的第一拍摄时间、以及通过验证的各个第二摄像头和各自对应的第二拍摄时间，输出对指定目标的追踪结果，能够快速对指定目标进行识别，提高了对指定目标的追踪效率。
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一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例基于视频数据的目标追踪方法的流程示意图；
图2为本发明另一实施例基于视频数据的目标追踪方法的流程示意图；
图3为本发明又一实施例基于视频数据的目标追踪方法的流程示意图；
图4为本发明再一实施例基于视频数据的目标追踪方法的流程示意图；
图5为本发明还一实施例基于视频数据的目标追踪方法的流程示意图；
图6为本发明一实施例基于视频数据的目标追踪装置的结构示意图；
图7为本发明一实施例电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例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。
边缘计算是一种新型的大数据处理计算模式，旨在数据源头进行数据分析和智能处理。本发明实施例基于边缘计算，利用视频监控系统有限的计算资源，提出一种基于视频数据的目标追踪方法，实现在视频监控系统中对指定目标进行追踪，提高了对指定目标的追踪效率。
图1为本发明一实施例基于视频数据的目标追踪方法的流程示意图，如图1所示，本发明提供的基于视频数据的目标追踪方法，包括：
S101、获取第一预设时间段内多个选定摄像头的视频数据；
具体地，在需要对指定目标进行追踪时，基于视频数据的目标追踪装置(以下简称目标追踪装置)从多个选定摄像头分别获取每个所述选定摄像头在第一预设时间段内的视频数据。其中，所述第一预设时间段根据实际需要进行设置，本发明实施例不做限定；所述选定摄像头是指在已有的摄像头中选择用于对所述指定目标进行追踪的摄像头，所述选定摄像头根据实际需要进行选择，本发明实施例不做限定。
S102、根据预设时间间隔对所述第一预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第一分割视频数据；
具体地，所述目标追踪装置在获取到所述第一预设时间段内的各个所述选定摄像头的视频数据之后，根据预设时间间隔对所述第一预设时间段内的每个所述选定摄像头的视频数据进行分割，可以获得到每个所述选定摄像头的多个第一分割视频数据，所述第一分割视频数据包括多个图像帧。其中，所述预设时间间隔根据实际经验进行设置，本发明实施例不做限定。可理解的是，所述预设时间间隔小于所述第一预设时间段。
例如，所述选定摄像头的数量为M个，所述第一预设时间段为T小时，图像帧率为Ffps，所述预设时间间隔为1s，那么每个所述选定摄像头的视频数据包括的图像帧数为N＝F*T*3600，所述目标追踪装置根据所述预设时间间隔可以将每个所述选定摄像头的视频数据分割成T*3600个所述第一分割视频数据，每个所述第一分割视频数据包括F个图像帧。其中，M、T和F都是正整数。
S103、从每个所述选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据；
具体地，为了减少需要处理的视频数据，所述目标追踪装置在获得各个所述选定摄像头的第一分割视频数据之后，从每个所述选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据。其中，所述预设数量根据实际经验进行设定，本发明实施例不做限定。
例如，所述目标追踪装置获取到每个所述选定摄像头的1000个所述第一分割视频数据，为了减少需要处理的所述第一分割视频数据，可以随机选取其中的15％进行处理，即所述预设数量为1000*15％＝150。
S104、基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到所述指定目标的第一摄像头和第一拍摄时间；
具体地，所述目标追踪装置在获得各个所述选定摄像头随机选取的预设数量的第一分割视频数据之后，对每个所述选定摄像头的第一分割视频数据包括的各个图像帧进行指定目标识别，将识别出所述指定目标的第一个图像帧对应的所述选定摄像头作为第一摄像头，将所述第一个图像帧对应的时间作为所述第一拍摄时间。其中，所述指定目标包括但不限于违法车辆、失踪儿童。
例如，所述指定目标为违法车辆，所述目标追踪装置可以利用基于支持向量机(Support Vector Machine，简称SVM)和人工神经网络(Artificial Neural Network，简称ANN)的开源中文车牌识别系统EasyPR，基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据对所述违法车辆的车牌进行识别，从而可以获得拍摄到所述违法车辆的第一摄像头和第一拍摄时间。
S105、基于每个所述第一摄像头和所述第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测拍摄到所述指定目标的第二摄像头和第二拍摄时间；
具体地，所述目标追踪装置在获得所述第一摄像头和所述第一拍摄时间之后，将所述第一摄像头和所述第一拍摄时间输入到预设的选定摄像头拓扑关系模型中，即可预测出拍摄到所述指定目标的第二摄像头和第二拍摄时间。可理解的是，所述第二摄像头是所述选定摄像头中的一个。
S106、基于每个所述第二摄像头的视频数据以及所述第二拍摄时间，对拍摄到所述指定目标的所述第二摄像头进行验证；
具体地，所述目标追踪装置在获得所述第二摄像头和所述第二拍摄时间之后，获取所述第二摄像头的视频数据，根据所述第二拍摄时间在所述第二摄像头的视频数据中获得与所述第二拍摄时间对应的一段视频数据，所述一段视频数据例如可以是以所述第二拍摄时间为中心的时间段对应的视频数据，然后对所述一段视频数据中包括的各个图像帧进行所述指定目标识别。如果在上述各个所述图像帧中识别出所述指定目标，即至少一个所述图像帧中出现所述指定目标，那么所述第二摄像头通过验证，说明对拍摄到所述指定目标的所述第二摄像头和所述第二拍摄时间预测正确。可理解的是，如果在上述各个所述图像帧中没有识别到所述指定目标，那么所述第二摄像头不能通过验证。其中，所述时间段根据实际经验进行设置，本发明实施例不做限定。
S107、根据各个所述第一摄像头和各自对应的所述第一拍摄时间、以及通过验证的各个所述第二摄像头和各自对应的第二拍摄时间，输出对所述指定目标的追踪结果。
具体地，所述目标追踪装置获得通过验证的各个所述第二摄像头和各自对应的第二拍摄时间之后，将通过验证的各个所述第二摄像头和各自对应的第二拍摄时间，各个所述第一摄像头和各自对应的所述第一拍摄时间输出，作为对所述指定目标的追踪结果。
例如，所述目标追踪装置获得通过验证的第二摄像头A、第二摄像头B、第二摄像头C以及与第二摄像头A对应的第二摄时间9:10，与第二摄像头B对应的第二拍摄时间9:30，与第二摄像头C对应的第二拍摄时间9:15；所述目标追踪装置已经获得了第一摄像头E，对应的第一拍摄时间为9:00，第一摄像头F，对应的第一拍摄时间为9:12，第一摄像头G，对应的第一拍摄时间为9:25。所述目标追踪装置可以按照时间先后顺序输出所述指定目标的追踪结果：(摄像头E，9:00)、(摄像头A，9:10)、(摄像头F，9:12)、(摄像头C，9:15)、(摄像头G，9:25)、(摄像头B，9:30)。
本发明提供的基于视频数据的目标追踪方法，由于能够获取第一预设时间段内多个选定摄像头的视频数据，并根据预设时间间隔对第一预设时间段内的每个选定摄像头的视频数据进行分割，获得每个选定摄像头的多个第一分割视频数据，然后从每个选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据，接着基于各个摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到指定目标的第一摄像头、第一拍摄时间，再基于第一摄像头和第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测指定目标的拍摄到指定目标的第二摄像头和第二拍摄时间，基于每个第二摄像头的视频数据，对第二摄像头和第二拍摄时间进行验证，最后根据各个第一摄像头和各自对应的第一拍摄时间、以及通过验证的各个第二摄像头和各自对应的第二拍摄时间，输出对指定目标的追踪结果，能够快速对指定目标进行识别，提高了对指定目标的追踪效率。
图2为本发明另一实施例基于视频数据的目标追踪方法的流程示意图，如图2所示，在上述各实施例的基础上，进一步地，所述选定摄像头拓扑关系模型根据如下步骤获得：
S201、获取第二预设时间段内所述多个选定摄像头的视频数据；
具体地，所述目标追踪装置获取所述多个选定摄像头在第二预设时间内的视频数据，用于获取选定摄像头拓扑关系模型。其中，所述第二预设时间根据实际经验进行设置，本发明实施例不做限定。
S202、根据所述预设时间间隔对所述第二预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第二分割视频数据；
具体地，所述目标追踪装置在获取到所述第二预设时间段内的各个所述选定摄像头的视频数据之后，根据所述预设时间间隔对所述第二预设时间段内的每个所述选定摄像头的视频数据进行分割，可以获得到每个所述选定摄像头的多个第二分割视频数据。
S203、基于各个所述选定摄像头的多个第二分割视频数据对第二预设数量的跟踪对象进行识别，获得拍摄到每个所述跟踪对象的第三摄像头和第三拍摄时间；其中，所述跟踪对象是预设的；
具体地，所述目标追踪装置在获得各个所述选定摄像头的多个第二分割视频数据之后，对每个所述选定摄像头的第二分割视频数据包括的各个图像帧进行每个跟踪对象的识别，将识别出所述跟踪对象的第一个图像帧对应的所述选定摄像头作为所述跟踪对象的第三摄像头，并将识别出所述跟踪对象所述第一个图像帧对应的时间作为对应的所述跟踪对象的第三拍摄时间。其中，所述跟踪对象包括但不限于车辆、人；设置预设数量的所述跟踪对象，所述预设数量根据实际经验进行设置，本发明实施例不做限定。
S204、根据拍摄到的每个所述跟踪对象的第三摄像头和所述第三拍摄时间，获得每个所述跟踪对象在各个所述选定摄像头之间移动次数和移动时长；
具体地，由于所述跟踪对象在两个所述选定摄像头之间移动需要花费一定的时间，对于不同所述跟踪对象上述时间不同，可以设置所述跟踪对象在任意两个所述选定摄像头之间移动的时间阈值，从选定摄像头i移动到选定摄像头j的第一时间阈值，以及从选定摄像头j移动到摄像头i的第二时间阈值，摄像头i和摄像头j为所述多个选定摄像头中的任意两个所述选定摄像头。所述目标追踪装置选择任意两个所述第三摄像头：第三摄像头p和第三摄像头q，第三摄像头p对应的第三拍摄时间为tp,第三摄像头q对应的第三拍摄时间为tq，获取所述跟踪对象在第三摄像头p和第三摄像头q之间的运动时间t0，然后将t0与第三摄像头p和第三摄像头q之间移动的时间阈值进行比较，假定第三摄像头p为选定摄像头i，第三摄像头q为选定摄像头j；如果tp早于tq，所述跟踪对象可能从第三摄像头p移动到了第三摄像头q，将t0与所述第一时间阈值进行比较，如果t0小于等于所述第一时间阈值，那么确认所述跟踪对象从第三摄像头p向第三摄像头q移动了一次，从第三摄像头p向第三摄像头q的移动时长为t0，否则认为所述跟踪对象此次从第三摄像头p向第三摄像头q的移动为异常转移，不会统计到拓扑模型关系中；如果tp晚于tq，所述跟踪对象可能从第三摄像头q移动到了第三摄像头p，将t0与所述第二时间阈值进行比较，如果t0小于等于所述第二时间阈值，认为所述跟踪对象从第三摄像头q向第三摄像头p移动了一次，第三摄像头q向第三摄像头p的移动时长为t0，否则认为所述跟踪对象此次从第三摄像头q向第三摄像头p的移动为异常转移，不会统计到拓扑模型关系中。如果所述目标追踪装置判断获知所述跟踪对象从第三摄像头p向第三摄像头q移动了多次，所述跟踪对象从第三摄像头p向第三摄像头q的移动时长为所述跟踪对象从第三摄像头p向第三摄像头q的多个所述运动时间之和的平均值。如果某一所述选定摄像头不是所述第三摄像头，那么所述跟踪对象在所述某一所述选定摄像头与其他任何一个所述选定摄像头之间的移动次数为0，移动时长为0。其中，所述第一时间阈值和所述第二时间阈值根据实际经验进行设置，本发明实施例不做限定。
S205、根据各个所述跟踪对象在各个所述选定摄像头之间的移动次数和移动时长，获得各个所述摄像头之间的转移频次和平均转移时长；
具体地，所述目标追踪装置在获得各个所述跟踪对象在各个所述选定摄像头之间的移动次数和移动时长之后，将各个所述跟踪对象从选定摄像头i到选定摄像头j的移动次数之和作为选定摄像头i到选定摄像头j的转移频次，将各个所述跟踪对象从选定摄像头i到选定摄像头j的移动时长的平均值作为选定摄像头i到选定摄像头j的平均转移时长。其中，摄像头i和摄像头j为所述多个选定摄像头中的任意两个所述选定摄像头。
例如，所述目标追踪装置获得跟踪对象A从选定摄像头i到选定摄像头j的移动次数为aij，所述目标追踪装置获得跟踪对象B从选定摄像头i到选定摄像头j的移动次数为bij，所述目标追踪装置获得跟踪对象C从选定摄像头i到选定摄像头j的移动次数为cij，那么从选定摄像头i到选定摄像头j的转移频次为aij+bij+cij；所述目标追踪装置获得跟踪对象A从选定摄像头i到选定摄像头j的移动时长为ta，所述目标追踪装置获得跟踪对象B从选定摄像头i到选定摄像头j的移动时长为tb，所述目标追踪装置获得跟踪对象C从选定摄像头i到选定摄像头j的移动时长为tc，那么从选定摄像头i到选定摄像头j的平均转移时长为(ta+tb+tc)/3。
S206、根据各个所述选定摄像头之间的转移频次，获得各个所述摄像头之间的转移概率；
具体地，所述目标追踪装置在获得各个所述选定摄像头之间的转移频次之后，根据公式计算获得从选定摄像头i到选定摄像头j的转移概率，其中，Pij表示从选定摄像头i到选定摄像头j的转移概率，fij表示从选定摄像头i到选定摄像头j的转移频次，fkj表示从选定摄像头k到选定摄像头j的转移频次，i和j为正整数且i不等于j，m为所述选定摄像头的总数，k为正整数且k小于等于m。
S207、根据各个所述选定摄像头之间的转移概率和平均转移时长，建立所述选定摄像头拓扑关系模型。
具体地，所述目标追踪装置在获得各个所述选定摄像头之间的转移概率和平均转移时长之后，根据各个所述选定摄像头之间的转移概率和平均转移时长可以获得所述选定摄像头拓扑关系模型。所述选定摄像头拓扑关系模型包括了各个述选定摄像头之间的转移概率和平均转移时长。
在上述各实施例的基础上，进一步地，所述基于所述第一摄像头和所述第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测拍摄到所述指定目标的第二摄像头和第二拍摄时间包括：
获取所述第一摄像头与其它任何一个所述选定摄像头之间的转移概率，并将所述转移概率的最大值对应的所述选定摄像头确定为所述第二摄像头；
根据所述第一摄像头与所述转移概率最大值对应的所述选定摄像之间的平均转移时长和所述第一拍摄时间，获得所述第二拍摄时间。
具体地，所述目标追踪装置通过所述选定摄像头拓扑关系模型可以获取到所述第一摄像头与其它任何一个所述选定摄像头之间的转移概率，将各个所述转移概率进行比较，可以获得所述转移概率的最大值，将所述转移概率的最大值对应的所述选定摄像头作为所述第二摄像头。所述目标追踪装置可以获取到所述第一摄像头与所述转移概率最大值对应的所述选定摄像之间的平均转移时长，将所述第一拍摄时间与上述平均转移时长相加，即可获得所述第二拍摄时间。
图3为本发明又一实施例基于视频数据的目标追踪方法的流程示意图，如图3所示，所述基于每个所述第二摄像头的视频数据以及所述第二拍摄时间，对拍摄到所述指定目标的所述第二摄像头进行验证包括：
S301、根据所述第二摄像头的视频数据、所述第二拍摄时间和所述第一摄像头与所述第二摄像头之间的平均转移时长，获取对所述第二摄像头验证的第三视频数据，并对所述第三视频数据进行所述指定目标识别；
具体地，所述目标追踪装置在获得所述第二摄像头和所述第二拍摄时间之后，获取所述第二摄像头的视频数据，并根据所述第二拍摄时间和所述第一摄像头与所述第二摄像头之间的平均转移时长在所述第二摄像头的视频数据中截取一段所述第二摄像头的视频数据，作为对所述第二摄像头验证的第三视频数据。然后对第三视频数据中包括的图像帧进行所述指定目标识别。
例如，所述第二拍摄时间为t2，所述第一摄像头与所述第二摄像头之间的平均转移时长为e，那么从所述第二摄像头的视频数据中截取的第三视频可以是(t2-e/2，t2+e/2)时间段的视频数据。
S302、若在所述第三视频数据中识别出所述指定目标，则所述第二摄像头通过验证。
具体地，所述目标追踪装置如果在所述第三视频数据中识别出所述指定目标，说明所述第二摄像头在所述第二拍摄时间左右拍摄到了所述指定目标，所述第二摄像头通过验证。
在上述各实施例的基础上，进一步地，所述根据各个所述选定摄像头之间的转移频次，获得各个所述摄像头之间的转移概率包括：
根据公式计算获得从选定摄像头i到选定摄像头j的转移概率，其中，Pij表示从选定摄像头i到选定摄像头j的转移概率，fij表示从选定摄像头i到选定摄像头j的转移频次，fkj表示从选定摄像头k到选定摄像头j的转移频次，i和j为正整数且i不等于j，m为所述选定摄像头的总数，k为正整数且k小于等于m。
具体地，所述目标追踪装置获得从选定摄像头i到选定摄像头j的转移频次fij，则可以通过公式计算获得从选定摄像头i到选定摄像头j的转移概率，其中，Pij表示从选定摄像头i到选定摄像头j的转移概率，fij表示从选定摄像头i到选定摄像头j的转移频次，fkj表示从选定摄像头k到选定摄像头j的转移频次，i和j为正整数且i不等于j，m为所述选定摄像头的总数，k为正整数且k小于等于m。
图4为本发明再一实施例基于视频数据的目标追踪方法的流程示意图，如图4所示，在上述各实施例的基础上，进一步地，所述选定摄像头拓扑关系模型根据如下步骤获得：
S401、获取第二预设时间段内所述多个选定摄像头的视频数据；
具体地，所述目标追踪装置获取所述多个选定摄像头在第二预设时间内的视频数据，用于获取选定摄像头拓扑关系模型。其中，所述第二预设时间根据实际经验进行设置，本发明实施例不做限定。
S402、根据所述预设时间间隔对所述第二预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第二分割视频数据；
具体地，所述目标追踪装置在获取到所述第二预设时间段内的各个所述选定摄像头的视频数据之后，根据所述预设时间间隔对所述第二预设时间段内的每个所述选定摄像头的视频数据进行分割，可以获得到每个所述选定摄像头的多个第二分割视频数据。
S403、基于各个所述选定摄像头的多个第二分割视频数据对第二预设数量的跟踪对象进行识别，获得拍摄到每个所述跟踪对象的第三摄像头和第三拍摄时间；其中，所述跟踪对象是预设的；
具体地，所述目标追踪装置在获得各个所述选定摄像头的多个第二分割视频数据之后，对每个所述选定摄像头的第二分割视频数据包括的各个图像帧进行每个跟踪对象的识别，将识别出所述跟踪对象的第一个图像帧对应的所述选定摄像头作为所述跟踪对象的第三摄像头，并将识别出所述跟踪对象所述第一个图像帧对应的时间作为对应的所述跟踪对象的第三拍摄时间。其中，所述跟踪对象包括但不限于车辆、人；设置预设数量的所述跟踪对象，所述预设数量根据实际经验进行设置，本发明实施例不做限定。
S404、根据拍摄到的每个所述跟踪对象的第三摄像头和所述第三拍摄时间，获得每个所述跟踪对象在各个所述选定摄像头之间的移动次数和移动时长；
具体地，所述目标追踪装置根据拍摄到的每个所述跟踪对象的第三摄像头和所述第三拍摄时间，获得每个所述跟踪对象在各个所述选定摄像头之间的移动次数和移动时长的具体过程与步骤S204类似，此处不再赘述。
S405、根据各个所述跟踪对象在各个所述选定摄像头之间的移动次数和移动时长，获得各个所述选定摄像头之间的转移频次和平均转移时长；
具体地，所述目标追踪装置根据各个所述跟踪对象在各个所述选定摄像头之间的移动次数和移动时长，获得各个所述选定摄像头之间的转移频次和平均转移时长的具体过程与步骤S205类似，此处不再赘述。
S406、根据各个所述选定摄像头之间的转移频次，获得各个所述选定摄像头之间的转移概率；
具体地，所述目标追踪装置根据各个所述选定摄像头之间的转移频次，获得各个所述选定摄像头之间的转移概率的具体过程与步骤S206类似，此处不再赘述。
S407、根据各个所述选定摄像头的第一转移方向权重和第二转移方向权重以及各自对应的转移概率，获得各个所述选定摄像头之间的调整转移概率；其中，所述第一转移方向权重和所述第二转移方向权重之和为1；
具体地，对于任意两个所述选定摄像头：选定摄像头i和选定摄像头j，所述跟踪对象可以从选定摄像头i移动到选定摄像头j，也可以从选定摄像头j移动到选定摄像头i。可以设置从选定摄像头i移动到选定摄像头j的移动方向为第一转移方向，从选定摄像头j移动到选定摄像头i的移动方向为第二转移方向；或者设置从选定摄像头i移动到选定摄像头j的移动方向为第二转移方向，从选定摄像头j移动到选定摄像头i的移动方向为第一转移方向。所述第一转移方向对应第一转移方向权重，所述第二转移方向对应第二转移方向权重。所述目标追踪装置将选定摄像头i和选定摄像头j的第一转移方向对应的转移概率与第一转移方向权重相乘，获得选定摄像头i和选定摄像头j在第一转移方向上的调整转移概率，所述目标追踪装置将选定摄像头i和选定摄像头j的第二转移方向对应的转移概率与第二转移方向权重相乘，获得选定摄像头i和选定摄像头j在第二转移方向上的调整转移概率。其中，所述第一转移方向权重和所述第二转移方向权重之和为1。
S408、根据各个所述选定摄像头之间的调整转移概率和平均转移时长，建立所述选定摄像头拓扑关系模型。
具体地，所述目标追踪装置根据各个所述选定摄像头之间的调整转移概率和平均转移时长，建立所述选定摄像头拓扑关系模型的具体过程与步骤S207类似，此处不再赘述。
在上述各实施例的基础上，进一步地，所述基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别包括：
根据每个所述选定摄像头的目标识别区域对每个所述选定摄像头的第一分割视频数据进行所述指定目标识别；其中，所述目标识别区域是预设的。
具体地，由于在所述选定摄像头的实际拍摄中，所述指定目标通常只占据拍摄出的图像帧的一小部分，所述目标追踪装置在整个所述图像帧中对所述指定目标进行识别增加了数据处理量，且效率低。可以对每个所述选定摄像头分别设置目标识别区域，所述目标识别区域对于所述选定摄像头来说，是所述指定目标经常出现的区域，例如安装在主干道上的摄像头，在对车辆进行识别时，可以将所述目标识别区域设置为上述摄像头能够拍摄到的主干道区域。所述目标追踪装置根据每个所述选定摄像头的目标识别区域对每个所述选定摄像头的第一分割视频数据进行所述指定目标识别，可以提高对所述指定目标的识别效率。
图5为本发明还一实施例基于视频数据的目标追踪方法的流程示意图，如图5所示，在上述各实施例的基础上，进一步地，所述指定目标为车牌号码；相应地，所述基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别包括：
S501、对所述第一分割视频数据包括的图像帧进行所述车牌号码识别，获得识别号码；
具体地，当需要对车牌号码进行识别时，所述目标追踪装置对所述第一分割视频数据包括的图像帧进行所述车牌号码识别，获得识别号码。
S502、若判断获知所述识别号码与所述车牌号码不匹配，则将所述识别号码的每一位分别与所述车牌号码的每一位进行相似度比较，获得每一位所述车牌号码的多个相似度值；
具体地，所述目标追踪装置将所述识别号码与所述车牌号码进行比较，如果所述识别号码与所述车牌号码不同，那么所述识别号码与所述车牌号码不匹配。所述目标追踪装置将所述识别号码的每一位分别与所述车牌号码的每一位进行相似度比较，获得每一位所述车牌号码的多个相似度值。其中，每一位所述识别号码与所述车牌号码的相似度值可以通过基于OpenCV的感知哈希算法求得，此处不进行赘述。
例如，所述车牌号码有六位，所述识别号码也有六位，那么所述目标追踪装置经过相似度比较之后，每一位所述车牌号码有6个所述相似度值。
S503、根据所述每一位所述车牌号码的多个相似度值中的最大值以及每一位所述车牌号码对应的权重，获得所述识别号码为所述车牌号码的概率；其中，每一位所述车牌号码对应的权重相等且各个所述车牌号码对应的权重之和为1；
具体地，所述目标追踪装置在获得每一位所述车牌号码的多个相似度值之后，经过比较获得每一位所述车牌号码的相似度值中的最大值，将每一位所述车牌号码的相似度值中的最大值与对应的权重相乘，然后再求和，从而可以得到所述识别号码为所述车牌号码的概率。其中，每一位所述车牌号码对应的权重相等且各个所述车牌号码对应的权重之和为1
例如，所述车牌号码为六位，所述目标追踪装置获得第一位车牌号码的相似度值中的最大值为a，第二位车牌号码的相似度值中的最大值为b，第三位车牌号码的相似度值中的最大值为c，第四位车牌号码的相似度值中的最大值为d，第五位车牌号码的相似度值中的最大值为e，第六位车牌号码的相似度值中的最大值为f，每一位所述车牌号码对应的权重为1/6，那么所述识别号码为所述车牌号码的概率
S504、若判断获知所述概率大于设定阈值，则确认所述车牌号码出现在所述第一分割视频数据中。
具体地，所述目标追踪装置在获得所述识别号码为所述车牌号码的概率之后，将上述概率与设定阈值进行比较，如果上述概率大于所述设定阈值，那么确认所述车牌号码出现在所述第一分割视频数据中。
在上述各实施例的基础上，进一步地，所述根据所述每一位所述车牌号码的多个相似度值中的最大值以及每一位所述车牌号码对应的权重，获得所述识别号码为所述车牌号码的概率包括：
根据公式计算获得所述识别号码为所述车牌号码的概率r，其中，si表示所述每一位所述车牌号码的多个相似度值中的最大值，1/n表示每一位所述车牌号码对应的权重，n表示所述车牌号码的位数，i为正整数且i小于等于n。
具体地，所述目标追踪装置在获得所述每一位所述车牌号码的多个相似度值中的最大值si以及每一位所述车牌号码对应的权重1/n之后，根据公式计算获得所述识别号码为所述车牌号码的概率r，其中，si表示所述每一位所述车牌号码的多个相似度值中的最大值，1/n表示每一位所述车牌号码对应的权重，n表示所述车牌号码的位数，i为正整数且i小于等于n。
图6为本发明一实施例基于视频数据的目标追踪装置的结构示意图，如图6所示，本发明实施例提供的基于视频数据的目标追踪装置包括获取单元601、分割单元602、选取单元603、识别单元604、预测单元605、验证单元606和输出单元607，其中：
获取单元601用于获取第一预设时间段内多个选定摄像头的视频数据；分割单元602用于根据预设时间间隔对所述第一预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第一分割视频数据；选取单元603用于从每个所述选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据；识别单元604用于基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到所述指定目标的第一摄像头和第一拍摄时间；预测单元605用于基于每个所述第一摄像头和所述第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测拍摄到所述指定目标的第二摄像头和第二拍摄时间；验证单元606用于基于每个所述第二摄像头的视频数据以及所述第二拍摄时间，对拍摄到所述指定目标的所述第二摄像头进行验证；输出单元607用于根据各个所述第一摄像头和各自对应的所述第一拍摄时间、以及通过验证的各个所述第二摄像头和各自对应的第二拍摄时间，输出对所述指定目标的追踪结果。
具体地，在需要对指定目标进行追踪时，获取单元601从多个选定摄像头分别获取每个所述选定摄像头在第一预设时间段内的视频数据。其中，所述第一预设时间段根据实际需要进行设置，本发明实施例不做限定；所述选定摄像头是指在已有的摄像头中选择用于对所述指定目标进行追踪的摄像头，所述选定摄像头根据实际需要进行选择，本发明实施例不做限定。
分割单元602在获取到所述第一预设时间段内的各个所述选定摄像头的视频数据之后，根据预设时间间隔对所述第一预设时间段内的每个所述选定摄像头的视频数据进行分割，可以获得到每个所述选定摄像头的多个第一分割视频数据，所述第一分割视频数据包括多个图像帧。其中，所述预设时间间隔根据实际经验进行设置，本发明实施例不做限定。可理解的是，所述预设时间间隔小于所述第一预设时间段。
为了减少需要处理的视频数据，选取单元603在获得各个所述选定摄像头的第一分割视频数据之后，从每个所述选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据。其中，所述预设数量根据实际经验进行设定，本发明实施例不做限定。
识别单元604在获得各个所述选定摄像头随机选取的预设数量的第一分割视频数据之后，对每个所述选定摄像头的第一分割视频数据包括的各个图像帧进行指定目标识别，将识别出所述指定目标的第一个图像帧对应的所述选定摄像头作为第一摄像头，将所述第一个图像帧对应的时间作为所述第一拍摄时间。其中，所述指定目标包括但不限于违法车辆、失踪儿童。
预测单元605在获得所述第一摄像头和所述第一拍摄时间之后，将所述第一摄像头和所述第一拍摄时间输入到预设的选定摄像头拓扑关系模型中，即可预测出拍摄到所述指定目标的第二摄像头和第二拍摄时间。可理解的是，所述第二摄像头是所述选定摄像头中的一个。
验证单元606在获得所述第二摄像头和所述第二拍摄时间之后，获取所述第二摄像头的视频数据，根据所述第二拍摄时间在所述第二摄像头的视频数据中获得与所述第二拍摄时间对应的一段视频数据，所述一段视频数据例如可以是以所述第二拍摄时间为中心的时间段对应的视频数据，然后对所述一段视频数据中包括的各个图像帧进行所述指定目标识别。如果在上述各个所述图像帧中识别出所述指定目标，即至少一个所述图像帧中出现所述指定目标，那么所述第二摄像头通过验证，说明对拍摄到所述指定目标的所述第二摄像头和所述第二拍摄时间预测正确。可理解的是，如果在上述各个所述图像帧中没有识别到所述指定目标，那么所述第二摄像头不能通过验证。其中，所述时间段根据实际经验进行设置，本发明实施例不做限定。
输出单元607获得通过验证的各个所述第二摄像头和各自对应的第二拍摄时间之后，将通过验证的各个所述第二摄像头和各自对应的第二拍摄时间，各个所述第一摄像头和各自对应的所述第一拍摄时间输出，作为对所述指定目标的追踪结果。
本发明提供的基于视频数据的目标追踪装置，由于能够获取第一预设时间段内多个选定摄像头的视频数据，并根据预设时间间隔对第一预设时间段内的每个选定摄像头的视频数据进行分割，获得每个选定摄像头的多个第一分割视频数据，然后从每个选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据，接着基于各个摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到指定目标的第一摄像头、第一拍摄时间，再基于第一摄像头和第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测指定目标的拍摄到指定目标的第二摄像头和第二拍摄时间，基于每个第二摄像头的视频数据，对第二摄像头和第二拍摄时间进行验证，最后根据各个第一摄像头和各自对应的第一拍摄时间、以及通过验证的各个第二摄像头和各自对应的第二拍摄时间，输出对指定目标的追踪结果，能够快速对指定目标进行识别，提高了对指定目标的追踪效率。
本发明提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图7为本发明一实施例电子设备的实体结构示意图，如图6所示，所述电子设备包括处理器(processor)701、存储器(memory)702和通信总线703；
其中，处理器701、存储器702通过通信总线703完成相互间的通信；
处理器701用于调用存储器702中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取第一预设时间段内多个选定摄像头的视频数据；根据预设时间间隔对所述第一预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第一分割视频数据；从每个所述选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据；基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到所述指定目标的第一摄像头和第一拍摄时间；基于每个所述第一摄像头和所述第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测拍摄到所述指定目标的第二摄像头和第二拍摄时间；基于每个所述第二摄像头的视频数据以及所述第二拍摄时间，对拍摄到所述指定目标的所述第二摄像头进行验证；根据各个所述第一摄像头和各自对应的所述第一拍摄时间、以及通过验证的各个所述第二摄像头和各自对应的第二拍摄时间，输出对所述指定目标的追踪结果。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取第一预设时间段内多个选定摄像头的视频数据；根据预设时间间隔对所述第一预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第一分割视频数据；从每个所述选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据；基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到所述指定目标的第一摄像头和第一拍摄时间；基于每个所述第一摄像头和所述第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测拍摄到所述指定目标的第二摄像头和第二拍摄时间；基于每个所述第二摄像头的视频数据以及所述第二拍摄时间，对拍摄到所述指定目标的所述第二摄像头进行验证；根据各个所述第一摄像头和各自对应的所述第一拍摄时间、以及通过验证的各个所述第二摄像头和各自对应的第二拍摄时间，输出对所述指定目标的追踪结果。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取第一预设时间段内多个选定摄像头的视频数据；根据预设时间间隔对所述第一预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第一分割视频数据；从每个所述选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据；基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到所述指定目标的第一摄像头和第一拍摄时间；基于每个所述第一摄像头和所述第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测拍摄到所述指定目标的第二摄像头和第二拍摄时间；基于每个所述第二摄像头的视频数据以及所述第二拍摄时间，对拍摄到所述指定目标的所述第二摄像头进行验证；根据各个所述第一摄像头和各自对应的所述第一拍摄时间、以及通过验证的各个所述第二摄像头和各自对应的第二拍摄时间，输出对所述指定目标的追踪结果。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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，装置，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (12)

1.一种基于视频数据的目标追踪方法，其特征在于，包括：
获取第一预设时间段内多个选定摄像头的视频数据；
根据预设时间间隔对所述第一预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第一分割视频数据；
从每个所述选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据；
基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到所述指定目标的第一摄像头和第一拍摄时间；
基于每个所述第一摄像头和所述第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测拍摄到所述指定目标的第二摄像头和第二拍摄时间；
基于每个所述第二摄像头的视频数据以及所述第二拍摄时间，对拍摄到所述指定目标的所述第二摄像头进行验证；
根据各个所述第一摄像头和各自对应的所述第一拍摄时间、以及通过验证的各个所述第二摄像头和各自对应的第二拍摄时间，输出对所述指定目标的追踪结果。
2.根据权利要求1所述的方法，其特征在于，所述选定摄像头拓扑关系模型根据如下步骤获得：
获取第二预设时间段内所述多个选定摄像头的视频数据；
根据所述预设时间间隔对所述第二预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第二分割视频数据；
基于各个所述选定摄像头的多个第二分割视频数据对第二预设数量的跟踪对象进行识别，获得拍摄到每个所述跟踪对象的第三摄像头和第三拍摄时间；其中，所述跟踪对象是预设的；
根据拍摄到的每个所述跟踪对象的第三摄像头和所述第三拍摄时间，获得每个所述跟踪对象在各个所述选定摄像头之间的移动次数和移动时长；
根据各个所述跟踪对象在各个所述选定摄像头之间的移动次数和移动时长，获得各个所述选定摄像头之间的转移频次和平均转移时长；
根据各个所述选定摄像头之间的转移频次，获得各个所述摄像头之间的转移概率；
根据各个所述选定摄像头之间的转移概率和平均转移时长，建立所述选定摄像头拓扑关系模型。
3.根据权利要求2所述的方法，其特征在于，所述基于每个所述第一摄像头和所述第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测拍摄到所述指定目标的第二摄像头和第二拍摄时间包括：
获取所述第一摄像头与其它任何一个所述选定摄像头之间的转移概率，并根据所述转移概率的最大值对应的所述选定摄像头确定所述第二摄像头；
根据所述第一摄像头与所述转移概率最大值对应的所述选定摄像之间的平均转移时长和所述第一拍摄时间，获得所述第二拍摄时间。
4.根据权利要求2所述的方法，其特征在于，所述基于每个所述第二摄像头的视频数据以及所述第二拍摄时间，对拍摄到所述指定目标的所述第二摄像头进行验证包括：
根据所述第二摄像头的视频数据、所述第二拍摄时间和所述第一摄像头与所述第二摄像头之间的平均转移时长，获取对所述第二摄像头验证的第三视频数据，并对所述第三视频数据进行所述指定目标识别；
若在所述第三视频数据中识别出所述指定目标，则所述第二摄像头通过验证。
5.根据权利要求2所述的方法，其特征在于，所述根据各个所述选定摄像头之间的转移频次，获得各个所述摄像头之间的转移概率包括：
根据公式计算获得从选定摄像头i到选定摄像头j的转移概率，其中，Pij表示从选定摄像头i到选定摄像头j的转移概率，fij表示从选定摄像头i到选定摄像头j的转移频次，fkj表示从选定摄像头k到选定摄像头j的转移频次，i和j为正整数且i不等于j，m为所述选定摄像头的总数，k为正整数且k小于等于m。
6.根据权利要求1所述的方法，其特征在于，所述选定摄像头拓扑关系模型根据如下步骤获得：
获取第二预设时间段内所述多个选定摄像头的视频数据；
根据所述预设时间间隔对所述第二预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第二分割视频数据；
基于各个所述选定摄像头的多个第二分割视频数据对第二预设数量的跟踪对象进行识别，获得拍摄到每个所述跟踪对象的第三摄像头和第三拍摄时间；其中，所述跟踪对象是预设的；
根据拍摄到的每个所述跟踪对象的第三摄像头和所述第三拍摄时间，获得每个所述跟踪对象在各个所述选定摄像头之间的移动次数和移动时长；
根据各个所述跟踪对象在各个所述选定摄像头之间的移动次数和移动时长，获得各个所述选定摄像头之间的转移频次和平均转移时长；
根据各个所述选定摄像头之间的转移频次，获得各个所述选定摄像头之间的转移概率；
根据各个所述选定摄像头之间的第一转移方向权重和第二转移方向权重以及各自对应的转移概率，获得各个所述选定摄像头之间的调整转移概率；
根据各个所述选定摄像头之间的调整转移概率和平均转移时长，建立所述选定摄像头拓扑关系模型。
7.根据权利要求1所述的方法，其特征在于，所述基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别包括：
根据每个所述选定摄像头的目标识别区域对每个所述选定摄像头的第一分割视频数据进行所述指定目标识别；其中，所述目标识别区域是预设的。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述指定目标为车牌号码；相应地，所述基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别包括：
对所述第一分割视频数据包括的图像帧进行所述车牌号码识别，获得识别号码；
若判断获知所述识别号码与所述车牌号码不匹配，则将所述识别号码的每一位分别与所述车牌号码的每一位进行相似度比较，获得每一位所述车牌号码的多个相似度值；
根据所述每一位所述车牌号码的多个相似度值中的最大值以及每一位所述车牌号码对应的权重，获得所述识别号码为所述车牌号码的概率；其中，每一位所述车牌号码对应的权重相等且各个所述车牌号码对应的权重之和为1；
若判断获知所述概率大于设定阈值，则确认所述车牌号码出现在所述第一分割视频数据中。
9.根据权利要求8所述的方法，其特征在于，所述根据所述每一位所述车牌号码的多个相似度值中的最大值以及每一位所述车牌号码对应的权重，获得所述识别号码为所述车牌号码的概率包括：
根据公式计算获得所述识别号码为所述车牌号码的概率R，其中，si表示所述每一位所述车牌号码的多个相似度值中的最大值，1/n表示每一位所述车牌号码对应的权重，n表示所述车牌号码的位数，i为正整数且i小于等于n。
10.一种基于视频数据的目标追踪装置，其特征在于，包括：
获取单元，用于获取第一预设时间段内多个选定摄像头的视频数据；
分割单元，用于根据预设时间间隔对所述第一预设时间段内的每个所述选定摄像头的视频数据进行分割，获得每个所述选定摄像头的多个第一分割视频数据；
选取单元，用于从每个所述选定摄像头的多个第一分割视频数据中随机选取预设数量的第一分割视频数据；
识别单元，用于基于各个所述选定摄像头随机选取的预设数量的第一分割视频数据进行指定目标识别，获得拍摄到所述指定目标的第一摄像头和第一拍摄时间；
预测单元，用于基于每个所述第一摄像头和所述第一拍摄时间以及预设的选定摄像头拓扑关系模型，预测拍摄到所述指定目标的第二摄像头和第二拍摄时间；
验证单元，用于基于每个所述第二摄像头的视频数据以及所述第二拍摄时间，对拍摄到所述指定目标的所述第二摄像头进行验证；
输出单元，用于根据各个所述第一摄像头和各自对应的所述第一拍摄时间、以及通过验证的各个所述第二摄像头和各自对应的第二拍摄时间，输出对所述指定目标的追踪结果。
11.一种电子设备，其特征在于，包括：处理器、存储器和通信总线，其中：
所述处理器和所述存储器通过所述通信总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至9任一项所述的方法。
12.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至9任一项所述的方法。
CN201811251020.0A 2018-10-25 2018-10-25 一种基于视频数据的目标追踪方法及装置 Active CN109522814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811251020.0A CN109522814B (zh) 2018-10-25 2018-10-25 一种基于视频数据的目标追踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811251020.0A CN109522814B (zh) 2018-10-25 2018-10-25 一种基于视频数据的目标追踪方法及装置

Publications (2)

Publication Number Publication Date
CN109522814A true CN109522814A (zh) 2019-03-26
CN109522814B CN109522814B (zh) 2020-10-02

Family

ID=65773989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811251020.0A Active CN109522814B (zh) 2018-10-25 2018-10-25 一种基于视频数据的目标追踪方法及装置

Country Status (1)

Country Link
CN (1) CN109522814B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110706258A (zh) * 2019-10-10 2020-01-17 北京百度网讯科技有限公司 对象追踪方法及装置
CN111047622A (zh) * 2019-11-20 2020-04-21 腾讯科技（深圳）有限公司 视频中对象的匹配方法和装置、存储介质及电子装置
CN112653832A (zh) * 2019-10-10 2021-04-13 华为技术有限公司 一种监控方法、装置和设备
CN112911385A (zh) * 2021-01-12 2021-06-04 平安科技（深圳）有限公司 待识别图片的提取方法、装置、设备以及存储介质
WO2023033710A1 (en) * 2021-09-02 2023-03-09 Hitachi, Ltd. Method and system of object tracking

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150348587A1 (en) * 2014-05-27 2015-12-03 Thomson Licensing Method and apparatus for weighted media content reduction
CN106027931B (zh) * 2016-04-14 2018-03-16 平安科技（深圳）有限公司 视频录制方法及服务器
CN106101641B (zh) * 2016-07-18 2022-06-14 中国科学院地理科学与资源研究所 视频监测系统及其监测方法
CN108307105B (zh) * 2017-12-27 2020-07-07 努比亚技术有限公司 一种拍摄方法、终端及计算机可读存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110706258A (zh) * 2019-10-10 2020-01-17 北京百度网讯科技有限公司 对象追踪方法及装置
CN112653832A (zh) * 2019-10-10 2021-04-13 华为技术有限公司 一种监控方法、装置和设备
WO2021068553A1 (zh) * 2019-10-10 2021-04-15 华为技术有限公司 一种监控方法、装置和设备
US11288887B2 (en) 2019-10-10 2022-03-29 Beijing Baidu Netcom Science Technology Co., Ltd. Object tracking method and apparatus
CN110706258B (zh) * 2019-10-10 2022-10-04 北京百度网讯科技有限公司 对象追踪方法及装置
CN111047622A (zh) * 2019-11-20 2020-04-21 腾讯科技（深圳）有限公司 视频中对象的匹配方法和装置、存储介质及电子装置
CN111047622B (zh) * 2019-11-20 2023-05-30 腾讯科技（深圳）有限公司 视频中对象的匹配方法和装置、存储介质及电子装置
CN112911385A (zh) * 2021-01-12 2021-06-04 平安科技（深圳）有限公司 待识别图片的提取方法、装置、设备以及存储介质
WO2023033710A1 (en) * 2021-09-02 2023-03-09 Hitachi, Ltd. Method and system of object tracking

Also Published As

Publication number Publication date
CN109522814B (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN109522814A (zh) 一种基于视频数据的目标追踪方法及装置
CN107566781B (zh) 视频监控方法和视频监控设备
CN110942154B (zh) 基于联邦学习的数据处理方法、装置、设备及存储介质
CN106997629B (zh) 门禁控制方法、装置及系统
EP4145353A1 (en) Neural network construction method and apparatus
CN110796051B (zh) 基于货柜场景下的实时存取行为检测方法和系统
CN111295689A (zh) 深度感知对象计数
EP3500979A1 (en) Computer device for training a deep neural network
CN109241985A (zh) 一种图像识别方法及装置
CN107153817A (zh) 行人重识别数据标注方法和装置
CN109190601A (zh) 一种监控场景下目标对象识别方法及装置
CN106228121B (zh) 手势特征识别方法和装置
CN108021846A (zh) 一种人脸识别方法和装置
WO2007144580A1 (en) Improvements relating to target tracking
CN104392461B (zh) 一种基于纹理特征的视频跟踪方法
JP6789876B2 (ja) 画素変更処理画像を用いて対象を追跡する装置、プログラム及び方法
CN110176024A (zh) 在视频中对目标进行检测的方法、装置、设备和存储介质
CN107431761A (zh) 图像处理设备、图像处理方法以及图像处理系统
CN108280386A (zh) 监控场景检测方法及装置
CN111177469A (zh) 人脸检索方法及人脸检索装置
CN111291646A (zh) 一种人流量统计方法、装置、设备及存储介质
CN110189341A (zh) 一种图像分割模型训练的方法、图像分割的方法及装置
CN110188627A (zh) 一种人脸图像过滤方法及装置
CN112668410A (zh) 分拣行为检测方法、系统、电子装置和存储介质
CN111445442A (zh) 基于神经网络的人群计数方法、装置、服务器及存储介质

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