CN109671098B - 可适用多重追踪的目标追踪方法与系统 - Google Patents

可适用多重追踪的目标追踪方法与系统 Download PDF

Info

Publication number
CN109671098B
CN109671098B CN201711115177.6A CN201711115177A CN109671098B CN 109671098 B CN109671098 B CN 109671098B CN 201711115177 A CN201711115177 A CN 201711115177A CN 109671098 B CN109671098 B CN 109671098B
Authority
CN
China
Prior art keywords
candidate
tracking
target
tracking target
new
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
Application number
CN201711115177.6A
Other languages
English (en)
Other versions
CN109671098A (zh
Inventor
郭士豪
何明哲
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.)
Wistron Corp
Original Assignee
Wistron Corp
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 Wistron Corp filed Critical Wistron Corp
Publication of CN109671098A publication Critical patent/CN109671098A/zh
Application granted granted Critical
Publication of CN109671098B publication Critical patent/CN109671098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • 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
    • 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
    • G06T2207/30196—Human being; Person
    • 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
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

一种可适用多重追踪的目标追踪方法，包含对当前影像进行全图搜寻的侦测，以得到当前影像的候选物。执行候选物与追踪目标之间的关联，以决定两者之间的相似度，并给予候选物相应的相似值。选择最大相似值所对应的候选物，作为追踪目标的关联候选物。过滤关联候选物以外具非零相似值的其他候选物，以找出分类为主物件的候选物，作为过滤候选物。根据关联候选物与过滤候选物，以产生新追踪目标。

Description

可适用多重追踪的目标追踪方法与系统
技术领域
本发明有关一种影像追踪，特别是关于一种可适用多重追踪的目标追踪方法与系统。
背景技术
影像追踪(video tracking)是一种使用相机以找出移动物件的位置的技术，可使用于多种应用，例如人机互动(human-computer interaction)、保全与监视(security&surveillance)、交通管制(traffic control)、扩增实境(augmented reality或AR)等。
于传统的影像追踪方法中，对第一张影像执行全图搜寻(global search)的侦测，用以找到追踪目标(例如人或车辆等特定物件)。接着，从第二张影像开始，根据前一张影像的追踪目标的位置，于当前影像的相应位置附近执行局部搜寻(local search)的侦测，找出相似度高者定义为当前影像的追踪目标。接下来每一张影像仅执行局部搜寻的侦测，找到每张影像的追踪目标。
对于前述的传统影像追踪方法，只要其中一张影像追踪错误，则后面的影像就会跟着一直错误，无法复原(recovery)。此外，由于仅有第一张影像执行全图搜寻的侦测，如果是从第二张影像之后才出现的人，就无法作为追踪目标以进行后续追踪。因此，必须在第一张影像开始时就出现有多个追踪目标，才能进行多重追踪，造成使用上相当不便。
因此亟需提出一种可适用多重追踪的目标追踪方法，用以改善传统影像追踪方法的缺失，提高影像追踪的准确度并能增进便利。
发明内容
鉴于上述，本发明实施例的目的之一在于提出一种可适用多重追踪的目标追踪方法与系统，可于目标追踪过程中新增或移除追踪目标，且可复原前一张影像的错误追踪。
根据本发明实施例的目标追踪方法，对当前影像进行全图搜寻的侦测，以得到当前影像的候选物。执行候选物与追踪目标之间的关联，以决定两者之间的相似度，并给予候选物相应的相似值。选择最大相似值所对应的候选物，作为追踪目标的关联候选物。过滤关联候选物以外具非零相似值的其他候选物，以找出分类为主物件的候选物，作为过滤候选物。根据关联候选物与过滤候选物，以产生新追踪目标。
附图说明
图1A显示本发明实施例的可适用多重追踪的目标追踪方法的流程图。
图1B显示本发明实施例的可适用多重追踪的目标追踪系统的方块图。
图2显示图1A的目标追踪方法其中一个分支的流程图，用以说明前一张影像没有追踪目标的情形。
图3显示图1A的目标追踪方法其中一个分支的流程图，用以说明前一张影像有追踪目标，当前影像有候选物，且可以找到追踪目标的关联候选物的情形。
图4显示图1A/图3的步骤13的细部流程图，用以决定候选物的相似值。
图5显示图1A的目标追踪方法其中一个分支的流程图，用以说明前一张影像有追踪目标，当前影像有候选物，但未能找到追踪目标的关联候选物的情形。
图6显示图1A的目标追踪方法其中一个分支的流程图，用以说明前一张影像有追踪目标，但是当前影像没有候选物的情形。
符号说明
100 可适用多重追踪的目标追踪方法
10 开始
11 前一张影像是否有追踪目标
12 当前影像是否有候选物
13 关联候选物与追踪目标
131 坐标差值是否小于阈值
132 重叠率是否大于阈值
133 比例差值是否小于阈值
134 影像特征差值是否小于阈值
135 决定相似值
14 关联是否成功
15 过滤以找出分类为人物件的候选物
16 指派新追踪目标
17 更新追踪目标
18 下一张影像
21 当前影像的候选物的分类是否为人物件
22 产生新追踪目标
31 产生第一新候选物
32 第一新候选物是否匹配于追踪目标
33 改变感兴趣区域并产生第二新候选物
34 第二新候选物是否匹配于追踪目标
35 放弃追踪目标的信息
200 可适用多重追踪的目标追踪系统
101 影像撷取设备
102 影像侦测单元
103 关联单元
104 过滤单元
105 追踪目标更新单元
201 新追踪目标产生单元
301 新候选物产生单元
302 匹配单元
具体实施方式
图1A显示本发明实施例的可适用多重追踪的目标追踪方法100的流程图，图1B显示本发明实施例的可适用多重追踪的目标追踪系统200的方块图，可用以追踪单一或者多重目标。图1A所示的步骤以及图1B所示的方块可使用硬件、软件或其组合来实施。例如，使用计算机指令以执行于处理器(例如数字图像处理器)。以下主要使用图1A及图1B所示实施例来说明本发明如何执行目标的追踪。
在本实施例中，影像撷取设备101可为二维(2D)影像撷取设备(例如二维相机)或者三维(3D)影像撷取设备(例如三维相机)。影像撷取设备101所撷取的影像被馈至影像侦测单元102，对影像进行侦测以取得影像的前景物件，作为候选物(candidate)。影像侦测可使用传统技术，其技术细节因此省略不予赘述。
根据本实施例的特征之一，影像侦测单元102对影像撷取设备101所撷取影像进行全图搜寻(global search)的侦测。如果是二维影像撷取设备，可使用背景相减(background subtraction)技术找出候选物；如果是三维影像撷取设备，可使用深度(depth)信息找出候选物。在本实施例中，候选物的信息可包含分类、坐标、感兴趣区域(region of interest(ROI)或称重点区域)、影像特征(image descriptor)。在其他实施例中，候选物的信息可包含较少或更多的项目。
在本实施例中，分类可分为人(people)物件及非人物件。一般来说，分类可分为主物件与副物件，其中主物件为所要追踪的对象，而副物件则为主物件以外的物件。在其他实施例中，分类的数目可为三个或以上。感兴趣区域(ROI)可包含其位置与尺寸。例如，感兴趣区域为矩形，可使用矩形的一个端点(例如左上端点)及其长、宽来表示。在本实施例，影像特征以颜色直方图(color histogram)来表示颜色分布，但也可使用其他的方法，例如方向梯度直方图(Histogram of Oriented Gradient,HOG)、局部二值模式(Local BinaryPattern,LBP)、Haar等。如果是三维影像撷取设备，候选物的信息还可包含深度。
以下将针对图1A所示流程图当中的各个分支(branch)流程，并配合图1B所示系统方块图，分别详细说明本发明实施例的目标追踪。
图2显示图1A的可适用多重追踪的目标追踪方法(简称目标追踪方法)100其中一个分支的流程图，用以说明前一张影像没有追踪目标的情形。举例而言，系统刚启动时，因为不存在前一张影像，所以就没有追踪目标。如图2所示，首先，于步骤10，影像侦测单元102接收影像撷取设备101所撷取的当前影像，以产生当前影像的候选物的信息(例如分类、坐标、感兴趣区域(ROI)、影像特征)。接着，于步骤11，判断前一张影像是否有追踪目标(tracked target)。如果经判断前一张影像没有追踪目标(例如系统刚启动时)，则进入步骤21，根据当前影像的候选物的信息，判断候选物的分类是否为人物件。如果判断的结果是肯定的，则进入步骤22，新追踪目标产生单元201将分类为人物件的候选物定义为新追踪目标，并给予相应的目标编号。如果分类为人物件的候选物不只一个，则可产生多重新追踪目标，并分别给予相应的目标编号。接着，进入步骤17，追踪目标更新单元105根据新追踪目标以更新追踪目标的信息(例如坐标、感兴趣区域(ROI)、影像特征及目标编号)。在本实施例中，追踪目标更新单元105可包含存储器存储器装置(例如动态随机存取存储器或DRAM)，用以储存追踪目标与新追踪目标的信息。接着，处理下一张影像(步骤18)，并重新进入目标追踪方法100的步骤10，进行下一张影像的目标追踪。
如果步骤21经判断当前影像的候选物的分类没有人物件(例如所有的分类都是非人物件)，或者根本没有候选物，则直接进入步骤18以处理下一张影像。
图3显示图1A的目标追踪方法100其中一个分支的流程图，用以说明前一张影像有追踪目标，当前影像有候选物，且可以找到追踪目标的关联候选物的情形。如前所述，首先于步骤10，取得当前影像的候选物的信息(例如分类、坐标、感兴趣区域(ROI)、影像特征)。接着，于步骤11，判断前一张影像是否有追踪目标。如果经判断前一张影像有追踪目标，则进入步骤12。
于步骤12，判断当前影像是否有候选物。如果经判断当前影像有候选物(不论候选物的分类是人物件或者非人物件)，则进入步骤13。于步骤13，关联单元103执行候选物与追踪目标之间的关联(association)，以决定两者之间的相似度(similarity)，并给予候选物一个相应的相似值(similarity value)。如果候选物为多个，则分别执行步骤13以决定各个候选物的相似度。
图4显示图1A/图3的步骤13的细部流程图，用以决定候选物的相似值。在本实施例中，相似值为介于0与1之间的数值，且使用四个关联参数来决定候选物与追踪目标之间的相似度。在本实施例中，使用以下一或多个关联参数：(1)距离参数，(2)重叠(overlapping)参数，(3)比例(scale)参数，(4)影像特征参数。在其他实施例中，关联参数的优先级或/且关联参数的数目可异于图4所示。
在本实施例中，如图4所示，于步骤131，比较候选物与追踪目标的坐标差值是否小于预设阈值。如果为否(亦即，坐标差值超过阈值)，则直接进入步骤135，设相似值为0；如果为是(亦即，坐标差值小于阈值)，则进入步骤132。于步骤132，比较候选物与追踪目标的感兴趣区域(ROI)的重叠率是否大于预设阈值。如果为否(亦即，重叠率小于阈值)，则直接进入步骤135，设相似值为0；如果为是(亦即，重叠率大于阈值)，则进入步骤133。于步骤133，比较候选物与追踪目标的比例差值(例如长宽比值)是否小于预设阈值。如果为否(亦即，比例差值超过阈值)，则直接进入步骤135，设相似值为0；如果为是(亦即，比例差值小于阈值)，则进入步骤134。于步骤134，比较候选物与追踪目标的影像特征差值(例如颜色直方图)是否小于预设阈值。如果为否(亦即，影像特征差值超过阈值)，则直接进入步骤135，设相似值为0；如果为是(亦即，影像特征差值小于阈值)，则进入步骤135，根据步骤131至步骤134对于四个参数的比较结果，产生一个(非零的)相似值。
接着，于步骤14，关联单元103根据前一步骤所得到各候选物的相似值，选择最大相似值所对应的候选物，作为追踪目标的关联(associated)候选物。如果所有候选物的相应相似值皆为0(或者小于一个默认值)，因而未得到追踪目标的关联候选物，此种情形将于图5的流程图另做说明。
继续参阅图3，步骤14所得到的关联候选物被馈至追踪目标更新单元105，据以更新追踪目标的信息(例如坐标、感兴趣区域(ROI)、影像特征及目标编号)，用以产生新追踪目标。接着，于步骤15，过滤单元104过滤关联候选物以外具非零相似值(或相似值大于默认值)的其他候选物，以找出分类为人物件的候选物，作为过滤(filtered)候选物，其可能为刚进入影像撷取范围的人物件。于步骤16，追踪目标更新单元105将过滤候选物指派(assign)为新追踪目标，且给予新的目标编号。如果过滤后找到多个分类为人物件的候选物，则可指派多重新追踪目标，并分别给予新的目标编号。接着，进入步骤17，追踪目标更新单元105根据关联候选物与过滤候选物以更新追踪目标的信息(例如坐标、感兴趣区域(ROI)、影像特征及目标编号)以产生新追踪目标，接着处理下一张影像(步骤18)。
图5显示图1A的目标追踪方法100其中一个分支的流程图，用以说明前一张影像有追踪目标，当前影像有候选物，但未能找到追踪目标的关联候选物的情形。步骤10至步骤14相同于图3，但是于步骤14未能找到追踪目标的关联候选物，其原因有可能是追踪目标离开影像的撷取范围；另一原因有可能是因为影像侦测出错，因此执行以下步骤31至步骤35，于追踪目标的附近重新搜寻是否有候选物。
于步骤31，新候选物产生单元301将前一张影像的追踪目标的感兴趣区域(ROI)的信息投射到当前影像，接着，将当前影像的该投射感兴趣区域内部定义为第一新候选物，且取得第一新候选物的相应影像特征(例如颜色直方图)。接着，于步骤32，匹配单元302执行第一新候选物与追踪目标之间的匹配(match)，以决定两者是否相似。在本实施例中，比较第一新候选物与追踪目标的影像特征差值(例如颜色直方图)是否小于预设阈值，做法类似于图4的步骤134。如果为是(亦即，影像特征差值小于阈值)，表示匹配成功，则将匹配的第一新候选物馈至追踪目标更新单元105，将其定义为新追踪目标。接着，进入步骤17，追踪目标更新单元105更新追踪目标的信息(例如坐标、感兴趣区域(ROI)、影像特征及目标编号)，接着处理下一张影像(步骤18)。
如果步骤32经比较新候选物与追踪目标的影像特征差值(例如颜色直方图)并未小于预设阈值，表示匹配失败，则进入步骤33。于步骤33，新候选物产生单元301改变当前影像的该投射感兴趣区域，将改变的该投射感兴趣区域内部定义为第二新候选物，且取得第二新候选物的相应影像特征(例如颜色直方图)。在本实施例中，改变当前影像的该投射感兴趣区(ROI)的做法是等比例放大(例如放大四分之一)该投射感兴趣区(ROI)。在另一实施例中，改变当前影像的该投射感兴趣区(ROI)的做法是移动该投射感兴趣区(ROI)。
接着，于步骤34，匹配单元302执行第二新候选物与追踪目标之间的匹配(match)，以决定两者是否相似。在本实施例中，比较第二新候选物与追踪目标的影像特征差值(例如颜色直方图)是否小于预设阈值的做法类似于步骤32。如果为是(亦即，影像特征差值小于阈值)，表示匹配成功，则将匹配的第二新候选物馈至追踪目标更新单元105，将其定义为新追踪目标。接着，进入步骤17，追踪目标更新单元105更新追踪目标的信息(例如坐标、感兴趣区域(ROI)、影像特征及目标编号)，接着处理下一张影像(步骤18)。如果为否(亦即，影像特征差值大于阈值)，表示匹配失败，代表追踪目标已离开影像撷取范围。因此，进入步骤35，舍弃追踪目标的信息。接着，进入步骤17，追踪目标更新单元105更新追踪目标的信息(例如坐标、感兴趣区域(ROI)、影像特征及目标编号)，接着处理下一张影像(步骤18)。
图6显示图1A的目标追踪方法100其中一个分支的流程图，用以说明前一张影像有追踪目标，但是当前影像没有候选物的情形。步骤10至步骤12相同于图3或图5，但是于步骤12经判断当前影像没有候选物，因此执行以下步骤31至步骤35，于追踪目标的附近重新搜寻是否有候选物。步骤31至步骤35相同于图5，简单说明如下。
首先，于步骤31，新候选物产生单元301产生第一新候选物，且取得新候选物的相应影像特征(例如颜色直方图)。接着，于步骤32，匹配单元302执行新候选物与追踪目标之间的匹配(match)，以决定两者是否相似。如果为是，表示匹配成功，则将匹配的新候选物定义为新追踪目标。接着，进入步骤17，追踪目标更新单元105更新追踪目标的信息，接着处理下一张影像(步骤18)。
如果步骤32的结果为否，表示匹配失败，则进入步骤33。于步骤33，新候选物产生单元301改变当前影像的感兴趣区(ROI)，定义为第二新候选物，且取得新候选物的相应影像特征(例如颜色直方图)。
接着，于步骤34，匹配单元302执行新候选物与追踪目标之间的匹配(match)，以决定两者是否相似。如果为是，表示匹配成功，则将匹配的新候选物馈至追踪目标更新单元105，将其定义为新追踪目标。接着，进入步骤17，追踪目标更新单元105更新追踪目标的信息，接着处理下一张影像(步骤18)。如果步骤34的结果为否，表示匹配失败，代表追踪目标已离开影像撷取范围。因此，进入步骤35，舍弃追踪目标的信息。接着，进入步骤17，追踪目标更新单元105更新追踪目标的信息，接着处理下一张影像(步骤18)。
以上所述仅为本发明的较佳实施例而已，并非用以限定本发明的权利要求范围；凡其它未脱离发明所揭示的精神下所完成的等效改变或修饰，均应包含在所附权利要求范围内。

Claims (18)

1.一种可适用多重追踪的目标追踪方法，包含：
对当前影像进行全图搜寻的侦测，以得到所述当前影像的候选物；
执行所述候选物与追踪目标之间的关联，以决定两者之间的相似度，并给予所述候选物相应的相似值；
选择最大相似值所对应的候选物，作为所述追踪目标的关联候选物；
过滤所述关联候选物以外具非零相似值的其他候选物，以找出分类为主物件的候选物，作为过滤候选物；以及
根据所述关联候选物与所述过滤候选物，以产生新追踪目标,
如果未找到关联候选物，则执行以下步骤：
将前一张影像的追踪目标的感兴趣区域投射到当前影像，且将当前影像的投射感兴趣区域内部定义为第一新候选物；
执行所述第一新候选物与所述追踪目标之间的匹配，以决定两者是否相似；以及
如果所述第一新候选物与所述追踪目标为相似，则将所述第一新候选物定义为新追踪目标。
2.根据权利要求1所述的可适用多重追踪的目标追踪方法，如果前一张影像没有追踪目标，则执行以下步骤：
判断所述当前影像的候选物的分类是否为主物件；以及
如果所述当前影像的候选物的分类为主物件，则将所述候选物定义为新追踪目标。
3.根据权利要求1所述的可适用多重追踪的目标追踪方法，其中所述第一新候选物与所述追踪目标之间的匹配步骤包含：
比较所述第一新候选物与所述追踪目标的影像特征差值。
4.根据权利要求1所述的可适用多重追踪的目标追踪方法，如果所述第一新候选物与所述追踪目标不为相似，则执行以下步骤：
改变当前影像的所述投射感兴趣区域，且将改变的投射感兴趣区域内部定义为第二新候选物；
执行所述第二新候选物与所述追踪目标之间的匹配，以决定两者是否相似；以及
如果所述第二新候选物与所述追踪目标为相似，则将所述第二新候选物定义为新追踪目标。
5.根据权利要求4所述的可适用多重追踪的目标追踪方法，其中所述第二新候选物与所述前一张影像的追踪目标之间的匹配步骤包含：
比较所述第二新候选物与所述追踪目标的影像特征差值。
6.根据权利要求4所述的可适用多重追踪的目标追踪方法，其中改变当前影像的所述投射感兴趣区域的步骤包含：
等比例放大所述投射感兴趣区域或移动所述投射感兴趣区域。
7.根据权利要求1所述的可适用多重追踪的目标追踪方法，其中所述候选物与所述追踪目标之间的关联的步骤，包含比较两者之间的以下一个或多个关联参数：(1)距离参数，(2)重叠参数，(3)比例参数及(4)影像特征参数。
8.根据权利要求1所述的可适用多重追踪的目标追踪方法，其中所述当前影像的候选物包含以下信息：分类、坐标、感兴趣区域及影像特征。
9.根据权利要求7所述的可适用多重追踪的目标追踪方法，其中所述影像特征包含颜色直方图。
10.一种可适用多重追踪的目标追踪系统，包含：
一影像侦测单元，对当前影像进行全图搜寻的侦测，以得到所述当前影像的候选物；
一关联单元，执行所述候选物与追踪目标之间的关联，以决定两者之间的相似度，并给予所述候选物相应的相似值，且选择最大相似值所对应的候选物，作为所述追踪目标的关联候选物；
一过滤单元，过滤所述关联候选物以外具非零相似值的其他候选物，以找出分类为主物件的候选物，作为过滤候选物；以及
一追踪目标更新单元，根据所述关联候选物与所述过滤候选物，以产生新追踪目标,
还包含一新候选物产生单元，如果未找到关联候选物，则执行以下步骤：
将前一张影像的追踪目标的感兴趣区域投射到当前影像，且将当前影像的投射感兴趣区域内部定义为第一新候选物；
执行所述第一新候选物与所述追踪目标之间的匹配，以决定两者是否相似；以及
如果所述第一新候选物与所述追踪目标为相似，则将所述第一新候选物定义为新追踪目标。
11.根据权利要求10所述的可适用多重追踪的目标追踪系统，还包含一新追踪目标产生单元，如果前一张影像没有追踪目标，则执行以下步骤：
判断所述当前影像的候选物的分类是否为主物件；以及
如果所述当前影像的候选物的分类为主物件，则将所述候选物定义为新追踪目标。
12.根据权利要求10所述的可适用多重追踪的目标追踪系统，其中所述第一新候选物与所述追踪目标之间的匹配步骤包含：
比较所述第一新候选物与所述追踪目标的影像特征差值。
13.根据权利要求10所述的可适用多重追踪的目标追踪系统，如果所述第一新候选物与所述追踪目标不为相似，则所述新候选物产生单元执行以下步骤：
改变当前影像的所述投射感兴趣区域，且将改变的投射感兴趣区域内部定义为第二新候选物；
执行所述第二新候选物与所述追踪目标之间的匹配，以决定两者是否相似；以及
如果所述第二新候选物与所述追踪目标为相似，则将所述第二新候选物定义为新追踪目标。
14.根据权利要求13所述的可适用多重追踪的目标追踪系统，其中所述第二新候选物与所述追踪目标之间的匹配步骤包含：
比较所述第二新候选物与所述追踪目标的影像特征差值。
15.根据权利要求13所述的可适用多重追踪的目标追踪系统，其中改变当前影像的所述投射感兴趣区域的步骤包含：
等比例放大所述投射感兴趣区域或移动所述投射感兴趣区域。
16.根据权利要求10所述的可适用多重追踪的目标追踪系统，其中所述关联单元执行所述候选物与所述追踪目标之间的关联时，比较两者之间的以下一个或多个关联参数：(1)距离参数，(2)重叠参数，(3)比例参数及(4)影像特征参数。
17.根据权利要求10所述的可适用多重追踪的目标追踪系统，其中所述当前影像的候选物包含以下信息：分类、坐标、感兴趣区域及影像特征。
18.根据权利要求10所述的可适用多重追踪的目标追踪系统，其中所述追踪目标更新单元包含存储器装置，用以储存所述追踪目标或所述新追踪目标的信息。
CN201711115177.6A 2017-10-16 2017-11-13 可适用多重追踪的目标追踪方法与系统 Active CN109671098B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW106135289 2017-10-16
TW106135289A TWI631516B (zh) 2017-10-16 2017-10-16 可適用多重追蹤的目標追蹤方法與系統

Publications (2)

Publication Number Publication Date
CN109671098A CN109671098A (zh) 2019-04-23
CN109671098B true CN109671098B (zh) 2020-09-25

Family

ID=63959774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711115177.6A Active CN109671098B (zh) 2017-10-16 2017-11-13 可适用多重追踪的目标追踪方法与系统

Country Status (3)

Country Link
US (1) US10599942B2 (zh)
CN (1) CN109671098B (zh)
TW (1) TWI631516B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019140609A1 (zh) * 2018-01-18 2019-07-25 深圳市道通智能航空技术有限公司 目标检测方法及无人机
CN110706256A (zh) * 2019-09-27 2020-01-17 杭州博雅鸿图视频技术有限公司 一种基于多核异构平台的检测跟踪算法优化方法
CN111325770B (zh) * 2020-02-13 2023-12-22 中国科学院自动化研究所 基于rgbd相机的目标跟随方法、系统、装置
CN114255434A (zh) * 2022-03-01 2022-03-29 深圳金三立视频科技股份有限公司 一种多目标跟踪方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413295A (zh) * 2013-07-12 2013-11-27 长沙理工大学 一种视频多目标长程跟踪方法
CN104992453A (zh) * 2015-07-14 2015-10-21 国家电网公司 基于极限学习机的复杂背景下目标跟踪方法
CN105261034A (zh) * 2015-09-15 2016-01-20 杭州中威电子股份有限公司 一种高速公路上车流量的统计方法及装置
CN106097381A (zh) * 2016-05-27 2016-11-09 北京理工大学 一种基于流形判别非负矩阵分解的目标跟踪方法
CN106920248A (zh) * 2017-01-19 2017-07-04 博康智能信息技术有限公司上海分公司 一种目标跟踪方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7631808B2 (en) * 2004-06-21 2009-12-15 Stoplift, Inc. Method and apparatus for detecting suspicious activity using video analysis
US7860344B1 (en) * 2005-05-06 2010-12-28 Stochastech Corporation Tracking apparatus and methods using image processing noise reduction
US9626769B2 (en) * 2009-09-04 2017-04-18 Stmicroelectronics International N.V. Digital video encoder system, method, and non-transitory computer-readable medium for tracking object regions
TWI393074B (zh) * 2009-12-10 2013-04-11 Ind Tech Res Inst 移動物體偵測裝置與方法
TWI503790B (zh) * 2014-01-23 2015-10-11 Nat Univ Chung Hsing 多重目標影像辨識與追蹤方法
US9811732B2 (en) * 2015-03-12 2017-11-07 Qualcomm Incorporated Systems and methods for object tracking
US9852513B2 (en) * 2016-03-01 2017-12-26 Intel Corporation Tracking regions of interest across video frames with corresponding depth maps
US10185877B2 (en) * 2016-07-08 2019-01-22 Huawei Technologies Co., Ltd. Systems, processes and devices for occlusion detection for video-based object tracking
US10395385B2 (en) * 2017-06-27 2019-08-27 Qualcomm Incorporated Using object re-identification in video surveillance

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413295A (zh) * 2013-07-12 2013-11-27 长沙理工大学 一种视频多目标长程跟踪方法
CN104992453A (zh) * 2015-07-14 2015-10-21 国家电网公司 基于极限学习机的复杂背景下目标跟踪方法
CN105261034A (zh) * 2015-09-15 2016-01-20 杭州中威电子股份有限公司 一种高速公路上车流量的统计方法及装置
CN106097381A (zh) * 2016-05-27 2016-11-09 北京理工大学 一种基于流形判别非负矩阵分解的目标跟踪方法
CN106920248A (zh) * 2017-01-19 2017-07-04 博康智能信息技术有限公司上海分公司 一种目标跟踪方法及装置

Also Published As

Publication number Publication date
US20190114501A1 (en) 2019-04-18
TWI631516B (zh) 2018-08-01
CN109671098A (zh) 2019-04-23
US10599942B2 (en) 2020-03-24
TW201917635A (zh) 2019-05-01

Similar Documents

Publication Publication Date Title
CN109671098B (zh) 可适用多重追踪的目标追踪方法与系统
US10417773B2 (en) Method and apparatus for detecting object in moving image and storage medium storing program thereof
EP2965262A1 (en) Method for detecting and tracking objects in sequence of images of scene acquired by stationary camera
CN112016353B (zh) 一种基于视频的人脸图像进行身份识别方法及装置
CN109255802B (zh) 行人跟踪方法、装置、计算机设备及存储介质
KR101988551B1 (ko) 스테레오 비전의 깊이 추정을 이용한 효율적 객체 검출 및 매칭 시스템 및 방법
US9323989B2 (en) Tracking device
JP2009134587A (ja) 画像処理装置
CN112308879A (zh) 图像处理设备、追踪对象物体的方法和存储介质
CN108369739B (zh) 物体检测装置和物体检测方法
Vaikundam et al. Anomaly region detection and localization in metal surface inspection
JP2007164690A (ja) 画像処理装置及び画像処理方法
CN110573908B (zh) 点群数据处理装置、方法和程序、车辆控制装置以及车辆
JP2003187248A (ja) 画像処理システムおよび画像処理装置
JP2013196268A (ja) 対象物検出装置および対象物検出方法
KR101733288B1 (ko) 방향정보를 이용한 객체 검출기 생성 방법, 이를 이용한 객체 검출 장치 및 방법
JP2018109824A (ja) 電子制御装置、電子制御システムおよび電子制御方法
Silar et al. Utilization of directional properties of optical flow for railway crossing occupancy monitoring
JP2010113562A (ja) 物体検知追跡装置，物体検知追跡方法および物体検知追跡プログラム
KR102172849B1 (ko) 동영상에서 근접해오는 차량 검출 시스템 및 그 방법
Praczyk Detection of land in marine images
Yu et al. Multi-person tracking using SURF and background subtraction for surveillance
JP2010257252A (ja) 画像認識装置
Fard et al. A block matching based method for moving object detection in active camera
JP6688091B2 (ja) 車両距離導出装置および車両距離導出方法

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