CN109697393B - 人物跟踪方法、装置、电子装置及计算机可读介质 - Google Patents

人物跟踪方法、装置、电子装置及计算机可读介质 Download PDF

Info

Publication number
CN109697393B
CN109697393B CN201710996063.0A CN201710996063A CN109697393B CN 109697393 B CN109697393 B CN 109697393B CN 201710996063 A CN201710996063 A CN 201710996063A CN 109697393 B CN109697393 B CN 109697393B
Authority
CN
China
Prior art keywords
tracking
person
frames
time window
images
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
CN201710996063.0A
Other languages
English (en)
Other versions
CN109697393A (zh
Inventor
周佩明
叶韵
张爱喜
武军晖
陈宇
翁志
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology 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 Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201710996063.0A priority Critical patent/CN109697393B/zh
Priority to PCT/CN2018/106140 priority patent/WO2019080668A1/zh
Priority to US16/757,412 priority patent/US11270126B2/en
Publication of CN109697393A publication Critical patent/CN109697393A/zh
Application granted granted Critical
Publication of CN109697393B publication Critical patent/CN109697393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06T7/20—Analysis of motion
    • G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/223—Analysis of motion using block-matching
    • G06T7/231—Analysis of motion using block-matching using full search
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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
    • G06T2207/30241—Trajectory
    • 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
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供一种人物跟踪方法、装置、电子装置及计算机存储介质，属于视频处理技术领域。该方法包括：以时间窗为单位获取N帧图像；根据N帧图像在时间窗内获取目标人物的跟踪路径；通过连续的时间窗构建连续的跟踪路径，得到目标人物的跟踪结果。在现有MHT算法的基础上，以时间窗为单位对含有N帧图像的视频采用全局跟踪的方案进行处理，得到图像中目标人物的追踪路径，而时间窗之间采用类似实时跟踪的方案进行处理，该方法通过对现有技术中全局跟踪与实时跟踪的追踪方法进行优化，不仅能够实现准实时的人物追踪，而且还能避免计算和内存随树深度增加而指数膨胀的问题。

Description

人物跟踪方法、装置、电子装置及计算机可读介质
技术领域
本公开总体涉及视频处理技术领域，具体而言，涉及一种人物跟踪方法、装置、电子装置及计算机可读介质。
背景技术
人物跟踪技术在视频监控中使用广泛，多采用“检测+关联”的方案来实现，即先从视频的每帧图像中将人物检测出来，再把这些人物检测框与人物的身份关联起来，达到对人物轨迹进行跟踪的目的。
按照跟踪处理时延的不同，人物跟踪技术可以分为实时处理与全局处理。这两种方案各有优缺点，实时处理方案虽然能够实时得到跟踪结果，但是在解决人物之间的遮挡、交叉以及人物长时失踪方面，处理能力较差，当某一帧图像的判断出现错误时，无法对这一帧图像后面的图像进行纠正。而全局处理方案虽然可以在处理过程中不断纠正前面帧的错误，容错性较高，但是处理速度很慢，导致无法实时得到跟踪结果。
因此，现有技术中的技术方案还存在有待改进之处。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种人物跟踪方法、装置、电子装置及计算机可读介质，解决上述技术问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提供一种人物跟踪方法，包括：
以时间窗为单位获取N帧图像；
根据所述N帧图像在所述时间窗内获取目标人物的跟踪路径；
通过连续的时间窗构建连续的跟踪路径，得到所述目标人物的跟踪结果。
在本公开的一个实施例中，其中N的取值与响应时延有关。
在本公开的一个实施例中，其中N的取值与所述响应时延以及每秒内图像的帧数有关，N＝Ts*Ns，其中Ts为所述响应时延，Ns为所述每秒内图像的帧数。
在本公开的一个实施例中，根据所述N帧图像在所述时间窗内获取目标人物的跟踪路径包括：
根据所述N帧图像采用全局跟踪算法，进行人物关联匹配，得到一个或多个所述目标人物的跟踪路径。
在本公开的一个实施例中，根据所述N帧图像采用全局跟踪算法，进行人物关联匹配包括：
根据所述N帧图像获取一个根节点和多个子节点；
根据所述一个根节点和所述多个子节点按照时间顺序构建某一目标人物的多叉决策树；
在所述多叉决策树中增加虚拟的子节点，所述虚拟的子节点用于模拟所述目标人物在所述时间窗内未显示的一帧图像；
在所述多叉决策树中计算人物关联得分；
根据所述人物关联得分进行人物关联匹配。
在本公开的一个实施例中，在所述多叉决策树中计算人物关联得分包括：
利用人物卷积神经网络提取特征；
根据所述特征之间的欧氏距离计算得到所述人物关联得分。
在本公开的一个实施例中，所述连续的时间窗包括n个时间窗，所述通过连续的时间窗构建连续的跟踪路径包括：
在第n个时间窗计算得到第n-1个时间窗的目标人物的跟踪路径；
采用实时跟踪算法在连续的时间窗之间通过人物关联匹配构建连续的跟踪路径。
根据本公开的再一方面，提供一种人物跟踪装置，包括：
图像获取模块，被配置于以时间窗为单位获取N帧图像；
时间窗内跟踪模块，被配置于根据所述N帧图像在所述时间窗内获取目标人物的跟踪路径；
连续跟踪路径模块，被配置于通过连续的时间窗构建连续的跟踪路径，得到所述目标人物的跟踪结果。
根据本公开的又一方面，提供一种电子装置，包括处理器；存储器，存储用于所述处理器控制如上所述的操作的指令。
根据本公开的另一方面，提供一种计算机可读介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上所述的信息推送方法。
根据本公开实施例提供的人物跟踪方法、装置、电子装置及计算机可读介质，在现有MHT算法的基础上，以时间窗为单位对含有N帧图像的视频采用全局跟踪的方案进行处理，得到图像中目标人物的追踪路径，而时间窗之间采用类似实时跟踪的方案进行处理，该方法通过对现有技术中全局跟踪与实时跟踪的追踪方法进行优化，不仅能够实现准实时的人物追踪，而且还能避免计算和内存随树深度增加而指数膨胀的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。
图1示出本公开一实施例中提供的一种人物跟踪方法的流程图。
图2示出本公开一实施例图1中步骤S120的流程图。
图3示出本公开一实施例中构建的多叉决策树的示意图。
图4示出本公开一实施例中图2步骤S24的流程图。
图5示出本公开一实施例中采用本实施例提供的方法进行人物跟踪与采用现有技术提供的方法进行人物跟踪的对比图。
图6示出本公开另一实施例中提供的一种人物跟踪装置的示意图。
图7示出本公开一实施例图6中时间窗内跟踪模块620的示意图。
图8示出本公开另一实施例图7中计算得分子模块624的示意图。
图9示出本公开一实施例提供的适于用来实现本申请实施例的电子装置的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
人物跟踪技术可以分为实时处理和全局处理，其中实时处理是指逐帧地依据前帧图像的信息去判断下一帧图像的信息，即根据历史跟踪路径判断下一帧图像人物的位置；全局处理是指在收集整段视频之后，依据所有帧图像中人的位置等信息进行关联，最终得到人物身份在整段视频中的路径。
人物跟踪技术按照跟踪所依据信息的不同，可以分为基于位置的跟踪、基于特征的跟踪以及基于位置和特征的跟踪。例如，可以基于位置和特征采用“多假设跟踪”(multi-hypothesis tracking，简称MHT)算法，构建人物的多叉决策树结构实现多帧之间的关联匹配，进行多目标的人物跟踪。但是现有技术中的MHT算法有以下主要问题：
a.该算法不能实现实时处理，限制其应用范围，尤其是在视频感知处理领域的应用。
b.尽管该算法已经对多叉决策树进行很多消除操作以减少计算量，但是当视频长度增加时，仍面临计算量和内存消耗的指数式膨胀。
c.该算法在人物之间发生遮挡后，不能准确地保持原人物的身份识别功能，即不能准确地将被遮挡前的人与遮挡后重新出现的人关联在一起。
d.该算法在人物关联匹配时，采用较为复杂的得分模型，并通过在线训练分类器的方式进行关联，导致其计算复杂度较高。
基于上述，现有MHT算法存在上述缺陷，本公开对人物跟踪方法进行改进，具体请参照下述实施例。
图1示出本公开一实施例中提供的一种人物跟踪方法的流程图，包括以下步骤：
如图1所示，在步骤S110中，以时间窗为单位获取N帧图像。
如图1所示，在步骤S120中，根据N帧图像在时间窗内获取目标人物的跟踪路径。
如图1所示，在步骤S130中，通过连续的时间窗构建连续的跟踪路径，得到目标人物的跟踪结果。
本公开提供的人物追踪方法在现有MHT算法的基础上，以时间窗为单位对含有N帧图像的视频采用全局跟踪的方案进行处理，得到图像中目标人物的追踪路径，而时间窗之间采用类似实时跟踪的方案进行处理，该方法通过对现有技术中全局跟踪与实时跟踪的追踪方法进行优化，不仅能够实现准实时的人物追踪，而且还能避免计算和内存随树深度增加而指数膨胀的问题。
在本公开的一些实施例中，假设时间窗的长度为N帧，则第0～(N-1)，N～(2N-1)，2N～(3N-1)…(n-1)N～(nN-1)分别划分为n个时间窗。首先，在每个时间窗内，均采用多帧全局跟踪算法，并在时间窗结束后给出此N帧图像中的跟踪路径，这里的跟踪路径可以为一个目标人物的跟踪路径或多个目标人物的跟踪路径，需要根据具体应用场景中的需求而决定。其次，在本实施例中时间窗与时间窗之间，可以采用类似实时跟踪的方式进行人物关联匹配。以此推算，可以在第n个时间窗期间给出第(n-1)个时间窗的跟踪结果，虽然该方法会延迟N帧得出跟踪结果，但能够实现实时处理的效果。相比较于现有技术中的全局跟踪方案需要获取视频的所有帧图像之后才能进行人物路径的追踪计算，本实施例每获取N帧图像就进行全局跟踪算法，得到目标人物跟踪路径，显然时效性得到很大提升，因此可以实现准实时得出目标人物的跟踪路径。
本实施例中步骤S110中将N帧图像划分为一个时间窗，其中N的取值与响应时延有关。在具体应用场景中，N的取值可以与响应时延以及每秒内图像的帧数有关，即N＝Ts*Ns，其中Ts为响应时延，Ns为每秒内图像的帧数。例如，如果应用场景允许有10秒钟的响应时延，则可取N的取值可以为10秒内的帧数，假设视频每秒播放24帧，则N＝10*24＝240。
还需要说明的是，本实施例中N的取值大小，除了与响应时延以及每秒内图像的帧数有关以外，还可以根据对算法性能、计算资源等要求来决定。一般来说，N的取值越大，算法的容错性越好，即解决长时遮挡等问题的效果越好；反之，N的取值越小，响应时延越小，而计算资源消耗也越小。因此，在具体应用中需要根据具体对响应时延、算法性能、计算资源等需求决定。
在本实施例的步骤S120中，根据N帧图像采用全局跟踪算法，进行人物关联匹配，得到一个或多个目标人物的跟踪路径。
图2示出本实施例步骤S120中根据N帧图像采用全局跟踪算法，进行人物关联匹配，得到一个或多个目标人物的跟踪路径的流程图，包括以下步骤：
如图2所示，在步骤S21中，根据N帧图像获取一个根节点和多个子节点。
如图2所示，在步骤S22中，根据根节点和子节点按照时间顺序构建某一目标人物的多叉决策树。
如图2所示，在步骤S23中，在多叉决策树中增加虚拟的子节点，虚拟的子节点用于模拟目标人物在时间窗内未显示的一帧图像。
如图2所示，在步骤S24中，在多叉决策树中计算人物关联得分。
如图2所示，在步骤S25中，根据人物关联得分进行人物关联匹配。
图3示出本实施例中构建的多叉决策树的示意图，其中第(t-1帧)的图像为该多叉决策树的根节点，第t帧包含3个子节点以及第t+1帧包含6个子节点。如图3所示，第t帧的两幅图像作为2个子节点，并在此基础上增加1个虚拟的子节点；第t+1帧的四幅图像作为4个子节点，并在此基础上根据第t帧虚拟的子节点进一步模拟得到2个虚拟的子节点，即虚线框中的图像为虚拟的子节点。
本实施例提供的方法通过在传统MHT算法的多叉决策树结构中引入虚拟“失踪”节点，用于模拟该人物在第t帧时被漏检、或者被遮挡、失踪等情形。该多叉决策树中虚拟的子节点与普通的根节点或子节点一样，参与决策树的优化算法。根据人物关联得分进行决策树的优化，与普通子节点不同之处在于，虚拟的子节点的人物关联得分的数值应设置为可以进行人物特征之间区分的阈值，用以表征在第t帧当前画面内没有找到与根节点(第t-1帧)相匹配的检测框，认为当前帧(第t帧)已失踪，而且根据第t-1帧的画面进行推测得到的可能出现在第t帧画面的图像。
在本实施例中，图4示出本本实施例中步骤S24中在多叉决策树中计算人物关联得分的流程图，包括以下步骤：
如图4所示，在步骤S41中，利用人物卷积神经网络提取特征，需要说明的是，这里的特征为高维的向量，例如包括人物的体态、衣着、位置等信息均属于特征中的一维。
如图4所示，在步骤S42中，根据特征之间的欧氏距离计算得到人物关联得分。通常计算人物关联得分的过程中除了根据计算公式进行计算以外，还要基于一在线训练的分类器来进行决策，这样计算过程的计算复杂度较高，导致程序执行时间很长，内存消耗也较大。本实施例通过简化人物关联得分的计算过程，直接由人物卷积神经网络(Convolutional Neural Network，简称CNN)提取的特征之间的欧氏距离来计算得分。如果检测到前后两帧图像中某一目标人物的特征之间的欧氏距离越大，表示二者之间的相似度越低，人物关联得分也就越低；反之，如果检测到前后两帧图像中某一目标人物的特征之间的欧氏距离越小，表示二者之间的相似度越高，人物关联得分也就得分越高。
得到人物关联得分之后，根据步骤S25进行人物关联匹配，即根据图3所示的多叉决策树进行决策时以人物关联得分为依据，人物关联得分较高者为较优匹配，从而可以在多叉决策树中得到针对某一目标人物的最优的跟踪路径。本实施例提供的方案可以大大节省计算时间，从而保证可以实现实时处理。
在本实施例中，步骤S130中连续的时间窗可以包括n个时间窗，即在视频生产过程中就可以连续地获取时间窗，并在一个时间窗结束后就对该时间窗内的N帧图像进行全局处理，得到该时间窗内的跟踪路径，因此在第n个时间窗计算得到第n-1个时间窗的目标人物的跟踪路径，之后再采用实时跟踪算法在连续的时间窗之间通过人物关联匹配构建连续的跟踪路径。这里的人物关联匹配与上述步骤S25根据人物关联得分进行匹配的方法和原理相同，此处不再赘述。
图5示出采用本实施例提供的方法进行人物跟踪与采用现有技术提供的方法进行人物跟踪的对比图，均以长度为16帧的时间窗为例，第一行为采用本实施例提供的方法进行人物跟踪的结果，第二行为采用现有技术提供的方法进行人物跟踪的结果。如图5所示，第二行第0～15帧图像中的人物由于漏检、遮挡等问题出现多帧“失踪”的现象，如第2、3、4、6、7帧均存在“失踪”现象；而第一行第0～15帧图像中的人物的跟踪路径比较连续，跟踪结果较为完整。由此可见，本实施例提供的方法可以有效解决人物跟踪“失踪”现象，并构建出更加完整和连续的跟踪路径。
综上所述，本实施例提供的人物跟踪方法通过对当前多假设跟踪(MHT)算法进行改进，引入时间窗的概念，在时间窗进行全局跟踪，得到目标人物跟踪路径，在保留MHT多帧全局匹配的优势前提下，可实现准实时的人物跟踪，扩大了算法的应用范围，可以广泛应用在公共场所的实时的视频监控、视频分析、安防等方面。
其次，通过对MHT的树形结构进行改进，在决策树结构中引入虚拟的“失踪”节点来模拟该帧时某个目标人物被遮挡、漏检、后者离开画面，以解决遮挡、失踪等问题。
最后，还对人物关联匹配算法中人物关联得分的计算进行简化，直接依据人物之间的卷积神经网络(CNN)特征的欧氏距离作为人物关联得分，简化得分计算方法以减小计算复杂度，从而使计算效率得到较为明显的提升。
总之，该人物跟踪方法综合多种跟踪算法(全局根据和实时跟踪)的优点，着力提高复杂场景(人与人之间较严重的遮挡或长时失踪)下的跟踪准确率，并提出能够用于实时处理的、计算代价低的解决方案。
图6示出本公开另一实施例中提供的一种人物跟踪装置的示意图。如图6所示，该人物跟踪装置600包括：图像获取模块610、时间窗内跟踪模块620和连续跟踪路径模块630。
图像获取模块610被配置于以时间窗为单位获取N帧图像；时间窗内跟踪模块620被配置于根据N帧图像在时间窗内获取目标人物的跟踪路径；连续跟踪路径模块630被配置于通过连续的时间窗构建连续的跟踪路径，得到目标人物的跟踪结果。
其中图像获取模块610中假设时间窗的长度为N帧，则第0～(N-1)，N～(2N-1)，2N～(3N-1)…(n-1)N～(nN-1)分别划分为n个时间窗。首先，在每个时间窗内，均采用多帧全局跟踪算法，并在时间窗结束后给出此N帧图像中的跟踪路径，这里的跟踪路径可以为一个目标人物的跟踪路径或多个目标人物的跟踪路径，需要根据具体应用场景中的需求而决定。其次，在本实施例中时间窗与时间窗之间，可以采用类似实时跟踪的方式进行人物关联匹配。以此推算，可以在第n个时间窗期间给出第(n-1)个时间窗的跟踪结果，虽然该方法会延迟N帧得出跟踪结果，但能够实现实时处理的效果。相比较于现有技术中的全局跟踪方案需要获取视频的所有帧图像之后才能进行目标人物路径的追踪计算，本实施例每获取N帧图像就进行全局跟踪算法，得到目标人物跟踪路径，显然时效性得到很大提升，因此可以实现准实时得出人物的跟踪路径。
图像获取模块610将N帧图像划分为一个时间窗，其中N的取值与响应时延有关。在具体应用场景中，N的取值可以与响应时延以及每秒内图像的帧数有关，即N＝Ts*Ns，其中Ts为响应时延，Ns为每秒内图像的帧数。例如，如果应用场景允许有10秒钟的响应时延，则可取N的取值可以为10秒内的帧数，假设视频每秒播放24帧，则N＝10*24＝240。
还需要说明的是，本实施例中N的取值大小，除了与响应时延以及每秒内图像的帧数有关以外，还可以根据对算法性能、计算资源等要求来决定。一般来说，N的取值越大，算法的容错性越好，即解决长时遮挡等问题的效果越好；反之，N的取值越小，响应时延越小，而计算资源消耗也越小。因此，在具体应用中需要根据具体对响应时延、算法性能、计算资源等需求决定。
时间窗内跟踪模块620根据N帧图像采用全局跟踪算法，进行人物关联匹配，得到一个或多个目标人物的跟踪路径。
图7示出本实施例图6中时间窗内跟踪模块620的示意图。如图7所示，时间窗内跟踪模块620包括：节点获取子模块621、顺序构建子模块622、虚拟子模块623、计算得分子模块624和关联子模块625。
节点获取子模块621被配置于根据N帧图像获取一个根节点和多个子节点。顺序构建子模块622被配置于根据根节点和子节点按照时间顺序构建某一目标人物的多叉决策树。虚拟子模块623被配置于在多叉决策树中增加虚拟的子节点，虚拟的子节点用于模拟目标人物在时间窗内未显示的一帧图像。计算得分子模块624被配置于在多叉决策树中计算人物关联得分。关联子模块625被配置于根据人物关联得分进行人物关联匹配。
图8示出本实施例图7中计算得分子模块624的示意图，如图8所示，计算得分子模块624包括特征提取单元6241和欧氏距离计算单元6242，特征提取单元6241被配置于利用人物卷积神经网络提取特征；欧氏距离计算单元6242被配置于根据特征之间的欧氏距离计算得到人物关联得分。通常计算人物关联得分的过程中除了根据计算公式进行计算以外，还要基于一在线训练的分类器来进行决策，这样计算过程的计算复杂度较高，导致程序执行时间很长，内存消耗也较大。本实施例通过简化人物关联得分的计算过程，直接由人物卷积神经网络(CNN)提取的特征之间的欧氏距离来计算得分。如果检测到前后两帧图像中某一目标人物的特征之间的欧氏距离越大，表示二者之间的相似度越低，人物关联得分也就越低；反之，如果检测到前后两帧图像中某一目标人物的特征之间的欧氏距离越小，表示二者之间的相似度越高，人物关联得分也就得分越高。
该装置中各个模块的功能参见上述方法实施例中的相关描述，此处不再赘述。
综上所述，本实施例提供的人物跟踪装置通过对当前多假设跟踪(MHT)算法进行改进，引入时间窗的概念，在时间窗进行全局跟踪，得到目标人物跟踪路径，在保留MHT多帧全局匹配的优势前提下，可实现准实时的人物跟踪，扩大了算法的应用范围，可以广泛应用在公共场所的实时的视频监控、视频分析、安防等方面。
其次，通过对MHT的树形结构进行改进，在决策树结构中引入虚拟的“失踪”节点来模拟该帧时某个目标人物被遮挡、漏检、后者离开画面，以解决遮挡、失踪等问题。
最后，还对人物关联匹配算法中人物关联得分的计算进行简化，直接依据人物之间的卷积神经网络(CNN)特征的欧氏距离作为人物关联得分，简化得分计算方法以减小计算复杂度，从而使计算效率得到较为明显的提升。
总之，该人物跟踪装置综合多种跟踪算法(全局根据和实时跟踪)的优点，着力提高复杂场景(人与人之间较严重的遮挡或长时失踪)下的跟踪准确率，并提出能够用于实时处理的、计算代价低的解决方案。
另一方面，本公开还提供了一种电子装置，包括处理器和存储器，存储器存储用于上述处理器控制以下的操作的指令：
以时间窗为单位获取N帧图像；根据N帧图像在时间窗内获取目标人物的跟踪路径；通过连续的时间窗构建连续的跟踪路径，得到目标人物的跟踪结果。
下面参考图9，其示出了适于用来实现本申请实施例的电子装置的计算机系统900的结构示意图。图9示出的电子装置仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分907加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统900操作所需的各种程序和数据。CPU901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，发送单元还可以被描述为“向所连接的服务端发送图片获取请求的单元”。
另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：
以时间窗为单位获取N帧图像；根据N帧图像在时间窗内获取目标人物的跟踪路径；通过连续的时间窗构建连续的跟踪路径，得到目标人物的跟踪结果。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施方式。
以上具体地示出和描述了本公开的示例性实施方式。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (7)

1.一种人物跟踪方法，其特征在于，包括：
以时间窗为单位获取N帧图像；
根据所述N帧图像在所述时间窗内获取目标人物的跟踪路径；
通过连续的时间窗构建连续的跟踪路径，得到所述目标人物的跟踪结果；
其中，根据所述N帧图像在所述时间窗内获取目标人物的跟踪路径包括：
根据所述N帧图像获取一个根节点和多个子节点；
根据所述一个根节点和所述多个子节点按照时间顺序构建某一目标人物的多叉决策树；
在所述多叉决策树中增加虚拟的子节点，所述虚拟的子节点用于模拟所述目标人物在所述时间窗内未显示的一帧图像；
利用人物卷积神经网络提取特征，并根据所述特征之间的欧氏距离计算得到所述人物关联得分；
根据所述人物关联得分进行人物关联匹配，得到一个或多个所述目标人物的跟踪路径。
2.根据权利要求1所述的人物跟踪方法，其特征在于，其中N的取值与响应时延有关。
3.根据权利要求2所述的人物跟踪方法，其特征在于，其中N的取值与所述响应时延以及每秒内图像的帧数有关，N＝Ts*Ns，其中Ts为所述响应时延，Ns为所述每秒内图像的帧数。
4.根据权利要求1所述的人物跟踪方法，其特征在于，所述连续的时间窗包括n个时间窗，所述通过连续的时间窗构建连续的跟踪路径包括：
在第n个时间窗计算得到第n-1个时间窗的目标人物的跟踪路径；
采用实时跟踪算法在连续的时间窗之间通过人物关联匹配构建连续的跟踪路径。
5.一种人物跟踪装置，其特征在于，包括：
图像获取模块，被配置于以时间窗为单位获取N帧图像；
时间窗内跟踪模块，被配置于根据所述N帧图像在所述时间窗内获取目标人物的跟踪路径；
连续跟踪路径模块，被配置于通过连续的时间窗构建连续的跟踪路径，得到所述目标人物的跟踪结果；
其中，所述时间窗内跟踪模块还被配置于：
根据所述N帧图像获取一个根节点和多个子节点；
根据所述一个根节点和所述多个子节点按照时间顺序构建某一目标人物的多叉决策树；
在所述多叉决策树中增加虚拟的子节点，所述虚拟的子节点用于模拟所述目标人物在所述时间窗内未显示的一帧图像；
利用人物卷积神经网络提取特征，并根据所述特征之间的欧氏距离计算得到所述人物关联得分；
根据所述人物关联得分进行人物关联匹配，得到一个或多个所述目标人物的跟踪路径。
6.一种电子装置，其特征在于，包括：
处理器；
存储器，存储用于被所述处理器执行时实现如权利要求1-4任一项所述人物跟踪方法的指令。
7.一种计算机可读介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-4任一项所述的人物跟踪方法。
CN201710996063.0A 2017-10-23 2017-10-23 人物跟踪方法、装置、电子装置及计算机可读介质 Active CN109697393B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710996063.0A CN109697393B (zh) 2017-10-23 2017-10-23 人物跟踪方法、装置、电子装置及计算机可读介质
PCT/CN2018/106140 WO2019080668A1 (zh) 2017-10-23 2018-09-18 人物跟踪方法、装置、电子装置及计算机可读介质
US16/757,412 US11270126B2 (en) 2017-10-23 2018-09-18 Person tracking method, device, electronic device, and computer readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710996063.0A CN109697393B (zh) 2017-10-23 2017-10-23 人物跟踪方法、装置、电子装置及计算机可读介质

Publications (2)

Publication Number Publication Date
CN109697393A CN109697393A (zh) 2019-04-30
CN109697393B true CN109697393B (zh) 2021-11-30

Family

ID=66226075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710996063.0A Active CN109697393B (zh) 2017-10-23 2017-10-23 人物跟踪方法、装置、电子装置及计算机可读介质

Country Status (3)

Country Link
US (1) US11270126B2 (zh)
CN (1) CN109697393B (zh)
WO (1) WO2019080668A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443833B (zh) * 2018-05-04 2023-09-26 佳能株式会社 对象跟踪方法和设备
CN110533685B (zh) 2019-08-30 2023-10-24 腾讯科技（深圳）有限公司 对象跟踪方法和装置、存储介质及电子装置
CN110533700B (zh) * 2019-08-30 2023-08-29 腾讯科技（深圳）有限公司 对象跟踪方法和装置、存储介质及电子装置
CN112181667B (zh) * 2020-10-30 2023-08-08 中国科学院计算技术研究所 一种用于目标跟踪的多假设树虚拟化管理方法
US20230112584A1 (en) * 2021-10-08 2023-04-13 Target Brands, Inc. Multi-camera person re-identification

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5813863A (en) * 1996-05-01 1998-09-29 Sloane; Sharon R. Interactive behavior modification system
US6954678B1 (en) * 2002-09-30 2005-10-11 Advanced Micro Devices, Inc. Artificial intelligence system for track defect problem solving
US8208067B1 (en) * 2007-07-11 2012-06-26 Adobe Systems Incorporated Avoiding jitter in motion estimated video
CN102436662B (zh) * 2011-11-29 2013-07-03 南京信息工程大学 一种非重叠视域多摄像机网络中的人体目标跟踪方法
CN103324937B (zh) * 2012-03-21 2016-08-03 日电（中国）有限公司 标注目标的方法和装置
US20140067342A1 (en) * 2012-08-28 2014-03-06 Numerica Corporation Particle tracking in biological systems
WO2016004258A1 (en) * 2014-07-03 2016-01-07 Gopro, Inc. Automatic generation of video and directional audio from spherical content
CN104200488A (zh) * 2014-08-04 2014-12-10 合肥工业大学 一种基于图表示和匹配的多目标跟踪方法
CN104484571A (zh) * 2014-12-22 2015-04-01 深圳先进技术研究院 一种基于边缘距离排序的集成学习机修剪方法及系统
CN104881882A (zh) * 2015-04-17 2015-09-02 广西科技大学 一种运动目标跟踪与检测方法
CN105354588A (zh) * 2015-09-28 2016-02-24 北京邮电大学 一种构造决策树的方法
CN105205500A (zh) * 2015-09-29 2015-12-30 北京邮电大学 基于多目标跟踪与级联分类器融合的车辆检测
CN105577773B (zh) * 2015-12-17 2019-01-04 清华大学 基于分布式节点及虚拟总线模型的智能车数据平台架构
GB2545658A (en) * 2015-12-18 2017-06-28 Canon Kk Methods, devices and computer programs for tracking targets using independent tracking modules associated with cameras
CN107203756B (zh) * 2016-06-06 2020-08-28 亮风台（上海）信息科技有限公司 一种识别手势的方法与设备
CN106846361B (zh) * 2016-12-16 2019-12-20 深圳大学 基于直觉模糊随机森林的目标跟踪方法及装置
CN106846355B (zh) * 2016-12-16 2019-12-20 深圳大学 基于提升直觉模糊树的目标跟踪方法及装置
CN106527496B (zh) * 2017-01-13 2019-07-02 平顶山学院 面向无人机航拍图像序列的空中目标快速跟踪方法

Also Published As

Publication number Publication date
US20200334466A1 (en) 2020-10-22
WO2019080668A1 (zh) 2019-05-02
CN109697393A (zh) 2019-04-30
US11270126B2 (en) 2022-03-08

Similar Documents

Publication Publication Date Title
CN109697393B (zh) 人物跟踪方法、装置、电子装置及计算机可读介质
CN110378264B (zh) 目标跟踪方法及装置
JP7270617B2 (ja) 歩行者流量ファネル生成方法及び装置、プログラム、記憶媒体、電子機器
CN107025658A (zh) 采用单个相机检测运动物体的方法和系统
CN108960090A (zh) 视频图像处理方法及装置、计算机可读介质和电子设备
US20210350146A1 (en) Vehicle Tracking Method, Apparatus, and Electronic Device
CN113378600B (zh) 一种行为识别方法及系统
CN110807410B (zh) 关键点定位方法、装置、电子设备和存储介质
CN113378770B (zh) 手势识别方法、装置、设备、存储介质
US11361534B2 (en) Method for glass detection in real scenes
CN114898416A (zh) 一种人脸识别方法、装置、电子设备及可读存储介质
Tan et al. A multiple object tracking algorithm based on YOLO detection
Jiang et al. Data fusion-based multi-object tracking for unconstrained visual sensor networks
CN111161325A (zh) 基于卡尔曼滤波与lstm的三维多目标跟踪方法
KR20220153667A (ko) 특징 추출 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램
CN111680600A (zh) 人脸识别模型处理方法、装置、设备和存储介质
US20220207861A1 (en) Methods, devices, and computer readable storage media for image processing
CN116611491A (zh) 目标检测模型的训练方法、装置、电子设备和存储介质
US11715372B2 (en) Signal lamp recognition method, device, and storage medium
KR20220149717A (ko) 단안 카메라로부터 전체 골격 3d 포즈 복구
Vora et al. Bringing generalization to deep multi-view pedestrian detection
CN112183431A (zh) 实时行人数量统计方法、装置、相机和服务器
CN114627556B (zh) 动作检测方法、动作检测装置、电子设备以及存储介质
Rimboux et al. Smart IoT cameras for crowd analysis based on augmentation for automatic pedestrian detection, simulation and annotation
Hsu et al. RAF: a dynamic and efficient approach to fusion for multitarget tracking in CCTV surveillance

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