CN110211153A - 目标跟踪方法、目标跟踪装置以及计算机存储介质 - Google Patents

目标跟踪方法、目标跟踪装置以及计算机存储介质 Download PDF

Info

Publication number
CN110211153A
CN110211153A CN201910453587.4A CN201910453587A CN110211153A CN 110211153 A CN110211153 A CN 110211153A CN 201910453587 A CN201910453587 A CN 201910453587A CN 110211153 A CN110211153 A CN 110211153A
Authority
CN
China
Prior art keywords
frame
target
positive sample
training
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.)
Pending
Application number
CN201910453587.4A
Other languages
English (en)
Inventor
李璐一
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN201910453587.4A priority Critical patent/CN110211153A/zh
Publication of CN110211153A publication Critical patent/CN110211153A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种目标跟踪方法、目标跟踪装置以及计算机存储介质。该目标跟踪方法包括：获取训练图像以及训练图像中的训练目标框；以预设尺度遍历训练图像，得到多个初始目标框，基于训练目标框，由初始目标框生成正样本训练框和负样本训练框；计算正样本训练框的特征值，生成特征值正样本概率分布图；获取检测图像以及检测图像中的检测目标框；基于检测目标框，由初始目标框得到样本目标框；计算样本目标框的特征值；基于特征值正样本概率分布图，确定样本目标框为正样本的概率；根据样本目标框为正样本的概率，确定检测目标框中是否目标丢失。本申请的目标跟踪方法能够有效提高目标跟踪过程中目标丢失判断的准确率。

Description

目标跟踪方法、目标跟踪装置以及计算机存储介质
技术领域
本申请涉及目标跟踪技术领域，特别是涉及一种目标跟踪方法、目标跟踪装置以及计算机存储介质。
背景技术
目标跟踪在视觉导航、行为识别、智能交通、环境监测、战场侦察、军事打击等众多领域有非常广泛的研究和应用。目前的智能视频监控是利用计算机视觉技术对输入视频信号进行处理、分析和理解，通过对图像序列的智能分析，实现对监控场景中的感兴趣区域的定位、检测和跟踪等功能，并以此为基础，进一步分析和判断目标的行为，从而在异常情况下提供有效信息，并最大限度地降低虚假警报和漏报等情况。
现有的目标跟踪技术中，当目标被遮挡或者发生异常情况时，相机无法通过图像分析目标已丢失，从而返回相机预置点位，导致相机长时间静止不动。而且，目前的目标跟踪方法使用简单策略组合，稳定性不高，不能通用于多场景；目前的目标跟踪算法不具有强识别性，误判率较高，整个算法需要设置的阈值较多，调整参数时比较麻烦。
发明内容
本申请提供了一种目标跟踪方法、目标跟踪装置以及计算机存储介质，主要解决的技术问题是如何提高目标跟踪过程中目标丢失判断的准确率的问题。
为解决上述技术问题，本申请提供了一种目标跟踪方法，所述目标跟踪方法包括：获取训练图像以及所述训练图像中的训练目标框；以预设尺度遍历所述训练图像，得到多个初始目标框，基于所述训练目标框，由所述初始目标框生成正样本训练框和负样本训练框；计算所述正样本训练框的特征值，生成所述特征值正样本概率分布图；获取检测图像以及所述检测图像中的检测目标框；基于所述检测目标框，由所述初始目标框得到样本目标框；计算所述样本目标框的特征值；基于所述特征值正样本概率分布图，确定所述样本目标框为正样本的概率；根据所述样本目标框为正样本的概率，确定所述检测目标框中是否目标丢失。
为解决上述技术问题，本申请还提供了一种目标跟踪装置，所述目标跟踪装置包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的目标跟踪方法。
为解决上述技术问题，本申请还提供了一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如上述的目标跟踪方法。
与现有技术相比，本申请的有益效果是：目标跟踪装置获取训练图像以及训练图像中的训练目标框；以预设尺度遍历训练图像，得到多个初始目标框，基于训练目标框，由初始目标框生成正样本训练框和负样本训练框；计算正样本训练框的特征值，生成特征值正样本概率分布图；获取检测图像以及检测图像中的检测目标框；基于检测目标框，由初始目标框得到样本目标框；计算样本目标框的特征值；基于特征值正样本概率分布图，确定样本目标框为正样本的概率；根据样本目标框为正样本的概率，确定检测目标框中是否目标丢失。本申请的目标跟踪装置通过训练特征值正样本概率分布图，并基于特征值正样本概率分布图获取样本目标框为正样本的概率，从而确定检测目标框中是否目标丢失，进而有效提高目标跟踪过程中目标丢失判断的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。其中：
图1是本申请目标跟踪方法第一实施例的流程示意图；
图2是本申请目标跟踪方法第二实施例的流程示意图；
图3是本申请目标跟踪方法第三实施例的流程示意图；
图4是本申请目标跟踪方法第四实施例的流程示意图；
图5是本申请目标跟踪装置一实施例的结构示意图；
图6是本申请计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为了解决上述的问题，本申请提出了一种目标跟踪方法，其中，本申请提出的目标跟踪方法均应用于目标跟踪装置。具体请参阅图1，图1是本申请目标跟踪方法第一实施例的流程示意图。
如图1所示，本实施例的目标跟踪方法具体包括以下步骤：
S101：获取训练图像以及训练图像中的训练目标框。
其中，目标跟踪装置可以包括摄像装置，也可以与外部摄像装置建立通信连接，从而通过摄像装置获取用于目标跟踪的多帧图像。摄像装置可以安装在一些需要视频监控的场所上，例如银行、医院、学校等公众活动和聚集场所。摄像装置实时对视频监控场所的信息进行采集和录制，并将采集到的信息作为监控图像或将采集到的信息合成为监控图像并传输给目标跟踪装置。
另外，目标跟踪装置也可以接入外部存储设备，外部存储设备可以为移动硬盘、软盘驱动器、U盘或光盘驱动器等。其中，外部存储设备中存储有监控图像，目标跟踪装置可以直接从外部存储设备获取监控图像。
进一步地，目标跟踪装置以获取的多帧图像中的第一帧图像为训练图像，其余图像作为检测图像；在其它实施例中，目标跟踪装置也可以根据技术人员的需求将其它帧图像作为训练图像，在此不再赘述。其中，本申请的目标跟踪方法中的训练过程只在第一帧图像，即训练图像时进行，能够大幅度提高目标跟踪方法的工作效率。
目标跟踪装置基于训练图像中的像素信息生成训练目标框，其中，训练目标框中包括带有目标信息的像素信息。
S102：以预设尺度遍历训练图像，得到多个初始目标框。
其中，目标跟踪装置以预设尺度遍历训练图像，预设尺度可以设置为21个，每个尺度之间的关系为1.2倍。目标跟踪装置以训练目标框为基准1，即每个尺度与基准1的关系为1*1.2n,n∈[-20,20]，对训练图像以遍历的方式生成大数量的初始目标框，每个尺度对应的初始目标框可以包括一个或多个。
在本实施例中，每个目标框的尺度可以为目标框的长度、宽度或者面积。
S103：基于训练目标框，由初始目标框生成正样本训练框和负样本训练框。
其中，目标跟踪装置通过遍历训练图像的方式获取大数量的初始目标框后，根据训练目标框和初始目标框的关系获取有效的样本训练框。
具体地，基于目标框的面积大小，目标跟踪装置计算训练目标框与每个初始目标框的重叠率。训练目标框与初始目标框的重叠率的计算方式可以为：训练目标框和初始目标框的面积合集与训练目标框和初始目标框的面积并集的比值，即训练目标框与初始目标框的重叠率。
获取训练目标框与每个初始目标框的重叠率后，目标跟踪装置将重叠率最高的10个初始目标框作为正样本训练框，将重叠率小于0.2的初始目标框作为负样本训练框。其中，上述经验值如10,0.2等，可以根据技术人员的需求进行调整，在此不再赘述。
S104：计算正样本训练框的特征值，生成特征值正样本概率分布图。
其中，目标跟踪装置计算基于每个正样本训练框的像素信息计算对应的特征值，并统计多个正样本训练框的特征值，以生成特征值正样本概率分布图。
其中，特征值正样本概率分布图可以为特征值直方图，基于特征值直方图，可以计算新样本训练框的特征值，并由特征直方图中对应的特征值为正样本的概率判断新样本训练框是否为正样本训练框。
S105：获取检测图像以及检测图像中的检测目标框。
其中，目标跟踪装置将多帧图像中除训练图像以外的图像作为检测图像，并以在训练图像中生成训练目标框的方式在检测图像中生成检测目标框。
S106：基于检测目标框，由初始目标框得到样本目标框。
其中，目标跟踪装置在检测图像中生成S102中的初始目标框，并计算每个初始目标框与检测目标框的重叠率，计算方式与上述S102的重叠率计算方式相同，在此不再赘述。
目标跟踪装置可以将与检测目标框重叠率大于一定阈值的初始目标框作为样本目标框。
S107：计算样本目标框的特征值。
其中，目标跟踪装置基于样本目标框内的像素信息计算样本目标框的特征值。
S108：基于特征值正样本概率分布图，确定样本目标框为正样本的概率。
其中，目标跟踪装置提取特征值正样本概率分布图，并基于S107中计算的特征值，匹配特征值正样本概率分布图的特征值，以获取该特征值为正样本的概率。
具体地，目标跟踪装置获取样本目标框中的所有特征值后，获取每个特征值为正样本的概率，并将多个特征值为正样本的概率相加，从而获得样本目标框为正样本的概率。
S109：根据样本目标框为正样本的概率，确定检测目标框中是否目标丢失。
其中，目标跟踪装置将每个样本目标框为正样本的概率与概率阈值比较，以将样本目标框为正样本的概率大于概率阈值的样本目标框确定为正样本目标框。
目标跟踪装置基于上述比较结果获取检测图像中的正样本数量，当一检测图像中的正样本数量大于数量阈值时，确定该检测图像的检测目标框中目标未丢失；当一检测图像中的正样本数量小于或等于数量阈值时，确定该检测图像的检测目标框中目标丢失。
在本实施例中，目标检测装置获取训练图像以及训练图像中的训练目标框；以预设尺度遍历训练图像，得到多个初始目标框，基于训练目标框，由初始目标框生成正样本训练框和负样本训练框；计算正样本训练框的特征值，生成特征值正样本概率分布图；获取检测图像以及检测图像中的检测目标框；基于检测目标框，由初始目标框得到样本目标框；计算样本目标框的特征值；基于特征值正样本概率分布图，确定样本目标框为正样本的概率；根据样本目标框为正样本的概率，确定检测目标框中是否目标丢失。本申请的目标跟踪装置通过训练特征值正样本概率分布图，并基于特征值正样本概率分布图获取样本目标框为正样本的概率，从而确定检测目标框中是否目标丢失，进而有效提高目标跟踪过程中目标丢失判断的准确率。
对于图1所示实施例中的S103，本申请进一步提出了另一种具体的方法。具体请参阅图2，图2是本申请目标跟踪方法第二实施例的流程示意图。
具体在上述S103中，目标跟踪方法基于训练目标框和初始目标框的重叠率关系将多个初始目标框筛选并划分出正样本训练框和负样本训练框。但由于初始目标框的生成数量和筛选条件的限制，会导致正样本训练框的数量不足以及负样本训练框的数量过多，因此，本实施例的目标跟踪方法还需要对正样本训练框和负样本训练框进行处理。
为了提高目标跟踪方法的训练效率，具体地，本实施例的目标跟踪方法提出了以下方法：
S201：计算初始目标框与训练目标框的重叠率。
其中，目标跟踪装置基于上述S103计算初始目标框与训练目标框的重叠率。
S202：基于重叠率满足第一预设条件的初始目标框，生成正样本训练框。
其中，目标跟踪装置可以设置第一预设条件为重叠率最高的前m个初始目标框，m的数值可以根据技术人员的需求进行调整。基于上述第一预设条件，目标跟踪装置从多个初始目标框中筛选出m个正样本训练框。
进一步地，目标跟踪装置通过仿射变换将筛选出的m个正样本训练框变换生成a*m个正样本训练框。变换生成的正样本训练框与原来的正样本训练框的旋转角度在-20°～20°之间，缩放倍数在0.98～1.02之间。目标跟踪装置进一步对训练推向做随机高斯滤波，以添加随机高斯噪声，保证其鲁棒性。
S203：基于重叠率满足第二预设条件的初始目标框，生成负样本训练框。
其中，目标跟踪装置可以设置第二预设条件为重叠率小于n的初始目标框，n的数值也可以根据技术人员的需求进行调整。基于上述第二预设条件，目标跟踪装置从多个初始目标框中筛选出n个负样本训练框。
进一步地，目标跟踪装置对n个负样本训练框进行处理，将像素方差小于上述重叠率最高的正样本训练框像素方差一半的负样本训练框剔除，并减少一半负样本训练框数量，其目的是为了去除一些不必要或者不重要的样本训练框，从而提高目标跟踪方法的训练效率。
在本实施例中，目标跟踪装置基于第一预设条件以及第二预设条件从多个初始目标框中筛选出正样本训练框和负样本训练框后，通过仿射变换增加正样本训练框的数量，还基于正样本训练框的像素方差剔除一半数量的负样本训练框数量，从而提高目标跟踪方法的训练效率。
对于图1所示实施例中的S104，本申请进一步提出了另一种具体的方法。具体请参阅图3，图3是本申请目标跟踪方法第三实施例的流程示意图。
具体地，本实施例的目标跟踪方法提出了以下方法：
S301：在目标框随机生成多个特征点对，或根据预设算法生成多个特征点对。
其中，目标跟踪装置可以在训练图像中随机生成多个特征点对，也可以选择使用预设算法生成多个关键特征点对。
上述预设算法为使用一种特征点生成算法生成一特征点，并对经过平移后的训练图像生成另一特征点，从而形成特征点对。目标跟踪装置还使用预设算法生成的多个特征点对中还可以筛选出关键特征点对，筛选的方法为：如果经过平移后的训练图像中的特征点能够反映射回到源训练图像，不改变其位置，则确定该特征点为优异的关键特征点，相关的特征点对为关键特征点对。
S302：基于多个特征点对计算随机蕨类特征值。
其中，目标跟踪装置基于多个特征点对计算每个随机蕨类特征值。
具体地，目标跟踪装置提取一个随机蕨类中的一对特征点对。其中，该特征点对对应的位置为x1，x2，每个特征点对应的像素值为Px1，Px2。比较两个特征点的像素值大小，若Px1>Px2，则该特征点对的特征值为1；若Px1<Px2，则该特征点对的特征值为0。由于每个随机蕨类包括多个特征点对(随机蕨的深度)，多个特征点对的特征值形成一个二进制字符串，目标跟踪装置将二进制字符串转换为十进制字符串后即为对应的随机蕨类的特征值。
S303：统计每个特征值的正样本训练框数量，计算每一特征值的正样本概率。
其中，目标跟踪装置统计每个特征值所在的正样本训练框数量，以计算每一特征值的正样本概率。
具体地，计算正样本概率的核心公式为：
其中，p(F|Ck)为该特征值是正样本的个数，∑kp(F|Ck)为该特征值是正样本的个数和负样本个数的总和，即由先验概率已知正负样本的特征值计算已知新样本的特征值判断该样本是正样本还是负样本。
S304：根据每一特征值的正样本概率，生成特征值正样本概率分布图。
其中，目标跟踪装置根据S303中计算的每个特征值的正样本概率，生成特征值正样本概率分布图。特征值正样本概率分布图至少包括每个特征值在图像中的坐标位置、像素信息以及正负样本信息。
在本实施例中，目标跟踪装置采用一种基于随机蕨类特征点检测的目标丢失判断算法，具有准确度高、局限性低的优点，并尽可能减少算法复杂度和对场景的依赖性。
对于图1所示实施例中的S109，本申请进一步提出了另一种具体的方法。具体请参阅图4，图4是本申请目标跟踪方法第四实施例的流程示意图。
具体在上述S109中，目标跟踪装置根据样本目标框为正样本的概率，即确定检测目标框中是否目标丢失。在实际应用中，目标跟踪方法还需要引入多角度和多元素的评价标准，从而提高目标检测方法的准确度。
具体地，本实施例的目标检测方法还提出了以下方法：
S401：比较样本目标框为正样本的概率与正样本概率阈值。
其中，目标跟踪装置基于特征值正样本概率分布图确定样本目标框为正样本的概率后，比较样本目标框为正样本的概率与正样本概率阈值；若样本目标框为正样本的概率大于正样本概率阈值，则进入S402。
S402：认为样本目标框为正样本。
其中，目标跟踪装置认为满足S401的条件的样本目标框为正样本。
S403：统计多个样本目标框中正样本数量。
其中，目标跟踪装置对多个样本目标框执行上述S402，以统计检测图像中多个样本目标框中的正样本数量。
S404：比较正样本数量和正样本数量阈值。
其中，目标跟踪装置比较多个样本目标框中的正样本数量和正样本数量阈值。若正样本数量大于正样本数量阈值，则说明目标丢失的概率比较小，进入S406结合其它策略继续进行判断；若正样本数量小于或等于正样本数量阈值，则说明此帧检测图像中目标丢失，进入S405。其中，正样本数量阈值通常设置为2，在其它实施例中，正样本数量阈值也可以设置为其它数值，在此不再赘述。
S405：确定检测目标框中目标丢失。
S406：比较检测目标框置信度与第一置信度阈值。
其中，目标跟踪装置比较检测目标框置信度与第一置信度阈值，检测目标框置信度为检测图像中正样本数量与样本目标框数量的比值。当检测目标框置信度小于第一置信度阈值时，说明跟踪结果不可信，进入S407；当检测目标框置信度大于或等于第一置信度阈值时，则进入S408进一步判断此帧检测图像中目标是否真实丢失。
S407：确定检测目标框中目标丢失。
S408：比较检测目标框的方差与训练目标框的方差。
其中，目标跟踪装置比较检测目标框的像素方差和训练目标框的像素方差。考虑到目标丢失的原因正常因为遮挡，此时检测目标框内的像素方差值与存在目标时像素方差值，即训练目标框的像素方差值不同，因此可以通过方差比较的方式进一步判断此帧检测图像的目标是否丢失。
当检测目标框的像素方差和训练目标框的像素方差不同时，则进入S409；当检测目标框的像素方差和训练目标框的像素方差相同时，说明此帧检测图像的目标未丢失。
S409：确定检测目标框中目标丢失。
S410：以多帧图像中每帧图像作为检测图像，每帧图像的目标框作为检测目标框，并确定每帧图像的目标框中是否目标丢失。
其中，目标检测装置对多帧图像中的每帧图像执行上述S401～S409，以判断每帧检测图像的目标框中是否目标丢失。
S411：统计多帧图像中连续目标丢失的图像帧数。
其中，目标跟踪装置设置一计数器，计数器初始预设为0。在判断过程中，每次出现确定检测目标框中目标丢失的结果时，计数器加1，以此统计多帧图像中连续目标丢失的图像帧数。
S412：若连续目标丢失的图像帧数大于帧数阈值，则确定目标跟踪丢失。
其中，帧数阈值可以设置为50帧或其它数值，在此不再赘述。
在本实施例中，目标跟踪装置将重叠率大于一定阈值的目标框进行检测，一方面提高了算法准确率，另一方面能够提高检测准确率，防止周围目标影响；目标跟踪装置实现多策略综合判断目标是否丢失的过程，通过结合跟踪结果的置信度以及随机蕨目标检测的方法，多帧累计的方式进行目标丢失的判断，提要目标跟踪方法的准确度。
为实现上述实施例的目标跟踪方法，本申请还提出了一种目标跟踪装置，具体请参阅图5，图5是本申请目标跟踪装置一实施例的结构示意图。
人脸跟踪装置500包括存储器51和处理器52，其中，存储器51和处理器52耦接。
存储器51用于存储程序数据，处理器62用于执行程序数据以实现上述实施例的目标跟踪方法，如：获取训练图像以及训练图像中的训练目标框；以预设尺度遍历训练图像，得到多个初始目标框，基于训练目标框，由初始目标框生成正样本训练框和负样本训练框；计算正样本训练框的特征值，生成特征值正样本概率分布图；获取检测图像以及检测图像中的检测目标框；基于检测目标框，由初始目标框得到样本目标框；计算样本目标框的特征值；基于特征值正样本概率分布图，确定样本目标框为正样本的概率；根据样本目标框为正样本的概率，确定检测目标框中是否目标丢失。
在本实施例中，处理器52还可以称为CPU(Central Processing Unit，中央处理单元)。处理器52可能是一种集成电路芯片，具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器52也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，如图6所示，计算机存储介质600用于存储程序数据，程序数据在被处理器执行时，用以实现如本申请目标跟踪方法实施例中所述的方法。
本申请目标跟踪方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置中，例如一个计算机可读取存储介质中。基于这样的理解，本申请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全部或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，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式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。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (15)

1.一种目标跟踪方法，其特征在于，所述目标跟踪方法包括：
获取训练图像以及所述训练图像中的训练目标框；
以预设尺度遍历所述训练图像，得到多个初始目标框；
基于所述训练目标框，由所述初始目标框生成正样本训练框和负样本训练框；
计算所述正样本训练框的特征值，生成所述特征值正样本概率分布图；
获取检测图像以及所述检测图像中的检测目标框；
基于所述检测目标框，由所述初始目标框得到样本目标框；
计算所述样本目标框的特征值；
基于所述特征值正样本概率分布图，确定所述样本目标框为正样本的概率；
根据所述样本目标框为正样本的概率，确定所述检测目标框中是否目标丢失。
2.根据权利要求1所述的目标跟踪方法，其特征在于，所述基于所述检测目标框，由所述初始目标框得到样本目标框的步骤，进一步包括：
计算所述初始目标框与所述检测目标框的重叠率；
将所述重叠率大于重叠率阈值的初始目标框作为所述样本目标框。
3.根据权利要求1所述的目标跟踪方法，其特征在于，所述根据所述样本目标框为正样本的概率，确定所述检测目标框中是否目标丢失的步骤，进一步包括：
比较所述样本目标框为正样本的概率与正样本概率阈值；
若所述样本目标框为正样本的概率大于所述正样本概率阈值，则认为所述样本目标框为正样本；
统计多个所述样本目标框中正样本数量；
根据所述正样本数量，确定所述检测目标框中是否目标丢失。
4.根据权利要求3所述的目标跟踪方法，其特征在于，所述根据所述正样本数量，确定所述检测目标框中是否目标丢失的步骤，进一步包括：
比较所述正样本数量和正样本数量阈值；
若所述正样本数量小于或等于所述正样本数量阈值，则确定所述检测目标框中目标丢失。
5.根据权利要求3所述的目标跟踪方法，其特征在于，所述根据所述正样本数量，确定所述检测目标框中是否目标丢失，包括：
比较所述正样本数量和正样本数量阈值；
若所述正样本数量大于所述正样本数量阈值，则比较检测目标框置信度与第一置信度阈值，其中，所述检测目标框置信度为所述正样本数量与样本目标框数量的比值；
若所述检测目标框置信度小于所述第一置信度阈值，则确定所述检测目标框中目标丢失。
6.根据权利要求5所述的目标跟踪方法，其特征在于，所述根据所述正样本数量，确定所述检测目标框中是否目标丢失，进一步包括：
若所述检测目标框置信度大于或等于所述第一置信度阈值，则比较所述检测目标框的方差与所述训练目标框的方差；
若所述检测目标框的方差与所述训练目标框的方差的差值大于差值阈值，则确定所述检测目标框中目标丢失。
7.根据权利要求5所述的目标跟踪方法，其特征在于，所述目标跟踪方法进一步包括：
比较所述检测目标框置信度与第二置信度阈值；
若所述检测目标框置信度大于第二置信度阈值，则执行所述比较所述正样本数量和所述正样本数量阈值的动作。
8.根据权利要求1所述的目标跟踪方法，其特征在于，所述目标跟踪方法进一步包括：
以多帧图像中每帧图像作为所述检测图像，每帧图像的目标框作为所述检测目标框；
确定所述每帧图像的目标框中是否目标丢失；
统计所述多帧图像中连续目标丢失的图像帧数；
若所述连续目标丢失的图像帧数大于帧数阈值，则确定目标跟踪丢失。
9.根据权利要求1所述的目标跟踪方法，其特征在于，所述基于所述训练目标框，由所述初始目标框生成正样本训练框和负样本训练框的步骤，进一步包括：
计算所述初始目标框与所述训练目标框的重叠率；
基于所述重叠率满足第一预设条件的初始目标框，生成所述正样本训练框；
基于所述重叠率满足第二预设条件的初始目标框，生成所述负样本训练框。
10.根据权利要求9所述的目标跟踪方法，其特征在于，所述基于所述重叠率满足第一预设条件的待测训练框，生成所述正样本训练框的步骤，进一步包括：
利用仿射变换，对所述重叠率满足第一预设条件的待测训练框进行变换，得到多倍数量的正样本训练框。
11.根据权利要求9所述的目标跟踪方法，其特征在于，所述基于所述重叠率满足第二预设条件的待测训练框，生成所述负样本训练框的步骤，进一步包括：
去除一半数量的所述重叠率不满足所述预设条件的待测训练框，剩余作为所述负样本训练框。
12.根据权利要求1所述的目标跟踪方法，其特征在于，所述计算所述正样本训练框的特征值，以生成所述特征值正样本概率分布图的步骤，包括：
统计每一特征值的正样本训练框数量，计算所述每一特征值的正样本概率；
根据所述每一特征值的正样本概率，生成所述特征值正样本概率分布图。
13.根据权利要求1所述的目标跟踪方法，其特征在于，所述样本目标框的特征值和所述正样本训练框的特征值统称为目标框的特征值；
所述计算目标框的特征值的步骤，包括：
在所述目标框随机生成多个特征点对，或根据预设算法生成多个特征点对；
基于所述多个特征点对计算所述随机蕨类特征值。
14.一种目标跟踪装置，其特征在于，所述目标跟踪装置包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1～13中任一项所述的目标跟踪方法。
15.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有程序数据，所述程序数据在被处理器执行时，用于实现如权利要求1～13中任一项所述的目标跟踪方法。
CN201910453587.4A 2019-05-28 2019-05-28 目标跟踪方法、目标跟踪装置以及计算机存储介质 Pending CN110211153A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910453587.4A CN110211153A (zh) 2019-05-28 2019-05-28 目标跟踪方法、目标跟踪装置以及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910453587.4A CN110211153A (zh) 2019-05-28 2019-05-28 目标跟踪方法、目标跟踪装置以及计算机存储介质

Publications (1)

Publication Number Publication Date
CN110211153A true CN110211153A (zh) 2019-09-06

Family

ID=67789196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910453587.4A Pending CN110211153A (zh) 2019-05-28 2019-05-28 目标跟踪方法、目标跟踪装置以及计算机存储介质

Country Status (1)

Country Link
CN (1) CN110211153A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110955259A (zh) * 2019-11-28 2020-04-03 上海歌尔泰克机器人有限公司 无人机及其跟踪方法和计算机可读存储介质
CN111242981A (zh) * 2020-01-21 2020-06-05 北京捷通华声科技股份有限公司 一种定置物品的跟踪方法、装置和安保设备
CN111401383A (zh) * 2020-03-06 2020-07-10 中国科学院重庆绿色智能技术研究院 基于图像检测的目标框预估方法、系统、设备及介质
CN111862160A (zh) * 2020-07-23 2020-10-30 中国兵器装备集团自动化研究所 一种基于arm平台的目标跟踪方法、介质和系统
CN113674218A (zh) * 2021-07-28 2021-11-19 中国科学院自动化研究所 焊缝特征点提取方法、装置、电子设备与存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156734A (zh) * 2014-08-19 2014-11-19 中国地质大学（武汉） 一种基于随机蕨分类器的全自主在线学习方法
CN104700391A (zh) * 2013-12-06 2015-06-10 由田新技股份有限公司 物体跟踪方法及电子装置
CN107066990A (zh) * 2017-05-04 2017-08-18 厦门美图之家科技有限公司 一种目标跟踪方法及移动设备
CN107105159A (zh) * 2017-04-13 2017-08-29 山东万腾电子科技有限公司 基于SoC的嵌入式运动目标实时检测跟踪系统及方法
CN109448022A (zh) * 2018-10-16 2019-03-08 天津津航技术物理研究所 用于导引系统的红外抗遮挡跟踪方法
CN109671103A (zh) * 2018-12-12 2019-04-23 易视腾科技股份有限公司 目标跟踪方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700391A (zh) * 2013-12-06 2015-06-10 由田新技股份有限公司 物体跟踪方法及电子装置
CN104156734A (zh) * 2014-08-19 2014-11-19 中国地质大学（武汉） 一种基于随机蕨分类器的全自主在线学习方法
CN107105159A (zh) * 2017-04-13 2017-08-29 山东万腾电子科技有限公司 基于SoC的嵌入式运动目标实时检测跟踪系统及方法
CN107066990A (zh) * 2017-05-04 2017-08-18 厦门美图之家科技有限公司 一种目标跟踪方法及移动设备
CN109448022A (zh) * 2018-10-16 2019-03-08 天津津航技术物理研究所 用于导引系统的红外抗遮挡跟踪方法
CN109671103A (zh) * 2018-12-12 2019-04-23 易视腾科技股份有限公司 目标跟踪方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110955259A (zh) * 2019-11-28 2020-04-03 上海歌尔泰克机器人有限公司 无人机及其跟踪方法和计算机可读存储介质
CN110955259B (zh) * 2019-11-28 2023-08-29 上海歌尔泰克机器人有限公司 无人机及其跟踪方法和计算机可读存储介质
CN111242981A (zh) * 2020-01-21 2020-06-05 北京捷通华声科技股份有限公司 一种定置物品的跟踪方法、装置和安保设备
CN111401383A (zh) * 2020-03-06 2020-07-10 中国科学院重庆绿色智能技术研究院 基于图像检测的目标框预估方法、系统、设备及介质
CN111401383B (zh) * 2020-03-06 2023-02-10 中国科学院重庆绿色智能技术研究院 基于图像检测的目标框预估方法、系统、设备及介质
CN111862160A (zh) * 2020-07-23 2020-10-30 中国兵器装备集团自动化研究所 一种基于arm平台的目标跟踪方法、介质和系统
CN111862160B (zh) * 2020-07-23 2023-10-13 中国兵器装备集团自动化研究所有限公司 一种基于arm平台的目标跟踪方法、介质和系统
CN113674218A (zh) * 2021-07-28 2021-11-19 中国科学院自动化研究所 焊缝特征点提取方法、装置、电子设备与存储介质

Similar Documents

Publication Publication Date Title
CN110211153A (zh) 目标跟踪方法、目标跟踪装置以及计算机存储介质
CN108446617B (zh) 抗侧脸干扰的人脸快速检测方法
US9754160B2 (en) Method and device for detecting gathering of objects based on stereo vision as well as non-transitory computer-readable medium
US8619135B2 (en) Detection of abnormal behaviour in video objects
CN106780557A (zh) 一种基于光流法和关键点特征的运动目标跟踪方法
CN110415208A (zh) 一种自适应目标检测方法及其装置、设备、存储介质
JP6347155B2 (ja) 画像処理装置、画像判断方法、及びプログラム
CN108596032B (zh) 一种视频中打架行为检测方法、装置、设备及介质
JP2019153112A (ja) 物体追跡装置、物体追跡方法、及びコンピュータプログラム
Cancela et al. Unsupervised trajectory modelling using temporal information via minimal paths
Yang et al. Bird's-eye view social distancing analysis system
CN116645396A (zh) 轨迹确定方法、装置、计算机可读存储介质及电子设备
CN111899279A (zh) 一种目标对象的运动速度检测方法及装置
US20220398400A1 (en) Methods and apparatuses for determining object classification
CN114359341A (zh) 多目标跟踪方法、装置、终端设备和可读存储介质
Schauerte et al. How the distribution of salient objects in images influences salient object detection
CN111666441A (zh) 确定人员身份类型的方法、装置和电子系统
Di Caterina et al. An improved mean shift tracker with fast failure recovery strategy after complete occlusion
CN115049840A (zh) 屏摄水印识别方法、存储介质及电子设备
CN113469982A (zh) 一种精准客流统计的方法、装置及电子设备
CN108241837A (zh) 一种遗留物检测方法和装置
CN111353511B (zh) 号码识别装置及方法
Yang et al. Crowd activity change point detection in videos via graph stream mining
WO2022263908A1 (en) Methods and apparatuses for determining object classification
CN109448287B (zh) 一种安全监控方法、装置、可读存储介质及终端设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190906

RJ01 Rejection of invention patent application after publication