CN110418114B - 一种对象跟踪方法、装置、电子设备及存储介质 - Google Patents
一种对象跟踪方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110418114B CN110418114B CN201910769191.0A CN201910769191A CN110418114B CN 110418114 B CN110418114 B CN 110418114B CN 201910769191 A CN201910769191 A CN 201910769191A CN 110418114 B CN110418114 B CN 110418114B
- Authority
- CN
- China
- Prior art keywords
- objects
- list
- value
- cameras
- camera
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/292—Multi-camera tracking
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
- G06V10/7515—Shifting the patterns to accommodate for positional errors
-
- 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
- G06V20/50—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
- 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
- G06T2207/20081—Training; Learning
-
- 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
Abstract
本发明提供一种对象跟踪方法和装置。对象跟踪方法应用于图像采集系统,所述图像采集系统包括至少两个摄像头,且所述至少两个摄像头的图像采集区域存在至少部分重叠,包括以下步骤:获取所述至少两个摄像头分别采集的图像,并分别识别所述至少两个摄像头所采集的图像中的对象;获取各所述对象的特征值,并计算各所述图像中的对象在全局坐标系中的位置;若存在分别位于不同摄像头采集到的图像中的两个对象,且所述两个对象的总体差异值小于预设阈值,则将所述两个对象统计为同一对象。本发明实施例有助于提高对于对象数量统计的准确程度和对于对象跟踪的精确成功度。
Description
技术领域
本发明涉及图像视觉技术领域,尤其涉及一种对象跟踪方法、装置、电子设备及存储介质。
背景技术
在智慧零售、智慧金融领域,行人动线生成十分重要,其中,行人动线技术通常需要基于摄像头获取监控区域图像,并对图像进行分析,检测出行人,并对行人进行跟踪再识别,从而可以得到行人的完整轨迹。由于单个摄像头视野范围是有限的,所以为了实现对于特定区域的监控,可能需要多个摄像头的配合才能进行区域的全覆盖。当一个行人同时出现在两个摄像头中时,如果单独对两路摄像头进行行人检测、跟踪和再识别,系统会认为存在两个人,因此,可能导致对于对象数量的统计和跟踪出现偏差。
发明内容
本发明实施例提供一种对象跟踪方法、装置、电子设备及存储介质,以解决现有监控方式对于对象数量的统计和跟踪可能出现偏差的问题。
第一方面,本发明实施例提供了一种对象跟踪方法,应用于图像采集系统,所述图像采集系统包括至少两个摄像头,且所述至少两个摄像头的图像采集区域存在至少部分重叠,所述对象跟踪方法包括以下步骤:
获取所述至少两个摄像头分别采集的图像,并分别识别所述至少两个摄像头所采集的图像中的对象;
获取各所述对象的特征值,并计算各所述图像中的对象在全局坐标系中的位置;
若存在分别位于不同摄像头采集到的图像中的两个对象,且所述两个对象的总体差异值小于预设阈值,则将所述两个对象统计为同一对象,其中,所述总体差异值为根据所述两个对象的特征值差异值和位置差异值确定的值。
可选的,所述获取各所述对象的特征值,包括:
提取各所述对象的特征向量作为各所述对象的特征值;
所述获取各所述对象的特征值之后,还包括:
计算两个对象的特征向量的差值的平方;
将所述差值的平方经过批量标准计算和全连接层计算获得计算结果,并将所述计算结果通过S型生长曲线函数处理获得的概率值,作为所述两个对象特征值差异值,且所述两个对象的差异随所述概率值的增加而减小。
可选的,所述计算各所述图像中的对象在全局坐标系中的位置,包括:
分别计算各对象在不同图像中的坐标;
获取不同图像中坐标与全局坐标系中的坐标的换算单应性矩阵;
利用所述换算单应性矩阵将各所述图像中各对象的坐标换算到所述全局坐标系中,并将所述全局坐标系中的坐标作为所述对象的位置。
可选的,所述获取各所述对象的特征值,并计算各所述图像中的对象在全局坐标系中的位置之后,还包括:
计算两个对象的特征值差异值和位置差异值的加权平均值作为所述两个对象的总体差异值。
可选的,所述至少两个摄像头包括第一摄像头和第二摄像头,所述将所述两个对象统计为同一对象之后,还包括:
分别将所述第一摄像头和所述第二摄像头所采集的对象进行编号,将所述编号作为相应对象的身份信息;
将所述第一摄像头和所述第二摄像头所采集的对象中,相匹配的同一对象的身份信息记录在第一列表中,并设置每组相匹配的同一对象对应同一索引数值;
根据所述第一列表中第一摄像头采集的对象的身份信息建立第二列表,并根据所述第一列表中记录的第一摄像头采集的对象和对应的索引数值填充所述第二列表,其中,所述第二列表的长度为所述第一摄像头采集的对象的数目;
根据所述第一列表中第二摄像头采集的对象的身份信息建立第三列表,并根据所述第一列表中记录的第二摄像头采集的对象和对应的索引数值填充所述第三列表,其中,所述第三列表的长度为所述第二摄像头采集的对象的数目。
可选的,所述根据所述第一列表中第一摄像头采集的对象的身份信息建立第二列表之后,还包括:
根据所述第一列表中未记录的第一摄像头采集的对象和预设索引数值填充所述第二列表;和/或
所述根据所述第一列表中第二摄像头采集的对象的身份信息建立第三列表之后,还包括:
根据所述第一列表中未记录的第二摄像头采集的对象和预设索引数值填充所述第三列表。
第二方面,本发明实施例提供了一种对象跟踪装置,应用于图像采集系统,所述图像采集系统包括至少两个摄像头,且所述至少两个摄像头的图像采集区域存在至少部分重叠,所述对象跟踪装置包括:
采集识别模块,用于获取所述至少两个摄像头分别采集的图像,并分别识别所述至少两个摄像头所采集的图像中的对象;
获取模块,用于获取各所述对象的特征值,并计算各所述图像中的对象在全局坐标系中的位置;
统计模块,用于若存在分别位于不同摄像头采集到的图像中的两个对象,且所述两个对象的总体差异值小于预设阈值,则将所述两个对象统计为同一对象,其中,所述总体差异值为根据所述两个对象的特征值差异值和位置差异值确定的值。
可选的,所述获取模块,包括:
提取子模块,用于提取各所述对象的特征向量作为各所述对象的特征值;
所述对象跟踪装置,还包括:
特征向量差值计算模块,用于计算两个对象的特征向量的差值的平方;
概率计算模块,用于将所述差值的平方经过批量标准计算和全连接层计算获得计算结果,并将所述计算结果通过S型生长曲线函数处理获得的概率值,作为所述两个对象特征值差异值,且所述两个对象的差异随所述概率值的增加而减小。
可选的,所述获取模块,包括:
坐标计算子模块,用于分别计算各对象在不同图像中的坐标;
矩阵获取子模块,用于获取不同图像中坐标与全局坐标系中的坐标的换算单应性矩阵;
换算子模块,用于利用所述换算单应性矩阵将各所述图像中各对象的坐标换算到所述全局坐标系中,并将所述全局坐标系中的坐标作为所述对象的位置。
可选的,还包括:总体差异值计算模块,用于计算两个对象的特征值差异值和位置差异值的加权平均值作为所述两个对象的总体差异值。
可选的,所述至少两个摄像头包括第一摄像头和第二摄像头,所述对象跟踪装置,还包括:
编号模块,用于分别将所述第一摄像头和所述第二摄像头所采集的对象进行编号,将所述编号作为相应对象的身份信息;
记录模块,用于将所述第一摄像头和所述第二摄像头所采集的对象中,相匹配的同一对象的身份信息记录在第一列表中,并设置每组相匹配的同一对象对应同一索引数值;
第一填充模块,用于根据所述第一列表中第一摄像头采集的对象的身份信息建立第二列表,并根据所述第一列表中记录的第一摄像头采集的对象和对应的索引数值填充所述第二列表,其中,所述第二列表的长度为所述第一摄像头采集的对象的数目;
第二填充模块,根据所述第一列表中第二摄像头采集的对象的身份信息建立第三列表,并根据所述第一列表中记录的第二摄像头采集的对象和对应的索引数值填充所述第三列表,其中,所述第三列表的长度为所述第二摄像头采集的对象的数目。
可选的,所述第一填充模块,还用于根据所述第一列表中未记录的第一摄像头采集的对象和预设索引数值填充所述第二列表;和/或
所述第二填充模块,还用于根据所述第一列表中未记录的第二摄像头采集的对象和预设索引数值填充所述第三列表。
第三方面,本发明实施例提供了电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现以上任一项所述的对象跟踪方法的步骤。
第四方面,本发明实施例提供了计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以上任一项所述的对象跟踪方法的步骤。
本发明实施例通过识别不同所采集的图像中的对象,并根据各对象之间的位置和特征差异判断各摄像头所采集的对象是否为同一对象,从而实现将不同摄像头采集到的相同对象统计为一个,有助于提高对于对象数量统计的准确程度和对于对象跟踪的精确成功度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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性的前提下,还可以根据这些附图获取其他的附图。
图1是本发明一实施例中两个摄像头的监控区域示意图;
图2是本发明一实施例中对象跟踪方法的流程图;
图3是本发明一实施例中特征值相似概率的计算流程图;
图4是本发明一实施例中坐标变换示意图;
图5是本发明一实施例中记录表格;
图6是本发明一实施例中对象跟踪装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种对象跟踪方法。
该对象跟踪方法应用于图像采集系统,图像采集系统包括至少两个摄像头,且至少两个摄像头的图像采集区域存在至少部分重叠。
可以理解为,该图像采集系统包括多个摄像头,各个摄像头的图像采集区域覆盖了特定的监控区域,对于该监控区域中的部分区域来说,仅有一个摄像头能够采集该区域的图像;而对于该监控区域的另外一些部分区域来说,可能存在多个摄像头能够采集该区域的图像。
如图1所示,A摄像头的监控区域覆盖了1区和2区,B摄像头的监控区域覆盖了2区和3区,也就是说,对于2区来说,A摄像头和B摄像头均能采集该区域的图像,对于1区和3区来说,只有一个摄像头能够采集到该区域的图像。
在一个实施例中,如图2所示,该对象跟踪方法包括以下步骤:
步骤201:获取所述至少两个摄像头分别采集的图像,并分别识别所述至少两个摄像头所采集的图像中的对象。
本实施例中的对象可以指的是人,也可以指的是其他对象,例如动物、机动车等,此处不作进一步限定。本实施例中以应用于两个摄像头为例说明,显然,当该方法也可以应用于更多数量的摄像头,其工作原理也基本相同。
该识别图像中的对象的方法可以参考相关技术中的图像识别或实例分割技术,此处不作进一步限定和描述。
步骤202:获取各所述对象的特征值,并计算各所述图像中的对象在全局坐标系中的位置。
本实施例中同时以对象的坐标和特征值作为参考,来判断不同摄像头采集到的对象是否为一个对象。
特征值指的是利用特征提取技术所提取到的对象的特征的值,具体可以提取外观特征、编号、车牌号等独特的特征来实现。
由于各图像均对应的现实世界中的特定区域,图像中各个位置均与现实世界中的位置相对应,所以,当建立全局坐标系之后,图像中的每一位置均对应全局坐标系中的一个坐标。因此,可以根据图像中对象的位置得到其在全局坐标系中的坐标。
步骤203:若存在分别位于不同摄像头采集到的图像中的两个对象,且所述两个对象的总体差异值小于预设阈值,则将所述两个对象统计为同一对象。
本实施例中,总体差异值为根据两个对象的特征值差异值和位置差异值确定的值,通过综合考虑了对象的位置和特征,能够提高对于对象统计的精确程度。
应当理解的是,由于技术条件所限,对于特征和位置的计算均会存在一定的误差。例如,一般情况下,摄像头设置于斜上方,并以倾斜的角度拍摄图像,所采集的图像为二维图,因此,仅能获得图像中对象的二维坐标,而现实世界中的坐标则为三维坐标,所以不同摄像头所采集的图像中的坐标向全局坐标系中换算时,会存在一定的误差。
同时,不同摄像头相对于同一对象的角度是不同的,所以所提取的特征也存在一定的差异,例如,拍摄同一对象时,可能一个摄像头采集的是对象的正面图像,另一个摄像头采集的是对象的背面图像,两者之间存在一定差异。
因此,本实施例中综合考虑了对象的特征和位置,并根据两个对象之间的特征差异和位置差异确定这两个对象的总体差异值,当该总体差异值小于预设阈值时,不同摄像头采集到的两个对象的坐标基本相同,且特征基本相同,可以认为不同摄像头采集到的这两个对象实际上是同一对象。
本发明实施例通过识别不同所采集的图像中的对象,并根据各对象之间的位置和特征差异判断各摄像头所采集的对象是否为同一对象,从而实现将不同摄像头采集到的相同对象统计为一个,有助于提高对于对象数量统计的准确程度和对于对象跟踪的精确程度。
可选的,在一个具体实施方式中,上述步骤202中的获取各所述对象的特征值,包括:
提取各所述对象的特征向量作为各所述对象的特征值;
在获取各所述对象的特征值之后,该方法还包括:
计算两个对象的特征向量的差值的平方;
将所述差值的平方经过批量标准计算(BN,batch norm)和全连接层(FC,fullyconnected layers)计算获得计算结果,并将所述计算结果通过S型生长曲线函数(Sigmoid函数)处理获得的概率值,作为所述两个对象特征值差异值,且所述两个对象的差异随所述概率值的增加而减小。
本实施例中首先提取各所述对象的特征值,具体可以参考相关的行人检测技术、多目标跟踪、行人再识别技术等,此处不作进一步限定和描述。
如图3所示,在一个具体实施方式中,首先通过主干网络提取两个对象的特征,所使用的主干网络可以选用深度学习领域常用的网络结构,例如包括但不限于ResNet50等主干网络。
接下来,计算两个特征向量的差,然后将差值平方。并进一步经过批量标准计算和全连接层进行处理,并进一步通过S型生长曲线函数进行处理获得两个对象为相同对象的概率值。
通过批量标准化计算处理,有助于降低了不同样本间值域的差异性,得大部分的数据都其处在非饱和区域,从而保证了梯度能够很好的回传,从而加速网络的收敛。接下来,通过全连接层将批量标准化计算过程中提取的局部特征重新通过权值矩阵组装成完整的特征。
Sigmoid函数为一个输出值在0到1之间的函数,通过该Sigmoid函数函数,能够将经过处理后的特征向量的差值映射为一个0到1之间的值,作为两个对象为相同对象的概率值。
该概率值越大,则证明两个特征向量的相似程度越高,两个图像相应的两个对象实际上是同一个对象的可能性也就越高。
实施时,通过选用大量的正负样本对整体网络结构进行训练,获得符合要求的模型,用于进行特征提取以及相似程度的概率值计算。
可选的,在一个具体实施方式中,上述步骤202中的计算各所述图像中的对象在全局坐标系中的位置,包括:
分别计算各对象在不同图像中的坐标;
获取不同图像中坐标与全局坐标系中的坐标的换算单应性矩阵;
利用所述换算单应性矩阵将各所述图像中各对象的坐标换算到所述全局坐标系中,并将所述全局坐标系中的坐标作为所述对象的位置。
本实施例中的对象可以是机动车、产品、动物、行人等各种对象,此处不作进一步限定,本实施例中以行人为例进行说明。
在跟踪的对象为行人的情况下,用于确定对象位置的坐标可以选择不同的坐标,均能够实现对于行人位置的确定。例如,可以选择头部坐标或手部坐标等。
在一个可选的具体实施方式中,本实施例中通过行人的脚部坐标确定行人的位置。应当理解的是,摄像头采集的图像是二维图像,所以一个摄像头采集的图像中的两个行人的其他部位的坐标,例如头部,是可能重叠的。而一般情况下,脚部的坐标是不可能重叠的,所以,本实施例中以脚部坐标为基础确定各行人在全局坐标系中的位置。
实施时,首先分别确定对象在A摄像头采集的图中的脚部坐标uvsA和在B摄像头采集的图中的脚部坐标uvsB。接下来建立全局坐标系XO2Y,以获取对象在全局坐标系中的坐标xyA和xyB。
如果A摄像头采集到M个对象,平面内的点有两个自由度,所以将获得uvsA包括M*2维个坐标,同理,如果B摄像头采集到N个对象,那么所获得的uvsB包括N*2维个坐标。
具体的,首先获取不同图像中的坐标与全局坐标系中的坐标的换算单应性矩阵,该换算单应性矩阵可以通过每次计算获得,也可以在计算获得后保存下来,以供后续换算过程中使用。
以计算A摄像头对应的换算单应性矩阵为例说明,如图4所示,首先在A摄像头的监控区域内任选四个不同的点C、D、E、F,然后测得其在全局坐标系X02Y中的坐标(X1,Y1)、(X2、Y2)、(X3,Y3)和(X4、Y4),同时,根据A摄像头拍摄的图像,我们还可以获得这四个点在图像坐标系uO1v中的坐标(u1,v1),(u2,v2),(u3,v3)和(u4,v4)。
进一步的,将该四个点的在全局坐标系中的坐标和在图像中的点的坐标代入以下方程组中:
通过上述方程解得换算单应性矩阵H即为A摄像头采集的图像中的坐标与全局坐标系中坐标的换算关系。
进一步的,将对象的坐标p(up,vp)通过上述换算单应性矩阵H换算到全局坐标系中即可。
可选的,所述获取各所述对象的特征值,并计算各所述图像中的对象在全局坐标系中的位置之后,还包括:
计算两个对象的特征值差异值和位置差异值的加权平均值作为所述两个对象的总体差异值。
其中,对于特征值差异值可以参考上述具体实施方式,对于未知的差异值的计算则可以根据全局坐标系中的坐标进行计算。
例如A摄像头采集到的一个对象A在全局坐标系中的坐标为(xA,yA),B摄像头采集到的一个对象B在全局坐标系中的坐标为(xB,yB),则可以通过公式:
计算得出对象A和对象B在全局坐标系中的距离差。
进一步的,通过计算两个对象的总体差异值:
应当理解的是由于上述总体差异值仅为两项结果的加权平均值,所以仅需对其中一项设置权重即可。该权重的取值可以根据实际情况设置,例如,如果摄像头的畸变程度较大,则可以将该权重值设置相对较高,如果摄像头成像畸变小,该值可设置相对较低。显然,对于权重的设置条件并不局限于此,实际实施时可以根据经验或实际情况选择,此处不作进一步限定和描述。本实施例中以该权重γ为1为例说明。
应当理解的是,如果不同摄像头采集到的两个对象的坐标越接近,其相似程度越高,那么这两个对象越有可能是一个对象,因此,通过计算不同摄像头采集到的两个对象的总体差异值,能够根据该总体差异值确定两个对象是同一对象的概率。当该总体差异值小于预设阈值时,则说明两个对象的坐标几乎相同,且相似度较高,这两个对象为同一对象的概率较高,可以将这两个对象统计为同一对象。
通过上述公式(3)可以计算任意两个对象之间的总体差异值,以根据该总体差异值与预设阈值的大小关系判断这两个对象是否匹配,例如,将预设阈值设定为0.3,则当总体差异值大于该预设阈值时,认为这两个对象不匹配,并非同一对象,如果总体差异值小于或等于该预设阈值,则认为这两个对象匹配,实际上为同一对象。
显然,该预设阈值可以根据实际情况设定为大于0且小于1的值,例如0.1、0.2、0.5等各种值,此处不作进一步限定和描述。
可选的,所述至少两个摄像头包括第一摄像头和第二摄像头,所述将所述两个对象统计为同一对象之后,还包括:
分别将所述第一摄像头和所述第二摄像头所采集的对象进行编号,将所述编号作为相应对象的身份信息;
将所述第一摄像头和所述第二摄像头所采集的对象中,相匹配的同一对象的身份信息记录在第一列表中,并设置每组相匹配的同一对象对应同一索引数值;
根据所述第一列表中第一摄像头采集的对象的身份信息建立第二列表,并根据所述第一列表中记录的第一摄像头采集的对象和对应的索引数值填充所述第二列表,其中,所述第二列表的长度为所述第一摄像头采集的对象的数目;
根据所述第一列表中第二摄像头采集的对象的身份信息建立第三列表,并根据所述第一列表中记录的第二摄像头采集的对象和对应的索引数值填充所述第三列表,其中,所述第三列表的长度为所述第二摄像头采集的对象的数目。
本实施例中以第一摄像头为A摄像头,第二摄像头为B摄像头为例说明。
实施时,A摄像头采集到了9个对象,将其顺次编号为1至9,具体为idA_1至idA_9,B摄像头采集到了8个对象,将其顺次编号为1至8,具体为idB_1至idB_8,其中,对象值相同的对象分别为idA_1和idB_1、idA_2和idB_3、idA_4和idB_5、idA_5和idB_8、idA_6和idB_7、idA_9和idB_8,也就是说,这些对象被统计为同一对象。
建立第一列表matches_list,并将这些匹配的对象记录在第一列表中。如图5所示,第一列表中左侧一列数字代表对象在第一列表中的身份编号id1_N中的编号N。
接下来,根据第一列表中的第一列表中对象的身份信息建立第二列表和第三列表。具体的,第一列表中idA_M中M的最大值为9,也就是说,共计存在9个对象,则建立长度为9的第二列表,并根据第一列表中对象和对应的索引数值填充第二列表。类似的,建立长度为8的第三列表,并相应的填充第三列表。
第二列表和第三列表左侧一列数字分别代表身份编号,第二列表和第三列表左侧一列数字代表相应的值。
例如,对象idA_9在第二列表中ID为9,其对象值为6,第三列表中对象idB_8的ID为8,其对象值为6,该对象在第三列表中的ID为6。
可选的,根据所述第一列表中第一摄像头采集的对象的身份信息建立第二列表之后,还包括:
根据所述第一列表中未记录的第一摄像头采集的对象和预设索引数值填充所述第二列表;和/或
所述根据所述第一列表中第二摄像头采集的对象的身份信息建立第三列表之后,还包括:
根据所述第一列表中未记录的第二摄像头采集的对象和预设索引数值填充所述第三列表。
应当理解的是,第一列表中仅记录了第一摄像头和第二摄像头同时采集到的对象,还有一些对象未被第一摄像头和第二摄像头同时采集到,例如,可能存在一个对象仅有第一摄像头采集到其图像,而第二摄像头并未采集到其图像,这些对象仍然需要进行统计,否则,可能导致对象的数量统计出现错误。因此,本实施例中进一步将其记录在相应的第二列表中和第三列表中,并以特定的预设索引数值进行标记,以与第一列表中的对象作出区分。
具体的,第二列表和第三列表中的其他对象的对象值统一调整为特定的数值,例如0或-1,本实施例中以-1为例说明。可以理解为,未匹配的对象由于未记录在第一列表中,所以第一列表中不存在相应的值,但是这些对象是存在的,为了便于统计,则将其统一赋值。例如图5中所示第二列表中的对象idA_3,其仅在A摄像头的监控区域内出现,而未在B摄像头的监控区域中出现,所以未记录在第一列表中,因此将其赋值为-1。
可以理解为,当一个对象沿图1中的曲线箭头的方向前进过程中,当位于1区时,该对象只能被A摄像头拍摄到,这样,该对象仅被记录在第二列表中,当其移动到2区时,能够同时被A摄像头和B摄像头拍摄到,则会被记录在第一列表中,并同时记录到第二列表和第三列表中,当其移动到3区时,其离开了A摄像头的监控范围,此时,将其从第一列表和第二列表中移除,仅记录在第三列表中,且在第三列表中的对象值为-1。
可以理解为,第二列表和第三列表具体包括匹配列表和不匹配列表两部分,实施时,根据上述公式(3)确定两个对象是否匹配,如果匹配,则记录在匹配列表中,具体表现为,在第二列表和第三列表中记录有相应的对象值,否则,记录在不匹配列表中,具体表现为,将其对象值调整为特定的预设索引数值,例如-1。这样,根据记录结果,能够实现对于特定区域内对象数量的统计和对象的运动轨迹的追踪,且精确度相对较高,降低了重复统计同一对象而导致的偏差。
本发明实施例提供了一种对象跟踪装置600,应用于图像采集系统,所述图像采集系统包括至少两个摄像头,且所述至少两个摄像头的图像采集区域存在至少部分重叠,所述对象跟踪装置600包括:
采集识别模块601,用于获取所述至少两个摄像头分别采集的图像,并分别识别所述至少两个摄像头所采集的图像中的对象;
获取模块602,用于获取各所述对象的特征值,并计算各所述图像中的对象在全局坐标系中的位置;
统计模块603,用于若存在分别位于不同摄像头采集到的图像中的两个对象,且所述两个对象的总体差异值小于预设阈值,则将所述两个对象统计为同一对象,其中,所述总体差异值为根据所述两个对象的特征值差异值和位置差异值确定的值。
可选的,所述获取模块602,包括:
提取子模块,用于提取各所述对象的特征向量作为各所述对象的特征值;
所述对象跟踪装置600,还包括:
特征向量差值计算模块,用于计算两个对象的特征向量的差值的平方;
概率计算模块,用于将所述差值的平方经过批量标准计算和全连接层计算获得计算结果,并将所述计算结果通过S型生长曲线函数处理获得的概率值,作为所述两个对象特征值差异值,且所述两个对象的差异随所述概率值的增加而减小。
可选的,所述获取模块602,包括:
坐标计算子模块,用于分别计算各对象在不同图像中的坐标;
矩阵获取子模块,用于获取不同图像中坐标与全局坐标系中的坐标的换算单应性矩阵;
换算子模块,用于利用所述换算单应性矩阵将各所述图像中各对象的坐标换算到所述全局坐标系中,并将所述全局坐标系中的坐标作为所述对象的位置。
可选的,还包括:总体差异值计算模块,用于计算两个对象的特征值差异值和位置差异值的加权平均值作为所述两个对象的总体差异值。
可选的,所述至少两个摄像头包括第一摄像头和第二摄像头,所述对象跟踪装置600,还包括:
编号模块,用于分别将所述第一摄像头和所述第二摄像头所采集的对象进行编号,将所述编号作为相应对象的身份信息;
记录模块,用于将所述第一摄像头和所述第二摄像头所采集的对象中,相匹配的同一对象的身份信息记录在第一列表中,并设置每组相匹配的同一对象对应同一索引数值;
第一填充模块,用于根据所述第一列表中第一摄像头采集的对象的身份信息建立第二列表,并根据所述第一列表中记录的第一摄像头采集的对象和对应的索引数值填充所述第二列表,其中,所述第二列表的长度为所述第一摄像头采集的对象的数目;
第二填充模块,根据所述第一列表中第二摄像头采集的对象的身份信息建立第三列表,并根据所述第一列表中记录的第二摄像头采集的对象和对应的索引数值填充所述第三列表,其中,所述第三列表的长度为所述第二摄像头采集的对象的数目。
可选的,所述第一填充模块,还用于根据所述第一列表中未记录的第一摄像头采集的对象和预设索引数值填充所述第二列表;和/或
所述第二填充模块,还用于根据所述第一列表中未记录的第二摄像头采集的对象和预设索引数值填充所述第三列表。
本发明的对象跟踪装置600能够实现上述对象跟踪方法实施例的各个步骤,并能实现相同的技术效果,此处不再赘述。
可选的,本发明实施例还提供一种电子设备,包括处理器,存储器,存储在存储器上并可在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述对象跟踪方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述对象跟踪方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,服务器,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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种对象跟踪方法,应用于图像采集系统,所述图像采集系统包括至少两个摄像头,且所述至少两个摄像头的图像采集区域存在至少部分重叠,其特征在于,所述对象跟踪方法包括以下步骤:
获取所述至少两个摄像头分别采集的图像,并分别识别所述至少两个摄像头所采集的图像中的对象;
获取各所述对象的特征值,并计算各所述图像中的对象在全局坐标系中的位置;
若存在分别位于不同摄像头采集到的图像中的两个对象,且所述两个对象的总体差异值小于预设阈值,则将所述两个对象统计为同一对象,其中,所述总体差异值为根据所述两个对象的特征值差异值和位置差异值确定的值;
所述至少两个摄像头包括第一摄像头和第二摄像头,所述将所述两个对象统计为同一对象之后,还包括:
分别将所述第一摄像头和所述第二摄像头所采集的对象进行编号,将所述编号作为相应对象的身份信息;
将所述第一摄像头和所述第二摄像头所采集的对象中,相匹配的同一对象的身份信息记录在第一列表中,并设置每组相匹配的同一对象对应同一索引数值;
根据所述第一列表中第一摄像头采集的对象的编号建立第二列表,查找各个所述第一摄像头采集对象的编号是否记录在所述第一列表中,如果所述第一列表中已记录所述第一摄像头采集对象的编号,则在所述第一列表中分别查找各个已记录的所述第一摄像头采集对象的编号所对应的索引数值,来填充所述第二列表;如果所述第一列表中未记录所述第一摄像头采集对象的编号,则对应各个所述第一列表中未记录所述第一摄像头采集对象的编号,采用预设索引数值来填充所述第二列表,其中,所述第二列表包括所述第一摄像头采集的对象的编号列和对应的索引数值列,所述第二列表的长度为所述第一摄像头采集的对象的数目;
根据所述第一列表中第二摄像头采集的对象的编号建立第三列表,查找各个所述第二摄像头采集对象的编号是否记录在所述第一列表中,如果所述第一列表中已记录所述第二摄像头采集对象的编号,则在所述第一列表中分别查找各个已记录的所述第二摄像头采集对象的编号所对应的索引数值,来填充所述第三列表;如果所述第一列表中未记录所述第二摄像头采集对象的编号,则对应各个所述第一列表中未记录所述第二摄像头采集对象的编号,采用所述预设索引数值来填充所述第三列表,其中,所述第三列表包括所述第二摄像头采集的对象的编号列和对应的索引数值列,所述第三列表的长度为所述第二摄像头采集的对象的数目;
其中,所述预设索引数值是与记录在所述第一列表中的索引数值不同的数值。
2.如权利要求1所述的对象跟踪方法,其特征在于,所述获取各所述对象的特征值,包括:
提取各所述对象的特征向量作为各所述对象的特征值;
所述获取各所述对象的特征值之后,还包括:
计算两个对象的特征向量的差值的平方;
将所述差值的平方经过批量标准计算和全连接层计算获得计算结果,并将所述计算结果通过S型生长曲线函数处理获得的概率值,作为所述两个对象特征值差异值,且所述两个对象的差异随所述概率值的增加而减小。
3.如权利要求1所述的对象跟踪方法,其特征在于,所述计算各所述图像中的对象在全局坐标系中的位置,包括:
分别计算各对象在不同图像中的坐标;
获取不同图像中坐标与全局坐标系中的坐标的换算单应性矩阵;
利用所述换算单应性矩阵将各所述图像中各对象的坐标换算到所述全局坐标系中,并将所述全局坐标系中的坐标作为所述对象的位置。
4.如权利要求1所述的对象跟踪方法,其特征在于,所述获取各所述对象的特征值,并计算各所述图像中的对象在全局坐标系中的位置之后,还包括:
计算两个对象的特征值差异值和位置差异值的加权平均值作为所述两个对象的总体差异值。
5.一种对象跟踪装置,应用于图像采集系统,所述图像采集系统包括至少两个摄像头,且所述至少两个摄像头的图像采集区域存在至少部分重叠,其特征在于,所述对象跟踪装置包括:
采集识别模块,用于获取所述至少两个摄像头分别采集的图像,并分别识别所述至少两个摄像头所采集的图像中的对象;
获取模块,用于获取各所述对象的特征值,并计算各所述图像中的对象在全局坐标系中的位置;
统计模块,用于若存在分别位于不同摄像头采集到的图像中的两个对象,且所述两个对象的总体差异值小于预设阈值,则将所述两个对象统计为同一对象,其中,所述总体差异值为根据所述两个对象的特征值差异值和位置差异值确定的值;
所述至少两个摄像头包括第一摄像头和第二摄像头,所述对象跟踪装置,还包括:
编号模块,用于分别将所述第一摄像头和所述第二摄像头所采集的对象进行编号,将所述编号作为相应对象的身份信息;
记录模块,用于将所述第一摄像头和所述第二摄像头所采集的对象中,相匹配的同一对象的身份信息记录在第一列表中,并设置每组相匹配的同一对象对应同一索引数值;
第一填充模块,用于根据所述第一列表中第一摄像头采集的对象的编号建立第二列表,查找各个所述第一摄像头采集对象的编号是否记录在所述第一列表中,如果所述第一列表中已记录所述第一摄像头采集对象的编号,则在所述第一列表中分别查找各个已记录的所述第一摄像头采集对象的编号所对应的索引数值,来填充所述第二列表;如果所述第一列表中未记录所述第一摄像头采集对象的编号,则对应各个所述第一列表中未记录所述第一摄像头采集对象的编号,采用预设索引数值来填充所述第二列表,其中,所述第二列表包括所述第一摄像头采集的对象的编号列和对应的索引数值列,所述第二列表的长度为所述第一摄像头采集的对象的数目;
第二填充模块,用于根据所述第一列表中第二摄像头采集的对象的编号建立第三列表,查找各个所述第二摄像头采集对象的编号是否记录在所述第一列表中,如果所述第一列表中已记录所述第二摄像头采集对象的编号,则在所述第一列表中分别查找各个已记录的所述第二摄像头采集对象的编号所对应的索引数值,来填充所述第三列表;如果所述第一列表中未记录所述第二摄像头采集对象的编号,则对应各个所述第一列表中未记录所述第二摄像头采集对象的编号,采用所述预设索引数值来填充所述第三列表,其中,所述第三列表包括所述第二摄像头采集的对象的编号列和对应的索引数值列,所述第三列表的长度为所述第二摄像头采集的对象的数目;
其中,所述预设索引数值是与记录在所述第一列表中的索引数值不同的数值。
6.如权利要求5所述的对象跟踪装置,其特征在于,所述获取模块,包括:
提取子模块,用于提取各所述对象的特征向量作为各所述对象的特征值;
所述对象跟踪装置,还包括:
特征向量差值计算模块,用于计算两个对象的特征向量的差值的平方;
概率计算模块,用于将所述差值的平方经过批量标准计算和全连接层计算获得计算结果,并将所述计算结果通过S型生长曲线函数处理获得的概率值,作为所述两个对象特征值差异值,且所述两个对象的差异随所述概率值的增加而减小。
7.如权利要求5所述的对象跟踪装置,其特征在于,所述获取模块,包括:
坐标计算子模块,用于分别计算各对象在不同图像中的坐标;
矩阵获取子模块,用于获取不同图像中坐标与全局坐标系中的坐标的换算单应性矩阵;
换算子模块,用于利用所述换算单应性矩阵将各所述图像中各对象的坐标换算到所述全局坐标系中,并将所述全局坐标系中的坐标作为所述对象的位置。
8.如权利要求5所述的对象跟踪装置,其特征在于,还包括:总体差异值计算模块,用于计算两个对象的特征值差异值和位置差异值的加权平均值作为所述两个对象的总体差异值。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的对象跟踪方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的对象跟踪方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769191.0A CN110418114B (zh) | 2019-08-20 | 2019-08-20 | 一种对象跟踪方法、装置、电子设备及存储介质 |
US16/835,929 US11205276B2 (en) | 2019-08-20 | 2020-03-31 | Object tracking method, object tracking device, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769191.0A CN110418114B (zh) | 2019-08-20 | 2019-08-20 | 一种对象跟踪方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110418114A CN110418114A (zh) | 2019-11-05 |
CN110418114B true CN110418114B (zh) | 2021-11-16 |
Family
ID=68368069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910769191.0A Active CN110418114B (zh) | 2019-08-20 | 2019-08-20 | 一种对象跟踪方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11205276B2 (zh) |
CN (1) | CN110418114B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6517458B2 (ja) | 2017-04-10 | 2019-05-22 | Groove X株式会社 | 柔らかな外皮を有するロボット |
US11257225B2 (en) * | 2019-10-25 | 2022-02-22 | 7-Eleven, Inc. | Sensor mapping to a global coordinate system using homography |
US11188763B2 (en) | 2019-10-25 | 2021-11-30 | 7-Eleven, Inc. | Topview object tracking using a sensor array |
CN113011445A (zh) * | 2019-12-19 | 2021-06-22 | 斑马智行网络(香港)有限公司 | 标定方法、识别方法、装置及设备 |
CN111815675B (zh) * | 2020-06-30 | 2023-07-21 | 北京市商汤科技开发有限公司 | 目标对象的跟踪方法及装置、电子设备和存储介质 |
CN112990012A (zh) * | 2021-03-15 | 2021-06-18 | 深圳喜为智慧科技有限公司 | 一种遮挡条件下的工装颜色识别方法及系统 |
CN113936154A (zh) * | 2021-11-23 | 2022-01-14 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN114820700B (zh) * | 2022-04-06 | 2023-05-16 | 北京百度网讯科技有限公司 | 对象跟踪方法及装置 |
CN116342662B (zh) * | 2023-03-29 | 2023-12-05 | 北京诺亦腾科技有限公司 | 基于多目相机的追踪定位方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101646067A (zh) * | 2009-05-26 | 2010-02-10 | 华中师范大学 | 数字化全空间智能监控系统及方法 |
CN101916383A (zh) * | 2010-08-25 | 2010-12-15 | 浙江师范大学 | 基于多摄像机的车辆检测跟踪识别系统 |
CN104881637A (zh) * | 2015-05-09 | 2015-09-02 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于传感信息及目标追踪的多模信息系统及其融合方法 |
CN105069795A (zh) * | 2015-08-12 | 2015-11-18 | 深圳锐取信息技术股份有限公司 | 运动对象跟踪方法及装置 |
CN107255468A (zh) * | 2017-05-24 | 2017-10-17 | 纳恩博(北京)科技有限公司 | 目标跟踪方法、目标跟踪设备及计算机存储介质 |
CN108629791A (zh) * | 2017-03-17 | 2018-10-09 | 北京旷视科技有限公司 | 行人跟踪方法和装置及跨摄像头行人跟踪方法和装置 |
CN109035299A (zh) * | 2018-06-11 | 2018-12-18 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8698895B2 (en) * | 2012-08-06 | 2014-04-15 | Cloudparc, Inc. | Controlling use of parking spaces using multiple cameras |
US10872241B2 (en) * | 2015-04-17 | 2020-12-22 | Ubicquia Iq Llc | Determining overlap of a parking space by a vehicle |
CN108665476B (zh) * | 2017-03-31 | 2022-03-11 | 华为技术有限公司 | 一种行人跟踪方法以及电子设备 |
CN109784162B (zh) * | 2018-12-12 | 2021-04-13 | 成都数之联科技有限公司 | 一种行人行为识别及轨迹跟踪方法 |
-
2019
- 2019-08-20 CN CN201910769191.0A patent/CN110418114B/zh active Active
-
2020
- 2020-03-31 US US16/835,929 patent/US11205276B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101646067A (zh) * | 2009-05-26 | 2010-02-10 | 华中师范大学 | 数字化全空间智能监控系统及方法 |
CN101916383A (zh) * | 2010-08-25 | 2010-12-15 | 浙江师范大学 | 基于多摄像机的车辆检测跟踪识别系统 |
CN104881637A (zh) * | 2015-05-09 | 2015-09-02 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于传感信息及目标追踪的多模信息系统及其融合方法 |
CN105069795A (zh) * | 2015-08-12 | 2015-11-18 | 深圳锐取信息技术股份有限公司 | 运动对象跟踪方法及装置 |
CN108629791A (zh) * | 2017-03-17 | 2018-10-09 | 北京旷视科技有限公司 | 行人跟踪方法和装置及跨摄像头行人跟踪方法和装置 |
CN107255468A (zh) * | 2017-05-24 | 2017-10-17 | 纳恩博(北京)科技有限公司 | 目标跟踪方法、目标跟踪设备及计算机存储介质 |
CN109035299A (zh) * | 2018-06-11 | 2018-12-18 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US11205276B2 (en) | 2021-12-21 |
US20210056715A1 (en) | 2021-02-25 |
CN110418114A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110418114B (zh) | 一种对象跟踪方法、装置、电子设备及存储介质 | |
CN110458895B (zh) | 图像坐标系的转换方法、装置、设备及存储介质 | |
CN109190508B (zh) | 一种基于空间坐标系的多摄像头数据融合方法 | |
CN103942811B (zh) | 分布式并行确定特征目标运动轨迹的方法与系统 | |
CN109919975B (zh) | 一种基于坐标标定的广域监控运动目标关联方法 | |
US20150325003A1 (en) | Methods, systems, and computer readable media for visual odometry using rigid structures identified by antipodal transform | |
CN111091025B (zh) | 图像处理方法、装置和设备 | |
CN111402294A (zh) | 目标跟踪方法、装置、计算机可读存储介质和计算机设备 | |
US20160267678A1 (en) | Methods, systems, and computer readable media for visual odometry using rigid structures identified by antipodal transform | |
CN109766755A (zh) | 人脸识别方法及相关产品 | |
CN111445531A (zh) | 一种多目相机导航方法、装置、设备及存储介质 | |
CN112488057A (zh) | 一种利用人头点定位和关节点信息的单相机多目标跟踪方法 | |
CN105869166A (zh) | 一种基于双目视觉的人体动作识别方法及系统 | |
CN113256731A (zh) | 基于单目视觉的目标检测方法及装置 | |
CN111928857B (zh) | 一种动态环境中实现slam定位的方法及相关装置 | |
US20200349349A1 (en) | Human Body Recognition Method And Apparatus, And Storage Medium | |
CN113256683B (zh) | 目标跟踪方法及相关设备 | |
CN112949539A (zh) | 一种基于摄像头位置的行人重识别交互检索方法及系统 | |
CN110287957B (zh) | 一种低慢小目标的定位方法及定位装置 | |
JP6577424B2 (ja) | 行動認識装置、および、行動認識方法 | |
CN116012417A (zh) | 目标对象的轨迹确定方法、装置以及电子设备 | |
CN115767424A (zh) | 一种基于rss与csi融合的视频定位方法 | |
CN115761470A (zh) | 游泳场景下的运动轨迹追踪方法及系统 | |
CN113793362A (zh) | 基于多镜头视频的行人轨迹提取方法和装置 | |
CN114694204A (zh) | 社交距离检测方法、装置、电子设备及存储介质 |
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 |