CN110517296B - 目标跟踪方法、装置、存储介质及电子设备 - Google Patents
目标跟踪方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110517296B CN110517296B CN201810487689.3A CN201810487689A CN110517296B CN 110517296 B CN110517296 B CN 110517296B CN 201810487689 A CN201810487689 A CN 201810487689A CN 110517296 B CN110517296 B CN 110517296B
- Authority
- CN
- China
- Prior art keywords
- frame image
- current frame
- target
- target area
- cross
- 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
-
- 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
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种目标跟踪方法、装置、存储介质及电子设备,该方法包括:利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域;根据所述当前帧图像的前一帧图像的目标区域以及所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值;根据所述互相关响应值确定所述当前帧图像的目标跟踪结果的技术手段,实现了对目标跟踪结果的判断,提升目标跟踪的准确性。
Description
技术领域
本发明涉及目标跟踪领域及计算机技术领域,具体而言,涉及一种目标跟踪方法、装置、存储介质及电子设备。
背景技术
目标跟踪是计算机视觉研究领域的热点之一,过去几十年以来,目标跟踪的研究取得了长足的发展。
基于视觉的目标跟踪,该过程中既要保证检测算法准确率高,同时也考虑跟踪算法输出频率也要高,而相关技术中提出的目标跟踪算法,并没有目标跟踪失败判断的相关机制,这就意味着跟踪环节并不知道是否存在目标丢失或者误跟踪的情况。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,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
有鉴于此,本发明提供一种目标跟踪方法,能够对目标跟踪结果进行判断。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的第一方面,提供一种目标跟踪方法,其中,所述方法包括:
利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域;
根据所述当前帧图像的前一帧图像的目标区域以及所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值;
根据所述互相关响应值确定所述当前帧图像的目标跟踪结果。
根据一些实施例,利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域,包括:
从所述当前帧图像中截取与所述当前帧图像的前一帧图像的目标区域相同位置的以及相同尺寸的图像区域;
分别通过卷积层提取所述当前帧图像的前一帧图像的目标区域中的特征层以及所述当前帧图像的所述图像区域中特征层;
将所述当前帧图像的前一帧图像的提取的特征层与所述当前层提取的特征层通过全连接层连接,获取到所述当前帧图像中的目标区域。
根据一些实施例,所述方法还包括:
从所述当前帧图像的前一帧图像中提取将目标区域放大到预设尺寸后的图像区域;
从所述当前帧图像中截取与所述当前帧图像的前一帧图像的提取的图像区域相同位置以及相同尺寸的图像区域;
分别通过卷积层提取所述当前帧图像的前一帧图像的图像区域中的特征层以及所述当前帧图像的图像区域中的特征层;
将所述当前帧图像的前一帧图像的提取的特征层与所述当前层提取的特征层通过全连接层连接,获取到所述当前帧图像中的目标区域。
根据一些实施例,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值,包括:
调整所述当前帧图像的目标区域,以使所述当前帧的目标区域与所述当前帧图像的前一帧图像的尺寸相同;
通过所述当前帧图像的前一帧图像的目标区域以及调整后的所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值。
根据一些实施例,取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值,包括:
通过以下公式获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值:
其中,g表示所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值,f表示所述调整后的所述当前帧图像的目标区域,h表示所述当前帧图像的前一帧图像的目标区域。
根据一些实施例,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值,包括:
分别对所述调整后的所述当前帧图像的目标区域以及所述当前帧图像的前一帧图像的目标区域进行快速傅里叶变换;
基于所述调整后的所述当前帧图像的目标区域的快速傅里叶变换结果以及所述当前帧图像的前一帧图像的目标区域的快速傅里叶变换结果,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值的傅里叶变换结果;
对所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值的傅里叶变换结果进行傅里叶反变换,获取到所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值。
根据一些实施例,根据所述互相关响应值确定所述当前帧图像的目标跟踪结果,包括:
获取所述互相关响应值的峰值以及在旁瓣区域的均值和方差;
根据所述互相关响应值的峰值以及在旁瓣区域的均值和方差,计算出所述互相关响应值的峰值与旁瓣的比值;
基于所述互相关响应值的峰值与旁瓣的比值所在的区间,确定所述当前帧图像的目标跟踪结果。
根据一些实施例,当确定所述当前帧图像的目标跟踪成功时,所述方法还包括:
利用所述目标跟踪算法以及所述当前帧图像的目标区域,从所述当前帧的后一帧图像中获取目标区域;
根据所述当前帧图像的目标区域以及所述当前帧图像的后一帧图像的目标区域,获取所述当前帧图像的后一帧图像的目标区域与所述当前帧图像的目标区域的互相关响应值;
根据所述互相关响应值确定所述当前帧图像的后一帧图像的目标跟踪结果。
根据一些实施例,当确定所述当前帧图像的目标跟踪失败时,所述方法还包括:
基于目标检测算法从所述当前帧的后一帧图像中检测出目标区域;
利用所述目标跟踪算法以及所述当前帧的后一帧图像的目标区域,从所述当前帧的后两帧图像中获取目标区域;
根据所述当前帧图像的后一帧图像的目标区域以及所述当前帧图像的后两帧图像的目标区域,获取所述当前帧图像的后两帧图像的目标区域与所述当前帧图像的后一帧图像的目标区域的互相关响应值;
根据所述互相关响应值确定所述当前帧图像的后两帧图像的目标跟踪结果。
根据本发明的第二方面,提供一种目标跟踪装置,其中,所述装置包括:
第一获取模块,用于利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域;
第二获取模块,用于根据所述当前帧图像的前一帧图像的目标区域以及所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值;
确定模块,用于根据所述互相关响应值确定所述当前帧图像的目标跟踪结果。
根据一些实施例,所述第一获取模块,包括:
截取单元,用于从所述当前帧图像中截取与所述当前帧图像的前一帧图像的目标区域相同位置的以及相同尺寸的图像区域;
提取单元,用于分别通过卷积层提取所述当前帧图像的前一帧图像的目标区域中的特征层以及所述当前帧图像的所述图像区域中特征层;
获取单元,用于将所述当前帧图像的前一帧图像的提取的特征层与所述当前层提取的特征层通过全连接层连接,获取到所述当前帧图像中的目标区域。
根据一些实施例,所述第二获取模块,包括:
调整单元,用于调整所述当前帧图像的目标区域,以使所述当前帧的目标区域与所述当前帧图像的前一帧图像的尺寸相同;
获取单元,用于通过所述当前帧图像的前一帧图像的目标区域以及调整后的所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值。
根据一些实施例,确定模块,包括:
获取单元,用于获取所述互相关响应值的峰值以及在旁瓣区域的均值和方差;
计算单元,用于根据所述互相关响应值的峰值以及在旁瓣区域的均值和方差,计算出所述互相关响应值的峰值与旁瓣的比值;
确定单元,用于基于所述互相关响应值的峰值与旁瓣的比值所在的区间,确定所述当前帧图像的目标跟踪结果。
根据本发明的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如第一方面所述的方法步骤。
根据本发明的第四方面,提供一种电子设备,其中,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如第一方面所述的方法步骤。
本发明实施例中,通过利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域;根据所述当前帧图像的前一帧图像的目标区域以及所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值;根据所述互相关响应值确定所述当前帧图像的目标跟踪结果的技术手段,实现了对目标跟踪结果的判断,提升目标跟踪的准确性。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。
图1是根据一示例性实施例示出的一种目标跟踪方法的流程图;
图2是根据一示例性实施例示出的一种从当前帧图像中获取目标区域的方法的流程图;
图3是本发明实施例示出的目标跟踪算法的处理过程示意图;
图4是根据一示例性实施例示出的一种获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值的方法的流程图;
图5是根据一示例性实施例示出的一种目标跟踪方法的框图;
图6是根据一示例性实施例示出的一种目标跟踪装置的结构图;
图7是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在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例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有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方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,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。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本发明实施例提供一种目标跟踪方法,能够对目标跟踪丢失进行判断,从而形成一个目标检测、目标跟踪、跟踪失败判断、目标再检测的闭环跟踪过程。
图1是根据一示例性实施例示出的一种目标跟踪方法的流程图。
如图1所示,在S110中,利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域。
根据示例实施例,在利用目标跟踪算法进行目标跟踪时,当前帧图像的前一帧图像至少第一帧图像,也就是说,当前帧图像至少为第二帧图像。
本发明实施例提供了一种具体的目标跟踪算法-基于深度学习的目标跟踪算法GOTURN,该算法用于图像跟踪检测环节,可以充分利用连续图像的上下文联系并提高实时性。且相对于核相关滤波等传统目标跟踪统算法,该基于深度学习的目标跟踪算法的实时性不受目标尺寸大小变化影响,如目标由远及近,短时间内尺度变化非常大,此种情况的跟踪效果明显。
GOTURN算法属于基于回归的深度学习目标跟踪算法,算法思路上借鉴了传统的目标跟踪算法依靠连续两帧图像之间上下文联系来进行目标跟踪的思路。即提供当前帧图像的前一帧图像的目标以及目标的背景区域,假定在运动不大的情况下当前帧图像中的目标仍然在当前帧图像的前一帧图像中目标位置的附近,通过这两帧图像之间的相关性,得到当前帧图像中目标的位置。
需要指出的是,当前帧图像的前一帧图像为第一帧图像时,可以继续目标检测算法,从当前帧图像的前一帧图像中提取到目标区域,若该当前帧图像的前一帧图像为非第一帧图像,具体的,还可以分为两种情况:1)若该当前帧图像的前两帧图像目标跟踪失败,则可以通过目标检测算法从该当前帧图像的前一帧图像中提取到目标图像。2)若该当前帧图像的前两帧图像目标跟踪成功,则可以根据该当前帧图像的前两帧图像以及目标跟踪算法从该当前帧的前一帧图像中提取到目标区域。
也就是说,在第一帧图像或者目标跟踪失败之后的下一帧图像(初始帧图像)中的目标区域是根据目标检测算法提取的,其余的帧图像的目标区域是利用目标跟踪算法以及前一帧图像提取的。
目标检测算法的鲁棒性与实时性是至关重要的。要确保对目标检测的准确率,尽量避免误检测的情况,因为误检测会导致跟踪环节目标初始化发生错误,甚至直接导致目标跟踪失败。本发明实施例提供一种具体的目标检测算法-基于YOLO深度学习目标检测算法,主要用于目标的首帧发现和目标丢失后的再检测。该环节具有极高的准确率。
根据本发明实施例,在从所述当前帧图像中获取目标区域时,可以从所述当前帧图像中截取与所述当前帧图像的前一帧图像的目标区域相同位置的以及相同尺寸的图像区域,然后分别通过卷积层提取所述当前帧图像的前一帧图像的目标区域中的特征层以及所述当前帧图像的所述图像区域中特征层,从而将所述当前帧图像的前一帧图像的提取的特征层与所述当前层提取的特征层通过全连接层连接,获取到所述当前帧图像中的目标区域。
需要说明的是,在目标跟踪阶段,需要在目标跟踪网络中需要输入连续的视频序列,即每次输入网络的是具有上下文联系的两帧图像,网络的输入层数据为两个3通道的RGB彩色图像,分别为具有上下文联系的“上一帧图像”和“当前帧图像”,其中,将上一帧图像的目标区域通过一个单独的卷积层提取到特征层,该特征层可以包括检测目标及背景区域的特征;根据上一帧图像目标区域的位置和大小,在当前帧图像中的相同位置截取相同大小的图像片段,并输入到相对应的卷积层提取特征层。将上一帧图像和当前帧图像经过卷积提取的特征层通过全连接层连接,全连接层用于学习两幅图像之间的联系,从而获取到当前帧图像的目标区域,该目标区域为目标跟踪算法预测的包含检测目标的区域。需要说明的是,上述过程为应用过程,在应用过程之前,需要对目标跟踪算法的网络进行训练,训练过程与应用过程相似,都需要同时输入连续的两帧图像,只是训练阶段需要根据数据的标签计算预测误差并通过反向传播调整网络各层的权值,使网络更好地实现目标跟踪。
在S120中,根据当前帧图像的前一帧图像的目标区域以及当前帧图像的目标区域,获取当前帧图像的目标区域与当前帧图像的前一帧图像的目标区域的互相关响应值。
根据本发明实施例,在从当前帧图像中获取目标区域后,可以调整当前帧图像的目标区域,以使当前帧的目标区域与当前帧图像的前一帧图像的尺寸相同,进而,通过当前帧图像的前一帧图像的目标区域以及调整后的当前帧图像的目标区域,获取当前帧图像的目标区域与当前帧图像的前一帧图像的目标区域的互相关响应值。
根据本发明实施例,在调整当前帧图像的目标区域时,保持当前帧图像的目标区域的中心位置不变,根据该当前帧图像的前一帧图像的目标区域的尺寸增大或缩小当前帧图像的目标区域,以使二者尺寸保持一致。
需要说明的是,在调整当前帧图像的目标区域之后,可以直接利用调整后的当前帧图像的目标区域以及当前帧图像的目标区域获取互相关响应值,也可以进一步的在当前帧图像以及当前帧图像的前一帧图像中截取相同大小和尺寸的区域,作为目标区域,以获取到更精准的目标区域,提升互相关响应值的准确性。
本发明实施例中,参考互相关滤波中信号相关性的计算,通过一个与目标跟踪算法并行的计算相邻两帧图像之间信号相关性的算法模块,评价跟踪环节的跟踪效果。信号的相关性用来描述两个信号之间的相似程度,两个信号越相似,其相关值越高。信号相关性应用于目标跟踪的基本思路为:将被跟踪目标作为滤波器,跟踪过程,即找到与跟踪目标响应的项。本发明实施例中,主要判断相邻两图像帧之间跟踪到同一个检测目标的相关性,通过互相关响应值g来评价跟踪效果并判断是否跟踪失败。
根据本发明实施例,可以通过以下公式获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值:
其中,g表示所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值,f表示所述调整后的所述当前帧图像的目标区域,h表示所述当前帧图像的前一帧图像的目标区域。
需要说明的是,本发明实施例中主要用相关性判断不同帧之间跟踪到的同一个目标的相关性,通过响应值g来评价跟踪效果并判断是否跟踪失败。
在S130中,根据所述互相关响应值确定所述当前帧图像的目标跟踪结果。
根据本发明实施例,确定当前帧图像的目标跟踪结果时,可以获取所述互相关响应值的峰值以及在旁瓣区域的均值和方差,根据所述互相关响应值的峰值以及在旁瓣区域的均值和方差,计算出所述互相关响应值的峰值与旁瓣的比值,基于所述互相关响应值的峰值与旁瓣的比值所在的区间,确定所述当前帧图像的目标跟踪结果。
根据本发明实施例,在获取到互相关响应值g后,可以在时域的g中得到g的峰值gmax。旁瓣区域是去除以峰值为中心的预设区域的区域,例如,旁瓣区域可以为去除以gmax为中心的11╳11的区域,其中,11╳11的区域g=0,mask(g)≠0为去除以gmax为中心的11╳11的区域,即旁瓣区域。旁瓣区域的均值可以通过以下公式计算:
其中,mean表示旁瓣区域的均值,mask(g)≠0表示旁瓣区域,N表示旁瓣区域的互相关响应值的个数,scr(g)表示OpenCV中获取响应值的函数。
需要说明的是,OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效--由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。
旁瓣区域的方差可以通过以下公式计算:
其中,stddev表示旁瓣区域的方差,mask(g)≠0表示旁瓣区域,N表示旁瓣区域的互相关响应值的个数,scr(g)表示OpenCV中获取响应值的函数。
需要说明的是,其中N可以通过以下公式计算:
N=∑g,mask(g)≠01 (4)
其中,N表示旁瓣区域的互相关响应值的个数,mask(g)≠0表示旁瓣区域。
在计算出互相关响应值的峰值以及在旁瓣区域的均值和方差之后,通过以下公式计算出互相关响应值的峰值与旁瓣的比值:
其中,PSR表示互相关响应值的峰值与旁瓣的比值。
在计算出PSR后,根据PSR所在的区间,确定当前帧图像的目标跟踪结果。例如,当PSR在20-60的区间内,则认为当前帧图像的目标跟踪结果是成功的,当PSR在小于7的区间内,则认为当前帧图像的目标跟踪结果是失败的。
本发明实施例中,通过利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域;根据所述当前帧图像的前一帧图像的目标区域以及所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值;根据所述互相关响应值确定所述当前帧图像的目标跟踪结果的技术手段,实现了对目标跟踪结果的判断,提升目标跟踪的准确性。
下面结合具体的实施例,对本发明实施例中提出的从当前帧图像中获取目标区域的方法进行详细的说明。
图2是根据一示例性实施例示出的一种从当前帧图像中获取目标区域的方法的流程图。图3是本发明实施例示出的目标跟踪算法的处理过程示意图。
如图2所示,该方法可以包括以下流程:
S210,从当前帧图像的前一帧图像中提取将目标区域放大到预设尺寸后的图像区域。
如图3所示,当前帧的前一帧图像中的ab区域为目标区域,将目标区域放大到预设尺寸,并进行归一化后到227╳227的大小,从当前帧图像的前一帧图像中提取以ab为中心的227╳227的区域,AB区域。
S220,从当前帧图像中截取与当前帧图像的前一帧图像的提取的图像区域相同位置以及相同尺寸的图像区域。
如图3所示,当前帧图像中截取与前一帧图像的AB区域相同位置以及相同大小的区域227╳227的区域,CD区域。
S230,分别通过卷积层提取当前帧图像的前一帧图像的图像区域中的特征层以及当前帧图像的图像区域中的特征层。
如图3所示,将当前帧的前一帧图像提取的AB区域通过卷积层提取该当前帧图像的前一帧图像的特征层,将当前帧图像提取的CD区域通过卷积层提取特征层。
S240,将当前帧图像的前一帧图像的提取的特征层与当前层提取的特征层通过全连接层连接,获取到当前帧图像中的目标区域。
如图3所示,将当前帧图像的前一帧图像提取的特征层与当前帧图像提取的特征层通过全连接层连接,从而获取到当前帧图像中的目标区域cd,即,预测的检测目标在当前帧图像的区域。
需要指出的是,ab区域与cd区域的大小可以并相同。
本发明上述实施例中,从所述当前帧图像的前一帧图像中提取将目标区域放大到预设尺寸后的图像区域,并利用该图像区域从当前帧图像中提取目标区域,相比于利用当前帧图像的前一帧图像的目标区域从当前帧图像中提取目标区域而言,增加了从当前帧图像中提取目标区域的范围,从而提升了从当前帧图像中提取目标区域的准确性。
下面结合具体的实施例,对本发明实施例中提出的获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值的方法进行详细的说明。
图4是根据一示例性实施例示出的一种获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值的方法的流程图。如图4所示,该方法可以包括以下步骤:
S410,分别对调整后的当前帧图像的目标区域以及当前帧图像的前一帧图像的目标区域进行快速傅里叶变换。
根据本发明实施例,在调整当前帧图像的目标区域,以使当前帧的目标区域与当前帧图像的前一帧图像的尺寸相同后,分别对所述调整后的所述当前帧图像的目标区域f以及所述当前帧图像的前一帧图像的目标区域h进行快速傅里叶变换,得到当前帧图像的目标区域f的快速傅里叶变换结果F(f),以及当前帧图像的前一帧图像的目标区域h的快速傅里叶变换结果F(h)。
S420,基于调整后的当前帧图像的目标区域的快速傅里叶变换结果以及当前帧图像的前一帧图像的目标区域的快速傅里叶变换结果,获取当前帧图像与当前帧图像的前一帧图像的互相关响应值的傅里叶变换结果。
根据本发明实施例,在得到当前帧图像的目标区域f的快速傅里叶变换结果F(f)以及当前帧图像的前一帧图像的目标区域h的快速傅里叶变换结果F(h)后,获取到:
根据本发明实施例,上述公式(6)也可以表示为:
G=F·H* (7)
其中,G表示互相关响应值g的快速傅里叶变换结果。
S430,对当前帧图像与当前帧图像的前一帧图像的互相关响应值的傅里叶变换结果进行傅里叶反变换,获取到当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值。
根据本发明实施例,对F(g)或G进行傅里叶反变换,就可以得到互相关响应值g。
本发明上述实施例中,通过对调整后的所述当前帧图像的目标区域以及所述当前帧图像的前一帧图像的目标区域进行快速傅里叶变换,得到最终的互相关响应值,实现了基于频域计算互相关响应值,相比于在时遇上计算互相关响应值,提升互相关响应值的实时性,从而提升互相关响应值的准确性。
图5是根据一示例性实施例示出的一种目标跟踪方法的框图。
如图5所示,对于第一帧图像或者初始帧图像这种需要目标检测的图像,可以通过YOLO目标检测算法进行检测,当从第一帧图像或者初始帧图像中检测到目标,则进入目标跟踪阶段,否则,基于YOLO目标检测算法重新进行目标检测。当第一帧图像或者初始帧图像进入到目标跟踪阶段后,输入该第一帧图像或者初始帧图像的下一帧图像,也就是当前帧图像,基于目标跟踪算法确定当前帧图像的目标跟踪是否失败。
当确定所述当前帧图像的目标跟踪成功时,利用目标跟踪算法以及当前帧图像的目标区域,从所述当前帧的后一帧图像中获取目标区域,根据当前帧图像的目标区域以及当前帧图像的后一帧图像的目标区域,获取当前帧图像的后一帧图像与所述当前帧图像的互相关响应值,根据所述互相关响应值确定所述当前帧图像的后一帧图像的目标跟踪结果。
当确定当前帧图像的目标跟踪失败时,基于目标检测算法从所述当前帧的后一帧图像中检测出目标区域,利用所述目标跟踪算法以及所述当前帧的后一帧图像的目标区域,从所述当前帧的后两帧图像中获取目标区域,根据所述当前帧图像的后一帧图像的目标区域以及所述当前帧图像的后两帧图像的目标区域,获取所述当前帧图像的后两帧图像与所述当前帧图像的后一帧图像的互相关响应值,根据所述互相关响应值确定所述当前帧图像的后两帧图像的目标跟踪结果。
本发明上述实施例中,基于目标跟踪结果对图像的自动跟踪,实现了跟踪-丢失-再检测-继续跟踪的闭环跟踪过程,提高了跟踪准确率。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。
下述为本发明装置实施例,可以用于执行本发明方法实施例。在下文对装置的描述中,与前述方法相同的部分,将不再赘述。
图6是根据一示例性实施例示出的一种目标跟踪装置的结构图,如图6所示,该装置600包括:
第一获取模块610,用于利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域;
第二获取模块620,用于根据所述当前帧图像的前一帧图像的目标区域以及所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值;
确定模块630,用于根据所述互相关响应值确定所述当前帧图像的目标跟踪结果。
根据一些实施例,所述第一获取模块610,包括:
截取单元611,用于从所述当前帧图像中截取与所述当前帧图像的前一帧图像的目标区域相同位置的以及相同尺寸的图像区域;
提取单元612,用于分别通过卷积层提取所述当前帧图像的前一帧图像的目标区域中的特征层以及所述当前帧图像的所述图像区域中特征层;
获取单元613,用于将所述当前帧图像的前一帧图像的提取的特征层与所述当前层提取的特征层通过全连接层连接,获取到所述当前帧图像中的目标区域。
根据一些实施例,所述第二获取模块620,包括:
调整单元621,用于调整所述当前帧图像的目标区域,以使所述当前帧的目标区域与所述当前帧图像的前一帧图像的尺寸相同;
获取单元622,用于通过所述当前帧图像的前一帧图像的目标区域以及调整后的所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值。
根据一些实施例,确定模块630,包括:
获取单元631,用于获取所述互相关响应值的峰值以及在旁瓣区域的均值和方差;
计算单元632,用于根据所述互相关响应值的峰值以及在旁瓣区域的均值和方差,计算出所述互相关响应值的峰值与旁瓣的比值;
确定单元633,用于基于所述互相关响应值的峰值与旁瓣的比值所在的区间,确定所述当前帧图像的目标跟踪结果。
本发明实施例中,通过利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域;根据所述当前帧图像的前一帧图像的目标区域以及所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值;根据所述互相关响应值确定所述当前帧图像的目标跟踪结果的技术手段,实现了对目标跟踪结果的判断。
作为另一方面,本申请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,使得该设备可以执行:利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域;根据所述当前帧图像的前一帧图像的目标区域以及所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值;根据所述互相关响应值确定所述当前帧图像的目标跟踪结果。
图7是根据一示例性实施例示出的一种电子设备的结构示意图。需要说明的是,图7示出的电子设备仅仅是一个示例,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7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;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707;包括硬盘等的存储部分708;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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,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710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708。
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709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的终端中限定的上述功能。
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存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储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,计算机可读存储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存储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:一种处理器包括第一获取模块、第二获取模块和确定模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
以上具体示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明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 (13)
1.一种目标跟踪方法,其特征在于,所述方法包括:
利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域;
根据所述当前帧图像的前一帧图像的目标区域以及所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值;
根据所述互相关响应值确定所述当前帧图像的目标跟踪结果;
其中,根据所述互相关响应值确定所述当前帧图像的目标跟踪结果,包括:
获取所述互相关响应值的峰值以及在旁瓣区域的均值和方差;
根据所述互相关响应值的峰值以及在旁瓣区域的均值和方差,计算出所述互相关响应值的峰值与旁瓣的比值;
基于所述互相关响应值的峰值与旁瓣的比值所在的区间,确定所述当前帧图像的目标跟踪结果。
2.如权利要求1所述的方法,其特征在于,利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域,包括:
从所述当前帧图像中截取与所述当前帧图像的前一帧图像的目标区域相同位置的以及相同尺寸的图像区域;
分别通过卷积层提取所述当前帧图像的前一帧图像的目标区域中的特征层以及所述当前帧图像的所述图像区域中特征层;
将所述当前帧图像的前一帧图像的提取的特征层与所述当前帧图像提取的特征层通过全连接层连接,获取到所述当前帧图像中的目标区域。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
从所述当前帧图像的前一帧图像中提取将目标区域放大到预设尺寸后的图像区域;
从所述当前帧图像中截取与所述当前帧图像的前一帧图像的提取的图像区域相同位置以及相同尺寸的图像区域;
分别通过卷积层提取所述当前帧图像的前一帧图像的图像区域中的特征层以及所述当前帧图像的图像区域中的特征层;
将所述当前帧图像的前一帧图像的提取的特征层与所述当前帧图像提取的特征层通过全连接层连接,获取到所述当前帧图像中的目标区域。
4.如权利要求1所述的方法,其特征在于,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值,包括:
调整所述当前帧图像的目标区域,以使所述当前帧的目标区域与所述当前帧图像的前一帧图像的尺寸相同;
通过所述当前帧图像的前一帧图像的目标区域以及调整后的所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值。
6.如权利要求5所述的方法,其特征在于,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值,包括:
分别对所述调整后的所述当前帧图像的目标区域以及所述当前帧图像的前一帧图像的目标区域进行快速傅里叶变换;
基于所述调整后的所述当前帧图像的目标区域的快速傅里叶变换结果以及所述当前帧图像的前一帧图像的目标区域的快速傅里叶变换结果,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值的傅里叶变换结果;
对所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值的傅里叶变换结果进行傅里叶反变换,获取到所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值。
7.如权利要求1所述的方法,其特征在于,当确定所述当前帧图像的目标跟踪成功时,所述方法还包括:
利用所述目标跟踪算法以及所述当前帧图像的目标区域,从所述当前帧的后一帧图像中获取目标区域;
根据所述当前帧图像的目标区域以及所述当前帧图像的后一帧图像的目标区域,获取所述当前帧图像的后一帧图像的目标区域与所述当前帧图像的目标区域的互相关响应值;
根据所述互相关响应值确定所述当前帧图像的后一帧图像的目标跟踪结果。
8.如权利要求1所述的方法,其特征在于,当确定所述当前帧图像的目标跟踪失败时,所述方法还包括:
基于目标检测算法从所述当前帧的后一帧图像中检测出目标区域;
利用所述目标跟踪算法以及所述当前帧的后一帧图像的目标区域,从所述当前帧的后两帧图像中获取目标区域;
根据所述当前帧图像的后一帧图像的目标区域以及所述当前帧图像的后两帧图像的目标区域,获取所述当前帧图像的后两帧图像的目标区域与所述当前帧图像的后一帧图像的目标区域的互相关响应值;
根据所述互相关响应值确定所述当前帧图像的后两帧图像的目标跟踪结果。
9.一种目标跟踪装置,其特征在于,所述装置包括:
第一获取模块,用于利用目标跟踪算法以及当前帧图像的前一帧图像的目标区域,从所述当前帧图像中获取目标区域;
第二获取模块,用于根据所述当前帧图像的前一帧图像的目标区域以及所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值;
确定模块,用于根据所述互相关响应值确定所述当前帧图像的目标跟踪结果;
其中,确定模块包括:
获取单元,用于获取所述互相关响应值的峰值以及在旁瓣区域的均值和方差;
计算单元,用于根据所述互相关响应值的峰值以及在旁瓣区域的均值和方差,计算出所述互相关响应值的峰值与旁瓣的比值;
确定单元,用于基于所述互相关响应值的峰值与旁瓣的比值所在的区间,确定所述当前帧图像的目标跟踪结果。
10.如权利要求9所述的装置,其特征在于,所述第一获取模块,包括:
截取单元,用于从所述当前帧图像中截取与所述当前帧图像的前一帧图像的目标区域相同位置的以及相同尺寸的图像区域;
提取单元,用于分别通过卷积层提取所述当前帧图像的前一帧图像的目标区域中的特征层以及所述当前帧图像的所述图像区域中特征层;
获取单元,用于将所述当前帧图像的前一帧图像的提取的特征层与所述当前帧图像提取的特征层通过全连接层连接,获取到所述当前帧图像中的目标区域。
11.如权利要求9所述的装置,其特征在于,所述第二获取模块,包括:
调整单元,用于调整所述当前帧图像的目标区域,以使所述当前帧的目标区域与所述当前帧图像的前一帧图像的尺寸相同;
获取单元,用于通过所述当前帧图像的前一帧图像的目标区域以及调整后的所述当前帧图像的目标区域,获取所述当前帧图像的目标区域与所述当前帧图像的前一帧图像的目标区域的互相关响应值。
12.一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,该程序被处理器执行时实现权利要求1-8任一项所述的方法步骤。
13.一种电子设备,其特征在于,包括:一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-8中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810487689.3A CN110517296B (zh) | 2018-05-21 | 2018-05-21 | 目标跟踪方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810487689.3A CN110517296B (zh) | 2018-05-21 | 2018-05-21 | 目标跟踪方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517296A CN110517296A (zh) | 2019-11-29 |
CN110517296B true CN110517296B (zh) | 2022-06-07 |
Family
ID=68621576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810487689.3A Active CN110517296B (zh) | 2018-05-21 | 2018-05-21 | 目标跟踪方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517296B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179343B (zh) * | 2019-12-20 | 2024-03-19 | 西安天和防务技术股份有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN113283509B (zh) * | 2021-05-28 | 2024-03-29 | 深圳一清创新科技有限公司 | 一种自动标注标签的方法、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400395A (zh) * | 2013-07-24 | 2013-11-20 | 佳都新太科技股份有限公司 | 一种基于haar特征检测的光流跟踪方法 |
CN105335986A (zh) * | 2015-09-10 | 2016-02-17 | 西安电子科技大学 | 基于特征匹配和MeanShift算法的目标跟踪方法 |
CN105469430A (zh) * | 2015-12-10 | 2016-04-06 | 中国石油大学(华东) | 一种大场景中的小目标抗遮挡跟踪方法 |
CN106570478A (zh) * | 2016-11-04 | 2017-04-19 | 北京智能管家科技有限公司 | 视觉跟踪中的目标丢失判断方法和装置 |
CN106875419A (zh) * | 2016-12-29 | 2017-06-20 | 北京理工雷科电子信息技术有限公司 | 基于ncc匹配帧差的弱小动目标跟踪丢失重检方法 |
CN107767405A (zh) * | 2017-09-29 | 2018-03-06 | 华中科技大学 | 一种融合卷积神经网络的核相关滤波目标跟踪方法 |
-
2018
- 2018-05-21 CN CN201810487689.3A patent/CN110517296B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400395A (zh) * | 2013-07-24 | 2013-11-20 | 佳都新太科技股份有限公司 | 一种基于haar特征检测的光流跟踪方法 |
CN105335986A (zh) * | 2015-09-10 | 2016-02-17 | 西安电子科技大学 | 基于特征匹配和MeanShift算法的目标跟踪方法 |
CN105469430A (zh) * | 2015-12-10 | 2016-04-06 | 中国石油大学(华东) | 一种大场景中的小目标抗遮挡跟踪方法 |
CN106570478A (zh) * | 2016-11-04 | 2017-04-19 | 北京智能管家科技有限公司 | 视觉跟踪中的目标丢失判断方法和装置 |
CN106875419A (zh) * | 2016-12-29 | 2017-06-20 | 北京理工雷科电子信息技术有限公司 | 基于ncc匹配帧差的弱小动目标跟踪丢失重检方法 |
CN107767405A (zh) * | 2017-09-29 | 2018-03-06 | 华中科技大学 | 一种融合卷积神经网络的核相关滤波目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
Fast Fourier Transform Networks for Object Tracking Based on Correlation Filter;Zhangping He et al;《IEEE Access》;20180108;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110517296A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898086B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN107886048B (zh) | 目标跟踪方法及系统、存储介质及电子终端 | |
CN108960090B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN108256479B (zh) | 人脸跟踪方法和装置 | |
US11244157B2 (en) | Image detection method, apparatus, device and storage medium | |
CN108921128B (zh) | 脸颊敏感肌识别方法及装置 | |
CN108229673B (zh) | 卷积神经网络的处理方法、装置和电子设备 | |
US20140064558A1 (en) | Object tracking apparatus and method and camera | |
EP3734496A1 (en) | Image analysis method and apparatus, and electronic device and readable storage medium | |
US20200320342A1 (en) | Method and apparatus for training an object identification neural network, and computer device | |
CN107992790B (zh) | 目标长时跟踪方法及系统、存储介质及电子终端 | |
US20180089839A1 (en) | Moving object detection based on motion blur | |
CN108229494B (zh) | 网络训练方法、处理方法、装置、存储介质和电子设备 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN110363121B (zh) | 指纹图像处理方法及装置、存储介质和电子设备 | |
CN110517296B (zh) | 目标跟踪方法、装置、存储介质及电子设备 | |
CN111783626A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111444807B (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
US10417422B2 (en) | Method and apparatus for detecting application | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN110969640A (zh) | 视频图像的分割方法、终端设备以及计算机可读存储介质 | |
CN109871779B (zh) | 掌纹识别的方法及电子设备 | |
CN111277812A (zh) | 图像处理方法和设备 | |
CN110634155A (zh) | 一种基于深度学习的目标检测方法和装置 | |
US20220300549A1 (en) | Method for searching similar images in an image database using global values of a similarity measure for discarding partitions of the image database |
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 |