CN110689555B - 基于前景检测的kcf跟踪目标丢失检测方法及系统 - Google Patents
基于前景检测的kcf跟踪目标丢失检测方法及系统 Download PDFInfo
- Publication number
- CN110689555B CN110689555B CN201910969283.3A CN201910969283A CN110689555B CN 110689555 B CN110689555 B CN 110689555B CN 201910969283 A CN201910969283 A CN 201910969283A CN 110689555 B CN110689555 B CN 110689555B
- Authority
- CN
- China
- Prior art keywords
- foreground
- target
- frame
- video image
- tracking target
- 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
- G06T7/215—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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Abstract
本发明涉及视觉目标跟踪技术领域,实施例公开一种基于前景检测的KCF跟踪目标丢失检测方法及系统。本申请提出的基于前景检测的KCF跟踪目标丢失检测方法,采用前景检测算法提取前景影像,利用KCF跟踪算法提取目标检测框,获取目标检测框对应的前景区域,计算前景区域中目标轮廓面积占前景区域总面积的占比值,设置占比值阈值判断KCF跟踪目标是否丢失的方法,解决了目标丢失后KCF算法本身不能察觉,并且KCF跟踪器会将背景信息作为目标继续进行跟踪的问题,本申请在不影响KCF目标跟踪实时性的基础上,实现了跟踪目标被大面积遮挡或离开镜头时的准确判断。
Description
技术领域
本发明涉及视觉目标跟踪技术领域,具体涉及一种基于前景检测的KCF跟踪目标丢失检测方法及系统。
背景技术
视觉目标跟踪是计算机视觉领域中最具挑战的课题之一,广泛应用于视频监控、人机交互、智能汽车、医疗图像等领域。当前使用最多的是基于相关滤波算法的跟踪器,相关滤波类方法最主要的特点是算法复杂度低,运算速度快,满足实时要求,主要包括KCF跟踪器及其变体。目前针对KCF跟踪目标的丢失检测方法主要有基于异常值检测的KCF目标丢失检测方法和基于感知哈希算法的跟踪目标丢失检测。
当目标受尺度变化、严重遮挡、相似目标干扰和出视野等因素影响时,KCF算法仍会出现目标丢失现象。一旦目标丢失,跟踪器本身无法察觉,不具有目标丢失检测的能力,这是KCF跟踪算法固有的缺陷。在轨迹跟踪过程中,跟踪目标丢失会导致轨迹的跳跃或偏移。
发明内容
有鉴于此,本申请提供一种基于前景检测的KCF跟踪目标丢失检测方法,能够解决或者至少部分解决上述存在的问题。
为解决以上技术问题,本发明提供的技术方案是一种基于前景检测的KCF跟踪目标丢失检测方法,包括:
S1:接收视频流,利用前景检测算法提取每一帧视频影像的前景影像;
S2:利用KCF目标跟踪算法获取每一帧视频影像上跟踪目标的位置检测框;
S3:根据当前帧视频影像中跟踪目标的位置检测框坐标,提取当前帧前景影像中相同位置的前景区域;
S4:计算前景区域中跟踪目标轮廓面积占整个前景区域总面积的占比值,判断其占比值是否小于预设占比值阈值,若是则发出跟踪目标丢失信息。
优选的,所述步骤S1的方法包括:
S11:接收视频流并对视频流解码,获得视频影像;
S12:灰度化第一帧视频影像,初始化前景检测算法背景模型;
S13:依次读入每一帧视频影像,对当前帧视频影像先灰度化,再利用前景检测算法获取当前帧视频影像的前景影像;
S14:利用形态学对当前帧视频影像的前景影像进行去噪,获得当前帧的去除背景区域的包含跟踪目标的前景二值化影像。
优选的,所述步骤S2中的方法包括:
S21:获取第一帧视频影像上的目标区域;
S22:根据目标区域得到跟踪目标在第一帧视频影像中的位置检测框坐标,初始化KCF目标跟踪器;
S23:依次读入每一帧视频影像,向KCF目标跟踪器输入当前帧视频影像,返回跟踪目标在当前帧视频影像中的位置检测框坐标。
优选的,所述步骤S3的方法包括:
对当前帧视频影像,根据KCF目标跟踪器获取的跟踪目标的位置检测框坐标,在对应的前景二值化影像中提取前景区域。
优选的,所述步骤S4的方法包括:
S41:寻找前景区域内跟踪目标的所有连通区域,计算所有连通区域的总面积,获得跟踪目标轮廓面积;
S42:计算跟踪目标轮廓面积占整个前景区域总面积的占比值;
S43:判断占比值是否低于预设占比值阈值,若是,则认为前景区域内都是背景区域,跟踪目标已丢失,发出跟踪目标丢失信息。
本发明还提供一种基于前景检测的KCF跟踪目标丢失检测系统,包括:
前景影像提取模块,用于接收视频流,利用前景检测算法提取每一帧视频影像的前景影像;
目标位置提取模块,用于利用KCF目标跟踪算法获取每一帧视频影像上跟踪目标的位置检测框;
前景区域提取模块,用于根据当前帧视频影像中跟踪目标的位置检测框坐标,提取当前帧前景影像中相同位置的前景区域;
目标状态判断模块,用于计算前景区域中跟踪目标轮廓面积占整个前景区域总面积的占比值,判断其占比值是否小于预设占比值阈值,若是则发出跟踪目标丢失信息。
优选的,所述前景影像提取模块包括:
视频解码单元,用于接收视频流并对视频流解码,获得视频影像;
模型初始化单元,用于灰度化第一帧视频影像,初始化前景检测算法背景模型;
前景提取单元,用于依次读入每一帧视频影像,对当前帧视频影像先灰度化,再利用前景检测算法获取当前帧视频影像的前景影像;
前景去噪单元,用于利用形态学对当前帧视频影像的前景影像进行去噪,获得当前帧的去除背景区域的包含跟踪目标的前景二值化影像。
优选的,所述目标位置提取模块包括:
目标区域获取单元,用于获取第一帧视频影像上的目标区域;
跟踪器初始化单元,用于根据目标区域得到跟踪目标在第一帧视频影像中的位置检测框坐标,初始化KCF目标跟踪器;
目标坐标获取单元,用于依次读入每一帧视频影像,向KCF目标跟踪器输入当前帧视频影像,返回跟踪目标在当前帧视频影像中的位置检测框坐标。
优选的,所述目标状态判断模块包括:
目标面积计算单元,用于寻找前景区域内跟踪目标的所有连通区域,计算所有连通区域的总面积,获得跟踪目标轮廓面积;
面积占比计算单元,用于计算跟踪目标轮廓面积占整个前景区域总面积的占比值;
目标状态判断单元,用于判断占比值是否低于预设占比值阈值,若是,则认为前景区域内都是背景区域,跟踪目标已丢失,发出跟踪目标丢失信息。
本发明还提供一种基于前景检测的KCF跟踪目标丢失检测系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现上述基于前景检测的KCF跟踪目标丢失检测方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于前景检测的KCF跟踪目标丢失检测方法的步骤。
本申请与现有技术相比,其有益效果详细说明如下:本申请提出一种基于前景检测的KCF跟踪目标丢失检测方法,采用前景检测算法提取前景影像,利用KCF跟踪算法提取目标检测框,获取目标检测框对应的前景区域,计算前景区域中目标轮廓面积占前景区域总面积的占比值,设置占比值阈值判断KCF跟踪目标是否丢失的方法,解决了目标丢失后KCF算法本身不能察觉,并且KCF跟踪器会将背景信息作为目标继续进行跟踪的问题,本申请在不影响KCF目标跟踪实时性的基础上,实现了跟踪目标被大面积遮挡或离开镜头时的准确判断。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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。
图1为本发明实施例提供的基于前景检测的KCF跟踪目标丢失检测方法的流程示意图;
图2为本发明实施例提供的提取每一帧视频影像的前景影像的方法流程示意图;
图3为本发明实施例提供的获取每一帧视频影像上跟踪目标的位置检测框方法的流程示意图;
图4为本发明实施例提供的判断跟踪目标丢失的方法的流程示意图;
图5为本发明实施例提供的基于前景检测的KCF跟踪目标丢失检测系统的结构示意图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。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,都属于本发明保护范围。
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示,本发明实施例提供一种基于前景检测的KCF跟踪目标丢失检测方法,包括:
S1:接收视频流,利用前景检测算法提取每一帧视频影像的前景影像;
S2:利用KCF目标跟踪算法获取每一帧视频影像上跟踪目标的位置检测框;
S3:根据当前帧视频影像中跟踪目标的位置检测框坐标,提取当前帧前景影像中相同位置的前景区域;
S4:计算前景区域中跟踪目标轮廓面积占整个前景区域总面积的占比值,判断其占比值是否小于预设占比值阈值,若是则发出跟踪目标丢失信息。
需要说明的是,如图2所示,步骤S1的方法包括:
S11:接收视频流并对视频流解码,获得视频影像;
S12:灰度化第一帧视频影像,初始化前景检测算法背景模型;
S13:依次读入每一帧视频影像,对当前帧视频影像先灰度化,再利用前景检测算法获取当前帧视频影像的前景影像;
S14:利用形态学对当前帧视频影像的前景影像进行去噪,获得当前帧的去除背景区域的包含跟踪目标的前景二值化影像。
具体的,采用ViBe算法提取前景影像,ViBe算法将背景建模看成一个一个新的像素值分类为背景或者前景的分类问题,同时考虑了像素值的领域点来避免异常值的影响。通过对像素值的领域点采样来建立背景模型。这样就不需要选择和估计概率密度函数,只需要将像素值和采样点集合作比较。ViBe算法只需要一帧就可以完成初始化,第二帧就提供前景分割的结果,可以有效性的在任意长度的视频中使用。当第一帧包含移动前景,在产生鬼影问题时,由于采用了无记忆更新测量,ViBe可在数帧后就消除该问题的影响。
通过ViBe得到背景建模图后,我们进行后置处理,首先统计每个前景点的领域中其他前景点的数量,如果数量较少则判定为噪点并去除。
需要说明的是,如图3所示,步骤S2中的方法包括:
S21:获取第一帧视频影像上的目标区域;
S22:根据目标区域得到跟踪目标在第一帧视频影像中的位置检测框坐标,初始化KCF目标跟踪器;
S23:依次读入每一帧视频影像,向KCF目标跟踪器输入当前帧视频影像,返回跟踪目标在当前帧视频影像中的位置检测框坐标。
具体的,KCF算法利用循环移位的方式构造大量的训练样本和待测样本。利用训练样本训练一个核相关滤波器,然后通过分类器计算待测样本的响应值,选取响应值最大的待测样本为新的跟踪目标,同时利用循环矩阵可以傅氏对角化的性质,大大降低了分类器训练和检测过程中的运算量。
采用检测框初始化KCF跟踪器,之后在每一帧视频帧中更新KCF跟踪器,获取跟踪目标在当前视频帧图像中的位置检测框。
需要说明的是,步骤S3的方法包括:
对当前帧视频影像,根据KCF目标跟踪器获取的跟踪目标的位置检测框坐标,在对应的前景二值化影像中提取前景区域。
具体的,利用步骤2获取的位置检测框,提取前景影像中相同位置的区域Q(前景区域)。
需要说明的是,如图4所示,步骤S4的方法包括:
S41:寻找前景区域内跟踪目标的所有连通区域,计算所有连通区域的总面积,获得跟踪目标轮廓面积;
S42:计算跟踪目标轮廓面积占整个前景区域总面积的占比值;
S43:判断占比值是否低于预设占比值阈值,若是,则认为前景区域内都是背景区域,跟踪目标已丢失,发出跟踪目标丢失信息。
举例说明,在某个监控场景中使用该基于前景检测的KCF跟踪目标丢失检测方法,具体的步骤包括:
S31:接收视频流,利用ViBe算法提取每一帧视频影像的前景影像;
(1)视频数据流获取:通过无线连接传输监控数据,利用相机的IP地址、端口号、用户名、密码获得已压缩的rtsp视频数据流。
(2)视频流解码:利用计算机视觉库OpenCV中的视频读取接口cv::VideoCapture读取并解码视频数据流,按照视频帧率返回一帧帧的视频影像。
(3)灰度化第一帧视频影像,初始化ViBe背景模型,初始化t=2。
(4)循环读入视频影像,先灰度化,然后利用ViBe前景检测算法获取当前视频影像的前景影像。
(5)利用形态学对第t帧的前景影像进行去噪,即对前景影像进行腐蚀、膨胀、开与闭运算去除检测噪声,最终获得一个去除背景区域的包含运动目标的前景二值化影像。
S32:接收视频流,利用KCF目标跟踪算法获取每一帧视频上跟踪目标的所在位置(位置检测框)。
(1)获取目标区域,采用目标检测、运动目标检测、人工绘制等方法获取的初始目标区域。
(2)根据获取的目标区域得到待跟踪的目标A的影像和在视频影像中的位置,初始化KCF目标跟踪器。
(3)向KCF目标跟踪器输入第t帧视频影像,返回目标A在第t帧视频影像中的位置检测框的坐标位置。
S33:根据步骤S32中跟踪目标的位置检测框,提取同一帧视频影像中的前景区域。
对第t帧视频影像,利用KCF目标跟踪器获取目标A的坐标位置,在对应的前景二值化影像中提取目标A的前景区域Af。
S34:计算位置检测框内的目标A的面积占整个位置检测框面积的占比值。设置占比值阈值,如果占比值小于占比值阈值,认为跟踪目标已丢失,停止跟踪器;否则,继续跟踪。
(1)先利用OpenCV视觉库中findContour接口寻找前景区域Af内的目标A的所有连通区域,再使用contourArea接口总计所有连通区域的总面积SA。
(2)计算目标A的总面积SA在整个前景区域Af中的面积占比,即SA/SAf。
(3)若面积占比值低于阈值0.15,则认为前景区域Af内都是背景区域,说明跟踪目标被障碍物近似完全遮挡或者跟踪目标离开镜头观察范围,跟踪目标已丢失。
本申请解决了目标丢失后KCF算法本身不能察觉,并且KCF跟踪器会将背景信息作为目标继续进行跟踪的问题,本申请在KCF算法的基础上,结合前景检测方法作为目标丢失预警机制,本申请在不影响KCF目标跟踪实时性的基础上,实现了跟踪目标被大面积遮挡或离开镜头时的准确判断。
如图5所示,本发明实施例还提供一种基于前景检测的KCF跟踪目标丢失检测系统,包括:
前景影像提取模块21,用于接收视频流,利用前景检测算法提取每一帧视频影像的前景影像;
目标位置提取模块22,用于利用KCF目标跟踪算法获取每一帧视频影像上跟踪目标的位置检测框;
前景区域提取模块23,用于根据当前帧视频影像中跟踪目标的位置检测框坐标,提取当前帧前景影像中相同位置的前景区域;
目标状态判断模块24,用于计算前景区域中跟踪目标轮廓面积占整个前景区域总面积的占比值,判断其占比值是否小于预设占比值阈值,若是则发出跟踪目标丢失信息。
需要说明的是,前景影像提取模块21包括:
视频解码单元,用于接收视频流并对视频流解码,获得视频影像;
模型初始化单元,用于灰度化第一帧视频影像,初始化前景检测算法背景模型;
前景提取单元,用于依次读入每一帧视频影像,对当前帧视频影像先灰度化,再利用前景检测算法获取当前帧视频影像的前景影像;
前景去噪单元,用于利用形态学对当前帧视频影像的前景影像进行去噪,获得当前帧的去除背景区域的包含跟踪目标的前景二值化影像。
需要说明的是,目标位置提取模块22包括:
目标区域获取单元,用于获取第一帧视频影像上的目标区域;
跟踪器初始化单元,用于根据目标区域得到跟踪目标在第一帧视频影像中的位置检测框坐标,初始化KCF目标跟踪器;
目标坐标获取单元,用于依次读入每一帧视频影像,向KCF目标跟踪器输入当前帧视频影像,返回跟踪目标在当前帧视频影像中的位置检测框坐标。
需要说明的是,前景区域提取模块23的工作方法包括:对当前帧视频影像,根据KCF目标跟踪器获取的跟踪目标的位置检测框坐标,在对应的前景二值化影像中提取前景区域。
需要说明的是,目标状态判断模块24包括:
目标面积计算单元,用于寻找前景区域内跟踪目标的所有连通区域,计算所有连通区域的总面积,获得跟踪目标轮廓面积;
面积占比计算单元,用于计算跟踪目标轮廓面积占整个前景区域总面积的占比值;
目标状态判断单元,用于判断占比值是否低于预设占比值阈值,若是,则认为前景区域内都是背景区域,跟踪目标已丢失,发出跟踪目标丢失信息。
本发明实施例还提供一种基于前景检测的KCF跟踪目标丢失检测系统,包括:存储器,用于存储计算机程序;处理器,用于执行计算机程序以实现上述基于前景检测的KCF跟踪目标丢失检测方法的步骤。
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存储有计算机程序,计算机程序被处理器执行时实现上述基于前景检测的KCF跟踪目标丢失检测方法的步骤。
图5所对应实施例中特征的说明可以参见图1-图4所对应实施例的相关说明,这里不再一一赘述。
以上对本发明实施例所提供的一种基于前景检测的KCF跟踪目标丢失检测方法、系统和计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (10)
1.一种基于前景检测的KCF跟踪目标丢失检测方法,其特征在于,包括:
步骤S1:接收视频流,利用前景检测算法提取每一帧视频影像的前景影像;
步骤S2:利用KCF目标跟踪算法获取每一帧视频影像上跟踪目标的位置检测框;
步骤S3:根据当前帧视频影像中跟踪目标的位置检测框坐标,提取当前帧前景影像中相同位置的前景区域;
步骤S4:计算前景区域中跟踪目标轮廓面积占整个前景区域总面积的占比值,判断其占比值是否小于预设占比值阈值,若是则发出跟踪目标丢失信息。
2.根据权利要求1所述的基于前景检测的KCF跟踪目标丢失检测方法,其特征在于,所述步骤S1的方法包括:
S11:接收视频流并对视频流解码,获得视频影像;
S12:灰度化第一帧视频影像,初始化前景检测算法背景模型;
S13:依次读入每一帧视频影像,对当前帧视频影像先灰度化,再利用前景检测算法获取当前帧视频影像的前景影像;
S14:利用形态学对当前帧视频影像的前景影像进行去噪,获得当前帧的去除背景区域的包含跟踪目标的前景二值化影像。
3.根据权利要求1所述的基于前景检测的KCF跟踪目标丢失检测方法,其特征在于,所述步骤S2中的方法包括:
S21:获取第一帧视频影像上的目标区域;
S22:根据目标区域得到跟踪目标在第一帧视频影像中的位置检测框坐标,初始化KCF目标跟踪器;
S23:依次读入每一帧视频影像,向KCF目标跟踪器输入当前帧视频影像,返回跟踪目标在当前帧视频影像中的位置检测框坐标。
4.根据权利要求1所述的基于前景检测的KCF跟踪目标丢失检测方法,其特征在于,所述步骤S3的方法包括:
对当前帧视频影像,根据KCF目标跟踪器获取的跟踪目标的位置检测框坐标,在对应的前景二值化影像中提取前景区域。
5.根据权利要求1所述的基于前景检测的KCF跟踪目标丢失检测方法,其特征在于,所述步骤S4的方法包括:
S41:寻找前景区域内跟踪目标的所有连通区域,计算所有连通区域的总面积,获得跟踪目标轮廓面积;
S42:计算跟踪目标轮廓面积占整个前景区域总面积的占比值;
S43:判断占比值是否低于预设占比值阈值,若是,则认为前景区域内都是背景区域,跟踪目标已丢失,发出跟踪目标丢失信息。
6.一种基于前景检测的KCF跟踪目标丢失检测系统,其特征在于,包括:
前景影像提取模块,用于接收视频流,利用前景检测算法提取每一帧视频影像的前景影像;
目标位置提取模块,用于利用KCF目标跟踪算法获取每一帧视频影像上跟踪目标的位置检测框;
前景区域提取模块,用于根据当前帧视频影像中跟踪目标的位置检测框坐标,提取当前帧前景影像中相同位置的前景区域;
目标状态判断模块,用于计算前景区域中跟踪目标轮廓面积占整个前景区域总面积的占比值,判断其占比值是否小于预设占比值阈值,若是则发出跟踪目标丢失信息。
7.根据权利要求6所述的基于前景检测的KCF跟踪目标丢失检测系统,其特征在于,所述前景影像提取模块包括:
视频解码单元,用于接收视频流并对视频流解码,获得视频影像;
模型初始化单元,用于灰度化第一帧视频影像,初始化前景检测算法背景模型;
前景提取单元,用于依次读入每一帧视频影像,对当前帧视频影像先灰度化,再利用前景检测算法获取当前帧视频影像的前景影像;
前景去噪单元,用于利用形态学对当前帧视频影像的前景影像进行去噪,获得当前帧的去除背景区域的包含跟踪目标的前景二值化影像。
8.根据权利要求6所述的基于前景检测的KCF跟踪目标丢失检测系统,其特征在于,所述目标位置提取模块包括:
目标区域获取单元,用于获取第一帧视频影像上的目标区域;
跟踪器初始化单元,用于根据目标区域得到跟踪目标在第一帧视频影像中的位置检测框坐标,初始化KCF目标跟踪器;
目标坐标获取单元,用于依次读入每一帧视频影像,向KCF目标跟踪器输入当前帧视频影像,返回跟踪目标在当前帧视频影像中的位置检测框坐标。
9.根据权利要求6所述的基于前景检测的KCF跟踪目标丢失检测系统,其特征在于,所述目标状态判断模块包括:
目标面积计算单元,用于寻找前景区域内跟踪目标的所有连通区域,计算所有连通区域的总面积,获得跟踪目标轮廓面积;
面积占比计算单元,用于计算跟踪目标轮廓面积占整个前景区域总面积的占比值;
目标状态判断单元,用于判断占比值是否低于预设占比值阈值,若是,则认为前景区域内都是背景区域,跟踪目标已丢失,发出跟踪目标丢失信息。
10.一种基于前景检测的KCF跟踪目标丢失检测系统,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如权利要求1至5中任一项所述基于前景检测的KCF跟踪目标丢失检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910969283.3A CN110689555B (zh) | 2019-10-12 | 2019-10-12 | 基于前景检测的kcf跟踪目标丢失检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910969283.3A CN110689555B (zh) | 2019-10-12 | 2019-10-12 | 基于前景检测的kcf跟踪目标丢失检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689555A CN110689555A (zh) | 2020-01-14 |
CN110689555B true CN110689555B (zh) | 2022-07-22 |
Family
ID=69112497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910969283.3A Active CN110689555B (zh) | 2019-10-12 | 2019-10-12 | 基于前景检测的kcf跟踪目标丢失检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689555B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150501A (zh) * | 2020-09-18 | 2020-12-29 | 浙江吉利控股集团有限公司 | 基于激光雷达的目标检测方法、装置、设备及存储介质 |
CN112700657B (zh) * | 2020-12-21 | 2023-04-28 | 阿波罗智联(北京)科技有限公司 | 用于生成检测信息的方法、装置、路侧设备和云控平台 |
CN112767448A (zh) * | 2021-01-25 | 2021-05-07 | 北京影谱科技股份有限公司 | 视频跟踪中的自动错误修复方法 |
CN113362280B (zh) * | 2021-05-14 | 2022-07-05 | 同济大学 | 一种基于医学造影的动态目标跟踪方法 |
CN116091536A (zh) * | 2021-10-29 | 2023-05-09 | 中移(成都)信息通信科技有限公司 | 一种跟踪目标遮挡判定方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198206A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 基于多特征联合和Camshift算法结合的多目标跟踪方法 |
CN110084830A (zh) * | 2019-04-07 | 2019-08-02 | 西安电子科技大学 | 一种视频运动目标检测与跟踪方法 |
-
2019
- 2019-10-12 CN CN201910969283.3A patent/CN110689555B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198206A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 基于多特征联合和Camshift算法结合的多目标跟踪方法 |
CN110084830A (zh) * | 2019-04-07 | 2019-08-02 | 西安电子科技大学 | 一种视频运动目标检测与跟踪方法 |
Non-Patent Citations (2)
Title |
---|
基于KCF和SIFT特征的抗遮挡目标跟踪算法;包晓安等;《计算机测量与控制》;20180525;第26卷(第05期);全文 * |
基于KCF的目标遮挡再检测算法;王德培等;《人工智能》;20181231;第37卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110689555A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689555B (zh) | 基于前景检测的kcf跟踪目标丢失检测方法及系统 | |
CN109584204B (zh) | 一种图像噪声强度估计方法、存储介质、处理及识别装置 | |
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN109145803B (zh) | 手势识别方法及装置、电子设备、计算机可读存储介质 | |
CN110728697A (zh) | 基于卷积神经网络的红外弱小目标检测跟踪方法 | |
CN109633633B (zh) | 一种基于分段分类增强处理的生命信号增强方法 | |
CN112802020B (zh) | 基于图像修补和背景估计的红外弱小目标检测方法 | |
CN110738686B (zh) | 静动态结合的视频人车检测方法及系统 | |
Manikandan et al. | Video object extraction by using background subtraction techniques for sports applications | |
CN106846362A (zh) | 一种目标检测跟踪方法和装置 | |
KR101737430B1 (ko) | 동적 배경을 가진 영상의 대상 객체 검출 방법 | |
CN110610150A (zh) | 一种目标运动物体的跟踪方法、装置、计算设备和介质 | |
CN111210399A (zh) | 一种成像质量评价方法、装置及设备 | |
CN103489201A (zh) | 基于运动模糊信息的目标跟踪方法 | |
KR101870700B1 (ko) | 3차원 복원을 위한 핸드헬드 비디오로부터 고속 키 프레임 추출 방법 | |
CN113542868A (zh) | 视频关键帧选取方法、装置、电子设备、存储介质 | |
CN112614109A (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
CN103473753A (zh) | 一种基于多尺度小波阈值去噪的目标检测方法 | |
CN106709516B (zh) | 一种基于朴素贝叶斯方法的模糊图像检测方法 | |
CN114140861A (zh) | 人脸检测去重的方法与装置 | |
Xu et al. | Denoising for dynamic vision sensor based on augmented spatiotemporal correlation | |
Duncan et al. | Relational entropy-based saliency detection in images and videos | |
JP5419925B2 (ja) | 通過物体数計測方法、通過物体数計測装置、及びプログラム | |
RU2676028C1 (ru) | Способ обнаружения оставленного предмета в видеопотоке | |
CN111353334A (zh) | 烟雾检测方法和装置 |
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 |