CN110807392A - 编码控制方法以及相关装置 - Google Patents

编码控制方法以及相关装置 Download PDF

Info

Publication number
CN110807392A
CN110807392A CN201911025596.XA CN201911025596A CN110807392A CN 110807392 A CN110807392 A CN 110807392A CN 201911025596 A CN201911025596 A CN 201911025596A CN 110807392 A CN110807392 A CN 110807392A
Authority
CN
China
Prior art keywords
image
feature
target
tracked
value
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.)
Granted
Application number
CN201911025596.XA
Other languages
English (en)
Other versions
CN110807392B (zh
Inventor
陈瑶
方瑞东
林聚财
殷俊
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 CN201911025596.XA priority Critical patent/CN110807392B/zh
Publication of CN110807392A publication Critical patent/CN110807392A/zh
Application granted granted Critical
Publication of CN110807392B publication Critical patent/CN110807392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/004—Predictors, e.g. intraframe, interframe coding
    • 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
    • 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
    • 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
    • G06T2207/20076—Probabilistic 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
    • G06T2207/20081—Training; Learning
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本申请公开了一种编码控制方法以及相关装置。其中，编码控制方法包括：获取待跟踪图像中与目标对象关联的参考区域；基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值以及与图像特征对应的特征权重；分别基于每一种图像特征的特征值，确定待跟踪图像中与每一种图像特征对应的目标位置；利用每一种图像特征对应的特征权重分别对每一种图像特征对应的目标位置做加权处理，获取待跟踪图像中的目标区域；利用待跟踪图像中的目标区域调整待跟踪图像的量化参数，并利用调整后的量化参数对待跟踪图像进行编码。上述方案，能够提高编码控制质量。

Description

编码控制方法以及相关装置
技术领域
本申请涉及图像处理技术领域，特别是涉及一种编码控制方法以及相关装置。
背景技术
目前，越来越多的诸如监控相机等摄像器件布控于车站、机场、商业街、广场等人流密集区域，监控系统的监控范围得到了扩大，监控人员能够获得的监控细节也越来越丰富。然而，随着视频图像的分辨率向超高清方向发展，监控视频所需占用的传输资源也越来越多，从而对传输带宽造成的压力也越来越大，故此，有必要提高编码控制质量，以减小对传输带宽所造成的压力，即在不影响主观质量的前提下，对视频流进行压缩，从而降低视频流数据量。有鉴于此，如何提高编码控制质量成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种编码控制方法以及相关装置，能够提高编码控制质量。
为了解决上述问题，本申请第一方面提供了一种编码控制方法，包括：获取待跟踪图像中与目标对象关联的参考区域；基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值以及与图像特征对应的特征权重；分别基于每一种图像特征的特征值，确定待跟踪图像中与每一种图像特征对应的目标位置；利用每一种图像特征对应的特征权重分别对每一种图像特征对应的目标位置做加权处理，获取待跟踪图像中的目标区域；利用待跟踪图像中的目标区域调整待跟踪图像的量化参数，并利用调整后的量化参数对待跟踪图像进行编码。
为了解决上述问题，本申请第二方面提供了一种编码控制装置，包括相互耦接的存储器和处理器，处理器用于执行存储器存储的程序指令，以实现上述第一方面中的编码控制方法。
为了解决上述问题，本申请第三方面提供了一种存储装置，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面中的编码控制方法。
上述方案，通过获取待跟踪图像中与目标对象关联的参考区域，从而基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值以及与图像特征对应的特征权重，并分别基于每一种图像特征的特征值，确定待跟踪图像中与每一种图像特征对应的目标位置，利用每一种图像特征对应的特征权重分别对每一种图像特征对应的目标位置做加权处理，获取待跟踪图像中的目标区域，进而能够提高目标对象跟踪的准确性，有利于提高后续编码控制的质量，并利用待跟踪图像中的目标区域调整待跟踪图像的量化参数，并利用调整后的量化参数对待跟踪图像进行编码，从而能够在编码时精确控制目标区域和目标区域之外的区域的量化参数，进而在不影响主观质量的前提下，降低数据量，提高编码控制质量。
附图说明
图1是本申请编码控制方法一实施例的流程示意图；
图2是选择基于高斯混合模型的目标检测方式检测待检测图像得到目标区域一实施例的流程示意图；
图3是图1中步骤S12一实施例的流程示意图；
图4是获取与图像特征对应的目标特征分布情况一实施例的流程示意图。
图5是本申请编码控制方法另一实施例的流程示意图；
图6是图5中步骤S505一实施例的流程示意图；
图7是图1中步骤S15一实施例的流程示意图；
图8是图7中步骤S152一实施例的流程示意图；
图9是本申请编码控制装置一实施例的框架示意图；
图10是本申请编码控制装置另一实施例的框架示意图；
图11是本申请存储装置一实施例的框架示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
请参阅图1，图1是本申请编码控制方法一实施例的流程示意图。具体而言，可以包含如下步骤：
步骤S11：获取待跟踪图像中与目标对象关联的参考区域。
在一个实施场景中，参考区域是基于待跟踪图像之前预设数量帧的待检测图像中与目标对象对应的目标区域而获得的，例如，将待跟踪图像中与待检测图像的目标区域位置和大小都相同的区域作为参考区域，预设数量可以是：10、15、20等等，本实施例在此不做具体限制。
在一个具体的实施场景中，待检测图像中与目标对象对应的目标区域是通过目标检测方式进行目标检测而得到的，目标检测方式可以选择CNN(Convolutional NeuralNetworks，卷积神经网络)、YOLO(You Only Look Once)、SSD(Single Shot MultiBoxDetector)等基于深度学习的目标检测方式，或者，还可以是VIBE(Visual BackgroundExtractor，视觉背景提取)检测、帧间差分检测、背景差分检测、高斯混合模型等传统的目标检测方式，本实施例在此不做具体限制。上述CNN、YOLO、SSD等基于深度学习的目标检测方法通常采用一定数量的样本图像进行神经网络训练，从而得到目标检测模型，进而利用训练得到的目标检测模型进行目标检测。上述VIBE检测、帧间差分检测、背景差分检测等传统的目标检测方式通常是基于一段时间内背景像素点相对固定这一前提而实现的。此外，高斯混合模型是将每个像素点在R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画，从而使得同一像素点位置处可以呈现多个模态的像素值变化。在一个实施场景中，可以从上述传统的目标检测方式或基于深度学习的目标检测方式中选择一种方式进行目标检测，具体地，由于高斯混合模型具有较高的检测精度，可以从基于深度学习的目标检测方式、基于高斯混合模型的目标检测方式中选择一种目标检测方式，并利用选择的目标检测方式对待检测图像进行目标检测，获取待检测图像中与目标对象对应的目标区域，从而将待跟踪图像中与目标区域对应的区域作为参考区域，其中，对基于深度学习的目标检测方式、基于高斯混合模型的目标检测方式的选择，可以基于处理资源的使用情况，例如：处理资源较为富余，可以选择基于深度学习的目标检测方式；或者，处理资源较为贫乏，可以选择基于高斯混合模型的目标检测方式，本实施例在此不作具体限制。
在另一个具体的实施场景中，可以在待编码的视频帧图像中每隔第一预设数量选取一帧图像作为待检测图像，第一预设数量与目标对象的运动速度为负相关关系，第一预设数量的取值范围可以为10～20，例如，对于运动速度较快的目标对象，第一预设数量可以为10，对于运动速度较慢的目标对象，第一预设数量可以为20。此外，对于轻微运动的目标对象，第一预设数量可以为100，本实施例在此不再一一举例。
在又一个具体的实施场景中，可以在待编码的视频帧图像中每隔第二预设数量选取一帧图像作为待跟踪图像，第二预设数量可以基于处理资源或其他外部条件来决定，第二预设数量的取值范围可以为1～10，例如，对于处理资源较为富余的情况，可以选择较小的第二预设数量，对于处理资源较为贫乏的情况，可以选择较大的第二预设数量。
步骤S12：基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值以及与图像特征对应的特征权重。
本实施例中，图像特征的种类可以是1种、2种、3种、4种等等，在此不做具体限制。具体地，图像特征可以包括：图像R通道特征、图像G通道特征、图像B通道特征、图像H分量特征、图像I分量特征、图像S分量特征、图像梯度特征，本实施例以及下述实施例中，如无特别说明，图像梯度特征均是指HOG(Histogram of Oriented Gradient，方向梯度直方图)特征。在一个具体的实施场景中，为了提高后续目标跟踪的准确性，至少一个图像特征为：图像RGB特征、图像HIS特征、图像梯度特征，例如：图像RGB特征和图像HIS特征、图像RGB特征和图像梯度特征、图像HIS特征和图像梯度特征、图像RGB特征和图像HIS特征和图像梯度特征，本实施例在此不做具体限制。
图像特征对应的权重可以基于至少一个图像特征在待跟踪图像和其之前一帧图像之间的相似度来确定，本实施例中，相似度可以通过欧氏距离来衡量。例如，至少一个图像特征包括图像RGB特征和图像HIS特征，分别计算待跟踪图像的图像RGB特征的特征值与其前一帧图像中图像RGB特征的特征值之间的相似度SRGB，以及待跟踪图像的图像HIS特征的特征值与其前一帧图像中图像HIS特征的特征值之间的相似度SRGB，从而将SRGB和SRGB进行归一化处理，得到图像RGB特征对应的权重wRGB和图像HIS特征对应的权重wHIS。当至少一个图像特征包括其他图像特征时，可以以此类推，本实施例在此不再一一举例。
步骤S13：分别基于每一种图像特征的特征值，确定待跟踪图像中与每一种图像特征对应的目标位置。
在一个实施场景中，可以基于Meanshift(均值漂移)算法分别基于每一种图像特征，确定待跟踪图像中与每一种图像特征对应的目标位置，例如，确定与图像RGB特征对应的目标位置locRGB，确定与图像HIS特征对应的目标位置locHIS。在其他实施场景中，当至少一种图像特征为其他图像特征时，可以以此类推，本实施例在此不再一一举例。此外，也可以通过KCF(Kernelized Correlation Filters，核相关滤波)算法确定待跟踪图像中与每一种图像特征对应的目标位置。Meanshift算法的本质是一个迭代过程，在一组数据的密度分布中，使用无参密度估计找到局部极值，而KCF算法是一种鉴别式跟踪方法，这类方法一般都是在跟踪过程中训练一个目标检测器，使用目标检测器去检测下一帧预测位置是否为目标，然后再使用新检测结果去更新训练集，进而更新目标检测器。本实施例以及下述其他实施例中，待跟踪图像中的目标位置是指利用相关算法对待跟踪图像进行而获得的目标框的中心点的坐标。
步骤S14：利用每一种图像特征对应的特征权重分别对每一种图像特征对应的目标位置做加权处理，获取待跟踪图像中的目标区域。
在一个实施场景中，当上述权重经过归一化处理时，可以利用每一种图像特征对应的特征权重分别对每一种图像特征对应的目标位置做加权求和处理，从而获取待跟踪图像中与目标对象的目标位置。例如，至少一个图像特征包括图像RGB特征和图像HIS特征，则可以利用loctarget＝locRGB·wRGB+locHIS·wHIS确定待跟踪图像中与目标对象的目标位置loctarget。在此基础上，可以将候选区域的中心位置更新为获取到的目标位置，从而获取待跟踪图像中的目标区域。
在另一个实施场景中，当上述权重未经过归一化处理时，可以利用每一种图像特征对应的特征权重分别对每一种图像特征对应的目标位置做加权平均处理，从而获取待跟踪图像中与目标对象的目标位置。例如，至少一个图像特征包括图像RGB特征和图像HIS特征，则可以利用loctarget＝(locRGB·wRGB+locHIS·wHIS)/(wRGB+wHIS)确定待跟踪图像中与目标对象的目标位置loctarget。在此基础上，可以将候选区域的中心位置更新为获取到的目标位置，从而获取待跟踪图像中的目标区域。
步骤S15：利用待跟踪图像中的目标区域调整待跟踪图像的量化参数，并利用调整后的量化参数对待跟踪图像进行编码。
具体地，可以将待跟踪图像进行宏块化处理，得到多个宏块，在一个具体的实施场景中，在进行宏块化处理时，待跟踪图像的目标区域也会进行相应调整，例如，宏块的大小为n*n，则将目标区域左上角的坐标除以n，并将目标区域右下角的坐标除以n。关于量化参数的调整，具体可将目标区域之外的宏块的量化参数做上调处理，而将目标区域之内的宏块的量化参数作下调处理或不做处理，本实施例在此暂不赘述。
此外，除了对量化参数进行调整，还可以基于待跟踪图像的目标区域的位置和待跟踪图像的前一帧图像的目标区域的位置，获取目标对象的移动速度，在一个实施场景中，可以基于目标对象的移动速度确定对待跟踪图像进行编码的帧率，其中，移动速度与帧率之间为正相关关系，也就是说，当移动速度较小时，可以认为目标对象是慢速运动目标，对慢速运动目标可以采用较少的帧率进行编码，以降低时间冗余；当移动速度较大时，可以认为目标对象是快速运动目标，对快速运动目标可以增加编码帧率，提高编码的画质，使画面更加流畅，提升用户高清视频的体验。具体地，还可以设置对待跟踪图像之前若干帧图像的目标对象的移动速度进行累加，若累加结果大于一个预设速度阈值，则对其进行编码，否则对该目标区域不进行编码，即将目标区域内的宏块设置为skip宏块。在另一个实施场景中，当待跟踪图像中所有目标对象的移动速度均小于一预设速度阈值，可以认为待跟踪图像相对前一帧而言运动很小，两帧相似度极高，则不对待跟踪图像进行编码，丢弃待跟踪图像，进一步减少编码的码率。
上述方案，通过获取待跟踪图像中与目标对象关联的参考区域，从而基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值以及与图像特征对应的特征权重，并分别基于每一种图像特征的特征值，确定待跟踪图像中与每一种图像特征对应的目标位置，利用每一种图像特征对应的特征权重分别对每一种图像特征对应的目标位置做加权处理，获取待跟踪图像中的目标区域，进而能够提高目标对象跟踪的准确性，有利于提高后续编码控制的质量，并利用待跟踪图像中的目标区域调整待跟踪图像的量化参数，并利用调整后的量化参数对待跟踪图像进行编码，从而能够在编码时精确控制目标区域和目标区域之外的区域的量化参数，进而在不影响主观质量的前提下，降低数据量，提高编码控制质量。
请参阅图2，图2是选择基于高斯混合模型的目标检测方式检测待检测图像获得目标区域一实施例的流程示意图，具体而言，可以包括如下步骤：
步骤S21：利用高斯混合模型对待检测图像进行检测，确定待检测图像中的目标像素点和背景像素点。
具体地，高斯混合模型通过多个高斯概率密度函数的加权平均来平滑地近似任意形状的密度函数，并最终确定待检测图像中的目标像素点和背景像素点。
步骤S22：基于目标像素点和背景像素点，获取与待检测图像对应的二值化图像。
具体地，可以将目标像素点的像素值设置为255，将背景像素点的像素值设置为0，从而获得与待检测图像对应的二值化图像。
在一个实施场景中，为了更加准确地确定目标像素点，避免遗漏，在基于目标像素点和背景像素点，获取与待检测图像对应的二值化图像之前，还可以先基于确定的目标像素点和背景像素点，对待检测图像进行边缘检测，获取目标对象的边缘轮廓，并将包含于边缘轮廓内的背景像素点确定为目标像素点。边缘检测的具体方法可以包括但不限于：Roberts算子、Prewitt算子、Sobel算子以及Laplacian算子、Log算子、Canny算子等，本实施例在此不做具体限制。
步骤S23：选择开运算、闭运算或预设处理方式中的一种运算方式对二值化图像进行形态学处理。
其中，开运算是先腐蚀后膨胀，而闭运算是先膨胀后腐蚀，膨胀操作可填充图像中比结构元素小的孔洞以及图像边缘处小的凹陷部分，而腐蚀操作可以消除图像中的毛刺及细小连接部分，并将图像缩小，从而使其补集扩大。开运算通常用来消除小对象物体，在纤细点处分离物体，平滑较大物体边界；而闭运算通常用来填充目标内细小孔洞，连接断开的邻接目标，平滑其边缘。
本实施例中，运算方式是基于目标像素点在待检测图像中的数量比值而选择的。具体地，若数量比值大于第一比值，则选择开运算作为运算方式对二值化图像进行形态学处理；若数量比值小于第二比值，则选择闭运算作为运算方式对二值化图像进行形态学处理；若数量比值大于等于第二比值，且小于等于第一比值，则选择预设处理方式作为运算方式对二值化图像进行形态学处理。在一个具体的实施场景中，第一比值可以为0.2，第二比值可以为0.15，在其他实施场景中，第一比值和第二比值也可以是其他数值，本实施例在此不做具体限制。在另一个具体的实施场景中，预设处理方式至少包括不进行形态学处理。
步骤S24：对经过形态学处理后的二值化图像进行标注处理，并基于标注处理结果获取目标区域。
本实施例中，对经过形态学处理后的二值化图像所采用的标注处理为顺序标注方式。具体地，可以对经过形态学处理后的二值化图像从左上到右下进行逐像素扫描。当没有被标注的目标像素点出现时，将其进行标注，如果该目标像素点的8邻域像素点都不是目标像素点，则取消对该目标像素点的标注，并继续扫描，如果目标像素点的8邻域像素点中存在目标像素点，则将该目标像素点也标注同样的序号，并对该目标像素点进行同样的扫描、标注处理，经过上述处理，所有目标对象对应的目标像素点都会被分割开为彼此互不相连的区域，每个区域的最小外接矩形即为与目标对象对应的目标区域。此外，如果某一目标区域内的目标像素点较少(例如：少于200个)，则可以认为该区域并不是目标对象所对应的目标区域，并取消该目标区域。此外，在标注的同时，还可以分别累加目标像素点在水平方向和垂直方向的坐标值，最终通过坐标值的累加值求取目标区域的质心。
此外，在一个实施场景中，为了加快目标检测的处理，还可以对待检测图像进行下采样，从而得到分辨率较小的下采样图像，后续进行目标跟踪时，也对待跟踪图像进行相同的下采样处理，最终得到待跟踪图像的目标区域之后，可以将所得到的目标区域映射到下采样之前的位置和大小，本实施例在此不再赘述。
上述方案，通过利用高斯混合模型对待检测图像进行检测，确定待检测图像中的目标像素点和背景像素点，并基于目标像素点和背景像素点，获取与待检测图像对应的二值化图像，选择开运算、闭运算或预设处理方式中的一种运算方式对二值化图像进行形态学处理，其中，运算方式是基于目标像素点在待检测图像中的数量比值而选择的，对经过形态学处理后的二值化图像进行标注处理，并基于标注处理结果获取目标区域，从而能够提高确定目标区域的准确性。
请参阅图3，图3是图1中步骤S12一实施例的流程示意图。本实施例中，在基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值以及与图像特征对应的特征权重之前，可以首先基于待跟踪图像的前一帧图像的目标区域的图像数据，获取前一帧图像的至少一种图像特征的特征值，为了便于描述，本实施例中，将前一帧图像的至少一种图像特征的特征值表述为E(t-1)＝{Ei(t-1),i＝1,…,m}，其中，t-1表示待跟踪图像的前一帧，m表示所使用的图像特征的种数，Ei(t-1)表示每种图像特征的特征值。具体地，可以包括如下步骤：
步骤S121：基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值。
本实施例中，至少一种图像特征包括：图像R通道特征、图像G通道特征、图像B通道特征、图像H分量特征、图像I分量特征、图像S分量特征、图像梯度特征。在一个实施场景中，为了使后续目标跟踪的结果更加准确，至少一种图像特征可以包括：图像RGB特征、图像HIS特征、图像梯度特征。
在一个实施场景中，当至少一个图像特征包括图像RGB特征时，可以将R通道、G通道、B通道每个子空间划分为m个区间，每个区间对应的值为对应的特征值，从而能够包含m3个特征值。以R通道为例，将R通道的像素值0～255划分为4个区域，分别为0～63、64～127、128～191、192～255，若某一像素点R通道的像素值属于0～63，则可以将该像素点R通道的特征值设置为0；或者，像素值属于64～127，则可以将该像素点的R通道的特征值设置为1；或者，像素值属于128～191，则可以将该像素点的R通道的特征值设置为2；或者，像素值属于192～255，则可以将该像素点的R通道的特征值设置为3，G通道和B通道的划分方式可以以此类推，本实施例在此不再赘述。最终，某一个像素点的图像RGB特征的特征值可以表示为诸如(0,0,0)、(0,0,1)、(2,0,1)等的特征值。
在另一个实施场景中，当至少一个图像特征包括图像HIS特征时，可以首先基于RGB通道的像素值，映射得到H分量、I分量、S分量，再采用与上述图像RGB特征类似的方式获取图像HIS特征。
具体地，可以采用下式得到H(Hue，色调)分量：
Figure BDA0002248522420000111
其中，θ可以表示为：
Figure BDA0002248522420000112
可以采样下式计算得到饱和度分量，即图像S分量：
Figure BDA0002248522420000113
其中，min表示R、G、B中的最小值。
可以采样下式计算得到强度分量，即图像I分量：
Figure BDA0002248522420000114
由上式可知，图像H分量的取值范围为0°～360°，而图像S分量的取值范围为小于1，图像I分量的取值范围为0～255，因此，可以采样类似于图像RGB特征的特征提取方式，对上述图像H分量和图像I分量的取值划分为m个子区间，从而减少特征长度，减少计算量。具体可以参考上述RGB特征的提取方式，本实施例在此不再赘述。
在又一个实施场景中，当至少一个图像特征包括图像梯度特征时，可以基于参考区域的图像数据，获取其图像梯度特征的特征值，具体地可采用下述方式获得：
首先对图像按照下式计算每个像素点在水平方向和垂直方向的梯度值：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
其中，Gx(x,y)表示图像在点(x,y)处的水平梯度，Gy(x,y)表示图像在点(x,y)处的垂直梯度。
然后按以下方式求出点(x,y)处的梯度值G(x,y)和梯度方向α(x,y)：
Figure BDA0002248522420000121
Figure BDA0002248522420000122
计算出梯度方向之后，将方向0°～180°分成k个方向块，利用直方图对梯度方向块进行统计：
Figure BDA0002248522420000123
在计算图像梯度特征的特征值时，可以将图像划分为多个块(block)，每个块划分为预设数量(如：4、9)个单元(cell)，利用上式对每个单元求梯度方向直方图(即统计像素点不同梯度的个数)，将所有直方图进行串联，从而得到图像梯度特征的特征值。
此外在一个具体的实施场景中，为了消除光照等因素的影响，可以对每一块的图像进行归一化操作，如下式：
Figure BDA0002248522420000124
其中，ε趋近于0，以防止分母为0；f(Ci,k)表示在一个块的第i个单元中，第k个直方图的值，Ci表示块的第i个单元，B为进行梯度特征提取的整个图像数据。
步骤S122：利用预设特征相似函数对每一种图像特征在待跟踪图像中的特征值和对应的图像特征在前一帧图像中的特征值进行处理，获取每一种图像特征在待跟踪图像和前一帧图像之间的相似度值。
本实施例中，预设特征相似函数为与欧氏距离相关的函数，具体地，可以采用下式计算每一种图像特征在待跟踪图像和前一帧图像之间的相似度值：
Figure BDA0002248522420000125
如上所述，Ei(t-1)表示前一帧图像的目标区域中每种图像特征的特征值，Ei(t-1)表示待跟踪图像的参考区域中每种图像特征的特征值，di表示对应图像特征的维度。例如，E1(t-1)表示为前一帧图像的目标区域中图像RGB特征的特征值，E1(t)表示为待跟踪图像的参考区域中图像RGB特征的特征值，d1表示图像RGB特征的维度，S1表示图像RGB特征的相似度值；E2(t-1)表示为前一帧图像的目标区域中图像HIS特征的特征值，E2(t)表示为待跟踪图像的参考区域中图像HIS特征的特征值，d2表示图像HIS特征的维度，S2表示图像RGB特征的相似度值，以此类推，本实施例在此不再赘述。
步骤S123：基于每一种图像特征的相似度值与所有相似度值之和的比值，确定每一种图像特征的特征权重。
在求出每个图像特征对应的相似度值后，可以将每一种图像特征的相似度值与所有相似度值之和的比值作为对应图像特征的特征权重，具体可以表示如下：
例如，wei1表示图像RGB特征的特征权重，wei2表示图像HIS特征的特征权重等等，本实施例在此不再一一举例。
在一个具体的实施场景中，为了降低相似度较低的图像特征对于后续跟踪结果的影响，还可以先统计每一种图像特征的相似度值与所有相似度值之和之间的相似度比值，然后将相似度比值小于预设相似度阈值的图像特征对应的特征权重设置为0，并将相似度比值不小于预设相似度阈值的图像特征对应的相似度比值做归一化处理，得到与图像特征对应的特征权重。具体地，可以将上述小于预设相似度阈值的weii设置为0，然后按照下式进行处理：
上述方案，能够联合多个图像特征，从而后续能够基于多个图像特征的特征权重进行目标跟踪，能够提高目标跟踪的鲁棒性。
请参阅图4，图4是获取与图像特征对应的目标特征分布情况一实施例的流程示意图。本实施例中，与图像特征对应的目标特征分布情况用于与待跟踪图像的与图像特征对应的候选特征分布情况进行相关处理，从而确定待跟踪图像中与图像特征对应的目标位置，具体的处理方式本实施例在此暂不赘述。本实施例中，获取与图像特征对应的目标特征分布情况具体包括如下步骤：
步骤S41：基于目标区域的图像数据，获取与目标区域对应的至少一种图像特征的特征值，并基于目标区域之外的背景区域的图像数据，获取与背景区域对应的至少一种图像特征的特征值。
本实施例中，至少一种图像特征与上述实施例中对参考区域所提取的图像特征相对应，例如，基于上述参考区域的图像数据所提取的图像特征包括图像RGB特征时，则对目标区域和背景区域的图像数据所提取的图像特征也应包含图像RGB特征；或者，基于上述参考区域的图像数据所提取的图像特征包含图像HIS特征时，则对目标区域和背景区域的图像数据所提取的图像特征也应包含HIS特征；或者，基于上述参考区域的图像数据所提取的图像特征包含图像梯度特征时，则对目标区域和背景区域的图像数据所提取的图像特征也应包含图像梯度特征。获取图像特征的特征值的具体实施方式可以参考上述实施例中的相关步骤，本实施例在此不再赘述。
步骤S42：依次选择至少一种图像特征中的其中一种图像特征。
在一个具体的实施场景中，当至少一种图像特征包含图像RGB特征、图像HIS特征、图像梯度特征时，可以依次从上述图像特征中选择其中一个图像特征，例如，依次选择图像RGB特征、图像HIS特征、图像梯度特征。
步骤S43：基于选择的图像特征的与目标区域对应的特征值，获取与选择的图像特征对应的第一特征分布情况，并基于选择的图像特征的与背景区域对应的特征值，获取与选择的图像特征对应的第二特征分布情况。
本实施例中，可以通过下式获取与选择的图像特征对应的第一特征分布情况：
Figure BDA0002248522420000141
Figure BDA0002248522420000151
上式中，C为归一化常数，loc(xi,yi)为目标区域中第i个像素点的坐标，b(xi,yi)为位置loc(xi,yi)处的选择的图像特征的特征值，δ[b(xi,yi)-u]表示判定b(xi,yi)是否等于u，若相等，则δ[b(xi,yi)-u]的值为1，否则，δ[b(xi,yi)-u]的值为0，此处，u表示选择的图像特征的特征值的取值范围，例如，当选择的图像特征为图像R通道特征，且并未做分区间处理时，u的范围为0～255，h为核窗宽，在一个实施场景中，可以取目标区域长的一半和宽的一半的平方和的开方。此外，
Figure BDA0002248522420000152
表示核函数，其作用在于加强目标区域中心像素，并弱化边缘像素，具体地，k(·)可以为高斯核函数、Epanechnikov核函数中的任一种。
本实施例中，可以通过下式获取与选择的图像特征对应的第二特征分布情况：
Figure BDA0002248522420000153
上式中，nk表示背景区域内像素点的总数，在一个实施场景中，目标区域之外的背景区域包括：将目标区域向外扩展若干个像素点之后所得到的扩展区域与目标区域之间背景区域。具体地，若干个像素点可以是5个像素点、10个像素点等等，本实施例在此不做具体限制。
通过上述方式，可以获取目标区域中与选择的图像特征的特征值对应的第一特征分布情况，以及背景区域中与选择的图像特征的特征值对应的第二特征分布情况。例如，选择的图像特征为图像RGB特征，且图像RGB特征经过上述分区间处理，共得到M种特征值，则第一特征分布情况即为目标区域中与图像RGB特征对应的这M种特征值的分布情况，第二特征分布情况即为背景区域中与RGB特征对应的这M种特征值的分布情况。当选择的图像特征为其他图像特征时，可以以此类推，本实施例在此不再赘述。
步骤S44：利用预设特征似然函数对第一特征分布情况和第二特征分布情况进行处理，获取每一特征值的似然比值。
本实施例中，预设似然特征函数可以表示为：
Figure BDA0002248522420000161
上式中，η为趋近于0的数值。
通过上式，可以计算得到选择的图像特征的每一种特征值所对应的似然比值。如上式所示，本实施例中的似然比值可以是对数似然比值。
步骤S45：基于预设映射关系，获取与每一特征值对应的特征权重。
利用获取到的每一特征值的似然比值，结合预设映射关系，可以得到每一特征值对应的特征权重。本实施例中，预设映射关系表示似然比值越大，则映射的特征权重越大。具体地，预设映射关系是由两个映射元素在不同区间形成的多段线性关系组成的，在一个具体的实施场景中，预设映射关系可以表示为：
Figure BDA0002248522420000162
其中，Lmax是获取到的所有Lu中的最大值，同理，Lmin是获取到的所有Lu中的最小值。
步骤S46：利用与每一特征值对应的特征权重对与选择的图像特征对应的第一特征分布情况进行加权处理，得到与选择的图像特征对应的目标特征分布情况。
具体地，可以利用与每一特征值对应的特征权重对于选择的图像特征的每一种特征值进行加权处理，在一个具体的实施场景中，可以表示为：
qu′＝qu·μu
也可以表示为：
Figure BDA0002248522420000163
Figure BDA0002248522420000171
相关参数的定义可以参考上述步骤，在此不再赘述。
在一个具体的实施场景中，上述步骤可以在获取待跟踪图像中与目标对象关联的参考区域之后实施，也可以在此之前实施，本实施例在此不做具体限制。
上述方案，能够弱化和背景区域特征相同的特征值在目标特征分布情况中的权重，从而提高了目标模板的准确性，进一步提高了后续目标跟踪的准确性。
请参阅图5，图5是本申请编码控制方法另一实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S501：获取待跟踪图像中与目标对象关联的参考区域。
具体请参阅上述实施例中的步骤S11。
步骤S502：基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值以及与图像特征对应的特征权重。
具体可以上述实施例中的步骤S12以及其他相关步骤，本实施例在此不再赘述。
步骤S503：依次选择至少一种图像特征中的其中一种图像特征。
本实施例中，至少一种图像特征包括：图像R通道特征、图像G通道特征、图像B通道特征、图像H分量特征、图像I分量特征、图像S分量特征、图像梯度特征。在一个实施场景中，为了使后续目标跟踪的结果更加准确，至少一种图像特征可以包括：图像RGB特征、图像HIS特征、图像梯度特征。
在一个具体的实施场景中，当至少一种图像特征包括图像RGB特征和图像HIS特征时，可以依次选择图像RGB特征和图像HIS特征，以进行下述步骤。当至少一种图像特征包括其他图像特征时，可以以此类推，本实施例在此不再赘述。
步骤S504：基于选择的图像特征的特征值，获取与选择的图像特征对应的候选特征分布情况。
本实施例中，基于选择的图像特征的特征值，获取与选择的图像特征对应的候选特征分布情况的具体实施方式可以参照上述实施例中第一特征分布情况的步骤，具体地，可以参照下式获取与选择的图像特征对应的候选特征分布情况：
Figure BDA0002248522420000181
Figure BDA0002248522420000182
上式中，C为归一化常数，loc(xi,yi)为参考区域中第i个像素点的坐标，b(xi,yi)为位置loc(xi,yi)处的选择的图像特征的特征值，δ[b(xi,yi)-u]表示判定b(xi,yi)是否等于u，若相等，则δ[b(xi,yi)-u]的值为1，否则，δ[b(xi,yi)-u]的值为0，此处，u表示选择的图像特征的特征值的取值范围，例如，当选择的图像特征为图像R通道特征，且并未做分区间处理时，u的范围为0～255，h为核窗宽，在一个实施场景中，可以取参考区域长的一半和宽的一半的平方和的开方。此外，
Figure BDA0002248522420000183
表示核函数，其作用在于加强参考区域中心像素，并弱化边缘像素，具体地，k(·)可以为高斯核函数、Epanechnikov核函数中的任一种。
步骤S505：基于与选择的图像特征对应的候选特征分布情况和与选择的图像特征对应的目标特征分布情况，确定参考区域中与选择的图像特征对应的目标位置。
本实施例中，与选择的图像特征对应的目标特征分布情况是基于目标区域内的选择的图像特征和目标区域之外的背景区域的选择的图像特征而得到的，具体地，可以参阅上述实施例中的步骤，本实施例在此不再赘述。
请结合参阅图6，图6是图5中步骤S505一实施例的流程示意图。具体而言，可以通过如下步骤获取参考区域中与选择的图像特征对应的目标位置：
步骤S61：利用预设相似性函数对选择的图像特征对应的目标特征分布情况和选择的图像特征对应的候选特征分布情况进行处理，获取参考区域中每一像素点的位置权重。
本实施例中，预设相似性函数为Bhattacharyya系数，具体地，采用Bhattacharyya系数可以计算选择的图像特征对应的目标特征分布情况和选择的图像特征对应的候选特征分布情况的相似性：
Figure BDA0002248522420000191
上式中，pu(x0,y0)为选择的图像特征对应的候选特征分布情况，q'u为选择的图像特征对应的目标特征分布情况，d为选择的图像特征的维数，以选择的图像特征为图像R通道特征为例，且并未做分区间处理时，图像R通道的特征值的取值范围为0～255，故d的值为256，其他图像特征可以以此类推，本实施例在此不再赘述。
由于上述系数越大，选择的图像特征对应的目标特征分布情况和选择的图像特征对应的候选特征分布情况之间的相似性越大，反之相似性越小，为了找到参考区域中最接近目标区域的目标位置，需要使上式的取值最大，本实施例中可以利用泰勒级数对上式进行展开：
Figure BDA0002248522420000192
Figure BDA0002248522420000193
上式中，wi即为参考区域中每一像素点的位置权重。
步骤S62：对参考区域中每一像素点采用与像素点对应的位置权重进行处理，得到参考区域中与选择的图像特征对应的目标位置。
本实施例中，可以利用下式对参考区域中每一像素点利用对应的位置权重进行处理，从而得到参考区域中与选择的图像特征对应的目标位置：
Figure BDA0002248522420000194
上式中，g(·)为单位核函数，例如单位平均核函数，loc(x1,y1)即为得到的参考区域中与选择的图像特征对应的目标位置。
步骤S506：判断与选择的图像特征对应的目标位置和参考区域的中心位置之间的距离是否符合预设判决条件，若是，则执行步骤S507，若否，则执行步骤S509。
本实施例中，预设判决条件包括：与选择的图像特征对应的目标位置和参考区域的中心位置之间的距离小于预设距离阈值，即与选择的图像特征对应的目标位置loc(x1,y1)和参考区域的中心位置loc(x0,y0)需要满足下式：
||loc(x1,y1)-loc(x0,y0)||<ε
上式中，ε为预设距离阈值。
步骤S507：保存选择的图像特征对应的目标位置和选择的图像特征对应的特征权重。
若与选择的图像特征对应的目标位置和参考区域的中心位置之间的距离符合预设判决条件，则可以认为计算的到的与选择的图像特征对应的目标位置为与选择的图像特征对应的真实目标位置，此时，可以保存选择的图像特征对应的目标位置和选择的图像特征对应的特征权重，即保存loc(x1,y1)和wei。
步骤S508：重新执行步骤503以及后续步骤。
重复执行上述步骤，可以依次对其他图像特征进行上述处理，从而最终得到每种图像特征所对应的目标位置loc(xi,yi)和对应的特征权重weii。
在一个实施场景中，当获取到每种图像特征所对应的目标位置loc(xi,yi)和对应的特征权重weii之后，利用每一种图像特征对应的特征权重分别对每一种图像特征对应的目标位置做加权处理，获取待跟踪图像中目标对象的目标位置，具体地，可以参考下式：
Figure BDA0002248522420000201
上式中，loc(xi,yi)为每种图像特征所对应的目标位置，weii为每种图像特征所对应的特征权重weii，loc(x,y)为待跟踪图像中目标对象对应的目标位置。
在确定待跟踪图像中目标对象的目标位置之后，即可根据确定的目标位置获取待跟踪图像中的目标区域，在一个实施场景中，可以将参考区域的中心位置更新为确定的目标位置即可得到待跟踪图像的目标区域。
在另一个实施场景中，还可以利用待跟踪图像中的目标区域调整待跟踪图像的量化参数，并利用调整后的量化参数对待跟踪图像进行编码，具体可以参阅其他实施例中的相关步骤，本实施例在此不再赘述。
步骤S509：基于选择的图像特征对应的目标位置重新确定待跟踪图像的参考区域。
若与选择的图像特征对应的目标位置和参考区域的中心位置之间的距离不符合预设判决条件，则可以认为计算的到的与选择的图像特征对应的目标位置并不是与选择的图像特征对应的真实目标位置，此时，可以基于选择的图像特征对应的目标位置重新确定待跟踪图像的参考区域，具体可以将参考区域的中心位置更新为与选择的图像特征对应的目标位置，从而重新确定待跟踪图像的参考区域。
步骤S510：重新执行步骤S502以及后续步骤。
在重新确定参考区域之后，可以重新获取参考区域的图像特征的特征值，并重新获取其候选特征分布情况，以基于候选特征分布情况与目标特征分布情况确定重新确定参考区域中图像特征对应的目标位置，并进一步进行上述关于预设判决条件的判断，直至得到每种图像特征所对应的目标位置。
上述方案，利用与选择的图像特征对应的候选特征分布情况和与选择的图像特征对应的目标特征分布情况，确定参考区域中与选择的图像特征对应的目标位置，且与选择的图像特征对应的目标特征分布情况是基于目标区域内的选择的图像特征和目标区域之外的背景区域的选择的图像特征而得到的，能够提高确定的目标位置的准确性。
请参阅图7，图7是图1中步骤S15一实施例的流程示意图。本实施例中，在对待跟踪图像进行编码之前，还可以将待跟踪图像进行宏块化处理，得到多个宏块，具体可以参考上述实施例中的相关步骤，具体的编码步骤可以包括如下步骤：
步骤S151：将目标区域之外的宏块所对应的原始量化参数上调一预设量化参数增量值。
原始量化参数为编码器采用相关编码标准对图像进行编码时所采用的初始量化参数，由于目标区域之外的宏块所描述的是背景图像，并不决定主观质量，因此，可以对目标区域之外的宏块所对应的原始量化参数进行上调处理，以降低后续对这部分宏块的编码质量，减少这部分宏块所占的数据量。在一个实施场景中，具体可以将目标区域之外的宏块所对应的原始量化参数QPorig上调一预设量化参数增量值deltaQP，从而得到调整后的量化参数QPnew：
QPnew＝QPorig+deltaQP
上式中，预设量化参数增量值deltaQP的取值范围为2～4，例如：2、3、4，本实施例在此不再一一举例。
步骤S152：基于目标区域之内的宏块与目标区域的预设位置之间的距离关系，将目标区域之内的宏块所对应的原始量化参数做下调处理或保持处理。
对于目标区域之内的宏块，可以基于这些宏块与目标区域的预设位置之间的距离关系，将这些宏块所对应的原始量化参数进行下调处理或不做处理，从而在整体上能够不影响主观质量，又能够减少图像数据量，减轻对传输带宽的压力。
具体地，请结合参阅图8，图8是图7中步骤S152一实施例的流程示意图。具体地，可以包括如下步骤：
步骤S81：确定目标区域的质心，并获取质心到目标区域的各个边的距离中的最小距离值。
在一个实施场景中，当待检测图像是通过基于深度学习的目标检测方式而获取其目标区域时，可以确定目标区域的中心，并获取中心到目标区域的各个边的距离中的最小距离值。在另一个实施场景中，当待检测图像时通过基于高斯混合模型的目标检测方式而获取其目标区域时，可以确定目标区域的质心，并获取质心到目标区域的各个边的距离中的最小距离值。
步骤S82：筛选到质心的距离不大于最小距离值的宏块。
筛选到质心的距离不大于最小距离值的宏块。同理，当待检测图像是通过基于深度学习的目标检测方式而获取其目标区域时，可以筛选到中心的距离不大于最小距离值的宏块。
步骤S83：将筛选的宏块所对应的原始量化参数下调一预设量化参数减量值，并将目标区域内筛选的宏块之外的宏块所对应的原始量化参数保持不变。
将筛选的宏块所对应的原始量化参数QPorig下调一预设量化参数减量值offsetQP，从而得到调整后的量化参数QPnew：
QPnew′＝QPorig-offsetQP
上式中，预设量化参数减量值offsetQP为1或2，在其他实施场景中，预设量化参数减量值offsetQP也可以为其他数值，本实施例在此不做具体限制。
在一个具体的实施场景中，还可以将目标区域内的宏块所对应的原始量化参数保持不变。
在一个具体的实施场景中，当对原始量化参数进行调整之后，还可以判断调整后的原始量化参数是否大于量化参数范围的上限值，例如，量化参数范围为0～51，则可以判断调整后的原始量化参数是否大于51，若大于51，则将调整后的原始量化参数设置为51。当量化参数范围为其他数值时，可以以此类推，本实施例在此不再赘述。
上述方案，将目标区域之外的宏块所对应的原始量化参数上调一预设量化参数增量值，并基于目标区域之内的宏块与目标区域的预设位置之间的距离关系，将目标区域之内的宏块所对应的原始量化参数做下调处理或保持处理，从而能够基于上述目标跟踪结果，进一步减少编码后的数据量，而不对主观质量造成影响。
请参阅图9，图9是本申请编码控制装置90一实施例的框架示意图。编码控制装置90包括参考区域获取模块91、图像特征获取模块92、目标位置确定模块93、目标区域获取模块94和图像编码控制模块95，参考区域获取模块91用于获取待跟踪图像中与目标对象关联的参考区域；图像特征获取模块92用于基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值以及与图像特征对应的特征权重；目标位置确定模块93用于分别基于每一种图像特征的特征值，确定待跟踪图像中与每一种图像特征对应的目标位置；目标区域获取模块94用于利用每一种图像特征对应的特征权重分别对每一种图像特征对应的目标位置做加权处理，获取待跟踪图像中的目标区域；图像编码控制模块95用于利用待跟踪图像中的目标区域调整待跟踪图像的量化参数，并利用调整后的量化参数对待跟踪图像进行编码。在一个实施场景中，至少一种图像特征包括：图像R通道特征、图像G通道特征、图像B通道特征、图像H分量特征、图像I分量特征、图像S分量特征、图像梯度特征。
上述方案，通过获取待跟踪图像中与目标对象关联的参考区域，从而基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值以及与图像特征对应的特征权重，并分别基于每一种图像特征的特征值，确定待跟踪图像中与每一种图像特征对应的目标位置，利用每一种图像特征对应的特征权重分别对每一种图像特征对应的目标位置做加权处理，获取待跟踪图像中的目标区域，进而能够提高目标对象跟踪的准确性，有利于提高后续编码控制的质量，并利用待跟踪图像中的目标区域调整待跟踪图像的量化参数，并利用调整后的量化参数对待跟踪图像进行编码，从而能够在编码时精确控制目标区域和目标区域之外的区域的量化参数，进而在不影响主观质量的前提下，降低数据量，提高编码控制质量。
在一些实施例中，目标位置确定模块93包括图像特征选择子模块，用于依次选择至少一种图像特征中的其中一种图像特征，目标位置确定模块93还包括候选特征分布获取子模块，用于基于选择的图像特征的特征值，获取与选择的图像特征对应的候选特征分布情况，目标位置确定模块93还包括目标位置确定子模块，用于基于与选择的图像特征对应的候选特征分布情况和与选择的图像特征对应的目标特征分布情况，确定参考区域中与选择的图像特征对应的目标位置，与选择的图像特征对应的目标特征分布情况是基于目标区域内的选择的图像特征和目标区域之外的背景区域的选择的图像特征而得到的，目标位置确定模块93还包括位置判断子模块，用于判断与选择的图像特征对应的目标位置和参考区域的中心位置之间的距离是否符合预设判决条件，目标位置确定模块93还包括图像特征保存子模块，用于在位置判断子模块判断与选择的图像特征对应的目标位置和参考区域的中心位置之间的距离符合预设判决条件时，保存选择的图像特征对应的目标位置和选择的图像特征对应的特征权重，目标位置确定模块93还包括循环执行子模块，用于在位置判断子模块判断与选择的图像特征对应的目标位置和参考区域的中心位置之间的距离符合预设判决条件时，重新执行依次选择至少一种图像特征中的其中一种图像特征的步骤以及后续步骤，目标位置确定模块93还包括参考区域重置子模块，用于在位置判断子模块判断与选择的图像特征对应的目标位置和参考区域的中心位置之间的距离不符合预设判决条件时，基于选择的图像特征对应的目标位置重新确定待跟踪图像的参考区域，循环执行子模块还用于在位置判断子模块判断与选择的图像特征对应的目标位置和参考区域的中心位置之间的距离不符合预设判决条件时，重新执行获取待跟踪图像的至少一种图像特征以及与图像特征对应的特征权重的步骤以及后续步骤。在一个实施场景中，预设判决条件包括：与选择的图像特征对应的目标位置和参考区域的中心位置之间的距离小于预设距离阈值。在一个实施场景中，参考区域重置子模块还用于将参考区域的中心位置更新为与选择的图像特征对应的目标位置。
区别于前述实施例，利用与选择的图像特征对应的候选特征分布情况和与选择的图像特征对应的目标特征分布情况，确定参考区域中与选择的图像特征对应的目标位置，且与选择的图像特征对应的目标特征分布情况是基于目标区域内的选择的图像特征和目标区域之外的背景区域的选择的图像特征而得到的，能够提高确定的目标位置的准确性。
在一些实施例中，目标位置确定子模块包括位置权重确定单元，用于利用预设相似性函数对选择的图像特征对应的目标特征分布情况和选择的图像特征对应的候选特征分布情况进行处理，获取参考区域中每一像素点的位置权重，目标位置确定子模块包括目标位置确定单元，用于对参考区域中每一像素点采用与像素点对应的位置权重进行处理，得到参考区域中与选择的图像特征对应的目标位置。
在一些实施例中，参考区域是基于待跟踪图像之前预设数量帧的图像中与目标对象对应的目标区域而获得的，编码控制装置90还包括联合特征获取模块，用于基于目标区域的图像数据，获取与目标区域对应的至少一种图像特征的特征值，并基于目标区域之外的背景区域的图像数据，获取与背景区域对应的至少一种图像特征的特征值，编码控制装置90还包括图像特征选择模块，用于依次选择至少一种图像特征中的其中一种图像特征，编码控制装置90还包括特征分布情况获取模块，用于基于选择的图像特征的与目标区域对应的特征值，获取与选择的图像特征对应的第一特征分布情况，并基于选择的图像特征的与背景区域对应的特征值，获取与选择的图像特征对应的第二特征分布情况，编码控制装置90还包括特征似然获取模块，用于利用预设特征似然函数对第一特征分布情况和第二特征分布情况进行处理，获取每一特征值的似然比值，编码控制装置90还包括特征权重获取模块，用于基于预设映射关系，获取与每一特征值对应的特征权重，其中，预设映射关系表示似然比值越大，则映射的特征权重越大，编码控制装置90还包括目标特征分布情况获取模块，用于利用与每一特征值对应的特征权重对与选择的图像特征对应的第一特征分布情况进行加权处理，得到与选择的图像特征对应的目标特征分布情况。在一个实施场景中，目标区域之外的背景区域包括：将目标区域向外扩展若干个像素点之后所得到的扩展区域与目标区域之间背景区域。在一个实施场景中，似然比值为对数似然比值。在一个实施场景中，预设映射关系是由两个映射元素在不同区间形成的多段线性关系组成的。
区别于前述实施例，通过基于选择的图像特征的与目标区域对应的特征值，获取与选择的图像特征对应的第一特征分布情况，并基于选择的图像特征的与背景区域对应的特征值，获取与选择的图像特征对应的第二特征分布情况，从而利用预设特征似然函数对第一特征分布情况和第二特征分布情况进行处理，获取每一特征值的似然比值，进而基于预设映射关系，获取与每一特征值对应的特征权重，其中，预设映射关系表示似然比值越大，则映射的特征权重越大，最终利用与每一特征值对应的特征权重对与选择的图像特征对应的第一特征分布情况进行加权处理，得到与选择的图像特征对应的目标特征分布情况能够弱化和背景区域特征相同的特征值在目标特征分布情况中的权重，从而提高了目标模板的准确性，进一步提高了后续目标跟踪的准确性。
在一些实施例中，图像特征获取模块92还用于基于待跟踪图像的前一帧图像的目标区域的图像数据，获取前一帧图像的至少一种图像特征的特征值，图像特征获取模块92还包括特征值获取子模块，用于基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值，图像特征获取模块92还包括特性相似度获取子模块，用于利用预设特征相似函数对每一种图像特征在待跟踪图像中的特征值和对应的图像特征在前一帧图像中的特征值进行处理，获取每一种图像特征在待跟踪图像和前一帧图像之间的相似度值，图像特征获取模块92还包括特征权重确定子模块，用于基于每一种图像特征的相似度值与所有相似度值之和的比值，确定每一种图像特征的特征权重。
在一些实施例中，特征权重确定子模块包括相似度比值统计单元，用于统计每一种图像特征的相似度值与所有相似度值之和之间的相似度比值，特征权重确定子模块还包括特征权重重置单元，用于将相似度比值小于预设相似度阈值的图像特征对应的特征权重设置为0，特征权重确定子模块还包括权重归一化处理单元，用于将相似度比值不小于预设相似度阈值的图像特征对应的相似度比值做归一化处理，得到与图像特征对应的特征权重。
在一些实施例中，编码控制装置90还包括宏块化处理模块，用于将待跟踪图像进行宏块化处理，得到多个宏块，图像编码控制模块95还包括目标量化参数调整子模块，用于基于目标区域之内的宏块与目标区域的预设位置之间的距离关系，将目标区域之内的宏块所对应的原始量化参数做下调处理或保持处理，图像编码控制模块95还包括背景量化参数调整子模块，用于将目标区域之外的宏块所对应的原始量化参数上调一预设量化参数增量值。
区别于前述实施例，将目标区域之外的宏块所对应的原始量化参数上调一预设量化参数增量值，并基于目标区域之内的宏块与目标区域的预设位置之间的距离关系，将目标区域之内的宏块所对应的原始量化参数做下调处理或保持处理，从而能够基于上述目标跟踪结果，进一步减少编码后的数据量，而不对主观质量造成影响。
在一些实施例中，目标量化参数调整子模块包括最小距离值获取单元，用于确定目标区域的质心，并获取质心到目标区域的各个边的距离中的最小距离值，目标量化参数调整子模块还包括宏块筛选单元，用于筛选到质心的距离不大于最小距离值的宏块，目标量化参数调整子模块还包括量化参数调整单元，用于将筛选的宏块所对应的原始量化参数下调一预设量化参数减量值，并将目标区域内筛选的宏块之外的宏块所对应的原始量化参数保持不变，在一个实施场景中，预设量化参数增量值的取值范围为大于等于2，且小于等于4。在一个实施场景中，预设量化参数减量值为1或2中的任一者。
在一些实施例中，目标量化参数调整子模块具体用于将目标区域内的宏块所对应的原始量化参数保持不变。
在一些实施例中，编码控制装置90还包括移动速度获取模块，用于基于待跟踪图像的目标区域的位置和待跟踪图像的前一帧图像的目标区域的位置，获取目标对象的移动速度，编码控制装置90还包括编码帧率调整模块，用于基于目标对象的移动速度确定对待跟踪图像进行编码的帧率，其中，移动速度与帧率之间为正相关关系，编码帧率调整模块还用于在待跟踪图像中所有目标对象的移动速度均小于一预设速度阈值时，不对待跟踪图像进行编码。
区别于前述实施例，通过基于待跟踪图像的目标区域的位置和待跟踪图像的前一帧图像的目标区域的位置，获取目标对象的移动速度，并基于获取到的移动速度对帧率进行调整，能够进一步减少编码后的图像数据量，减轻对传输带宽的压力。
在一些实施例中，编码控制装置90还包括检测方式选择模块，用于从基于深度学习的目标检测方式、基于高斯混合模型的目标检测方式中选择一种目标检测方式，编码控制装置90还包括目标检测处理模块，用于利用选择的目标检测方式对待检测图像进行目标检测，获取待检测图像中与目标对象对应的目标区域，参考区域获取模块91具体用于将待跟踪图像中与目标区域对应的区域作为参考区域。在一个实施场景中，检测方式选择模块具体用于基于处理资源的使用情况，从基于深度学习的目标检测方式、基于高斯混合模型的目标检测方式中选择一种目标检测方式。
在一些实施例中，当检测方式选择模块选择基于高斯混合模型的目标检测方式时，目标检测处理模块包括图像检测子模块，用于利用高斯混合模型对待检测图像进行检测，确定待检测图像中的目标像素点和背景像素点，目标检测处理模块还包括二值化处理子模块，用于基于目标像素点和背景像素点，获取与待检测图像对应的二值化图像，目标检测处理模块还包括形态学处理子模块，用于选择开运算、闭运算或预设处理方式中的一种运算方式对二值化图像进行形态学处理，其中，运算方式是基于目标像素点在待检测图像中的数量比值而选择的，目标检测处理模块还包括标注处理子模块，用于对经过形态学处理后的二值化图像进行标注处理，并基于标注处理结果获取目标区域。
区别于前述实施例，通过利用高斯混合模型对待检测图像进行检测，确定待检测图像中的目标像素点和背景像素点，并基于目标像素点和背景像素点，获取与待检测图像对应的二值化图像，选择开运算、闭运算或预设处理方式中的一种运算方式对二值化图像进行形态学处理，其中，运算方式是基于目标像素点在待检测图像中的数量比值而选择的，对经过形态学处理后的二值化图像进行标注处理，并基于标注处理结果获取目标区域，从而能够提高确定目标区域的准确性。
在一些实施例中，目标检测处理模块还包括边缘检测子模块，用于基于确定的目标像素点和背景像素点，对待检测图像进行边缘检测，获取目标对象的边缘轮廓，目标检测处理模块还包括目标像素点确定子模块，用于将包含于边缘轮廓内的背景像素点确定为目标像素点。
在一些实施例中，形态学处理子模块具体用于在数量比值大于第一比值，选择开运算作为运算方式对二值化图像进行形态学处理；在数量比值小于第二比值时，选择闭运算作为运算方式对二值化图像进行形态学处理；在数量比值大于等于第二比值，且小于等于第一比值时，选择预设处理方式作为运算方式对二值化图像进行形态学处理。在一个实施场景中，预设处理方式至少包括不进行形态学处理。在一个实施场景中，第一比值为0.2，第二比值为0.15。
请参阅图10，图10是本申请编码控制装置1000一实施例的框架示意图。编码控制装置1000包括相互耦接的存储器1010和处理器1020，处理器1020用于执行存储器1010存储的程序指令，以实现上述任一编码控制方法实施例中的步骤。
具体而言，处理器1020用于控制其自身以及存储器1010以实现上述任一编码控制方法实施例中的步骤。处理器1020还可以称为CPU(Central Processing Unit，中央处理单元)。处理器1020可能是一种集成电路芯片，具有信号的处理能力。处理器1020还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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也可以是任何常规的处理器等。另外，处理器1020可以由多个集成电路芯片共同实现。
上述方案，通过获取待跟踪图像中与目标对象关联的参考区域，从而基于参考区域的图像数据，获取待跟踪图像的至少一种图像特征的特征值以及与图像特征对应的特征权重，并分别基于每一种图像特征的特征值，确定待跟踪图像中与每一种图像特征对应的目标位置，利用每一种图像特征对应的特征权重分别对每一种图像特征对应的目标位置做加权处理，获取待跟踪图像中的目标区域，进而能够提高目标对象跟踪的准确性，有利于提高后续编码控制的质量，并利用待跟踪图像中的目标区域调整待跟踪图像的量化参数，并利用调整后的量化参数对待跟踪图像进行编码，从而能够在编码时精确控制目标区域和目标区域之外的区域的量化参数，进而在不影响主观质量的前提下，降低数据量，提高编码控制质量。
请参阅图11，图11为本申请存储装置1100一实施例的框架示意图。存储装置1100存储有能够被处理器运行的程序指令1110，程序指令1110用于实现上述任一编码控制方法实施例中的步骤。
上述方案，能够提高目标对象跟踪的准确性，并利用待跟踪图像中的目标区域调整待跟踪图像的量化参数，并利用调整后的量化参数对待跟踪图像进行编码，从而能够在编码时精确控制目标区域和目标区域之外的区域的量化参数，进而在不影响主观质量的前提下，降低数据量，提高编码控制质量。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，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。
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或者全部单元来实现本实施方式方案的目的。
另外，在本申请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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元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，本申请的技术方案本质上或者说对现有技术做出贡献的或者该技术方案的全部或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)执行本申请各个实施方式方法的全部或步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、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。

Claims (20)

1.一种编码控制方法，其特征在于，包括：
获取待跟踪图像中与目标对象关联的参考区域；
基于所述参考区域的图像数据，获取所述待跟踪图像的至少一种图像特征的特征值以及与所述图像特征对应的特征权重；
分别基于每一种所述图像特征的特征值，确定所述待跟踪图像中与每一种所述图像特征对应的目标位置；
利用每一种所述图像特征对应的特征权重分别对每一种所述图像特征对应的目标位置做加权处理，获取所述待跟踪图像中的目标区域；
利用所述待跟踪图像中的目标区域调整所述待跟踪图像的量化参数，并利用调整后的量化参数对所述待跟踪图像进行编码。
2.根据权利要求1所述的编码控制方法，其特征在于，所述分别基于每一种所述图像特征的特征值，确定所述待跟踪图像中与每一种所述图像特征对应的目标位置包括：
依次选择所述至少一种图像特征中的其中一种图像特征；
基于选择的图像特征的特征值，获取与选择的图像特征对应的候选特征分布情况；
基于与选择的图像特征对应的候选特征分布情况和与选择的图像特征对应的目标特征分布情况，确定所述参考区域中与选择的图像特征对应的目标位置，其中，与选择的图像特征对应的目标特征分布情况是基于所述目标区域内的选择的图像特征和所述目标区域之外的背景区域的选择的图像特征而得到的；
若与选择的图像特征对应的目标位置和所述参考区域的中心位置之间的距离符合预设判决条件，则保存选择的图像特征对应的目标位置和选择的图像特征对应的特征权重，并重新执行所述依次选择所述至少一种图像特征中的其中一种图像特征的步骤以及后续步骤；
若与选择的图像特征对应的目标位置和所述参考区域的中心位置之间的距离不符合所述预设判决条件，则基于选择的图像特征对应的目标位置重新确定所述待跟踪图像的参考区域，并重新执行所述基于所述参考区域的图像数据，获取所述待跟踪图像的至少一种图像特征以及与所述图像特征对应的特征权重的步骤以及后续步骤。
3.根据权利要求2所述的编码控制方法，其特征在于，所述基于与选择的图像特征对应的候选特征分布情况和与选择的图像特征对应的目标特征分布情况，确定所述参考区域中与选择的图像特征对应的目标位置包括：
利用预设相似性函数对选择的图像特征对应的目标特征分布情况和选择的图像特征对应的候选特征分布情况进行处理，获取所述参考区域中每一像素点的位置权重；
对所述参考区域中每一像素点采用与所述像素点对应的位置权重进行处理，得到所述参考区域中与选择的图像特征对应的目标位置。
4.根据权利要求2所述的编码控制方法，其特征在于，所述预设判决条件包括：与选择的图像特征对应的目标位置和所述参考区域的中心位置之间的距离小于预设距离阈值；和/或，
所述基于选择的图像特征对应的目标位置重新确定所述待跟踪图像的参考区域包括：
将所述参考区域的中心位置更新为与选择的图像特征对应的目标位置。
5.根据权利要求1所述的编码控制方法，其特征在于，所述参考区域是基于所述待跟踪图像之前预设数量帧的图像中与所述目标对象对应的目标区域而获得的；
所述获取待跟踪图像中与目标对象关联的参考区域之后，所述方法包括：
基于所述目标区域的图像数据，获取与所述目标区域对应的至少一种图像特征的特征值，并基于所述目标区域之外的背景区域的图像数据，获取与所述背景区域对应的至少一种图像特征的特征值；
依次选择所述至少一种图像特征中的其中一种图像特征；
基于选择的图像特征的与所述目标区域对应的特征值，获取与选择的图像特征对应的第一特征分布情况，并基于选择的图像特征的与所述背景区域对应的特征值，获取与选择的图像特征对应的第二特征分布情况；
利用预设特征似然函数对所述第一特征分布情况和所述第二特征分布情况进行处理，获取每一所述特征值的似然比值；
基于预设映射关系，获取与每一所述特征值对应的特征权重，其中，所述预设映射关系表示所述似然比值越大，则映射的特征权重越大；
利用与每一所述特征值对应的特征权重对与选择的图像特征对应的第一特征分布情况进行加权处理，得到与选择的图像特征对应的目标特征分布情况。
6.根据权利要求5所述的编码控制方法，其特征在于，所述目标区域之外的背景区域包括：将所述目标区域向外扩展若干个像素点之后所得到的扩展区域与所述目标区域之间背景区域；和/或，
所述似然比值为对数似然比值；和/或，
所述预设映射关系是由两个映射元素在不同区间形成的多段线性关系组成的。
7.根据权利要求1所述的编码控制方法，其特征在于，所述基于所述参考区域的图像数据，获取所述待跟踪图像的至少一种图像特征的特征值以及与所述图像特征对应的特征权重之前，所述方法还包括：
基于所述待跟踪图像的前一帧图像的目标区域的图像数据，获取所述前一帧图像的至少一种图像特征的特征值；
所述基于所述参考区域的图像数据，获取所述待跟踪图像的至少一种图像特征的特征值以及与所述图像特征对应的特征权重包括：
基于所述参考区域的图像数据，获取所述待跟踪图像的至少一种图像特征的特征值；
利用预设特征相似函数对每一种所述图像特征在所述待跟踪图像中的特征值和对应的图像特征在所述前一帧图像中的特征值进行处理，获取每一种所述图像特征在所述待跟踪图像和所述前一帧图像之间的相似度值；
基于每一种所述图像特征的相似度值与所有所述相似度值之和的比值，确定每一种所述图像特征的特征权重。
8.根据权利要求7所述的编码控制方法，其特征在于，所述基于每一种所述图像特征的相似度值与所有所述相似度值之和的比值，确定每一种所述图像特征的特征权重包括：
统计每一种所述图像特征的相似度值与所有所述相似度值之和之间的相似度比值；
将所述相似度比值小于预设相似度阈值的图像特征对应的特征权重设置为0；
将所述相似度比值不小于所述预设相似度阈值的图像特征对应的相似度比值做归一化处理，得到与所述图像特征对应的特征权重。
9.根据权利要求1所述的编码控制方法，其特征在于，所述利用所述待跟踪图像中的目标区域调整所述待跟踪图像的量化参数，并利用调整后的量化参数对所述待跟踪图像进行编码之前，所述方法包括：
将所述待跟踪图像进行宏块化处理，得到多个宏块；
所述利用所述待跟踪图像中的目标区域调整所述待跟踪图像的量化参数，并利用调整后的量化参数对所述待跟踪图像进行编码包括：
将所述目标区域之外的宏块所对应的原始量化参数上调一预设量化参数增量值；
基于所述目标区域之内的宏块与所述目标区域的预设位置之间的距离关系，将所述目标区域之内的宏块所对应的原始量化参数做下调处理或保持处理。
10.根据权利要求9所述的编码控制方法，其特征在于，所述基于所述目标区域之内的宏块与所述目标区域的预设位置之间的距离关系，将所述目标区域之内的宏块所对应的原始量化参数做下调处理或保持处理，包括：
确定所述目标区域的质心，并获取所述质心到所述目标区域的各个边的距离中的最小距离值；
筛选到所述质心的距离不大于所述最小距离值的宏块；
将筛选的宏块所对应的原始量化参数下调一预设量化参数减量值，并将所述目标区域内筛选的宏块之外的宏块所对应的原始量化参数保持不变。
或者，所述基于所述目标区域之内的宏块与所述目标区域的预设位置之间的距离关系，将所述目标区域之内的宏块所对应的原始量化参数做下调处理或保持处理，包括：
将所述目标区域内的宏块所对应的原始量化参数保持不变。
11.根据权利要求10所述的编码控制方法，其特征在于，所述预设量化参数增量值的取值范围为大于等于2，且小于等于4；和/或，
所述预设量化参数减量值为1或2中的任一者。
12.根据权利要求1所述的编码控制方法，其特征在于，所述利用每一种所述图像特征对应的特征权重分别对每一种所述图像特征对应的目标位置做加权处理，获取所述待跟踪图像中的目标区域之后，所述方法还包括：
基于所述待跟踪图像的目标区域的位置和所述待跟踪图像的前一帧图像的目标区域的位置，获取所述目标对象的移动速度；
基于所述目标对象的移动速度确定对所述待跟踪图像进行编码的帧率，其中，所述移动速度与所述帧率之间为正相关关系；
和/或，若所述待跟踪图像中所有所述目标对象的移动速度均小于一预设速度阈值，则不对所述待跟踪图像进行编码。
13.根据权利要求1所述的编码控制方法，其特征在于，所述获取待跟踪图像中与目标对象关联的参考区域之前，所述方法还包括：
从基于深度学习的目标检测方式、基于高斯混合模型的目标检测方式中选择一种目标检测方式；
利用选择的目标检测方式对待检测图像进行目标检测，获取所述待检测图像中与所述目标对象对应的目标区域，其中，所述待检测图像是所述待跟踪图像之前预设数量帧图像；
所述获取待跟踪图像中与目标对象关联的参考区域包括：
将所述待跟踪图像中与所述目标区域对应的区域作为所述参考区域；
14.根据权利要求13所述的编码控制方法，其特征在于，当选择所述基于高斯混合模型的目标检测方式时，所述利用选择的目标检测方式对待检测图像进行目标检测，获取所述待检测图像中与所述目标对象对应的目标区域包括：
利用高斯混合模型对所述待检测图像进行检测，确定所述待检测图像中的目标像素点和背景像素点；
基于所述目标像素点和所述背景像素点，获取与所述待检测图像对应的二值化图像；
选择开运算、闭运算或预设处理方式中的一种运算方式对所述二值化图像进行形态学处理，其中，所述运算方式是基于所述目标像素点在所述待检测图像中的数量比值而选择的；
对经过形态学处理后的二值化图像进行标注处理，并基于标注处理结果获取所述目标区域。
15.根据权利要求14所述的编码控制方法，其特征在于，所述利用高斯混合模型对所述待检测图像进行检测，确定所述待检测图像中的目标像素点和背景像素点之后，以及所述基于所述目标像素点和所述背景像素点，获取与所述待检测图像对应的二值化图像之前，所述方法还包括：
基于确定的目标像素点和背景像素点，对所述待检测图像进行边缘检测，获取所述目标对象的边缘轮廓；
将包含于所述边缘轮廓内的背景像素点确定为目标像素点。
16.根据权利要求14所述的编码控制方法，其特征在于，所述选择开运算、闭运算或预设处理方式中的一种运算方式对所述二值化图像进行形态学处理包括：
若所述数量比值大于第一比值，则选择所述开运算作为所述运算方式对所述二值化图像进行形态学处理；
若所述数量比值小于第二比值，则选择所述闭运算作为所述运算方式对所述二值化图像进行形态学处理；
若所述数量比值大于等于所述第二比值，且小于等于所述第一比值，则选择所述预设处理方式作为所述运算方式对所述二值化图像进行形态学处理。
17.根据权利要求16所述的编码控制方法，其特征在于，所述预设处理方式至少包括不进行形态学处理；和/或，
所述第一比值为0.2，所述第二比值为0.15；和/或，
所述从基于深度学习的目标检测方式、基于高斯混合模型的目标检测方式中选择一种目标检测方式包括：
基于处理资源的使用情况，从基于深度学习的目标检测方式、基于高斯混合模型的目标检测方式中选择一种目标检测方式。
18.根据权利要求1所述的编码控制方法，其特征在于，所述至少一种图像特征包括：图像R通道特征、图像G通道特征、图像B通道特征、图像H分量特征、图像I分量特征、图像S分量特征、图像梯度特征。
19.一种编码控制装置，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器存储的程序指令，以实现权利要求1至18任一项所述的编码控制方法。
20.一种存储装置，其特征在于，存储有能够被处理器运行的程序指令，所述程序指令用于实现权利要求1至18任一项所述的编码控制方法。
CN201911025596.XA 2019-10-25 2019-10-25 编码控制方法以及相关装置 Active CN110807392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911025596.XA CN110807392B (zh) 2019-10-25 2019-10-25 编码控制方法以及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911025596.XA CN110807392B (zh) 2019-10-25 2019-10-25 编码控制方法以及相关装置

Publications (2)

Publication Number Publication Date
CN110807392A true CN110807392A (zh) 2020-02-18
CN110807392B CN110807392B (zh) 2022-09-06

Family

ID=69489310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911025596.XA Active CN110807392B (zh) 2019-10-25 2019-10-25 编码控制方法以及相关装置

Country Status (1)

Country Link
CN (1) CN110807392B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696136A (zh) * 2020-06-09 2020-09-22 电子科技大学 一种基于编解码结构的目标跟踪方法
CN113056904A (zh) * 2020-05-28 2021-06-29 深圳市大疆创新科技有限公司 图像传输方法、可移动平台及计算机可读存储介质
CN113728328A (zh) * 2020-03-26 2021-11-30 艾思益信息应用技术股份公司 信息处理装置和信息处理方法
CN114514566A (zh) * 2020-08-01 2022-05-17 商汤国际私人有限公司 图像处理方法及装置、电子设备和存储介质
WO2022179013A1 (zh) * 2021-02-24 2022-09-01 上海商汤临港智能科技有限公司 目标定位方法、装置、电子设备、存储介质及程序
CN115035459A (zh) * 2022-07-08 2022-09-09 广东警官学院(广东省公安司法管理干部学院) 基于帧间量化参数强度值的伪造视频人像检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103079063A (zh) * 2012-12-19 2013-05-01 华南理工大学 一种低码率下视觉关注区域的视频编码方法
US20170359584A1 (en) * 2014-10-21 2017-12-14 Lg Electronics Inc. A method and apparatus for performing graph-based prediction using optimazation function
CN109005409A (zh) * 2018-07-27 2018-12-14 浙江工业大学 一种基于目标检测与跟踪的智能视频编码方法
CN109658455A (zh) * 2017-10-11 2019-04-19 阿里巴巴集团控股有限公司 图像处理方法和处理设备
CN110087081A (zh) * 2019-05-05 2019-08-02 腾讯科技（深圳）有限公司 视频编码方法、装置、服务器及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103079063A (zh) * 2012-12-19 2013-05-01 华南理工大学 一种低码率下视觉关注区域的视频编码方法
US20170359584A1 (en) * 2014-10-21 2017-12-14 Lg Electronics Inc. A method and apparatus for performing graph-based prediction using optimazation function
CN109658455A (zh) * 2017-10-11 2019-04-19 阿里巴巴集团控股有限公司 图像处理方法和处理设备
CN109005409A (zh) * 2018-07-27 2018-12-14 浙江工业大学 一种基于目标检测与跟踪的智能视频编码方法
CN110087081A (zh) * 2019-05-05 2019-08-02 腾讯科技（深圳）有限公司 视频编码方法、装置、服务器及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113728328A (zh) * 2020-03-26 2021-11-30 艾思益信息应用技术股份公司 信息处理装置和信息处理方法
CN113728328B (zh) * 2020-03-26 2024-04-12 艾思益信息应用技术股份公司 信息处理装置和信息处理方法
CN113056904A (zh) * 2020-05-28 2021-06-29 深圳市大疆创新科技有限公司 图像传输方法、可移动平台及计算机可读存储介质
CN111696136A (zh) * 2020-06-09 2020-09-22 电子科技大学 一种基于编解码结构的目标跟踪方法
CN114514566A (zh) * 2020-08-01 2022-05-17 商汤国际私人有限公司 图像处理方法及装置、电子设备和存储介质
CN114514566B (zh) * 2020-08-01 2023-09-22 商汤国际私人有限公司 图像处理方法及装置、电子设备和存储介质
WO2022179013A1 (zh) * 2021-02-24 2022-09-01 上海商汤临港智能科技有限公司 目标定位方法、装置、电子设备、存储介质及程序
CN115035459A (zh) * 2022-07-08 2022-09-09 广东警官学院(广东省公安司法管理干部学院) 基于帧间量化参数强度值的伪造视频人像检测方法

Also Published As

Publication number Publication date
CN110807392B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN110807392B (zh) 编码控制方法以及相关装置
Sen-Ching et al. Robust techniques for background subtraction in urban traffic video
US10013772B2 (en) Method of controlling a quality measure and system thereof
US8280165B2 (en) System and method for segmenting foreground and background in a video
WO2017121018A1 (zh) 二维码图像处理的方法和装置、终端、存储介质
KR101528895B1 (ko) 관심 특성 색 모델 변수의 적응성 추정을 위한 방법 및 장치
CN102368821B (zh) 一种噪声强度自适应的视频去噪方法和系统
US8305440B2 (en) Stationary object detection using multi-mode background modelling
US10134121B2 (en) Method and system of controlling a quality measure
US10096117B2 (en) Video segmentation method
CN109478329B (zh) 图像处理方法和装置
KR20190039384A (ko) 마코프체인을 사용하여 이미지 상 대상 객체를 추적, 분할하는 방법 및 장치
Ma et al. Detecting Motion Object By Spatio-Temporal Entropy.
CN104268900A (zh) 一种运动目标检测方法及装置
CN111179302B (zh) 一种运动目标检测方法、装置、存储介质及终端设备
WO2009105812A1 (en) Spatio-activity based mode matching field of the invention
CN108765463B (zh) 一种结合区域提取与改进纹理特征的运动目标检测方法
CN112001946A (zh) 一种目标对象跟踪方法、计算机设备以及装置
CN110428450A (zh) 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法
Haque et al. Perception-inspired background subtraction
US20170103536A1 (en) Counting apparatus and method for moving objects
CN113011433B (zh) 一种滤波参数调整方法及装置
Milani et al. A saliency-based rate control for people detection in video
CN109102520A (zh) 基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法
Mendizabal et al. A region based approach to background modeling in a wavelet multi-resolution framework

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