CN111127508A - 一种基于视频的目标跟踪方法及装置 - Google Patents
一种基于视频的目标跟踪方法及装置 Download PDFInfo
- Publication number
- CN111127508A CN111127508A CN201811284963.3A CN201811284963A CN111127508A CN 111127508 A CN111127508 A CN 111127508A CN 201811284963 A CN201811284963 A CN 201811284963A CN 111127508 A CN111127508 A CN 111127508A
- Authority
- CN
- China
- Prior art keywords
- tracking
- tracking area
- area
- frame image
- airplane
- 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
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
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于视频的目标跟踪方法及装置，涉及视频监控技术领域，所述方法包括：获取视频采集部件采集的当前帧图像；根据预设的跟踪区域识别模型，识别当前帧图像中的第一跟踪区域，第一跟踪区域为跟踪对象的图像区域；提取第一跟踪区域的跟踪特征；根据第一跟踪区域的跟踪特征、以及当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在当前帧图像包含的第一跟踪区域中，确定与第二跟踪区域相匹配的目标跟踪区域；将第二跟踪区域和目标跟踪区域进行关联，得到当前帧图像中跟踪对象的轨迹信息。采用本发明，可以提高跟踪对象的轨迹信息的准确率。
Description
技术领域
本发明涉及视频监控技术领域，特别是涉及一种基于视频的目标跟踪方法及装置。
背景技术
基于视频的目标跟踪方法可以对视频中的跟踪对象进行跟踪。例如，通过基于视频的目标跟踪方法，可以对机场监控视频中的飞机进行跟踪，以判断飞机是否进入停机位或者离开停机位。
现有技术中，对视频中的跟踪对象进行跟踪的方法为：首先在第一帧图像中确定目标跟踪区域，其中，目标跟踪区域为第一帧图像中跟踪对象的位置区域，然后，从目标跟踪区域内随机选取一定数量的像素点作为特征点，在后续的帧图像中确定各特征点的位置，计算相邻帧图像中各特征点的位置偏移量，相邻帧图像中各特征点的位置偏移量反应了相邻帧图像中目标跟踪区域的偏移量，计算相邻帧图像中特征点的位置偏移量的均值，将相邻帧图像中特征点的位置偏移量的均值作为相邻帧图像中目标跟踪区域的偏移量，然后根据第一帧图像中确定的目标跟踪区域，和相邻帧图像中目标跟踪区域的偏移量，得到各帧图像中的目标跟踪区域，以此得到跟踪对象的轨迹信息。
然而，从目标跟踪区域内随机选取一定数量的像素点作为特征点，可能选取的特征点不在跟踪对象上，而不在跟踪对象上的特征点在相邻帧图像中的偏移量无法反应相邻帧图像中目标跟踪区域的偏移量，导致计算的相邻帧图像中目标跟踪区域的偏移量存在误差，进而导致得到的各帧图像中目标跟踪区域的准确率较低，跟踪对象的轨迹信息的准确率较低。
发明内容
本发明实施例的目的在于提供一种基于视频的目标跟踪方法及装置，可以提高跟踪对象的轨迹信息的准确率。具体技术方案如下：
第一方面，提供了一种基于视频的目标跟踪方法，所述方法包括：
获取视频采集部件采集的当前帧图像；
根据预设的跟踪区域识别模型，识别所述当前帧图像中的第一跟踪区域，所述第一跟踪区域为跟踪对象的图像区域；
提取所述第一跟踪区域的跟踪特征；
根据所述第一跟踪区域的跟踪特征、以及所述当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在所述当前帧图像包含的第一跟踪区域中，确定与所述第二跟踪区域相匹配的目标跟踪区域；
将所述第二跟踪区域和所述目标跟踪区域进行关联，得到所述当前帧图像中跟踪对象的轨迹信息。
可选的，所述跟踪特征包含以下信息之一或任意组合：尺寸特征、形状特征和颜色特征中的一种或多种。
可选的，在所述跟踪特征包含尺寸特征、形状特征和颜色特征时，所述提取所述第一跟踪区域的跟踪特征，包括：
获取所述第一跟踪区域的面积，得到所述尺寸特征；
获取所述第一跟踪区域的长宽比，得到所述形状特征；
根据所述第一跟踪区域中各像素点的红绿蓝RGB值，确定所述颜色特征。
可选的，所述根据所述第一跟踪区域的跟踪特征、以及所述当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在所述当前帧图像包含的第一跟踪区域中，确定与所述第二跟踪区域相匹配的目标跟踪区域，包括：
针对所述前一帧图像包含的每一第二跟踪区域，根据该第二跟踪区域的跟踪特征、所述当前帧图像包含的各第一跟踪区域的跟踪特征和预先构建的匹配模型，分别确定该第二跟踪区域与所述当前帧图像包含的各第一跟踪区域的相似度；
从所述各第一跟踪区域中确定相似度大于预设相似度阈值的第一跟踪区域；
根据该第二跟踪区域和预设的卡尔曼滤波算法，预测该第二跟踪区域在所述当前帧图像中出现的目标位置区域；
将确定出的第一跟踪区域中与所述目标位置区域距离最近的第一跟踪区域作为与该第二跟踪区域相匹配的目标跟踪区域。
可选的，所述跟踪区域识别模型包括针对飞机的跟踪区域识别模型，所述跟踪对象包括飞机，所述方法还包括：
针对每一飞机，如果该飞机的轨迹信息表示该飞机进入预设的检测区域，则判定该飞机进入停机位，并输出该飞机的图像；如果该飞机的轨迹信息表示该飞机离开所述预设的检测区域，则判定该飞机离开停机位，并输出该飞机的图像。
可选的，所述跟踪区域识别模型还包括针对廊桥的跟踪区域识别模型，所述跟踪对象还包括廊桥，所述方法还包括：
针对每一廊桥，如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由接触到分离，则判定该廊桥撤桥，并输出该廊桥的图像；如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由分离到接触，则判定该廊桥靠桥，并输出该廊桥的图像。
第二方面，提供了一种基于视频的目标跟踪装置，所述装置包括：
获取模块，用于获取视频采集部件采集的当前帧图像；
识别模块，用于根据预设的跟踪区域识别模型，识别所述当前帧图像中的第一跟踪区域，所述第一跟踪区域为跟踪对象的图像区域；
提取模块，用于提取所述第一跟踪区域的跟踪特征；
确定模块，用于根据所述第一跟踪区域的跟踪特征、以及所述当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在所述当前帧图像包含的第一跟踪区域中，确定与所述第二跟踪区域相匹配的目标跟踪区域；
关联模块，用于将所述第二跟踪区域和所述目标跟踪区域进行关联，得到所述当前帧图像中跟踪对象的轨迹信息。
可选的，所述跟踪特征包含以下信息之一或任意组合：尺寸特征、形状特征和颜色特征中的一种或多种。
可选的，在所述跟踪特征包含尺寸特征、形状特征和颜色特征时，所述提取模块，包括：
第一提取单元，用于获取所述第一跟踪区域的面积，得到所述尺寸特征；
第二提取单元，用于获取所述第一跟踪区域的长宽比，得到所述形状特征；
第三提取单元，用于根据所述第一跟踪区域中各像素点的红绿蓝RGB值，确定所述颜色特征。
可选的，所述确定模块，包括：
第一确定单元，用于针对所述前一帧图像包含的每一第二跟踪区域，根据该第二跟踪区域的跟踪特征、所述当前帧图像包含的各第一跟踪区域的跟踪特征和预先构建的匹配模型，分别确定该第二跟踪区域与所述当前帧图像包含的各第一跟踪区域的相似度；
第二确定单元，用于从所述各第一跟踪区域中确定相似度大于预设相似度阈值的第一跟踪区域；
预测单元，用于根据该第二跟踪区域和预设的卡尔曼滤波算法，预测该第二跟踪区域在所述当前帧图像中出现的目标位置区域；
第三确定单元，用于将确定出的第一跟踪区域中与所述目标位置区域距离最近的第一跟踪区域作为与该第二跟踪区域相匹配的目标跟踪区域。
可选的，所述跟踪区域识别模型包括针对飞机的跟踪区域识别模型，所述跟踪对象包括飞机，所述装置还包括飞机入离位判断模块；
所述飞机入离位判断模块，用于针对每一飞机，如果该飞机的轨迹信息表示该飞机进入预设的检测区域，则判定该飞机进入停机位，并输出该飞机的图像；如果该飞机的轨迹信息表示该飞机离开所述预设的检测区域，则判定该飞机离开停机位，并输出该飞机的图像。
可选的，所述跟踪区域识别模型还包括针对廊桥的跟踪区域识别模型，所述跟踪对象还包括廊桥，所述装置还包括廊桥靠撤桥判断模块；
所述廊桥靠撤桥判断模块，用于针对每一廊桥，如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由接触到分离，则判定该廊桥撤桥，并输出该廊桥的图像；如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由分离到接触，则判定该廊桥靠桥，并输出该廊桥的图像。
第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法步骤。
本发明实施例提供的一种基于视频的多目标跟踪方法及装置，获取视频采集部件采集的当前帧图像；根据预设的跟踪区域识别模型，识别当前帧图像中的第一跟踪区域，第一跟踪区域为跟踪对象的图像区域；提取第一跟踪区域的跟踪特征；根据第一跟踪区域的跟踪特征、以及当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在当前帧图像包含的第一跟踪区域中，确定与第二跟踪区域相匹配的目标跟踪区域；将第二跟踪区域和目标跟踪区域进行关联，得到当前帧图像中跟踪对象的轨迹信息。相比于现有技术，本发明检测各帧图像的跟踪对象的目标跟踪区域，并对相邻帧图像的目标跟踪区域进行匹配，以获取跟踪对象的轨迹信息，提高了跟踪对象的轨迹信息的准确率。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种视频监控系统的结构示意图；
图2为本发明实施例提供的一种基于视频的目标跟踪方法的流程图；
图3为本发明实施例提供的一种确定匹配跟踪区域的方法流程图；
图4为本发明实施例提供的一种基于视频的目标跟踪装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
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，都属于本发明保护的范围。
本发明实施例提供了一种基于视频的目标跟踪方法，应用于视频监控系统中的服务器。如图1所示，视频监控系统还可以包括视频采集部件、人机交互部件和图像显示部件。视频采集部件可以为相机，用于拍摄监控区域的视频，视频采集部件可以将拍摄到的图像发送给服务器。服务器与视频采集部件连接，用于获取视频采集部件拍摄的视频，并根据视频的各帧图像，确定监控区域中跟踪对象的轨迹信息。人机交互部件可以为计算机，技术人员可以通过人机交互部件设置视频监控系统的参数，比如检测区域的位置和大小，检测区域后续会进行说明。图像显示部件，可以用于显示视频采集部件拍摄的视频和跟踪对象的跟踪区域。
在对机场飞机监控的场景下，可以将相机正对着飞机停机位设置，用于监控飞机停机位区域，服务器可以获取飞机停机位区域的监控视频，并根据监控视频的各帧图像，确定监控区域中的飞机和廊桥的轨迹信息，进而确定飞机是入位还是离位，及廊桥是靠桥还是撤桥。其中，飞机入位即飞机进入停机位，飞机离位即飞机离开停机位，廊桥靠桥即廊桥与飞机靠拢，廊桥撤桥即廊桥从与飞机接触的位置撤离，此时，图像显示部件也可以显示入位的飞机的图像和离位的飞机的图像，及靠桥的廊桥的图像和撤桥的廊桥的图像。
如图2所示，该方法包括以下步骤：
步骤201，获取视频采集部件采集的当前帧图像。
在实施中，视频采集部件可以是摄像机、相机等，视频采集部件可以用于拍摄监控区域的视频，并将视频的各帧图像发送给服务器。服务器则可以接收视频采集部件发送的当前帧图像。在一种可能的实现方式中，视频采集部件可以正对飞机停机位区域设置，以拍摄飞机停机位区域的图像。
步骤202，根据预设的跟踪区域识别模型，识别当前帧图像中的第一跟踪区域。
其中，第一跟踪区域为跟踪对象的图像区域，跟踪对象可以为飞机、廊桥等其他物体。
在实施中，服务器可以根据预设的跟踪区域识别模型，识别当前帧图像中跟踪对象的图像区域，得到第一跟踪区域。其中，跟踪对象可以为飞机、廊桥等，也可以为其他物体，本申请实施例不做限定。
本申请实施例中的跟踪区域识别模型可以由基于深度学习的网络模型训练得到。针对不同的跟踪对象，训练样本也有所不同。例如，当跟踪对象为飞机时，可以将标记有飞机区域的图像作为样本，输入到基于深度学习的网络模型中，以完成网络模型的训练，这样训练出的网络模型可以识别当前帧图像中飞机的图像区域，也即，得到针对飞机的跟踪区域识别模型。又如，当跟踪对象为廊桥时，可以将标记有廊桥区域的图像作为样本，输入到基于深度学习的网络模型中，以完成网络模型的训练，这样训练出的网络模型可以识别当前帧图像中廊桥的图像区域，也即，得到针对廊桥的跟踪区域识别模型。
这样，通过基于深度学习的网络模型识别当前帧图像中的跟踪对象的图像区域，可以提高识别的准确度。
步骤203，提取第一跟踪区域的跟踪特征。
其中，跟踪特征可以包括尺寸特征、形状特征和颜色特征中的一种或多种组合。跟踪特征也可以包括其他信息，本申请实施例不作限定。
在实施中，服务器可以分别提取第一跟踪区域的尺寸特征、形状特征和颜色特征中的一种或多种。
可选的，在跟踪特征包含尺寸特征、形状特征和颜色特征时，提取第一跟踪区域的跟踪特征的具体处理过程可以为：获取第一跟踪区域的面积，得到尺寸特征；获取第一跟踪区域的长宽比，得到形状特征；根据第一跟踪区域中各像素点的RGB(Red Green Blue，红绿蓝)值，确定颜色特征。
在实施中，服务器可以统计第一跟踪区域包含的像素个数，然后将统计的像素个数作为第一跟踪区域的面积，得到尺寸特征。或，服务器可以识别第一跟踪区域的长度和第一跟踪区域的宽度，然后根据长度和宽度计算第一跟踪区域的面积，得到尺寸特征。例如，服务器统计出第一跟踪区域在长度方向所占有的像素个数X、第一跟踪区域在宽度方向占有的像素个数Y，将X与Y的乘积作为第一跟踪区域的面积，得到尺寸特征。
服务器可以统计第一跟踪区域在长度方向所占有的像素个数X和第一跟踪区域在宽度方向占有的像素个数Y，然后计算X与Y的比值，将X与Y的比值作为第一跟踪区域的长宽比，得到形状特征。
服务器可以根据第一跟踪区域中各像素点的RGB值，计算各像素点的平均RGB值，然后将平均RGB值作为颜色特征。
步骤204，根据第一跟踪区域的跟踪特征、以及当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在当前帧图像包含的第一跟踪区域中，确定与第二跟踪区域相匹配的目标跟踪区域。
在实施中，可能会存在多个跟踪对象，比如在对机场飞机监控的场景下，停机位周围可能会存在多个飞机，则各帧视频图像中可能会存在多个飞机，相应的，当前帧图像中可以包含多个第一跟踪区域，前一帧图像可以包含多个第二跟踪区域。针对每一第二跟踪区域，服务器根据该第二跟踪区域的跟踪特征以及当前帧图像中包含的多个第一跟踪区域的跟踪特征，从当前帧图像中包含的多个第一跟踪区域中，确定与该第二跟踪区域匹配的目标跟踪区域。
步骤205，将第二跟踪区域和目标跟踪区域进行关联，得到当前帧图像中跟踪对象的轨迹信息。
在实施中，服务器可以将第二跟踪区域和目标跟踪区域设置相同的标识号，以使第二跟踪区域和目标跟踪区域进行关联。具有相同标识号的跟踪区域为同一跟踪对象的跟踪区域，不同跟踪对象的跟踪区域可以设置不同的标识号，这样，可以得到同一跟踪对象在不同帧图像中的跟踪区域，得到跟踪对象的轨迹信息。比如，针对每帧图像，将该帧图像的拍摄时间和跟踪对象在该帧图像中的跟踪区域组成跟踪对象的一组时间-位置数据，然后将跟踪对象在各帧图像的时间-位置数据作为跟踪对象的轨迹信息。
这样，通过识别当前帧图像和前一帧图像中的跟踪区域，并对两帧图像中的跟踪区域进行匹配，得到同一跟踪对象在两帧图像中的跟踪区域，并将同一跟踪对象的跟踪区域关联，可以得到跟踪对象的轨迹信息，提高了跟踪对象的轨迹信息的准确率。
可选的，参考图3，根据第一跟踪区域的跟踪特征、以及当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在当前帧图像包含的第一跟踪区域中，确定与第二跟踪区域相匹配的目标跟踪区域的具体处理过程可以包括以下步骤：
步骤301，针对前一帧图像包含的每一第二跟踪区域，根据该第二跟踪区域的跟踪特征、当前帧图像包含的第一跟踪区域的跟踪特征和预先构建的匹配模型，确定该第二跟踪区域与当前帧图像包含的第一跟踪区域的相似度。
其中，预先构建的匹配模型可以为预先训练的LSTM(Long Short-Term Memory，长短期记忆)网络模型。通过向预先训练的LSTM网络模型输入两个跟踪区域的跟踪特征，可以计算出两个跟踪区域之间的相似度。针对不同的跟踪区域，LSTM网络模型的训练样本也有所相同。
当跟踪区域为飞机的跟踪区域时，可以将同一飞机的跟踪区域的跟踪特征作为正样本，将不同飞机的跟踪区域的跟踪特征作为负样本，根据正样本和负样本对LSTM网络模型进行训练，这样训练过的LSTM网络模型可以根据两个飞机的跟踪区域的跟踪特征，计算两个飞机的跟踪区域之间的相似度。
当跟踪区域为廊桥的跟踪区域时，可以将同一廊桥的跟踪区域的跟踪特征作为正样本，将不同廊桥的跟踪区域的跟踪特征作为负样本，根据正样本和负样本对LSTM网络模型进行训练，这样训练过的LSTM网络模型可以两个廊桥的跟踪区域的跟踪特征，计算两个廊桥的跟踪区域之间的相似度。
在实施中，针对前一帧图像包含的每一第二跟踪区域，服务器可以将该第二跟踪区域的跟踪特征、当前帧图像包含的某一第一跟踪区域的跟踪特征输入到预先训练的LSTM网络模型，计算该第二跟踪区域与当前帧图像包含的某一第一跟踪区域的相似度，以此方式，计算该第二跟踪区域分别与当前帧图像包含的各第一跟踪区域之间的相似度。
步骤302，从各第一跟踪区域中确定相似度大于预设相似度阈值的第一跟踪区域。
在实施中，服务器可以根据当前帧图像包含的各第一跟踪区域与该第二跟踪区域的相似度，从当前帧图像包含的各第一跟踪区域中，确定相似度大于预设相似度阈值的第一跟踪区域。
步骤303，根据该第二跟踪区域和预设的卡尔曼滤波算法，预测该第二跟踪区域在当前帧图像中出现的目标位置区域。
在实施中，服务器可以根据该第二跟踪区域和预设的卡尔曼滤波算法，预测该第二跟踪区域在当前帧图像中出现的目标位置区域。
步骤304，将确定出的第一跟踪区域中与目标位置区域距离最近的第一跟踪区域作为该第二跟踪区域相匹配的目标跟踪区域。
在实施中，服务器可以计算确定出的各第一跟踪区域的中心点坐标分别与目标位置区域的中心点坐标的距离，然后将距离最近的第一跟踪区域作为目标跟踪区域。例如，假设目标位置区域的中心点坐标为(50,50)，确定出的各第一跟踪区域的中心点坐标分别为(40,30)、(10,20)和(49,51)，其中坐标(49,51)与坐标(50,50)最近，则服务器将中心点坐标为(49,51)的第一跟踪区域作为目标跟踪区域。
可选的，跟踪区域识别模型包括针对飞机的跟踪区域识别模型，跟踪对象包括飞机，上述步骤可以获取飞机的轨迹信息，上述步骤还包括：针对每一飞机，如果该飞机的轨迹信息表示该飞机进入预设的检测区域，则判定该飞机进入停机位，并输出该飞机的图像；如果该飞机的轨迹信息表示该飞机离开预设的检测区域，则判定该飞机离开停机位，并输出该飞机的图像。
在实施中，针对每一飞机，服务器可以根据飞机的轨迹信息判断该飞机是否进入预设的检测区域。例如，服务器检测到该飞机的跟踪区域没有在预设的检测区域内，之后，当服务器检测该飞机的跟踪区域在预设的检测区域时，可以判定该飞机进入预设的检测区域。如果该飞机驶入预设的检测区域，则判定飞机入位，并输出该飞机的图像，以告知用户该飞机入位；服务器还可以根据飞机的轨迹信息判断该飞机是否离开预设的检测区域。例如，服务器检测到该飞机的跟踪区域在预设的检测区域内，之后，当服务器检测该飞机的跟踪区域没有在预设的检测区域时，可以判定该飞机离开预设的检测区域。如果飞机离开预设的检测区域，则判定该飞机离位，并输出该飞机的图像，以告知用户该飞机离位。
可选的，跟踪区域识别模型还包括针对廊桥的跟踪区域识别模型，跟踪对象还包括廊桥，上述步骤可以获取廊桥的轨迹信息，上述步骤还包括：针对每一廊桥，如果该廊桥的轨迹信息和预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由接触到分离，则判定该廊桥撤桥，并输出该廊桥的图像；如果该廊桥的轨迹信息和预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由分离到接触，则判定该廊桥靠桥，并输出该廊桥的图像。
在实施中，针对每一廊桥，服务器可以根据该廊桥的轨迹信息和预设检测区域中的目标飞机的轨迹信息，判断该廊桥是否与目标飞机由接触到分离。例如，服务器检测到该廊桥的跟踪区域与目标飞机的跟踪区域接触，之后，当服务器检测该廊桥的跟踪区域与目标飞机的检测区域分离，可以判定该廊桥与目标飞机由接触到分离。如果该廊桥的轨迹信息和目标飞机的轨迹信息，表示该廊桥与目标飞机由接触到分离，则判定该廊桥撤桥，并输出该廊桥的图像，以告知用户该廊桥撤桥。服务器还可以根据该廊桥的轨迹信息和目标飞机的轨迹信息，判断该廊桥是否与目标飞机由分离到接触。服务器检测到该廊桥的跟踪区域与目标飞机的跟踪区域分离，之后，当服务器检测该廊桥的跟踪区域与目标飞机的检测区域接触，可以判定该廊桥与目标飞机由接触到分离。如果该廊桥与目标飞机由分离到接触，则判定该廊桥靠桥，并输出该廊桥的图像，以告知用户该廊桥靠桥。
这样，通过识别当前帧图像和前一帧图像中的跟踪区域，并对两帧图像中的跟踪区域进行匹配，得到同一跟踪对象在两帧图像中的跟踪区域，并将同一跟踪对象的跟踪区域关联，可以得到跟踪对象的轨迹信息，提高了跟踪对象的轨迹信息的准确率，并可以准确的判断飞机是离位还是入位，及廊桥是靠桥还是撤桥。
基于相同的技术构思，如图4所示，本发明实施例还提供了一种基于视频的目标跟踪装置，装置包括：
获取模块401，用于获取视频采集部件采集的当前帧图像；
识别模块402，用于根据预设的跟踪区域识别模型，识别所述当前帧图像中的第一跟踪区域，所述第一跟踪区域为跟踪对象的图像区域；
提取模块403，用于提取所述第一跟踪区域的跟踪特征；
确定模块404，用于根据所述第一跟踪区域的跟踪特征、以及所述当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在所述当前帧图像包含的第一跟踪区域中，确定与所述第二跟踪区域相匹配的目标跟踪区域；
关联模块405，用于将所述第二跟踪区域和所述目标跟踪区域进行关联，得到所述当前帧图像中跟踪对象的轨迹信息。
可选的，所述跟踪特征包含以下信息之一或任意组合：尺寸特征、形状特征和颜色特征中的一种或多种。
可选的，在所述跟踪特征包含尺寸特征、形状特征和颜色特征时，所述提取模块，包括：
第一提取单元，用于获取所述第一跟踪区域的面积，得到所述尺寸特征；
第二提取单元，用于获取所述第一跟踪区域的长宽比，得到所述形状特征；
第三提取单元，用于根据所述第一跟踪区域中各像素点的红绿蓝RGB值，确定所述颜色特征。
可选的，所述确定模块，包括：
第一确定单元，用于针对所述前一帧图像包含的每一第二跟踪区域，根据该第二跟踪区域的跟踪特征、所述当前帧图像包含的各第一跟踪区域的跟踪特征和预先构建的匹配模型，分别确定该第二跟踪区域与所述当前帧图像包含的各第一跟踪区域的相似度；
第二确定单元，用于从所述各第一跟踪区域中确定相似度大于预设相似度阈值的第一跟踪区域；
预测单元，用于根据该第二跟踪区域和预设的卡尔曼滤波算法，预测该第二跟踪区域在所述当前帧图像中出现的目标位置区域；
第三确定单元，用于将确定出的第一跟踪区域中与所述目标位置区域距离最近的第一跟踪区域作为与该第二跟踪区域相匹配的目标跟踪区域。
可选的，所述跟踪区域识别模型包括针对飞机的跟踪区域识别模型，所述跟踪对象包括飞机，所述装置还包括飞机入离位判断模块；
所述飞机入离位判断模块，用于针对每一飞机，如果该飞机的轨迹信息表示该飞机进入预设的检测区域，则判定该飞机进入停机位，并输出该飞机的图像；如果该飞机的轨迹信息表示该飞机离开所述预设的检测区域，则判定该飞机离开停机位，并输出该飞机的图像。
可选的，所述跟踪区域识别模型还包括针对廊桥的跟踪区域识别模型，所述跟踪对象还包括廊桥，所述装置还包括廊桥靠撤桥判断模块；
所述廊桥靠撤桥判断模块，用于针对每一廊桥，如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由接触到分离，则判定该廊桥撤桥，并输出该廊桥的图像；如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由分离到接触，则判定该廊桥靠桥，并输出该廊桥的图像。
这样，通过识别当前帧图像和前一帧图像中的跟踪区域，并对两帧图像中的跟踪区域进行匹配，得到同一跟踪对象在两帧图像中的跟踪区域，并将同一跟踪对象的跟踪区域关联，可以得到跟踪对象的轨迹信息，提高了跟踪对象的轨迹信息的准确率，并可以准确的判断飞机是离位还是入位，及廊桥是靠桥还是撤桥。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：
获取视频采集部件采集的当前帧图像；
根据预设的跟踪区域识别模型，识别所述当前帧图像中的第一跟踪区域，所述第一跟踪区域为跟踪对象的图像区域；
提取所述第一跟踪区域的跟踪特征；
根据所述第一跟踪区域的跟踪特征、以及所述当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在所述当前帧图像包含的第一跟踪区域中，确定与所述第二跟踪区域相匹配的目标跟踪区域；
将所述第二跟踪区域和所述目标跟踪区域进行关联，得到所述当前帧图像中跟踪对象的轨迹信息。
可选的，所述跟踪特征包含以下信息之一或任意组合：尺寸特征、形状特征和颜色特征中的一种或多种。
可选的，在所述跟踪特征包含尺寸特征、形状特征和颜色特征时，所述提取所述第一跟踪区域的跟踪特征，包括：
获取所述第一跟踪区域的面积，得到所述尺寸特征；
获取所述第一跟踪区域的长宽比，得到所述形状特征；
根据所述第一跟踪区域中各像素点的红绿蓝RGB值，确定所述颜色特征。
可选的，所述根据所述第一跟踪区域的跟踪特征、以及所述当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在所述当前帧图像包含的第一跟踪区域中，确定与所述第二跟踪区域相匹配的目标跟踪区域，包括：
针对所述前一帧图像包含的每一第二跟踪区域，根据该第二跟踪区域的跟踪特征、所述当前帧图像包含的各第一跟踪区域的跟踪特征和预先构建的匹配模型，分别确定该第二跟踪区域与所述当前帧图像包含的各第一跟踪区域的相似度；
从所述各第一跟踪区域中确定相似度大于预设相似度阈值的第一跟踪区域；
根据该第二跟踪区域和预设的卡尔曼滤波算法，预测该第二跟踪区域在所述当前帧图像中出现的目标位置区域；
将确定出的第一跟踪区域中与所述目标位置区域距离最近的第一跟踪区域作为与该第二跟踪区域相匹配的目标跟踪区域。
可选的，所述跟踪区域识别模型包括针对飞机的跟踪区域识别模型，所述跟踪对象包括飞机，上述步骤还包括：
针对每一飞机，如果该飞机的轨迹信息表示该飞机进入预设的检测区域，则判定该飞机进入停机位，并输出该飞机的图像；如果该飞机的轨迹信息表示该飞机离开所述预设的检测区域，则判定该飞机离开停机位，并输出该飞机的图像。
可选的，所述跟踪区域识别模型还包括针对廊桥的跟踪区域识别模型，所述跟踪对象还包括廊桥，上述步骤还包括：
针对每一廊桥，如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由接触到分离，则判定该廊桥撤桥，并输出该廊桥的图像；如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由分离到接触，则判定该廊桥靠桥，并输出该廊桥的图像。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一基于视频的目标跟踪方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于视频的目标跟踪方法的步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (14)
1.一种基于视频的目标跟踪方法，其特征在于，所述方法包括：
获取视频采集部件采集的当前帧图像；
根据预设的跟踪区域识别模型，识别所述当前帧图像中的第一跟踪区域，所述第一跟踪区域为跟踪对象的图像区域；
提取所述第一跟踪区域的跟踪特征；
根据所述第一跟踪区域的跟踪特征、以及所述当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在所述当前帧图像包含的第一跟踪区域中，确定与所述第二跟踪区域相匹配的目标跟踪区域；
将所述第二跟踪区域和所述目标跟踪区域进行关联，得到所述当前帧图像中跟踪对象的轨迹信息。
2.根据权利要求1所述的方法，其特征在于，所述跟踪特征包含以下信息之一或任意组合：尺寸特征、形状特征和颜色特征中的一种或多种。
3.根据权利要求2所述的方法，其特征在于，在所述跟踪特征包含尺寸特征、形状特征和颜色特征时，所述提取所述第一跟踪区域的跟踪特征，包括：
获取所述第一跟踪区域的面积，得到所述尺寸特征；
获取所述第一跟踪区域的长宽比，得到所述形状特征；
根据所述第一跟踪区域中各像素点的红绿蓝RGB值，确定所述颜色特征。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一跟踪区域的跟踪特征、以及所述当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在所述当前帧图像包含的第一跟踪区域中，确定与所述第二跟踪区域相匹配的目标跟踪区域，包括：
针对所述前一帧图像包含的每一第二跟踪区域，根据该第二跟踪区域的跟踪特征、所述当前帧图像包含的各第一跟踪区域的跟踪特征和预先构建的匹配模型，分别确定该第二跟踪区域与所述当前帧图像包含的各第一跟踪区域的相似度；
从所述各第一跟踪区域中确定相似度大于预设相似度阈值的第一跟踪区域；
根据该第二跟踪区域和预设的卡尔曼滤波算法，预测该第二跟踪区域在所述当前帧图像中出现的目标位置区域；
将确定出的第一跟踪区域中与所述目标位置区域距离最近的第一跟踪区域作为与该第二跟踪区域相匹配的目标跟踪区域。
5.根据权利要求1所述的方法，其特征在于，所述跟踪区域识别模型包括针对飞机的跟踪区域识别模型，所述跟踪对象包括飞机，所述方法还包括：
针对每一飞机，如果该飞机的轨迹信息表示该飞机进入预设的检测区域，则判定该飞机进入停机位，并输出该飞机的图像；如果该飞机的轨迹信息表示该飞机离开所述预设的检测区域，则判定该飞机离开停机位，并输出该飞机的图像。
6.根据权利要求5所述的方法，其特征在于，所述跟踪区域识别模型还包括针对廊桥的跟踪区域识别模型，所述跟踪对象还包括廊桥，所述方法还包括：
针对每一廊桥，如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由接触到分离，则判定该廊桥撤桥，并输出该廊桥的图像；如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由分离到接触，则判定该廊桥靠桥，并输出该廊桥的图像。
7.一种基于视频的目标跟踪装置，其特征在于，所述装置包括：
获取模块，用于获取视频采集部件采集的当前帧图像；
识别模块，用于根据预设的跟踪区域识别模型，识别所述当前帧图像中的第一跟踪区域，所述第一跟踪区域为跟踪对象的图像区域；
提取模块，用于提取所述第一跟踪区域的跟踪特征；
确定模块，用于根据所述第一跟踪区域的跟踪特征、以及所述当前帧图像的前一帧图像中的第二跟踪区域的跟踪特征，在所述当前帧图像包含的第一跟踪区域中，确定与所述第二跟踪区域相匹配的目标跟踪区域；
关联模块，用于将所述第二跟踪区域和所述目标跟踪区域进行关联，得到所述当前帧图像中跟踪对象的轨迹信息。
8.根据权利要求7所述的装置，其特征在于，所述跟踪特征包含以下信息之一或任意组合：尺寸特征、形状特征和颜色特征中的一种或多种。
9.根据权利要求8所述的装置，其特征在于，在所述跟踪特征包含尺寸特征、形状特征和颜色特征时，所述提取模块，包括：
第一提取单元，用于获取所述第一跟踪区域的面积，得到所述尺寸特征；
第二提取单元，用于获取所述第一跟踪区域的长宽比，得到所述形状特征；
第三提取单元，用于根据所述第一跟踪区域中各像素点的红绿蓝RGB值，确定所述颜色特征。
10.根据权利要求7所述的装置，其特征在于，所述确定模块，包括：
第一确定单元，用于针对所述前一帧图像包含的每一第二跟踪区域，根据该第二跟踪区域的跟踪特征、所述当前帧图像包含的各第一跟踪区域的跟踪特征和预先构建的匹配模型，分别确定该第二跟踪区域与所述当前帧图像包含的各第一跟踪区域的相似度；
第二确定单元，用于从所述各第一跟踪区域中确定相似度大于预设相似度阈值的第一跟踪区域；
预测单元，用于根据该第二跟踪区域和预设的卡尔曼滤波算法，预测该第二跟踪区域在所述当前帧图像中出现的目标位置区域；
第三确定单元，用于将确定出的第一跟踪区域中与所述目标位置区域距离最近的第一跟踪区域作为与该第二跟踪区域相匹配的目标跟踪区域。
11.根据权利要求7所述的装置，其特征在于，所述跟踪区域识别模型包括针对飞机的跟踪区域识别模型，所述跟踪对象包括飞机，所述装置还包括飞机入离位判断模块；
所述飞机入离位判断模块，用于针对每一飞机，如果该飞机的轨迹信息表示该飞机进入预设的检测区域，则判定该飞机进入停机位，并输出该飞机的图像；如果该飞机的轨迹信息表示该飞机离开所述预设的检测区域，则判定该飞机离开停机位，并输出该飞机的图像。
12.根据权利要求7所述的装置，其特征在于，所述跟踪区域识别模型还包括针对廊桥的跟踪区域识别模型，所述跟踪对象还包括廊桥，所述装置还包括廊桥靠撤桥判断模块；
所述廊桥靠撤桥判断模块，用于针对每一廊桥，如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由接触到分离，则判定该廊桥撤桥，并输出该廊桥的图像；如果该廊桥的轨迹信息和所述预设检测区域中的目标飞机的轨迹信息，表示该廊桥与目标飞机由分离到接触，则判定该廊桥靠桥，并输出该廊桥的图像。
13.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811284963.3A CN111127508B (zh) | 2018-10-31 | 2018-10-31 | 一种基于视频的目标跟踪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811284963.3A CN111127508B (zh) | 2018-10-31 | 2018-10-31 | 一种基于视频的目标跟踪方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111127508A true CN111127508A (zh) | 2020-05-08 |
| CN111127508B CN111127508B (zh) | 2023-05-02 |
Family
ID=70485318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811284963.3A Active CN111127508B (zh) | 2018-10-31 | 2018-10-31 | 一种基于视频的目标跟踪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111127508B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784729A (zh) * | 2020-07-01 | 2020-10-16 | 杭州海康威视数字技术股份有限公司 | 一种对象跟踪方法、装置、电子设备及存储介质 |
| CN111860190A (zh) * | 2020-06-24 | 2020-10-30 | 国汽(北京)智能网联汽车研究院有限公司 | 目标追踪的方法、装置、设备及存储介质 |
| CN112492196A (zh) * | 2020-10-29 | 2021-03-12 | 贝壳技术有限公司 | 一种直播进行中主播跟踪方法、装置及系统 |
| CN112528729A (zh) * | 2020-10-19 | 2021-03-19 | 浙江大华技术股份有限公司 | 基于视频的飞机靠桥事件检测方法和装置 |
| CN113191353A (zh) * | 2021-04-15 | 2021-07-30 | 华北电力大学扬中智能电气研究中心 | 一种车速确定方法、装置、设备和介质 |
| CN113516093A (zh) * | 2021-07-27 | 2021-10-19 | 浙江大华技术股份有限公司 | 标识信息的标注方法及装置、存储介质及电子装置 |
| CN117036407A (zh) * | 2023-08-11 | 2023-11-10 | 浙江深象智能科技有限公司 | 多目标跟踪方法、装置及设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110221890A1 (en) * | 2010-03-15 | 2011-09-15 | Omron Corporation | Object tracking apparatus, object tracking method, and control program |
| CN103325126A (zh) * | 2013-07-09 | 2013-09-25 | 中国石油大学(华东) | 一种在尺度变化和遮挡情况下的视频目标跟踪方法 |
| US20150131858A1 (en) * | 2013-11-13 | 2015-05-14 | Fujitsu Limited | Tracking device and tracking method |
| CN106709932A (zh) * | 2015-11-12 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种人脸位置跟踪方法、装置和电子设备 |
| CN106920248A (zh) * | 2017-01-19 | 2017-07-04 | 博康智能信息技术有限公司上海分公司 | 一种目标跟踪方法及装置 |
| WO2017138245A1 (ja) * | 2016-02-08 | 2017-08-17 | 株式会社リコー | 画像処理装置、物体認識装置、機器制御システム、画像処理方法およびプログラム |
| CN107516303A (zh) * | 2017-09-01 | 2017-12-26 | 成都通甲优博科技有限责任公司 | 多目标跟踪方法及系统 |
| US20180047181A1 (en) * | 2016-08-10 | 2018-02-15 | Fujitsu Limited | Image processing method, image processing apparatus and medium storing image processing program |
| CN107818573A (zh) * | 2016-09-12 | 2018-03-20 | 杭州海康威视数字技术股份有限公司 | 一种目标跟踪方法及装置 |
| CN107872644A (zh) * | 2016-09-23 | 2018-04-03 | 亿阳信通股份有限公司 | 视频监控方法及装置 |
| CN108268823A (zh) * | 2016-12-30 | 2018-07-10 | 纳恩博（北京）科技有限公司 | 目标再识别方法和装置 |
-
2018
- 2018-10-31 CN CN201811284963.3A patent/CN111127508B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110221890A1 (en) * | 2010-03-15 | 2011-09-15 | Omron Corporation | Object tracking apparatus, object tracking method, and control program |
| CN103325126A (zh) * | 2013-07-09 | 2013-09-25 | 中国石油大学(华东) | 一种在尺度变化和遮挡情况下的视频目标跟踪方法 |
| US20150131858A1 (en) * | 2013-11-13 | 2015-05-14 | Fujitsu Limited | Tracking device and tracking method |
| CN106709932A (zh) * | 2015-11-12 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种人脸位置跟踪方法、装置和电子设备 |
| WO2017138245A1 (ja) * | 2016-02-08 | 2017-08-17 | 株式会社リコー | 画像処理装置、物体認識装置、機器制御システム、画像処理方法およびプログラム |
| US20180047181A1 (en) * | 2016-08-10 | 2018-02-15 | Fujitsu Limited | Image processing method, image processing apparatus and medium storing image processing program |
| CN107818573A (zh) * | 2016-09-12 | 2018-03-20 | 杭州海康威视数字技术股份有限公司 | 一种目标跟踪方法及装置 |
| CN107872644A (zh) * | 2016-09-23 | 2018-04-03 | 亿阳信通股份有限公司 | 视频监控方法及装置 |
| CN108268823A (zh) * | 2016-12-30 | 2018-07-10 | 纳恩博（北京）科技有限公司 | 目标再识别方法和装置 |
| CN106920248A (zh) * | 2017-01-19 | 2017-07-04 | 博康智能信息技术有限公司上海分公司 | 一种目标跟踪方法及装置 |
| CN107516303A (zh) * | 2017-09-01 | 2017-12-26 | 成都通甲优博科技有限责任公司 | 多目标跟踪方法及系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860190A (zh) * | 2020-06-24 | 2020-10-30 | 国汽(北京)智能网联汽车研究院有限公司 | 目标追踪的方法、装置、设备及存储介质 |
| CN111860190B (zh) * | 2020-06-24 | 2024-04-12 | 国汽(北京)智能网联汽车研究院有限公司 | 目标追踪的方法、装置、设备及存储介质 |
| CN111784729A (zh) * | 2020-07-01 | 2020-10-16 | 杭州海康威视数字技术股份有限公司 | 一种对象跟踪方法、装置、电子设备及存储介质 |
| CN111784729B (zh) * | 2020-07-01 | 2023-09-05 | 杭州海康威视数字技术股份有限公司 | 一种对象跟踪方法、装置、电子设备及存储介质 |
| CN112528729A (zh) * | 2020-10-19 | 2021-03-19 | 浙江大华技术股份有限公司 | 基于视频的飞机靠桥事件检测方法和装置 |
| CN112492196A (zh) * | 2020-10-29 | 2021-03-12 | 贝壳技术有限公司 | 一种直播进行中主播跟踪方法、装置及系统 |
| CN112492196B (zh) * | 2020-10-29 | 2022-01-07 | 贝壳技术有限公司 | 一种直播进行中主播跟踪方法、装置及系统 |
| CN113191353A (zh) * | 2021-04-15 | 2021-07-30 | 华北电力大学扬中智能电气研究中心 | 一种车速确定方法、装置、设备和介质 |
| CN113516093A (zh) * | 2021-07-27 | 2021-10-19 | 浙江大华技术股份有限公司 | 标识信息的标注方法及装置、存储介质及电子装置 |
| CN117036407A (zh) * | 2023-08-11 | 2023-11-10 | 浙江深象智能科技有限公司 | 多目标跟踪方法、装置及设备 |
| CN117036407B (zh) * | 2023-08-11 | 2024-04-02 | 浙江深象智能科技有限公司 | 多目标跟踪方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111127508B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111127508B (zh) | 一种基于视频的目标跟踪方法及装置 | |
| CN109858371B (zh) | 人脸识别的方法及装置 | |
| CN109753928B (zh) | 违章建筑物识别方法和装置 | |
| CN109727275B (zh) | 目标检测方法、装置、系统和计算机可读存储介质 | |
| US8737740B2 (en) | Information processing apparatus, information processing method, and non-transitory computer-readable storage medium | |
| CN109426785B (zh) | 一种人体目标身份识别方法及装置 | |
| CN111898581B (zh) | 动物检测方法、装置、电子设备及可读存储介质 | |
| CN108009466B (zh) | 行人检测方法和装置 | |
| US10762372B2 (en) | Image processing apparatus and control method therefor | |
| US9934576B2 (en) | Image processing system, image processing method, and recording medium | |
| WO2022134387A1 (zh) | 车辆逆行检测方法、装置、设备、计算机可读存储介质、计算机程序产品 | |
| CN107305693B (zh) | 信息处理装置、信息处理方法及存储介质 | |
| CN111383246B (zh) | 条幅检测方法、装置及设备 | |
| CN112150514A (zh) | 视频的行人轨迹追踪方法、装置、设备及存储介质 | |
| CN111507232B (zh) | 多模态多策略融合的陌生人识别方法和系统 | |
| CN111046971A (zh) | 图像识别方法、装置、设备及计算机可读存储介质 | |
| CN111401239B (zh) | 一种视频分析方法、装置、系统、设备及存储介质 | |
| CN110569770A (zh) | 人体入侵行为识别方法、装置、存储介质及电子设备 | |
| CN111444758A (zh) | 一种基于时空信息的行人重识别方法及装置 | |
| CN115049954B (zh) | 目标识别方法、装置、电子设备和介质 | |
| CN109684953B (zh) | 基于目标检测和粒子滤波算法进行猪只跟踪的方法及装置 | |
| CN106886796B (zh) | 图标位置识别方法、装置及终端设备 | |
| CN110163029B (zh) | 一种图像识别方法、电子设备以及计算机可读存储介质 | |
| CN112689120A (zh) | 一种监控方法及装置 | |
| CN115661475A (zh) | 一种图像异物识别方法、装置、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 |