CN111260681A - 一种运动目标跟踪方法及运动目标跟踪装置 - Google Patents
一种运动目标跟踪方法及运动目标跟踪装置 Download PDFInfo
- Publication number
- CN111260681A CN111260681A CN202010080779.8A CN202010080779A CN111260681A CN 111260681 A CN111260681 A CN 111260681A CN 202010080779 A CN202010080779 A CN 202010080779A CN 111260681 A CN111260681 A CN 111260681A
- Authority
- CN
- China
- Prior art keywords
- frame image
- moving target
- current frame
- tracking
- structural similarity
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 239000002245 particle Substances 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000013210 evaluation model Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000003775 Density Functional Theory Methods 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
本申请提供了一种运动目标跟踪方法及运动目标跟踪装置,属于监控技术领域,包括:基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;在对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡;若上述运动目标被遮挡,则基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪;若上述运动目标未被遮挡,则执行上述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。本申请在运动目标为被遮挡或未被遮挡的情况下,通过不同的算法对运动目标进行跟踪,降低了对运动目标跟踪时丢失运动目标的可能性。
Description
技术领域
本申请属于监控技术领域,尤其涉及一种运动目标跟踪方法及运动目标跟踪装置。
背景技术
传统的运动目标跟踪方法一般利用视觉特征对运动目标进行跟踪,在简单环境下,对特定目标具有良好的跟踪效果,但是当背景复杂,运动目标发生尺度变换,以及障碍物遮挡时,视觉特征变化较大,跟踪效果较差。针对尺度变化问题,目前已提出的一种多尺度空间滤波跟踪算法(Discriminative Scale Space Tracking,DSST)能够有效的解决跟踪过程中的尺度变换问题,但是该方法当运动目标发生遮挡时无法有效跟踪,当运动目标发生遮挡时,无法保留运动目标信息,当运动目标再次出现时,无法重新锁定运动目标,导致跟踪漂移。fDSST算法是DSST算法的加速算法,在滤波器中通过使用傅里叶变换进行加速运算,加速后的fDSST算法在跟踪过程中具有较高的帧率,但该算法对发生遮挡的运动目标跟踪效果依旧较差,当运动目标被遮挡后再次出现在视频中时,该算法会丢失运动目标,无法完成跟踪。
发明内容
本申请的目的在于提供一种运动目标跟踪方法及运动目标跟踪装置,可降低对运动目标跟踪时丢失运动目标的可能性。
为实现上述目的,本申请第一方面提供了一种运动目标跟踪方法,包括:
基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;
在对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡;
若上述运动目标被遮挡,则基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪;
若上述运动目标未被遮挡,则执行上述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。
基于本申请第一方面,在第一种可能的实现方式中,上述监测上述运动目标是否被遮挡包括:
基于上述实时输入的连续帧图像,获取上述运动目标的初始帧图像以及上述运动目标的当前帧图像;
基于上述初始帧图像和当前帧图像判断上述运动目标是否被遮挡。
基于本申请第一方面的第一种可能的实现方式,在第二种可能的实现方式中,上述基于上述初始帧图像和当前帧图像判断上述运动目标是否被遮挡包括:
计算上述初始帧图像和上述当前帧图像的结构相似性,并将上述结构相似性与预设的阈值进行比较;
若上述结构相似性小于上述阈值,则判断上述运动目标被遮挡;
若上述结构相似性大于上述阈值,则判断上述运动目标未被遮挡。
基于本申请第一方面的第二种可能的实现方式,在第三种可能的实现方式中,上述计算上述初始帧图像和上述当前帧图像的结构相似性包括:
基于结构相似性评价模型计算上述初始帧图像和上述当前帧图像的结构相似性,上述结构相似性评价模型具体为:
SSIM(x,y)=l(x,y)α·c(x,y)β·s(x,y)γ
其中,x和y分别为上述初始帧图像和上述当前帧图像,l(x,y)为上述初始帧图像x和上述当前帧图像y的亮度相似性函数,c(x,y)为上述初始帧图像x和上述当前帧图像y的对比度相似性函数,s(x,y)为上述初始帧图像x和上述当前帧图像y的结构相似性函数,α、β和γ为各个函数的权重系数;
上述l(x,y)、上述c(x,y)和上述s(x,y)的计算公式分别为:
本申请第二方面提供了一种运动目标跟踪装置,包括:
跟踪模块,用于基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;
监测模块,用于在对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡;
控制模块,用于若上述运动目标被遮挡,则控制上述跟踪模块基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪;
若上述运动目标未被遮挡,则控制上述跟踪模块执行上述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。
基于本申请第二方面,在第一种可能的实现方式中,上述运动目标跟踪装置还包括:
获取模块,用于基于上述实时输入的连续帧图像,获取上述运动目标的初始帧图像以及上述运动目标的当前帧图像;
上述监测模块具体用于:基于上述初始帧图像和当前帧图像判断上述运动目标是否被遮挡。
基于本申请第二方面的第一种可能的实现方式,在第二种可能的实现方式中,上述监测模块包括:
计算模块,用于计算上述初始帧图像和上述当前帧图像的结构相似性,并将上述结构相似性与预设的阈值进行比较;
若上述结构相似性小于上述阈值,则判断上述运动目标被遮挡;
若上述结构相似性大于上述阈值,则判断上述运动目标未被遮挡。
基于本申请第二方面的第二种可能的实现方式,在第三种可能的实现方式中,上述计算模块具体用于:
基于结构相似性评价模型计算上述初始帧图像和上述当前帧图像的结构相似性,上述结构相似性评价模型具体为:
SSIM(x,y)=l(x,y)α·c(x,y)β·s(x,y)γ
其中,x和y分别为上述初始帧图像和上述当前帧图像,l(x,y)为上述初始帧图像x和上述当前帧图像y的亮度相似性函数,c(x,y)为上述初始帧图像x和上述当前帧图像y的对比度相似性函数,s(x,y)为上述初始帧图像x和上述当前帧图像y的结构相似性函数,α、β和γ为各个函数的权重系数;
上述l(x,y)、上述c(x,y)和上述s(x,y)的计算公式分别为:
本申请第三方面提供了一种运动目标跟踪装置,包括:存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序,其特征在于,上述处理器执行上述计算机程序时实现上述第一方面或者上述第一方面的任一可能实现方式中的步骤。
本申请第四方面提供了一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,其特征在于,上述计算机程序被处理器执行时实现上述第一方面或者上述第一方面的任一可能实现方式中的步骤。
由上可见,本申请基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;在对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡;若上述运动目标被遮挡,则基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪;若上述运动目标未被遮挡,则执行上述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。本申请在运动目标为被遮挡或未被遮挡的情况下,通过不同的算法对运动目标进行跟踪,降低了对运动目标跟踪时丢失运动目标的可能性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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为本申请实施例提供的一种运动目标跟踪方法的流程示意图;
图2为本申请实施例提供的一种运动目标跟踪装置的结构示意图;
图3为本申请另一实施例提供的一种运动目标跟踪装置的结构示意图。
具体实施方式
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、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其它情况下,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
下面结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
实施例一
本申请实施例提供了一种运动目标追踪方法,如图1所示,该方法包括:
步骤11:基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;
可选的,上述实时输入的连续帧图像可以从通过监控实时获取的视频中获取,也可以从通过网络实时加载的视频中获取,此处不做限定。
进一步的,上述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪包括训练过程和检测过程;在训练过程中,获取实时输入的连续帧图像并对其进行参数初始化后,基于图像的特征分别建立用于进行位置估计的滤波器模板和用于进行尺度估计的滤波器模板;在检测过程中,获取实时输入的当前帧图像,根据当前帧图像的特征及用于进行位置估计的滤波器模板和用于进行尺度估计的滤波器模板,得到当前帧图像中运动目标的最优位置及最优尺度,从而实现对运动目标的跟踪。
具体的,基于图像的特征建立用于进行位置估计的滤波器模板的训练过程包括:获取运动目标所在的图像及图像中运动目标所在的图像块,得到大小为M×N的图像块P,提取图像块P的特征,得到大小为M×N×d的特征f,M×N为图像块P的像素大小,其中,M表示图像块P中每一行的像素点数量,N表示图像块P中每一列的像素点数量,特征f的维度为d维,fl为其中的第l维,其中,l取值为1到d。根据高斯函数构造图像块P的响应g,大小为M×N。然后对fl,g做二维离散傅里叶变换(Dimensional Dis-Crete Fourier Transform,DFT)得到Fl,G。根据Fl,G得到滤波器模板Hl,得到滤波器模板Hl的具体计算公式如下:
将Hl拆分为分子A和分母B,分别进行迭代更新,更新方法如下:
其中,η为学习率。
具体的,得到当前帧图像中运动目标的最优位置的计算过程可包括:基于实时输入的连续帧图像,获取实时输入的运动目标的当前帧图像并提取当前帧图像的特征,将当前帧图像的特征定义为Z,通过二维DFT计算得到Zl,并将上述分子A和分母B代入到计算公式计算,具体计算公式如下:
其中,得到的y的最大值所对应的位置即预测为运动目标所在的最优位置。
具体的,基于图像的特征建立用于进行尺度估计的滤波器模板的训练过程与上述基于图像的特征建立用于进行位置估计的滤波器模板的训练过程相似,具体包括:获取运动目标所在的图像及图像中运动目标所在的图像块,得到大小为M×N的图像块P,以P的正中间为中心,截取若干不同尺度的图片,从而得到一系列不同尺度的图像模板,针对每个图像模板求其特征,其特征维度为d’维。本实施例中,选取了33个尺度进行截取,即设尺度为S=33。fl’为每一个维度的特征,大小为1×S;l’同样取值为1到d’。根据高斯函数构造图像块P的响应g’,大小为1×S。然后对fl’,g’做一维DFT得到Fl’,G’。与位置估计中滤波器模板Hl的计算方法相似,将Fl’,G’代入至下式计算得到滤波器模板Hl’,具体计算公式如下:
具体的,上述得到当前帧图像中运动目标的最优尺度的计算过程可包括:基于实时输入的连续帧图像,获取实时输入的运动目标的当前帧图像,将当前帧图像以上述位置估计得到的最优位置为中心,截取S个不同尺度的图像模板,分别求各个图像模板的特征,将各个图像模板的特征组成一个新的特征并定义为Z’,通过一维DFT计算得到Zl’,将Zl’拆分为分子A’和分母B’,分别进行迭代更新,更新方法如上述位置估计中对分子A和分母B的更新方法,此处不再赘述。与位置估计中y的计算方法相似,将分子A’和分母B’代入到下式计算y’,具体计算公式如下:
其中,y’为1×S的向量,得到的y’的最大值所对应的尺度即预测为运动目标的最优尺度。
进一步的,将得到的当前帧图像中运动目标的最优位置及最优尺度进行结合实现对运动目标的的追踪。本申请实施例通过使用fDSST算法对运动目标进行追踪,实现了对发生尺度变化的运动目标有较好跟踪效果的目的,避免运动目标发生尺度变化时导致运动目标丢失的情况发生。
步骤12:在对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡;
具体的,上述对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡包括:在步骤11的执行过程中,执行步骤12,即在基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡。
若上述运动目标被遮挡,则进入步骤13;若上述目标未被遮挡,则返回步骤11(即继续基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪)。
可选的,上述监测上述运动目标是否被遮挡可包括:基于上述实时输入的连续帧图像,获取上述运动目标的初始帧图像以及上述运动目标的当前帧图像;基于上述初始帧图像和当前帧图像判断上述运动目标是否被遮挡。
可选的,上述基于上述初始帧图像和当前帧图像判断上述运动目标是否被遮挡包括:计算上述初始帧图像和上述当前帧图像的结构相似性,并将上述结构相似性与预设的阈值进行比较;若上述结构相似性小于上述阈值,则判断上述运动目标被遮挡;若上述结构相似性大于上述阈值,则判断上述运动目标未被遮挡。
可选的,经验证得出将上述阈值设定为0.35时,遮挡判断的效果最佳,因此,在实际应用中,可将上述结构相似性与预设为0.35的阈值进行比较,以便判断上述运动目标是否被遮挡。
可选的,上述计算上述初始帧图像和上述当前帧图像的结构相似性包括:基于结构相似性评价模型(Structural Similarity Index,SSIM)计算上述初始帧图像和上述当前帧图像的结构相似性,上述结构相似性评价模型具体为:
SSIM(x,y)=l(x,y)α·c(x,y)β·s(x,y)γ
其中,x和y分别为上述初始帧图像和上述当前帧图像,l(x,y)为上述初始帧图像x和上述当前帧图像y的亮度相似性函数,c(x,y)为上述初始帧图像x和上述当前帧图像y的对比度相似性函数,s(x,y)为上述初始帧图像x和上述当前帧图像y的结构相似性函数,α、β和γ为各个函数的权重系数;
上述l(x,y)、上述c(x,y)和上述s(x,y)的计算公式分别为:
其中,ux,uy分别为上述初始帧图像x和上述当前帧图像y的平均值,分别为上述初始帧图像x和上述当前帧图像y的方差,σxy为上述初始帧图像x和上述当前帧图像y的协方差,c1,c2,c3为常数。通过使用结构相似性评价模型对运动目标是否被遮挡进行判断,可参考的信息更多,可以提高遮挡判断的精度,从而提高对运动目标的跟踪精度。
可选的,当上述α=β=γ=1,且上述c2=2c3时,将上述l(x,y)、上述c(x,y)和上述s(x,y)代入上述结构相似性评价模型,得到用于计算上述初始帧图像x和上述当前帧图像y结构相似性的一种普通形式:
其中,计算得到的上述初始帧图像x和上述当前帧图像y结构相似性的范围为0到1。
当然,除上述所提及的“监测运动目标是否被遮挡”的可选方案外,本申请也可以通过其它方式监测运动目标是否被遮挡,例如,上述监测上述运动目标是否被遮挡也可以包括:当无法跟踪到上述运动目标时,判定上述运动目标被遮挡,当成功跟踪到上述运动目标时,判定上述运动目标未被遮挡。
步骤13:基于粒子滤波(Particle Filter,PF)算法对实时输入的连续帧图像中的运动目标进行跟踪;
可选的,上述对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡还包括:在步骤13的执行过程中,执行步骤12,即当基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪的过程中,持续监测上述运动目标是否被遮挡。若在持续监测上述运动目标是否被遮挡的过程中,判断上述运动目标从被遮挡转变为未被遮挡,则返回步骤11(即基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪)。
可选的,基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪包括初始化、粒子采样、粒子权重更新、状态估计输出以及粒子重采样五个步骤。
基于上述采样得到的新粒子集以及状态后验分布对上述运动目标的状态进行估计,计算公式如下为:
其中,为了针对粒子滤波算法在迭代过程中产生粒子退化问题,粒子重采样遵循一种原则:保留权重较大的粒子,舍弃掉权重较小的粒子。将粒子重采样得到的新粒子集返回粒子权重更新步骤继续进行计算。本申请实施例在判断运动目标被遮挡后,使用粒子滤波算法预测运动目标的运动轨迹从而达到跟踪的目的,提高了跟踪的准确率。
由上可见,本申请实施例提供的一种运动目标追踪方法基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;在对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡;若上述运动目标被遮挡,则基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪;若上述运动目标未被遮挡,则执行上述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。本申请实施例在运动目标为被遮挡或未被遮挡的情况下,通过不同的算法对运动目标进行跟踪,降低了对运动目标跟踪时丢失运动目标的可能性。
实施例二
本申请实施例提供了一种运动目标追踪装置,图2示出了本申请实施例提供的运动目标追踪结构示意图。
具体的,请参阅图2,该运动目标追踪装置20包括追踪模块21、监测模块22和控制模块23。
其中,追踪模块21用于基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;
监测模块22用于在对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡;
控制模块23用于若上述运动目标被遮挡,则控制上述跟踪模块21基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪;若上述运动目标未被遮挡,则控制上述跟踪模块21执行上述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。
可选的,上述运动目标追踪装置20还包括:获取模块(图中未示出),用于基于上述实时输入的连续帧图像,获取上述运动目标的初始帧图像以及上述运动目标的当前帧图像。
可选的,上述监测模块22具体用于:基于上述初始帧图像和当前帧图像判断上述运动目标是否被遮挡。
可选的,上述监测模块22包括:计算模块(图中未示出),用于计算上述初始帧图像和上述当前帧图像的结构相似性,并将上述结构相似性与预设的阈值进行比较;若上述结构相似性小于上述阈值,则判断上述运动目标被遮挡;若上述结构相似性大于上述阈值,则判断上述运动目标未被遮挡。
可选的,上述计算模块具体用于:基于结构相似性评价模型计算上述初始帧图像和上述当前帧图像的结构相似性,上述结构相似性评价模型具体为:
SSIM(x,y)=l(x,y)α·c(x,y)β·s(x,y)γ
其中,x和y分别为上述初始帧图像和上述当前帧图像,l(x,y)为上述初始帧图像x和上述当前帧图像y的亮度相似性函数,c(x,y)为上述初始帧图像x和上述当前帧图像y的对比度相似性函数,s(x,y)为上述初始帧图像x和上述当前帧图像y的结构相似性函数,α、β和γ为各个函数的权重系数;
上述l(x,y)、上述c(x,y)和上述s(x,y)的计算公式分别为:
可选的,上述计算模块进一步用于,当上述α=β=γ=1,且上述c2=2c3时,将上述l(x,y)、上述c(x,y)和上述s(x,y)代入上述结构相似性评价模型,得到用于计算上述初始帧图像x和上述当前帧图像y结构相似性的一种普通形式:
其中,计算得到的上述初始帧图像x和上述当前帧图像y结构相似性的范围为0到1。
由上可见,本申请实施例提供的一种运动目标跟踪装置20中,跟踪模块21基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;监测模块22在对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡;若上述运动目标被遮挡,则控制模块23控制上述跟踪模块21基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪;若上述运动目标未被遮挡,则控制模块23控制上述跟踪模块21执行上述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。本申请实施例在运动目标为被遮挡或未被遮挡的情况下,通过不同的算法对运动目标进行跟踪,降低了对运动目标跟踪时丢失运动目标的可能性。
实施例三
本申请实施例还提供了一种运动目标追踪装置,请参阅图3,该运动目标追踪装置包括存储器31、处理器32以及存储在上述存储器31中并可在上述处理器32上运行的计算机程序,其中,存储器31用于存储软件程序以及模块,处理器32通过运行存储在存储器31的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器31和处理器32通过总线33连接。具体地,处理器32通过运行存储在存储器31的上述计算机程序时实现以下步骤:
基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;
在对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡;
若上述运动目标被遮挡,则基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪;
若上述运动目标未被遮挡,则执行上述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。
假设上述为第一种可能的实施方式,则在第一种可能的实施方式作为基础而提供的第二种可能的实施方式中,上述监测上述运动目标是否被遮挡包括:
基于上述实时输入的连续帧图像,获取上述运动目标的初始帧图像以及上述运动目标的当前帧图像;
基于上述初始帧图像和当前帧图像判断上述运动目标是否被遮挡。
在第二种可能的实施方式作为基础而提供的第三种可能的实施方式中,上述基于上述初始帧图像和当前帧图像判断上述运动目标是否被遮挡,包括:
计算上述初始帧图像和上述当前帧图像的结构相似性,并将上述结构相似性与预设的阈值进行比较;
若上述结构相似性小于上述阈值,则判断上述运动目标被遮挡;
若上述结构相似性大于上述阈值,则判断上述运动目标未被遮挡。
在第三种可能的实施方式作为基础而提供的第四种可能的实施方式中,上述计算上述初始帧图像和上述当前帧图像的结构相似性包括:
基于结构相似性评价模型计算上述初始帧图像和上述当前帧图像的结构相似性,上述结构相似性评价模型具体为:
SSIM(x,y)=l(x,y)α·c(x,y)β·s(x,y)γ
其中,x和y分别为上述初始帧图像和上述当前帧图像,l(x,y)为上述初始帧图像x和上述当前帧图像y的亮度相似性函数,c(x,y)为上述初始帧图像x和上述当前帧图像y的对比度相似性函数,s(x,y)为上述初始帧图像x和上述当前帧图像y的结构相似性函数,α、β和γ为各个函数的权重系数;
上述l(x,y)、上述c(x,y)和上述s(x,y)的计算公式分别为:
应当理解,在本申请实施例中,所称处理器32可以是中央处理单元(CentralProcessing Unit,CPU),该处理器32还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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、分立硬件组件等。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。
存储器31可以包括只读存储器、快闪存储器和随机存储器,并向处理器提供指令和数据。存储器31的一部分或全部还可以包括非易失性随机存取存储器。
由上可见,本申请实施例提供的运动目标追踪装置基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;在对上述运动目标进行跟踪的过程中,监测上述运动目标是否被遮挡;若上述运动目标被遮挡,则基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪;若上述运动目标未被遮挡,则执行上述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。本申请实施例在运动目标为被遮挡或未被遮挡的情况下,通过不同的算法对运动目标进行跟踪,降低了对运动目标跟踪时丢失运动目标的可能性。
应当理解,上述集成的模块/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存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述计算机程序可存储于以计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例所提供的方法及其细节举例可结合至实施例提供的装置和设备中,相互参照,不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是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的方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其他的方式实现。例如,以上所描述的装置/设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,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。
上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种运动目标跟踪方法,其特征在于,包括:
基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;
在对所述运动目标进行跟踪的过程中,监测所述运动目标是否被遮挡;
若所述运动目标被遮挡,则基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪;
若所述运动目标未被遮挡,则执行所述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。
2.如权利要求1所述的运动目标跟踪方法,其特征在于,所述监测所述运动目标是否被遮挡包括:
基于所述实时输入的连续帧图像,获取所述运动目标的初始帧图像以及所述运动目标的当前帧图像;
基于所述初始帧图像和当前帧图像判断所述运动目标是否被遮挡。
3.如权利要求2所述的运动目标跟踪方法,其特征在于,所述基于所述初始帧图像和当前帧图像判断所述运动目标是否被遮挡包括:
计算所述初始帧图像和所述当前帧图像的结构相似性,并将所述结构相似性与预设的阈值进行比较;
若所述结构相似性小于所述阈值,则判断所述运动目标被遮挡;
若所述结构相似性大于所述阈值,则判断所述运动目标未被遮挡。
4.如权利要求3所述的运动目标跟踪方法,其特征在于,所述计算所述初始帧图像和所述当前帧图像的结构相似性包括:
基于结构相似性评价模型计算所述初始帧图像和所述当前帧图像的结构相似性,所述结构相似性评价模型具体为:
SSIM(x,y)=l(x,y)α·c(x,y)β·s(x,y)γ
其中,x和y分别为所述初始帧图像和所述当前帧图像,l(x,y)为所述初始帧图像x和所述当前帧图像y的亮度相似性函数,c(x,y)为所述初始帧图像x和所述当前帧图像y的对比度相似性函数,s(x,y)为所述初始帧图像x和所述当前帧图像y的结构相似性函数,α、β和γ为各个函数的权重系数;
所述l(x,y)、所述c(x,y)和所述s(x,y)的计算公式分别为:
5.一种运动目标跟踪装置,其特征在于,包括:
跟踪模块,用于基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪;
监测模块,用于在对所述运动目标进行跟踪的过程中,监测所述运动目标是否被遮挡;
控制模块,用于若所述运动目标被遮挡,则控制所述跟踪模块基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪;
若所述运动目标未被遮挡,则控制所述跟踪模块执行所述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。
6.如权利要求5所述的运动目标跟踪装置,其特征在于,所述运动目标跟踪装置还包括:
获取模块,用于基于所述实时输入的连续帧图像,获取所述运动目标的初始帧图像以及所述运动目标的当前帧图像;
所述监测模块具体用于:基于所述初始帧图像和当前帧图像判断所述运动目标是否被遮挡。
7.如权利要求6所述的运动目标跟踪装置,其特征在于,所述监测模块包括:
计算模块,用于计算所述初始帧图像和所述当前帧图像的结构相似性,并将所述结构相似性与预设的阈值进行比较;
若所述结构相似性小于所述阈值,则判断所述运动目标被遮挡;
若所述结构相似性大于所述阈值,则判断所述运动目标未被遮挡。
8.如权利要求7所述的运动目标跟踪装置,其特征在于,所述计算模块具体用于:
基于结构相似性评价模型计算所述初始帧图像和所述当前帧图像的结构相似性,所述结构相似性评价模型具体为:
SSIM(x,y)=l(x,y)α·c(x,y)β·s(x,y)γ
其中,x和y分别为所述初始帧图像和所述当前帧图像,l(x,y)为所述初始帧图像x和所述当前帧图像y的亮度相似性函数,c(x,y)为所述初始帧图像x和所述当前帧图像y的对比度相似性函数,s(x,y)为所述初始帧图像x和所述当前帧图像y的结构相似性函数,α、β和γ为各个函数的权重系数;
所述l(x,y)、所述c(x,y)和所述s(x,y)的计算公式分别为:
9.一种运动目标跟踪装置,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080779.8A CN111260681A (zh) | 2020-02-05 | 2020-02-05 | 一种运动目标跟踪方法及运动目标跟踪装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080779.8A CN111260681A (zh) | 2020-02-05 | 2020-02-05 | 一种运动目标跟踪方法及运动目标跟踪装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111260681A true CN111260681A (zh) | 2020-06-09 |
Family
ID=70947249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010080779.8A Pending CN111260681A (zh) | 2020-02-05 | 2020-02-05 | 一种运动目标跟踪方法及运动目标跟踪装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260681A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486769A (zh) * | 2021-07-01 | 2021-10-08 | 珍岛信息技术(上海)股份有限公司 | 一种高清视频中图像快速匹配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875415A (zh) * | 2016-12-29 | 2017-06-20 | 北京理工雷科电子信息技术有限公司 | 一种动态背景中弱小动目标的连续稳定跟踪方法 |
CN107480704A (zh) * | 2017-07-24 | 2017-12-15 | 南开大学 | 一种具有遮挡感知机制的实时视觉目标跟踪方法 |
CN110503665A (zh) * | 2019-08-22 | 2019-11-26 | 湖南科技学院 | 一种改进Camshift的目标跟踪算法 |
-
2020
- 2020-02-05 CN CN202010080779.8A patent/CN111260681A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875415A (zh) * | 2016-12-29 | 2017-06-20 | 北京理工雷科电子信息技术有限公司 | 一种动态背景中弱小动目标的连续稳定跟踪方法 |
CN107480704A (zh) * | 2017-07-24 | 2017-12-15 | 南开大学 | 一种具有遮挡感知机制的实时视觉目标跟踪方法 |
CN110503665A (zh) * | 2019-08-22 | 2019-11-26 | 湖南科技学院 | 一种改进Camshift的目标跟踪算法 |
Non-Patent Citations (2)
Title |
---|
ZHOU WANG ETC: "Image Quality Assessment: From Error Visibility to Structural Similarity", 《EEE TRANSACTIONS ON IMAGE PROCESSING》 * |
李轶锟等: "基于 TLD 和 fDSST 的长时间目标跟踪算法", 《电光与控制》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486769A (zh) * | 2021-07-01 | 2021-10-08 | 珍岛信息技术(上海)股份有限公司 | 一种高清视频中图像快速匹配方法 |
CN113486769B (zh) * | 2021-07-01 | 2024-04-26 | 珍岛信息技术(上海)股份有限公司 | 一种高清视频中图像快速匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106815859B (zh) | 基于尺度自适应相关滤波和特征点匹配的目标跟踪算法 | |
CN109272016B (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN108053410B (zh) | 运动目标分割方法及装置 | |
US20120075440A1 (en) | Entropy based image separation | |
CN103279957A (zh) | 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法 | |
CN112634316B (zh) | 目标跟踪方法、装置、设备和存储介质 | |
CN110349188B (zh) | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 | |
CN110533632B (zh) | 图像模糊篡改检测方法、装置、计算机设备和存储介质 | |
CN112036381B (zh) | 视觉跟踪方法、视频监控方法及终端设备 | |
CN111582032A (zh) | 行人检测方法、装置、终端设备及存储介质 | |
CN111199554A (zh) | 一种目标跟踪抗遮挡的方法及装置 | |
CN112651321A (zh) | 档案处理方法、装置及服务器 | |
CN111260681A (zh) | 一种运动目标跟踪方法及运动目标跟踪装置 | |
CN115239760A (zh) | 一种目标跟踪方法、系统、设备及存储介质 | |
CN110751670B (zh) | 一种基于融合的目标跟踪方法 | |
CN113918510A (zh) | 图片归档方法、装置、终端设备及计算机可读存储介质 | |
CN109166138B (zh) | 基于高阶累积量的目标跟踪方法、装置及存储介质 | |
CN117095541A (zh) | 时空特征融合交通流预测方法、装置、设备及存储介质 | |
CN111753775A (zh) | 鱼的生长评估方法、装置、设备及存储介质 | |
CN112733584A (zh) | 通信光缆的智能告警方法和装置 | |
CN111368837A (zh) | 一种图像质量评价方法、装置、电子设备及存储介质 | |
CN116012421A (zh) | 目标跟踪方法及装置 | |
CN111417981A (zh) | 一种图像清晰度检测方法及装置 | |
CN110796684B (zh) | 目标跟踪方法以及相关装置 | |
CN109614854B (zh) | 视频数据处理方法及装置、计算机装置及可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200609 |