CN111275737B - 一种目标跟踪方法、装置、设备及存储介质 - Google Patents
一种目标跟踪方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111275737B CN111275737B CN202010035192.5A CN202010035192A CN111275737B CN 111275737 B CN111275737 B CN 111275737B CN 202010035192 A CN202010035192 A CN 202010035192A CN 111275737 B CN111275737 B CN 111275737B
- Authority
- CN
- China
- Prior art keywords
- target
- object detection
- confidence
- determining
- image frame
- 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
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
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
本实施例公开一种目标跟踪方法、装置、设备及存储介质，该方法可以包括：根据当前图像帧和当前图像帧相邻的历史图像帧，确定多个对象检测区域和多个对象检测区域对应的多个区域置信度，多个对象检测区域中的每一个对象检测区域对应一个区域置信度；根据当前图像帧，确定多个对象检测区域中每两个对象检测区域之间的冲突置信度；根据多个区域置信度和冲突置信度，从多个对象检测区域中确定出目标对象检测区域，并获取目标对象检测区域中包含的第一目标对象，以对第一目标对象进行轨迹跟踪。
Description
技术领域
本公开涉及图像处理领域，尤其涉及一种目标跟踪方法、装置、设备及存储介质。
背景技术
多目标跟踪(MOT，Multi-Object-Tracking)是视频分析系统中的一个重要组成部分，如视频监控系统和自驾汽车。现有的多目标跟踪算法是从当前图像帧中获取目标特征，对该目标特征进行单目标跟踪，之后处理多个特征之间的轨迹关联关系，采用上述方法会导致目标跟踪的准确性低的问题。
发明内容
本实施例提供一种目标跟踪方法、装置、设备及存储介质，能够提高目标跟踪的准确性。
本公开的技术方案是这样实现的：
本实施例提供一种目标跟踪方法，所述方法包括：
根据当前图像帧和所述当前图像帧相邻的历史图像帧，确定多个对象检测区域和所述多个对象检测区域对应的多个区域置信度，所述多个对象检测区域中的每一个对象检测区域对应一个区域置信度；
根据所述当前图像帧，确定所述多个对象检测区域中每两个对象检测区域之间的冲突置信度；
根据所述多个区域置信度和所述冲突置信度，从所述多个对象检测区域中确定出目标对象检测区域，并获取所述目标对象检测区域中包含的第一目标对象，以对所述第一目标对象进行轨迹跟踪。
在上述方法中，所述根据当前图像帧和所述当前图像帧相邻的历史图像帧，确定多个对象检测区域和所述多个对象检测区域对应的多个区域置信度，包括：
根据所述当前图像帧，确定所述多个对象检测区域和所述多个对象检测区域对应的多个检测置信度，所述多个对象检测区域中的每一个对象检测区域对应一个检测置信度；
根据所述当前图像帧和所述历史图像帧，确定所述多个对象检测区域对应的多个连续置信度，所述每一个对象检测区域对应一个连续置信度；
根据所述多个检测置信度和所述多个连续置信度，确定所述多个对象检测区域对应的多个区域置信度。
在上述方法中，所述根据所述当前图像帧和所述历史图像帧，确定所述多个对象检测区域对应的多个连续置信度，包括：
在所述历史图像帧中，确定多个历史对象检测区域；
确定第一对象检测区域与所述多个历史对象检测区域之间的多个位置相关性，所述第一对象检测区域为所述多个对象检测区域中的任一个对象检测区域；
将所述多个位置相关性中的位置相关性极大值确定为所述第一对象检测区域对应的第一连续置信度；
确定多个所述第一对象检测区域对应的多个第一连续置信度，进而得到所述多个对象检测区域对应的所述多个连续置信度。
在上述方法中，所述根据所述当前图像帧，确定所述多个对象检测区域中每两个对象检测区域之间的冲突置信度，包括：
在所述当前图像帧中，确定每两个对象检测区域之间的位置相似度和图像相似度；
根据所述位置相似度和所述图像相似度，确定出所述每两个对象检测区域之间的冲突置信度。
在上述方法中，所述在所述当前图像帧中，确定每两个对象检测区域之间的位置相似度，包括：
分别获取第一对象检测区域的目标区域和第二对象检测区域的目标区域，所述第一对象检测区域和所述第二对象检测区域为所述每两个对象检测区域；
根据所述第一对象检测区域的目标区域和所述第二对象检测区域的目标区域，确定所述第一对象检测区域和所述第二对象检测区域之间的位置相似度，进而得到所述每两个对象检测区域之间的位置相似度。
在上述方法中，所述根据所述多个区域置信度和所述冲突置信度，从所述多个对象检测区域中确定出目标对象检测区域，包括：
以所述多个区域置信度作为冲突图的节点的权值；并将每两个对象检测区域之间的冲突置信度，作为所述每两个对象检测区域对应的两个节点之间的边长的权值，建立冲突图；
在所述冲突图中确定至少一个连通块，并根据所述至少一个连通块包含的区域置信度和冲突置信度，从所述至少一个连通块中确定出第一连通块；
将所述第一连通块包含的对象检测区域确定为所述目标对象检测区域。
在上述方法中，所述根据所述至少一个连通块包含的区域置信度和冲突置信度，从所述至少一个连通块中确定出第一连通块，包括：
分别确定至少一个连通块对应的至少一组子图，所述至少一个连通块中的每一个连通块对应一组子图，所述一组子图中包括至少一个子图；
根据所述至少一个子图包含的区域置信度和冲突置信度，确定所述至少一个连通块中每一个连通块对应的至少一个评估值，所述至少一个子图中的每一个子图对应一个评估值；
从所述每一个连通块对应的至少一个评估值确定出评估值最大的目标评估值，直至确定出所述至少一个连通块对应的至少一个目标评估值；
从所述至少一个连通块中，确定所述至少一个目标评估值对应的至少一个连通块子图；
将所述至少一个连通块子图组合成所述第一连通块。
在上述方法中，所述确定所述目标对象检测区域中的第一目标对象的跟踪轨迹，包括：
根据所述当前图像帧，确定所述第一目标对象对应的预测目标位置信息和遮挡对象对应的预测遮挡对象位置信息，所述遮挡对象为与所述第一目标对象中的目标对象最接近的目标；
根据所述当前图像帧之前的历史图像帧序列，确定所述第一目标对象对应的历史目标外观特征序列和遮挡对象对应的历史遮挡对象外观特征序列；
根据和所述当前图像帧相邻的下一图像帧，确定第二目标对象对应的当前目标位置信息和当前目标外观特征，所述第二目标对象为所述下一图像帧的目标对象检测区域中包括的目标对象；
根据所述预测目标位置信息、所述历史目标外观特征序列、所述当前目标位置信息和所述当前目标外观特征，确定所述第一目标对象和所述第二目标对象之间的目标相似度信息；
根据所述预测遮挡对象位置信息、所述历史遮挡对象外观特征序列、所述当前目标位置信息和所述当前目标外观特征，确定遮挡对象相似度信息；
根据所述目标相似度信息和所述遮挡对象相似度信息，确定所述第一目标对象的跟踪轨迹。
在上述方法中，所述根据所述目标相似度信息和所述遮挡对象相似度信息，确定所述第一目标对象的跟踪轨迹，包括：
根据所述目标相似度信息和所述遮挡对象相似度信息，确定所述第一目标对象和所述第二目标对象之间的目标轨迹关联关系；
利用所述目标轨迹关联关系，在所述第二目标对象中查找与所述第一目标对象关联的目标，以确定所述第一目标对象的跟踪轨迹。
本实施例提供一种目标跟踪装置，所述目标跟踪装置包括：
区域置信度确定模块，用于根据当前图像帧和所述当前图像帧相邻的历史图像帧，确定多个对象检测区域和所述多个对象检测区域对应的多个区域置信度，所述多个对象检测区域中的每一个对象检测区域对应一个区域置信度；
冲突置信度确定模块，用于根据所述当前图像帧，确定所述多个对象检测区域中每两个对象检测区域之间的冲突置信度；
目标检测区域确定模块，用于根据所述多个区域置信度和所述冲突置信度，从所述多个对象检测区域中确定出目标对象检测区域；
获取模块，用于获取所述目标对象检测区域中包含的第一目标对象，以对所述第一目标对象进行轨迹跟踪。
本实施例提供一种目标跟踪设备，所述目标跟踪设备包括：处理器、存储器及通信总线，所述处理器执行所述存储器中存储的运行程序时实现如上述任一项所述的方法。
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的方法。
本实施例公开一种目标跟踪方法、装置、设备及存储介质，该方法可以包括：根据当前图像帧和当前图像帧相邻的历史图像帧，确定多个对象检测区域和多个对象检测区域对应的多个区域置信度，多个对象检测区域中的每一个对象检测区域对应一个区域置信度；根据当前图像帧，确定多个对象检测区域中每两个对象检测区域之间的冲突置信度；根据多个区域置信度和冲突置信度，从多个对象检测区域中确定出目标对象检测区域，并获取目标对象检测区域中包含的第一目标对象，以对第一目标对象进行轨迹跟踪。采用上述方法实现方案，目标跟踪设备分别获取多个对象检测区域的多个区域置信度和每两个对象检测区域之间的多个冲突置信度，并利用多个区域置信度和多个冲突置信度从多个对象检测区域中摒除带有干扰的检测结果，并筛选出需要进行轨迹跟踪的目标检测区域，由此，在进行后续的跟踪轨迹确定过程中，能够提高目标跟踪的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1为本实施例提供的一种目标跟踪方法的流程图一；
图2为本实施例提供的一种示例性的从多个对象检测区域中确定出目标对象检测区域的流程示意图；
图3为本实施例提供的一种目标跟踪方法的流程图二；
图4为本实施例提供的一种示例性的目标跟踪方法的流程示意图；
图5为本实施例提供的一种目标跟踪装置的结构示意图一；
图6为本实施例提供的一种目标跟踪设备的结构示意图二。
具体实施方式
应当理解，此处描述的具体实施例仅仅用以解释本公开。并不用于限定本公开。
本实施例提供了一种目标跟踪方法适用于对视频中出现的多个目标进行目标跟踪及轨迹预测的场景下，该目标跟踪方法执行主体可以是目标跟踪装置，例如，目标跟踪方法可以由终端设备或服务器或其它目标跟踪设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。目标跟踪设备的存储器中存储有本公开实施例提供的目标跟踪方法对应的计算机可读指令。在一些可能的实现方式中，当目标跟踪设备对视频中的检测对象进行目标跟踪时，目标跟踪设备可以通过处理器调用存储器中存储的计算机可读指令的方式来实现本公开实施例提出的目标跟踪方法。
本实施例公开一种目标跟踪方法，如图1所示，该方法可以包括：
S101、根据当前图像帧和当前图像帧相邻的历史图像帧，确定多个对象检测区域和多个对象检测区域对应的多个区域置信度，多个对象检测区域中的每一个对象检测区域对应一个区域置信度。
本实施例中，对象检测区域中的检测对象可以为行人、车辆等，具体的根据实际情况进行选择，本实施例不做具体的限定。
本实施例中，目标跟踪装置在当前图像帧中框定包括检测对象的对象检测区域，该对象检测区域可以为包括检测对象的外接矩阵。
本实施例中，目标跟踪装置根据当前图像帧，确定多个对象检测区域和多个对象检测区域对应的多个检测置信度，多个对象检测区域中的每一个对象检测区域对应一个检测置信度。具体的，检测器对当前图像帧中的对象检测区域进行置信度检测，得到对象检测区域对应的检测置信度，其中，检测器可以为二元分类器等能够提供对象检测区域的检测置信度的器件，具体的根据实际情况进行选择，本实施例不做具体的限定。
本实施例中，目标跟踪装置根据当前图像帧和历史图像帧，确定多个对象检测区域对应的多个连续置信度，每一个对象检测区域对应一个连续置信度。
具体的，目标跟踪装置根据当前图像帧和历史图像帧，确定多个对象检测区域对应的多个连续置信度的过程包括：目标跟踪装置在历史图像帧中，确定多个历史对象检测区域；之后，目标跟踪装置确定第一对象检测区域与多个历史对象检测区域之间的多个位置相关性，第一对象检测区域为多个对象检测区域中的任一个对象检测区域；目标跟踪装置将多个位置相关性中的位置相关性极大值确定为第一对象检测区域对应的第一连续置信度；并确定多个第一对象检测区域对应的多个第一连续置信度，进而目标跟踪装置得到多个对象检测区域对应的多个连续置信度。
具体的，目标跟踪装置依次确定当前图像帧中的第一对象检测区域与历史图像帧中的多个历史对象检测区域之间的多个交面积(多个位置相关性)，之后，目标跟踪装置从多个交面积中确定出最大交面积，则该最大交面积的取值即为第一对象检测区域的第一连续置信度。目标跟踪装置对多个对象检测区域均进行上述步骤，由此得到多个对象检测区域对应的多个连续置信度。
对象检测区域对应的连续置信度可以由公式(1)得到，
其中，v为t时刻的当前图像帧中的对象检测区域，Ωv为对象检测区域v的连续置信度，D(t-1)为t-1时刻的历史图像帧，d为在D(t-1)历史图像帧中的历史对象检测区域，计算v和d之间的交并比(Intersection over Union，IoU)，并从中选择最大值作为连续置信度。
本实施例中，目标跟踪装置在得到多个对象检测区域对应的多个检测置信度和多个连续置信度之后，目标跟踪装置根据多个检测置信度和多个连续置信度，确定多个对象检测区域对应的多个区域置信度。
本实施例中，区域置信度可以为检测置信度和连续置信度加权结合得到的，如公式(2)所示，
Λv＝βΩv+(1-β)Zv (2)
其中，Λv是对象检测区域的区域置信度，Ωv是连续置信度，Zv是检测置信度，β是平衡系数。
S102、根据当前图像帧，确定多个对象检测区域中每两个对象检测区域之间的冲突置信度。
当目标跟踪装置根据当前图像帧和当前图像帧相邻的历史图像帧确定出多个对象检测区域之后，目标跟踪装置将多个对象检测区域中的对象检测区域进行两两组合，得到多种组合方式，目标跟踪装置根据当前图像帧，对每一种组合方式中的两个对象检测区域之间的冲突置信度进行计算。
本实施例中，目标跟踪装置在当前图像帧中，确定每两个对象检测区域之间的位置相似度和图像相似度。
本实施例中，目标跟踪装置利用外观特征提取器生成对象检测区域中包含的图像特征，之后，目标跟踪装置计算两个图像特征之间的夹角余弦值，并将该夹角余弦值确定为该两个图像特征对应的两个对象检测区域之间的图像相似度。
两个对象检测区域之间的图像相似度Au,v可以由公式(3)得到，
其中，u,v为两个对象检测区域，Fa u为u的外观特征，Fa v为v的外观特征。
本实施例中，目标跟踪装置分别获取第一对象检测区域的目标区域和第二对象检测区域的目标区域，其中，第一对象检测区域和第二对象检测区域为每两个对象检测区域；之后，目标跟踪装置根据第一对象检测区域的目标区域和第二对象检测区域的目标区域，确定第一对象检测区域和第二对象检测区域之间的位置相似度，进而得到每两个对象检测区域之间的位置相似度。
在一种可选的实施例中，目标区域为占对象检测区域的宽度和高度的60％的边界框，即目标区域的面积占对象检测区域面积36％，目标跟踪装置确定第一对象检测区域的目标区域和第二对象检测区域的目标区域之间的交面积，目标跟踪装置根据第一对象检测区域的目标区域、第二对象检测区域的目标区域和交面积，确定出第一对象检测区域和第二对象检测区域之间的位置相似度。
两个对象检测区域之间的图像相似度Mu,v可以由公式(4)得到，
其中，Core(·)是分别对应的目标区域，其中，目标区域占原始检测区域的宽度和高度的60％。Int(·)是u,v两个目标区域相交的面积。Area(·)表示目标区域的面积，u[y2]和v[y2]分别表示u,v的底部y轴坐标。当u[y2]<v[y2]时，表征v对应的对象检测区域比u对应的对象检测区域更加靠近镜头，此时，选取u对应的目标区域的面积计算两个对象检测区域之间的图像相似度，反之，选取v对应的目标区域的面积计算两个对象检测区域之间的图像相似度。
本实施例中，目标跟踪装置根据位置相似度和图像相似度，确定出每两个对象检测区域之间的冲突置信度。
本实施例中，冲突置信度Cu,v可以为位置相似度Mu,v和图像相似度Au,v加权结合得到的，如公式(5)所示，
Cu,v＝-αMu,v-(1-α)Au,v (5)
其中，α为权重系数。
S103、根据多个区域置信度和冲突置信度，从多个对象检测区域中确定出目标对象检测区域，并获取目标对象检测区域中包含的第一目标对象，以对第一目标对象进行轨迹跟踪。
当目标跟踪装置分别确定出多个对象检测区域对应的多个区域置信度和每两个对象检测区域之间的冲突置信度之后，目标跟踪装置根据多个区域置信度和冲突置信度，从多个对象检测区域中确定出目标对象检测区域，并获取目标对象检测区域中包含的第一目标对象，以对第一目标对象进行轨迹跟踪。
本实施例中，目标跟踪装置以多个区域置信度作为冲突图的节点的权值；并将每两个对象检测区域之间的冲突置信度，作为每两个对象检测区域对应的两个节点之间的边长的权值，由此，目标跟踪装置建立了多个对象检测区域对应的冲突图。
本实施例中，目标跟踪装置在冲突图中确定至少一个连通块，并根据至少一个连通块包含的区域置信度和冲突置信度，从至少一个连通块中确定出第一连通块；将第一连通块包含的对象检测区域确定为目标对象检测区域。
本实施例中，目标跟踪装置遍历冲突图，枚举出冲突图中每个连接组件中所有可能的连通块，并将从所有可能的连通块确定为至少一个连通块，其中，连接组件包括节点和边长。
本实施例中，目标跟踪装置从至少一个连通块中的每一个连通块中确定出评估值最大的子图，并将每一个连通块中评估值最大的子图的集合确定为冲突图的第一连通块，具体的：目标跟踪装置分别确定至少一个连通块对应的至少一组子图，其中，至少一个连通块中的每一个连通块对应一组子图，一组子图中包括至少一个子图；之后，目标跟踪装置根据至少一个子图包含的区域置信度和冲突置信度，确定至少一个连通块中每一个连通块对应的至少一个评估值，其中，至少一个子图中的每一个子图对应一个评估值；并从每一个连通块对应的至少一个评估值确定出评估值最大的目标评估值，直至确定出至少一个连通块对应的至少一个目标评估值；最后，目标跟踪装置从至少一个连通块中，确定至少一个目标评估值对应的至少一个连通块子图；并将至少一个连通块子图组合成第一连通块。
在实际应用中，由于冲突图中节点及边长的数量很大，目标跟踪装置将冲突图划分为至少一个连通块，并分别从至少一个连通块中确定至少一个连通块子图，以将至少一个连通块子图组成第一连通块，能够提高数据处理速度。
本实施例中，评估值为子图包含的区域置信度平方和与冲突置信度和之间的差值，由此，目标跟踪装置根据评估值确定出的目标对象检测区域之间的冲突最小，得到的目标对象检测区域也更加可靠。
本申请实施例中，目标跟踪装置获取第一连通块包含的节点，并将该节点对应的对象检测区域确定为目标对象检测区域，并获取目标对象检测区域中包含的第一目标对象，以实现对第一目标对象的跟踪轨迹操作；目标跟踪装置将多个对象检测区域中、未包含在第一连通块中的对象检测区域剔除。
示例性的，目标跟踪装置对多个对象检测区域进行筛选，从多个对象检测区域中确定出目标对象检测区域的过程如图2所示，目标跟踪装置在t时刻的检测输入框中确定出包括v和u的多个对象检测区域，以区域置信度Av为例，目标跟踪装置首先获取v的检测置信度，之后计算v和t-1时刻的对象检测区域之间的最大交面积，并将最大交面积确定为v的连续置信度，目标跟踪装置根据v的检测置信度和v的连续置信度计算v的区域置信度；之后目标跟踪装置计算v和u之间的目标区域交面积最大值和图像相似度，并根据目标区域交面积最大值和图像相似度计算冲突置信度Cu,v；目标跟踪装置将v和u作为节点，Cu,v作为v和u之间边长的权值，进而组成冲突图G＝<V,E>，之后，目标跟踪装置从G＝<V,E>确定出节点之间冲突最小的最优子图G*＝arg max Fc(G')，目标跟踪装置将不属于最优子图中的节点剔除，并对最优子图中的节点V'∈G*∈G进行后续的轨迹跟踪。
可以理解的是，目标跟踪装置分别获取多个对象检测区域的多个区域置信度和每两个对象检测区域之间的多个冲突置信度，并利用多个区域置信度和多个冲突置信度建立检测对象的冲突图，目标跟踪装置根据冲突图从多个对象检测区域中摒除带有干扰的检测结果，并筛选出需要进行轨迹跟踪的目标检测区域，由此，在进行后续的跟踪轨迹确定过程中，能够提高目标跟踪的准确性。
基于上述实施例，本实施例还公开一种目标跟踪方法，如图3所示，该方法可以包括：
S201、根据当前图像帧，确定第一目标对象对应的预测目标位置信息和遮挡对象对应的预测遮挡对象位置信息，遮挡对象为与第一目标对象最接近的目标。
本实施例中，目标跟踪装置在确定出目标对象检测区域之后，目标跟踪装置获取目标对象检测区域中的第一目标对象，目标跟踪装置在当前图像帧中确定出第一目标对象和与第一目标对象最接近的遮挡对象，之后利用可实现单目标跟踪的神经网络，确定第一目标对象的预测目标位置信息和遮挡对象的预测遮挡对象位置信息。
本实施例中，可实现单目标跟踪的神经网络可以利用单目标跟踪算法组成的网络。
本实施例中，目标跟踪装置在当前图像帧中框定包括第一目标对象的目标外接矩形，之后，目标跟踪装置将目标外接矩形的交面积除以并面积的值最大的一个额外的目标对象，确定为与第一目标对象最接近的遮挡对象。
本实施例中，目标跟踪装置并利用单目标跟踪算法，确定第一目标对象在下一图像帧中的预测目标位置信息和遮挡对象在下一图像帧中的预测遮挡对象位置信息。
可选的，单目标跟踪算法包括孪生区域提议网络(SiameseRegion ProposalNetwork)方法、孪生全卷积网络(Siamese FullyConvolutional)方法等，具体的可以根据实际情况进行选择，本实施例不做具体的限定。
本实施例中，位置信息可以包括坐标信息或经纬度信息，具体的根据实际情况进行选择，本实施例不做具体的限定。
S202、根据当前图像帧之前的历史图像帧序列，确定第一目标对象对应的历史目标外观特征序列和遮挡对象对应的历史遮挡对象外观特征序列。
本实施例中，目标跟踪装置根据当前图像帧之前的历史图像帧序列，确定出第一目标对象和与第一目标对象最接近的遮挡对象，之后利用行人重识别算法，确定第一目标对象的历史目标外观特征序列和遮挡对象的历史遮挡对象外观特征序列。
本实施例中，目标跟踪装置获取当前图像帧之前的连续多帧图像，作为历史图像帧序列，并利用可实现行人重识别的神经网络，确定第一目标对象的历史目标外观特征序列和遮挡对象的历史遮挡对象外观特征序列。
本实施例中，历史目标外观特征序列中的特征个数和历史遮挡对象外观特征序列中的特征个数，与历史图像帧序列的帧数一一对应，具体的根据实际情况进行选择，本实施例不做具体的限定。
本实施例中，可实现行人重识别的神经网络可以利用行人重识别算法组成的网络。
本实施例中，行人重识别算法包括Inception-v4模型。
本实施例中，第一目标对象的个数为多个。
需要说明的是，S201和S202为S203之前的两个并列的步骤，S201和S202之间并没有绝对的时序关系，具体的根据实际情况进行选择，本实施例不限定两者的执行顺序。
S203、根据和当前图像帧相邻的下一图像帧，确定第二目标对象对应的当前目标位置信息和当前目标外观特征，第二目标对象为下一图像帧的目标对象检测区域中包括的目标对象。
本实施例中，目标跟踪装置根据下一图像帧，确定出第二目标对象以及第二目标对象对应的当前目标位置信息和当前目标外观特征。
本实施例中，第一目标对象和第二目标对象至少部分匹配，即第一目标对象中的至少部分目标与第二目标对象中的至少部分目标匹配。
本实施例中，第二目标对象的对象为多个。
S204、根据预测目标位置信息、历史目标外观特征序列、当前目标位置信息和当前目标外观特征，确定第一目标对象和第二目标对象之间的目标相似度信息。
本实施例中，目标跟踪装置根据预测目标位置信息和当前目标位置信息，确定目标位置相似度；目标跟踪装置根据历史目标外观特征序列和当前目标外观特征，确定目标外观相似度序列；之后，目标跟踪装置将目标位置相似度和目标外观相似度序列确定为第一目标对象和第二目标对象之间的目标相似度信息。
本实施例中，目标跟踪装置将预测目标位置信息和当前目标位置信息进行相似度计算，得到目标位置相似度；目标跟踪装置对历史目标外观特征序列和当前目标外观特征进行相似度计算，得到目标外观相似度序列。
S205、根据预测遮挡对象位置信息、历史遮挡对象外观特征序列、当前目标位置信息和当前目标外观特征，确定遮挡对象相似度信息。
本实施例中，目标跟踪装置根据预测遮挡对象位置信息和当前目标位置信息，确定遮挡对象位置相似度；目标跟踪装置根据历史遮挡对象外观特征序列和当前目标外观特征，确定遮挡对象外观相似度；之后，目标跟踪装置将遮挡对象位置相似度和遮挡对象外观相似度确定为遮挡对象相似度信息。
本实施例中，目标跟踪装置对预测遮挡对象位置信息和当前目标位置信息进行相似度计算，得到遮挡对象位置相似度；目标跟踪装置对历史遮挡对象外观特征序列和当前目标外观特征进行相似度计算，得到遮挡对象外观相似度。
本实施例中，目标位置相似度为目标外接矩形的交面积除以并面积的值，目标外观相似度序列为外观特征余弦夹角。
需要说明的是，遮挡对象位置相似度的计算过程与目标位置相似度的计算过程相同，遮挡对象外观相似度和目标外观相似度序列的计算过程相同，在此不再赘述。
需要说明的是，S204和S205为S203之后、S206之前的两个并列的步骤，S204和S205之间并没有绝对的时序关系，具体的根据实际情况进行选择，本实施例不限定两者的执行顺序。
S206、根据目标相似度信息和遮挡对象相似度信息，确定第一目标对象的跟踪轨迹。
本实施例中，目标跟踪装置根据目标相似度信息和遮挡对象相似度信息，确定第一目标对象和第二目标对象之间的目标轨迹关联关系；目标跟踪装置利用目标轨迹关联关系，在第二目标对象中查找与第一目标对象关联的目标，以确定第一目标对象的跟踪轨迹。
本实施例中，目标跟踪装置将目标相似度信息和遮挡对象相似度信息，输入预设分类器；之后利用预设分类器，确定出多种轨迹关联关系的多个决策分数，其中多种轨迹关联关系为对第一目标对象和第二目标对象之间进行轨迹关联，得到的轨迹关联关系；目标跟踪装置从多种轨迹关联关系中确定出决策分数最高的轨迹关联关系，作为目标轨迹关联关系。
本实施例中，预设分类器输出多种轨迹关联关系中每个关联目标之间的决策分数，之后，将每一种轨迹关联关系中的决策分数进行叠加，得到该种轨迹关联关系对应的决策分数，至此，就得到了多种轨迹关联关系的多个决策分数。
本实施例中，目标跟踪装置利用预设轨迹关联算法，对当前图像帧中的第一目标对象和下一图像帧中的第二目标对象进行轨迹关联，得到第一目标对象和第二目标对象之间的多种轨迹关联关系。
本实施例中，分类器采用梯度增强决策树模型。
本实施例中，预设轨迹关联算法为二分图的加权最大匹配算法，即最小费用最大流算法。
进一步地，当目标跟踪装置确定出目标轨迹关联关系之后，目标跟踪装置在目标关联关系中的第一目标对象中确定与第二目标对象关联的目标，当目标跟踪装置在目标关联关系中的第一目标对象中确定出与第二目标对象不关联的第三目标对象时，目标跟踪装置根据第三目标对象的置信度值，获取预测目标位置信息，之后，目标跟踪装置利用目标关联关系和预测目标位置信息，确定出第一目标对象的跟踪轨迹。
示例性的，当目标跟踪装置在第一目标对象中确定出与第二目标对象不关联的第三目标对象时，目标跟踪装置判断出当前图像帧中的第三目标对象并未在下一图像帧中显现，此时，目标跟踪装置判断第三目标对象并未在下一图像帧中显现的原因，当第三目标对象的置信度值不满足预设置信度阈值时，表征第三目标对象离开下一图像帧；当第三目标对象的置信度值满足预设置信度阈值时，表征第三目标对象在下一图像帧中被遮挡对象遮挡，此时，目标跟踪装置根据第三目标对象对应的预测目标位置信息，预测第三目标对象在下一图像帧中的位置。
进一步地，目标跟踪装置在目标关联关系中的第二目标对象中确定与第一目标对象关联的目标，当目标跟踪装置在目标关联关系中的第二目标对象中确定出与第一目标对象不关联的第四目标对象时，目标跟踪装置将第四目标对象添加至下一轮关联关系中，其中，下一轮关联关系为以下一图像帧为当前图像帧生成的关联关系。
示例性的，当目标跟踪装置在第二目标对象中确定出与第一目标对象不关联的第四目标对象时，表征第四目标对象为新增的目标对象，此时，目标跟踪装置对第四目标对象进行目标跟踪。
本实施例中，在目标关联关系中，第一目标对象和第二目标对象中匹配的目标对象组成了二元组，第一目标对象和第二目标对象中未匹配的目标对象组成了一元组，目标跟踪装置从一元组中查找第二目标对象中的目标对象，作为与第一目标对象不关联的第四目标对象；目标跟踪装置从一元组中查找第一目标对象中的目标对象，作为与第二目标对象不关联的第三目标对象。
本实施例中，目标跟踪装置利用单目标跟踪算法，分别计算第一目标对象对应的置信度值和预测目标位置信息。
本实施例中，目标跟踪装置将第三目标对象对应的置信度值和预设置信度值进行比较，当第三目标对象对应的置信度值满足预设置信度值时，目标跟踪装置获取预测目标位置信息。
需要说明的是，本实施例中的单目标跟踪算法、行人重识别算法、预设分类器和预设轨迹关联算法均为可替换算法，具体的根据实际情况进行选择，本实施例不做具体的限定。
本实施例中，目标跟踪装置从目标关联关系，确定出在视频中的不同目标对象的行动轨迹，进而能够对目标对象进行跟踪。
示例性的，如图4所示，在短期线索中，输入Ex模板至单目标跟踪算法(SOT，SingleObject Tracking)子网中，得到在t+1时刻的预测目标位置信息Dtrack和置信度Score map，之后将检测到的t+1时刻的当前目标位置信息Ddet和Dtrack进行相似度计算，得到目标位置相似度fs(Dtrack,Ddet)；在长期线索中，输入Ddet对应的当前图像区域It+1,Ddet至行人重识别(ReID，Person Re-identification)子网中，得到当前目标外观特征Adet，并获取当前目标在历史图像帧序列中的历史图像区域并将历史图像区域输入至ReID子网中，得到历史目标外观特征序列/>之后，依次计算当前目标外观特征与历史目标外观特征序列之间的相似度，得到目标外观相似度序列/>之后，将目标位置相似度和目标外观相似度序列输入遮挡对象敏感的分类器(SAC，Switcher-Aware Classifier)中，得到多种轨迹关联关系的多个决策分数，之后，从多种轨迹关联关系中确定出决策分数最高的轨迹关联关系，作为目标轨迹关联关系。
可以理解的是，目标跟踪装置根据当前图像帧，确定遮挡对象的预测遮挡对象位置信息、根据当前图像帧之前的历史图像帧序列，确定遮挡对象的历史遮挡对象外观特征序列，并融合遮挡对象的预测遮挡对象位置信息和历史遮挡对象外观特征序列，确定出当前图像帧中的第一目标对象的跟踪轨迹，使得在进行目标跟踪时，由于利用了遮挡对象的预测遮挡对象位置信息和历史遮挡对象外观特征序列，进而降低了遮挡对象对目标跟踪造成的影响，提高了目标跟踪的准确性。
本实施例提供一种目标跟踪装置1，如图5所示，该装置可以包括：
区域置信度确定模块10，用于根据当前图像帧和所述当前图像帧相邻的历史图像帧，确定多个对象检测区域和所述多个对象检测区域对应的多个区域置信度，所述多个对象检测区域中的每一个对象检测区域对应一个区域置信度；
冲突置信度确定模块11，用于根据所述当前图像帧，确定所述多个对象检测区域中每两个对象检测区域之间的冲突置信度；
目标检测区域确定模块12，用于根据所述多个区域置信度和所述冲突置信度，从所述多个对象检测区域中确定出目标对象检测区域；
获取模块13，用于获取所述目标对象检测区域中包含的第一目标对象，以对所述第一目标对象进行轨迹跟踪。
可选的，所述区域置信度确定模块10，还用于根据所述当前图像帧，确定所述多个对象检测区域和所述多个对象检测区域对应的多个检测置信度，所述多个对象检测区域中的每一个对象检测区域对应一个检测置信度；根据所述当前图像帧和所述历史图像帧，确定所述多个对象检测区域对应的多个连续置信度，所述每一个对象检测区域对应一个连续置信度；根据所述多个检测置信度和所述多个连续置信度，确定所述多个对象检测区域对应的多个区域置信度。
可选的，所述区域置信度确定模块10，还用于在所述历史图像帧中，确定多个历史对象检测区域；确定第一对象检测区域与所述多个历史对象检测区域之间的多个位置相关性，所述第一对象检测区域为所述多个对象检测区域中的任一个对象检测区域；将所述多个位置相关性中的位置相关性极大值确定为所述第一对象检测区域对应的第一连续置信度；确定多个所述第一对象检测区域对应的多个第一连续置信度，进而得到所述多个对象检测区域对应的所述多个连续置信度。
可选的，所述冲突置信度确定模块11，还用于在所述当前图像帧中，确定每两个对象检测区域之间的位置相似度和图像相似度；根据所述位置相似度和所述图像相似度，确定出所述每两个对象检测区域之间的冲突置信度。
可选的，所述获取模块13，还用于分别获取第一对象检测区域的目标区域和第二对象检测区域的目标区域，所述第一对象检测区域和所述第二对象检测区域为所述每两个对象检测区域；
所述区域置信度确定模块10，还用于根据所述第一对象检测区域的目标区域和所述第二对象检测区域的目标区域，确定所述第一对象检测区域和所述第二对象检测区域之间的位置相似度，进而得到每两个对象检测区域之间的位置相似度。
可选的，所述装置还包括：模型建立模块；
所述模型建立模块，用于以所述多个区域置信度作为冲突图的节点的权值；并将每两个对象检测区域之间的冲突置信度，作为所述每两个对象检测区域对应的两个节点之间的边长的权值，建立冲突图。
所述目标检测区域确定模块12，还用于在所述冲突图中确定至少一个连通块，并根据所述至少一个连通块包含的区域置信度和冲突置信度，从所述至少一个连通块中确定出第一连通块；将所述第一连通块包含的对象检测区域确定为所述目标对象检测区域。
可选的，所述目标检测区域确定模块12，还用于分别确定至少一个连通块对应的至少一组子图，所述至少一个连通块中的每一个连通块对应一组子图，所述一组子图中包括至少一个子图；根据所述至少一个子图包含的区域置信度和冲突置信度，确定所述至少一个连通块中每一个连通块对应的至少一个评估值，所述至少一个子图中的每一个子图对应一个评估值；从所述每一个连通块对应的至少一个评估值确定出评估值最大的目标评估值，直至确定出所述至少一个连通块对应的至少一个目标评估值；从所述至少一个连通块中，确定所述至少一个目标评估值对应的至少一个连通块子图；将所述至少一个连通块子图组合成所述第一连通块。
可选的，所述装置还包括：轨迹跟踪模块，
所述轨迹跟踪模块，用于根据所述当前图像帧，确定所述第一目标对象对应的预测目标位置信息和遮挡对象对应的预测遮挡对象位置信息，所述遮挡对象为与所述第一目标对象中的目标对象最接近的目标；根据所述当前图像帧之前的历史图像帧序列，确定所述第一目标对象对应的历史目标外观特征序列和遮挡对象对应的历史遮挡对象外观特征序列；根据和所述当前图像帧相邻的下一图像帧，确定第二目标对象对应的当前目标位置信息和当前目标外观特征，所述第二目标对象为所述下一图像帧的目标对象检测区域中包括的目标对象；根据所述预测目标位置信息、所述历史目标外观特征序列、所述当前目标位置信息和所述当前目标外观特征，确定所述第一目标对象和所述第二目标对象之间的目标相似度信息；根据所述预测遮挡对象位置信息、所述历史遮挡对象外观特征序列、所述当前目标位置信息和所述当前目标外观特征，确定遮挡对象相似度信息；根据所述目标相似度信息和所述遮挡对象相似度信息，确定所述第一目标对象的跟踪轨迹。
可选的，所述轨迹跟踪模块，还用于根据所述目标相似度信息和所述遮挡对象相似度信息，确定所述第一目标对象和所述第二目标对象之间的目标轨迹关联关系；利用所述目标轨迹关联关系，在所述第二目标对象中查找与所述第一目标对象关联的目标，以确定所述第一目标对象的跟踪轨迹。
图6为本实施例提出的目标跟踪设备1的组成结构示意图一，在实际应用中，基于上述实施例的同一公开构思下，如图6所示，本实施例的目标跟踪设备1包括：处理器14、存储器15、及通信总线16。所述区域置信度确定模块模块10、所述冲突置信度确定模块11、所述目标检测区域确定模块12、所述获取模块13、模型建立模块和轨迹跟踪模块由处理器14实现。
在具体的实施例的过程中，上述处理器14可以为特定用途集成电路(ASIC，Application Specific Integrated Circuit)、数字信号处理器(DSP，Digital SignalProcessor)、数字信号处理图像显示设备(DSPD，Digital Signal Processing Device)、可编程逻辑图像显示设备(PLD，Programmable Logic Device)、现场可编程门阵列(FPGA，Field Programmable Gate Array)、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本实施例不作具体限定。
在本公开的实施例中，上述通信总线16用于实现处理器14和存储器15之间的连接通信；上述处理器14用于执行存储器15中存储的运行程序，以实现如上述实施例的方法。
本实施例提供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一个或者多个程序，上述一个或者多个程序可被一个或者多个处理器执行，应用于目标跟踪设备中，该程序被处理器执行时实现如上述实施例的方法。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对相关技术做出贡献的部分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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台图像显示设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本公开各个实施例所述的方法。
以上所述，仅为本公开的较佳实施例而已，并非用于限定本公开的保护范围。
Claims (12)
1.一种目标跟踪方法，其特征在于，所述方法包括：
根据当前图像帧和所述当前图像帧相邻的历史图像帧，确定多个对象检测区域和所述多个对象检测区域对应的多个区域置信度，所述多个对象检测区域中的每一个对象检测区域对应一个区域置信度；其中，每个对象检测区域对应的区域置信度是根据所述对象检测区域对应的检测置信度和连续置信度确定的，所述检测置信度用于表征对应的对象检测区域中存在检测对象的概率，所述连续置信度用于表征对应的对象检测区域与所述历史图像帧中的多个历史对象检测区域之间的位置相关性；
根据所述当前图像帧，确定所述多个对象检测区域中每两个对象检测区域之间的冲突置信度；其中，所述冲突置信度是基于对应的两个对象检测区域之间的位置相似度和图像相似度确定的；
根据所述多个区域置信度和所述冲突置信度，从所述多个对象检测区域中确定出目标对象检测区域；
基于所述目标对象检测区域中包含的第一目标对象，对所述第一目标对象进行轨迹跟踪。
2.根据权利要求1所述的方法，其特征在于，所述根据当前图像帧和所述当前图像帧相邻的历史图像帧，确定多个对象检测区域和所述多个对象检测区域对应的多个区域置信度，包括：
根据所述当前图像帧，确定所述多个对象检测区域和所述多个对象检测区域对应的多个检测置信度，所述多个对象检测区域中的每一个对象检测区域对应一个检测置信度；
根据所述当前图像帧和所述历史图像帧，确定所述多个对象检测区域对应的多个连续置信度，所述每一个对象检测区域对应一个连续置信度；
根据所述多个检测置信度和所述多个连续置信度，确定所述多个对象检测区域对应的多个区域置信度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述当前图像帧和所述历史图像帧，确定所述多个对象检测区域对应的多个连续置信度，包括：
在所述历史图像帧中，确定多个历史对象检测区域；
确定第一对象检测区域与所述多个历史对象检测区域之间的多个位置相关性，所述第一对象检测区域为所述多个对象检测区域中的任一个对象检测区域；
将所述多个位置相关性中的位置相关性极大值确定为所述第一对象检测区域对应的第一连续置信度；
确定多个所述第一对象检测区域对应的多个第一连续置信度，进而得到所述多个对象检测区域对应的所述多个连续置信度。
4.根据权利要求1所述的方法，其特征在于，所述根据所述当前图像帧，确定所述多个对象检测区域中每两个对象检测区域之间的冲突置信度，包括：
在所述当前图像帧中，确定每两个对象检测区域之间的位置相似度和图像相似度；
根据所述位置相似度和所述图像相似度，确定出所述每两个对象检测区域之间的冲突置信度。
5.根据权利要求4所述的方法，其特征在于，所述在所述当前图像帧中，确定每两个对象检测区域之间的位置相似度，包括：
分别获取第一对象检测区域的目标区域和第二对象检测区域的目标区域，所述第一对象检测区域和所述第二对象检测区域为所述每两个对象检测区域；
根据所述第一对象检测区域的目标区域和所述第二对象检测区域的目标区域，确定所述第一对象检测区域和所述第二对象检测区域之间的位置相似度，进而得到所述每两个对象检测区域之间的位置相似度。
6.根据权利要求1所述的方法，其特征在于，所述根据所述多个区域置信度和所述冲突置信度，从所述多个对象检测区域中确定出目标对象检测区域，包括：
以所述多个区域置信度作为冲突图的节点的权值；并将每两个对象检测区域之间的冲突置信度，作为所述每两个对象检测区域对应的两个节点之间的边长的权值，建立冲突图；
在所述冲突图中确定至少一个连通块，并根据所述至少一个连通块包含的区域置信度和冲突置信度，从所述至少一个连通块中确定出第一连通块；
将所述第一连通块包含的对象检测区域确定为所述目标对象检测区域。
7.根据权利要求6所述的方法，其特征在于，所述根据所述至少一个连通块包含的区域置信度和冲突置信度，从所述至少一个连通块中确定出第一连通块，包括：
分别确定至少一个连通块对应的至少一组子图，所述至少一个连通块中的每一个连通块对应一组子图，所述一组子图中包括至少一个子图；
根据所述至少一个子图包含的区域置信度和冲突置信度，确定所述至少一个连通块中每一个连通块对应的至少一个评估值，所述至少一个子图中的每一个子图对应一个评估值；
从所述每一个连通块对应的至少一个评估值确定出评估值最大的目标评估值，直至确定出所述至少一个连通块对应的至少一个目标评估值；
从所述至少一个连通块中，确定所述至少一个目标评估值对应的至少一个连通块子图；
将所述至少一个连通块子图组合成所述第一连通块。
8.根据权利要求1所述的方法，其特征在于，从所述多个对象检测区域中确定出目标对象检测区域并获取所述目标对象检测区域中包含的第一目标对象之后，所述方法还包括：
根据所述当前图像帧，确定所述第一目标对象对应的预测目标位置信息和遮挡对象对应的预测遮挡对象位置信息，所述遮挡对象为与所述第一目标对象中的目标对象最接近的目标；
根据所述当前图像帧之前的历史图像帧序列，确定所述第一目标对象对应的历史目标外观特征序列和遮挡对象对应的历史遮挡对象外观特征序列；
根据和所述当前图像帧相邻的下一图像帧，确定第二目标对象对应的当前目标位置信息和当前目标外观特征，所述第二目标对象为所述下一图像帧的目标对象检测区域中包括的目标对象；
根据所述预测目标位置信息、所述历史目标外观特征序列、所述当前目标位置信息和所述当前目标外观特征，确定所述第一目标对象和所述第二目标对象之间的目标相似度信息；
根据所述预测遮挡对象位置信息、所述历史遮挡对象外观特征序列、所述当前目标位置信息和所述当前目标外观特征，确定遮挡对象相似度信息；
根据所述目标相似度信息和所述遮挡对象相似度信息，确定所述第一目标对象的跟踪轨迹。
9.根据权利要求8所述的方法，其特征在于，所述根据所述目标相似度信息和所述遮挡对象相似度信息，确定所述第一目标对象的跟踪轨迹，包括：
根据所述目标相似度信息和所述遮挡对象相似度信息，确定所述第一目标对象和所述第二目标对象之间的目标轨迹关联关系；
利用所述目标轨迹关联关系，在所述第二目标对象中查找与所述第一目标对象关联的目标，以确定所述第一目标对象的跟踪轨迹。
10.一种目标跟踪装置，其特征在于，所述目标跟踪装置包括：
区域置信度确定模块，用于根据当前图像帧和所述当前图像帧相邻的历史图像帧，确定多个对象检测区域和所述多个对象检测区域对应的多个区域置信度，所述多个对象检测区域中的每一个对象检测区域对应一个区域置信度；其中，每个对象检测区域对应的区域置信度是根据所述对象检测区域对应的检测置信度和连续置信度确定的，所述检测置信度用于表征对应的对象检测区域中存在检测对象的概率，所述连续置信度用于表征对应的对象检测区域与所述历史图像帧中的多个历史对象检测区域之间的位置相关性；
冲突置信度确定模块，用于根据所述当前图像帧，确定所述多个对象检测区域中每两个对象检测区域之间的冲突置信度；其中，所述冲突置信度是基于对应的两个对象检测区域之间的位置相似度和图像相似度确定的；
目标检测区域确定模块，用于根据所述多个区域置信度和所述冲突置信度，从所述多个对象检测区域中确定出目标对象检测区域；
获取模块，用于获取所述目标对象检测区域中包含的第一目标对象；
轨迹跟踪模块，用于基于所述目标对象检测区域中包含的第一目标对象，对所述第一目标对象进行轨迹跟踪。
11.一种目标跟踪设备，其特征在于，所述目标跟踪设备包括：处理器、存储器及通信总线，所述处理器执行所述存储器中存储的运行程序时实现如权利要求1-9任一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010035192.5A CN111275737B (zh) | 2020-01-14 | 2020-01-14 | 一种目标跟踪方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010035192.5A CN111275737B (zh) | 2020-01-14 | 2020-01-14 | 一种目标跟踪方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111275737A CN111275737A (zh) | 2020-06-12 |
| CN111275737B true CN111275737B (zh) | 2023-09-12 |
Family
ID=71000192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010035192.5A Active CN111275737B (zh) | 2020-01-14 | 2020-01-14 | 一种目标跟踪方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275737B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626277B (zh) * | 2020-08-03 | 2021-02-26 | 杭州智诚惠通科技有限公司 | 一种基于治超站交调指标分析的车辆跟踪方法及装置 |
| CN112163473A (zh) * | 2020-09-15 | 2021-01-01 | 郑州金惠计算机系统工程有限公司 | 一种多目标跟踪方法、装置、电子设备和计算机存储介质 |
| CN112330717B (zh) * | 2020-11-11 | 2023-03-10 | 北京市商汤科技开发有限公司 | 目标跟踪方法及装置、电子设备和存储介质 |
| CN113520393B (zh) * | 2021-06-08 | 2022-01-21 | 深圳市镜象科技有限公司 | 冲突事件的检测方法、装置、可穿戴设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982559A (zh) * | 2012-11-28 | 2013-03-20 | 大唐移动通信设备有限公司 | 车辆跟踪方法及系统 |
| CN106355602A (zh) * | 2016-08-26 | 2017-01-25 | 杨百川 | 一种多目标定位跟踪视频监控方法 |
| CN108447080A (zh) * | 2018-03-02 | 2018-08-24 | 哈尔滨工业大学深圳研究生院 | 基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质 |
| CN110135314A (zh) * | 2019-05-07 | 2019-08-16 | 电子科技大学 | 一种基于深度轨迹预测的多目标跟踪方法 |
-
2020
- 2020-01-14 CN CN202010035192.5A patent/CN111275737B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982559A (zh) * | 2012-11-28 | 2013-03-20 | 大唐移动通信设备有限公司 | 车辆跟踪方法及系统 |
| CN106355602A (zh) * | 2016-08-26 | 2017-01-25 | 杨百川 | 一种多目标定位跟踪视频监控方法 |
| CN108447080A (zh) * | 2018-03-02 | 2018-08-24 | 哈尔滨工业大学深圳研究生院 | 基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质 |
| CN110135314A (zh) * | 2019-05-07 | 2019-08-16 | 电子科技大学 | 一种基于深度轨迹预测的多目标跟踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于交互式粒子滤波器的视频中多目标跟踪算法;刘晨光;程丹松;刘家锋;黄剑华;唐降龙;;电子学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111275737A (zh) | 2020-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275737B (zh) | 一种目标跟踪方法、装置、设备及存储介质 | |
| US10672131B2 (en) | Control method, non-transitory computer-readable storage medium, and control apparatus | |
| JP6944598B2 (ja) | 目標追跡方法及び装置、記憶媒体 | |
| JP6893564B2 (ja) | ターゲット識別方法、装置、記憶媒体および電子機器 | |
| CN109784290B (zh) | 一种目标检测方法、装置、设备及可读存储介质 | |
| CN112200830A (zh) | 一种目标跟踪方法及设备 | |
| CN111612822B (zh) | 对象跟踪方法、装置、计算机设备和存储介质 | |
| JP2019021001A (ja) | 物体検出装置、物体検出方法、およびプログラム | |
| JP7215390B2 (ja) | 路上障害物検知装置、路上障害物検知方法、及び路上障害物検知プログラム | |
| CN111814846B (zh) | 属性识别模型的训练方法、识别方法及相关设备 | |
| CN116645396A (zh) | 轨迹确定方法、装置、计算机可读存储介质及电子设备 | |
| CN110298267B (zh) | 路径处理方法、设备和存储介质 | |
| CN111699509B (zh) | 物体检测装置、物体检测方法以及记录介质 | |
| JPWO2018138782A1 (ja) | 情報処理装置、特徴点抽出プログラムおよび特徴点抽出方法 | |
| CN112580565A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
| CN111986231A (zh) | 一种多目标跟踪方法及系统 | |
| CN111553474A (zh) | 船只检测模型训练方法及基于无人机视频的船只跟踪方法 | |
| CN112598007B (zh) | 图片训练集的筛选方法、装置、设备和可读存储介质 | |
| CN114820705A (zh) | 运动目标的跟踪方法、装置、设备和介质 | |
| KR20210083760A (ko) | 영상 기반 객체 검출 정보를 이용한 실시간 다중 클래스 다중 객체 추적 방법 | |
| CN114694375B (zh) | 交通监视系统、交通监视方法及存储介质 | |
| CN115035552B (zh) | 跌倒检测方法、装置、设备终端和可读存储介质 | |
| CN116563769B (zh) | 一种视频目标识别追踪方法、系统、计算机及存储介质 | |
| RU2661330C1 (ru) | Способ ускорения осуществления операции детектирования и распознавания объектов на изображении | |
| Nguyen et al. | Check for updates |
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 |