CN111275741A - 目标跟踪方法、装置、计算机设备和存储介质 - Google Patents

目标跟踪方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111275741A
CN111275741A CN202010061491.6A CN202010061491A CN111275741A CN 111275741 A CN111275741 A CN 111275741A CN 202010061491 A CN202010061491 A CN 202010061491A CN 111275741 A CN111275741 A CN 111275741A
Authority
CN
China
Prior art keywords
probability distribution
target
continuous probability
initial
region
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
CN202010061491.6A
Other languages
English (en)
Other versions
CN111275741B (zh
Inventor
李作新
俞刚
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.)
Beijing Megvii Technology Co Ltd
Original Assignee
Beijing Megvii 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 Beijing Megvii Technology Co Ltd filed Critical Beijing Megvii Technology Co Ltd
Priority to CN202010061491.6A priority Critical patent/CN111275741B/zh
Publication of CN111275741A publication Critical patent/CN111275741A/zh
Application granted granted Critical
Publication of CN111275741B publication Critical patent/CN111275741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种目标跟踪方法、装置、计算机设备和存储介质。包括：获取当前图像帧中的至少一个候选区域，以及获取第一预设数量个图像帧中的初始目标区域；根据至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征；对第一预设数量个第一初始连续概率分布特征进行融合；将至少一个候选区域连续概率分布特征与融合后的第二初始连续概率分布特征进行对比，确定出目标区域和对应的跟踪目标。通过对跟踪目标进行连续概率分布特征的建模，并在跟踪过程中对连续概率分布特征进行融合，能够避免出现跟丢或者跟错的目标跟踪结果，有效提高目标跟踪的准确性和鲁棒性。

Description

目标跟踪方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别涉及一种目标跟踪方法、装置、计算机设备和存储介质。
背景技术
随着图像处理技术的不断发展和广泛应用，视觉目标跟踪(Visual ObjectTracking)在安防业务、视频结构化等领域有着非常重要的意义。目前，目标跟踪方法通常是对跟踪目标进行单点建模，用一个特征向量对跟踪目标的特征进行建模并跟踪；或者对跟踪目标进行多点建模，通过多个特征向量对跟踪目标的特征进行建模并跟踪
然而，单点或多点建模仅描述了跟踪目标的单点特征或者多个点的离散特征，当遇到干扰物体或者跟踪目标的图像质量下降时，可能会出现跟丢或者跟错的目标跟踪结果。
发明内容
基于此，有必要针对上述技术问题，提供一种目标跟踪方法、装置、计算机设备和存储介质。
一种目标跟踪方法，所述方法包括：
获取当前图像帧中的至少一个候选区域，以及获取以所述当前图像帧为基准的前第一预设数量个图像帧中的初始目标区域；
根据所述至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据所述初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征；
对所述第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征；
将所述至少一个候选区域连续概率分布特征与所述第二初始连续概率分布特征进行对比，根据对比结果，自所述至少一个候选区域中确定出目标区域和对应的跟踪目标。
在其中一个实施例中，所述方法还包括：
当所述当前图像帧为第一个图像帧时，获取所述当前图像帧中的跟踪目标，并根据所述跟踪目标确定出所述目标区域。
在其中一个实施例中，所述获取当前图像帧中的至少一个候选区域，包括：
获取所述当前图像帧的前一图像帧中的初始目标区域和初始跟踪目标；
以所述初始跟踪目标为中心，按照与所述初始目标区域呈比例的方式进行区域截取，得到至少一个检测区域；
对所述至少一个检测区域进行筛选，得到所述至少一个候选区域。
在其中一个实施例中，所述对所述至少一个检测区域进行筛选，得到所述至少一个候选区域，包括：
对每一检测区域进行检测，得到至少一个候选框；
对所述至少一个候选框进行非极大值抑制处理，得到每一候选框为候选区域的得分；
将所述得分大于预设阈值的检测区域确定为所述候选区域，或将所述得分排序在第二预设数量前的检测区域确定为所述候选区域。
在其中一个实施例中，所述根据所述至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据所述初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征，包括：
将所述至少一个候选区域输入预设的特征提取网络，得到预设维度的所述至少一个候选区域连续概率分布特征；
对于每一初始目标区域，检测是否存在对应的所述预设维度的第一初始连续概率分布特征；
将存在对应的第一初始连续概率分布特征确定为第三初始连续概率分布特征；
将不存在对应的第一初始连续概率分布特征的初始目标区域，输入预设的特征提取网络，得到所述预设维度的第四初始连续概率分布特征；
将所述第三初始连续概率分布特征和所述第四初始连续概率分布特征，确定为所述第一预设数量个第一初始连续概率分布特征。
在其中一个实施例中，所述方法还包括：
获取训练数据；其中，所述训练数据为包括训练目标的图像帧；
根据预设的第一标准差，应用所述训练数据对预设的第一特征训练网络进行训练，得到能提取特征向量的第二特征训练网络；
将所述训练数据输入所述第二特征训练网络，得到对应的特征分布，所述特征分布包括特征分布均值和第二标准差；
迭代循环如下步骤：根据所述特征分布均值，得到第一相似度，并将所述第一相似度返回所述第二特征训练网络，得到更新后的第二标准差，直到所述第二标准差满足第一预设条件，则将所述第二标准差对应的第二特征训练网络确定为所述特征提取网络。
在其中一个实施例中，所述第一初始连续概率分布特征包括对应的特征向量和标准差；
所述对所述第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征，包括：
根据所述第一初始连续概率分布特征中的特征向量和标准差，对所述第一预设数量个第一初始连续概率分布特征进行融合，得到所述第二初始连续概率分布特征。
在其中一个实施例中，所述将所述至少一个候选区域连续概率分布特征与所述第二初始连续概率分布特征进行对比，根据对比结果，自所述至少一个候选区域中确定出目标区域和对应的跟踪目标，包括：
将所述至少一个候选区域连续概率分布特征与所述第二初始连续概率分布特征进行对比，得到至少一个第二相似度；
将所述第二相似度最大的候选区域确定为所述目标区域，将所述目标区域中的目标确定为所述跟踪目标。
一种目标跟踪装置，所述装置包括：
目标区域获取模块，用于获取当前图像帧中的至少一个候选区域，以及获取以所述当前图像帧为基准的前第一预设数量个图像帧中的初始目标区域；
分布特征确定模块，用于根据所述至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据所述初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征；
分布特征融合模块，用于对所述第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征；
跟踪目标确定模块，用于将所述至少一个候选区域连续概率分布特征与所述第二初始连续概率分布特征进行对比，根据对比结果，自所述至少一个候选区域中确定出目标区域和对应的跟踪目标。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
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上述任一项所述方法的步骤。
上述目标跟踪方法、装置、计算机设备和存储介质，通过获取当前图像帧中的至少一个候选区域，以及获取以当前图像帧为基准的前第一预设数量个图像帧中的初始目标区域，并根据至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征，实现了在目标跟踪过程中对跟踪目标进行连续概率分布特征的建模，能更为全面的提取跟踪目标的特征，并在目标跟踪过程中对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征，第二初始连续概率分布特征包含的特征信息更为全面。在此基础上，将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，根据对比结果，自至少一个候选区域中确定出目标区域和对应的跟踪目标，整个目标跟踪过程中，对跟踪目标进行连续概率分布特征的建模，并在跟踪过程中通过对连续概率分布特征的融合得到跟踪目标的整体融合特征，由于整体融合特征包含了以当前图像帧为基准的前第一预设数量个图像帧中的跟踪目标的特征，使得根据整体融合特征确定目标区域和跟踪目标，能够避免出现跟丢或者跟错的目标跟踪结果，有效提高目标跟踪的准确性和鲁棒性。
附图说明
图1为一个实施例中目标跟踪方法的流程示意图；
图2为一个实施例中步骤S100的一种可实施方式的流程示意图；
图3为一个实施例中步骤S200的一种可实施方式的流程示意图；
图4为一个实施例中步骤S400的一种可实施方式的流程示意图；
图5为一个实施例目标跟踪装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
可以理解本申请中所使用的术语“第一”、“第二”等可在本文中用于描述各种条件关系，但这些条件关系不受这些术语限制。这些术语仅用于将一个条件关系与另一个条件关系区分开来。
在一个实施例中，如图1所示，提供了一种目标跟踪方法，包括以下步骤：
步骤S100，获取当前图像帧中的至少一个候选区域，以及获取以当前图像帧为基准的前第一预设数量个图像帧中的初始目标区域。
步骤S200，根据至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征。
步骤S300，对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征。
步骤S400，将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，根据对比结果，自至少一个候选区域中确定出目标区域和对应的跟踪目标。
其中，当前图像帧为可能包含跟踪目标图像帧。候选区域为可能包含跟踪目标的区域，可以用于后续的筛选，以确定最终的目标区域和跟踪目标。第一预设数量个图像帧为包含跟踪目标，且跟踪目标的位置区域已知的图像帧。第一预设数量个初始目标区域为第一预设数量个图像帧中的跟踪目标对应的区域，每一图像帧对应一个初始目标区域。
具体地，从当前图像帧中获取可能包含跟踪目标的区域，作为至少一个候选区域，从第一预设数量个图像帧中获取确定的跟踪目标，并将跟踪目标对应的区域确定为初始目标区域。其中，当图像帧为图像帧序列的第一个图像帧时，其中的跟踪目标和跟踪目标对应的区域为指定的已知目标和已知区域；当图像帧并非图像帧序列的第一个图像帧时，其目标区域和跟踪目标的确定方法为，由第N个图像帧之前的N-1个图像帧中的初始目标区域和初始跟踪目标确定。对至少一个候选区域进行特征提取，得到预设维度的至少一个候选区域连续概率分布特征，对第一预设数量个初始目标区域进行特征提取，得到第一预设数量个第一初始连续概率分布特征。其中，将第一预设数量个第一初始连续概率分布特征进行融合，可以得到前第一预设数量个图像帧中的跟踪目标对应的连续概率分布特征的融合特征，并将融合特征作为第二初始连续概率分布特征。在得到融合了确定的跟踪目标对应的连续概率分布特征对应的第二初始连续概率分布特征，与至少一个候选区域连续概率分布特征进行对比，当候选区域的连续概率分布特征与第二初始连续概率分布特征相似度较高时，说明该候选区域为目标区域的可能性更大，根据这一特性，从至少一个候选区域中确定出目标区域，并将目标区域对应的目标对象确定为跟踪目标。
其中，将初始目标区域限定为第一预设数量个图像帧中的区域可以保证进行目标跟踪采用的数据是以当前图像帧为基础的最新数据，有效避免因为场景变换或目标状态变换引发的跟丢或者跟错目标的现象。
可选地，若当前图像帧前面的图像帧的数量大于或等于第一预设数量，则对第一预设数量个第一初始连续概率分布特征进行融合，并得到跟踪目标；若当前图像帧前面的图像帧的数量小于第一预设数量，则对当前图像帧前面的所有图像帧的第一初始连续概率分布特征进行融合，并得到跟踪目标。可选地，根据当前图像帧以及当前图像帧之前的图像帧中与目标区域对应的跟踪目标，对当前图像帧的下一图像帧进行目标跟踪。
上述目标跟踪方法，通过获取当前图像帧中的至少一个候选区域，以及获取以当前图像帧为基准的前第一预设数量个图像帧中的初始目标区域，并根据至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征，实现了在目标跟踪过程中对跟踪目标进行连续概率分布特征的建模，能更为全面的提取跟踪目标的特征，并在目标跟踪过程中对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征，第二初始连续概率分布特征包含的特征信息更为全面。在此基础上，将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，根据对比结果，自至少一个候选区域中确定出目标区域和对应的跟踪目标，整个目标跟踪过程中，对跟踪目标进行连续概率分布特征的建模，并在跟踪过程中通过对连续概率分布特征的融合得到跟踪目标的整体融合特征，由于整体融合特征包含了以当前图像帧为基准的前第一预设数量个图像帧中的跟踪目标的特征，使得根据整体融合特征确定目标区域和跟踪目标，能够避免出现跟丢或者跟错的目标跟踪结果，有效提高目标跟踪的准确性和鲁棒性。
在其中一个实施例中，上述目标跟踪方法还包括：当该当前图像帧为第一个图像帧时，获取当前图像帧中的跟踪目标，并根据跟踪目标确定出目标区域。
具体地，当图像帧为图像帧序列的第一个图像帧时，其中的跟踪目标为指定的目标对象，跟踪目标对应的区域为指定的已知的目标区域。例如，一个图像中有目标A、目标B、目标C、目标D四个目标，需要跟踪的目标是目标A，在第一个图像帧中，指定目标A为需要跟踪的目标，并将目标A对应的区域确定为目标区域。
在其中一个实施例中，如图2所示，为步骤S100的一种可实施方式的流程示意图，其中，获取当前图像帧中的至少一个候选区域，包括：
步骤S110，获取当前图像帧的前一图像帧中的初始目标区域和初始跟踪目标。
步骤S120，以初始跟踪目标为中心，按照与初始目标区域呈比例的方式进行区域截取，得到至少一个检测区域。
步骤S130，对至少一个检测区域进行筛选，得到至少一个候选区域。
以当前图像帧为图像帧序列的第N个图像帧为例进行说明，其中，N为正整数。第N个图像帧之前的N-1个图像帧中的初始目标区域和初始跟踪目标是已知的。当N为1时，图像帧中的跟踪目标为指定的目标对象，跟踪目标对应的区域为指定的已知的目标区域；当N不为1时，图像帧中的目标区域和跟踪目标的确定方法为，由第N个图像帧之前的N-1个图像帧中的初始目标区域和初始跟踪目标确定。
具体地，获取当前图像帧的前一图像帧中的初始目标区域和初始跟踪目标，以初始跟踪目标为中心，按照与初始目标区域呈比例的方式进行区域截取，得到至少一个检测区域。例如，目标区域为边长分为为w和h的长方形，以前一图像帧中目标区域的中心为中心(以初始跟踪目标为中心)，在当前图像帧上按照边长为n*(w+h)/2截取正方形，其中n为搜索区域扩张系数，可以根据跟踪目标的运动特征选取不同n，例如，跟踪目标的运动速度为1m/s，图像帧的获取间隔为1s，则两个图像帧之前的跟踪目标的位移为1m，则取n使得n*(w+h)/2能够囊括跟踪目标向各个方向的运动区域即可，不同的n对应不同大小的正方形，不同大小的正方形对应至少一个检测区域。上述仅为示例性说明，实际至少一个检测区域并不对具体的区域形状和大小进行限定。
对得到的至少一个检测区域进行筛选，将符合要求的检测区域确定为至少一个候选区域。
可选地，对每一检测区域进行检测，得到至少一个候选框；对至少一个候选框进行非极大值抑制处理，得到每一候选框为候选区域的得分；将得分大于预设阈值的候选框确定为候选区域，或将得分排序在第二预设数量前的候选框确定为候选区域。
具体地，采用跟踪器(例如，SiamRPN、SiamFC++等基于检测的跟踪器)，对每一检测区域进行检测，得到至少一个可能包含目标的区域(至少一个候选框)，将至少一个候选框进行非极大值抑制处理，得到每一候选框为候选区域的得分，将得分大于预设阈值的候选框确定为候选区域，或者对该得分进行排序，将得分靠前的若干个候选框确定为候选区域。
上述实施例中，通过获取当前图像帧的前一图像帧中的初始目标区域和初始跟踪目标，以初始跟踪目标为中心，按照与初始目标区域呈比例的方式进行区域截取，得到至少一个检测区域，并对至少一个检测区域进行筛选，得到至少一个候选区域，能够根据前一图像帧中已知的跟踪目标的位置信息来排查和筛选当前图像帧中的候选区域，实现高效准确的确定候选区域。
在其中一个实施例中，如图3所示，为步骤S200的一种可实施方式的流程示意图，其中，根据至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征，包括：
步骤S210，将至少一个候选区域输入预设的特征提取网络，得到预设维度的至少一个候选区域连续概率分布特征。
步骤S221，将存在对应的第一初始连续概率分布特征确定为第三初始连续概率分布特征。
步骤S222，将不存在对应的第一初始连续概率分布特征的初始目标区域，输入预设的特征提取网络，得到预设维度的第四初始连续概率分布特征。
步骤S223，将第三初始连续概率分布特征和第四初始连续概率分布特征，确定为第一预设数量个第一初始连续概率分布特征。
具体地，将至少一个候选区域输入预设的特征提取网络，输出与至少一个候选区域对应的预设维度的连续概率分布特征。本实施例中，在每次跟踪时，均需要获取当前图像帧前预设数量个初始目标区域对应的第一初始连续概率分布特征。由于本实施例中目标跟踪是连续进行的，当前图像帧前预设数量个初始目标区域对应的第一初始连续概率分布特征中可能有部分之前已经存在，因此，在每次跟踪时，可对当前图像帧前预设数量个初始目标区域对应的第一初始连续概率分布特征是否存在进行检测，当前预设数量个初始目标区域对应的第一初始连续概率分布特征存在时，则无需再次进行特征的提取，仅需对不存在对应特征的初始目标区域进行特征提取，并一起与已存在部分的特征联合作为第一初始连续概率分布特征。例如，当前图像帧为第100帧图像，第一预设数量为5，则前第一预设数量个图像帧中的初始目标区域为第95、96、97、98、99个图像帧中的目标区域，需要分别获取第95、96、97、98、99个图像帧对应的第一初始连续概率分布特征，而第94、95、96、97、98个图像帧对应的第一初始连续概率分布特征在当前图像为第99帧图像时已经提取过了，此时，仅需要提取第99个图像帧对应的第一初始连续概率分布特征并与之前已经存在的第95、96、97、98个图像帧对应的第一初始连续概率分布特征，共同作为第一预设数量个第一初始连续概率分布特征。
将第一预设数量个初始目标区域输入预设的特征提取网络，输出对应的预设维度第一预设数量个第一初始连续概率分布特征。
其中，特征提取网络为训练好的能够提取特定区域的特征向量和对应的标准差的网络。特征提取网络的具体训练过程如下：
可选地，获取训练数据；其中，训练数据为包括训练目标的图像帧；根据预设的第一标准差，应用训练数据对预设的第一特征训练网络进行训练，得到能提取特征向量的第二特征训练网络；将训练数据输入第二特征训练网络，得到对应的特征分布，特征分布包括特征分布均值和第二标准差；迭代循环如下步骤：根据特征分布均值，得到第一相似度，并将第一相似度返回第二特征训练网络，得到更新后的第二标准差，直到第二标准差满足第一预设条件，则将第二标准差对应的第二特征训练网络确定为特征提取网络。具体地，当预设维度为C时，特征提取网络提取的特征的形式为C个维度的正态分布特征，为简化计算，假设各个维度的特征互相独立，其互相关系数为0，因此，特征提取网络除了提取目标区域的特征向量u∈RC，还要预测各个维度特征的标准差σ∈RC，可以看作为特征提取网络对各个维度特征提取的置信度。当标准差σ越小时，置信度越大，说明对应的特征向量u越能反应相应区域的特征，当标准差σ越大时，置信度越小大，说明对应的特征向量u越不能反应相应区域的特征。最终，物体的特征描述为p(z|xi)＝N(z；ui,σi 2I)，其中，z为跟踪目标的概率分布，xi是输入目标区域，特征提取网络通过预测u和σ来构建目标的特征分布。
特征提取网络可以是一个CNN神经网络，其基础网络可以为任意网络结构，输出分为两个分支，一个分支输出目标区域的特征向量u，另一个分支则输出图像特征各个维度的标准差σ。训练过程为，首先，训练特征提取网络对特征向量u的提取，得到第二特征训练网络，目标是使得特征提取网络具有对目标区域特征向量的提取能力；然后，第二特征训练网络和输出特征向量u的分支后，利用相同物体的分布特征尽可能相似，不同物体分布特征尽可能不相似的方法，优化输出σ的分支，最终得到能够对图像区域进行连续概率分布特征提取的特征提取网络。
上述实施例中，通过将至少一个候选区域输入预设的特征提取网络，得到预设维度的至少一个候选区域连续概率分布特征，并将第一预设数量个初始目标区域输入预设的特征提取网络，得到预设维度的第一预设数量个第一初始连续概率分布特征，能够实现在目标跟踪过程中对跟踪目标进行连续概率分布特征的建模，更为全面的提取跟踪目标的特征。
在其中一个实施例中，为步骤S300的一种可实施方式，其中，对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征，包括：
根据第一初始连续概率分布特征中的特征向量和标准差，对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征。
其中，第一初始连续概率分布特征包括对应的特征向量和标准差。
具体地，在目标跟踪过程中，当前图像帧时不断更新的，当前图像帧的目标跟踪依赖于以当前图像帧为基准的前第一预设数量个图像帧中的跟踪目标和跟踪目标对应的目标区域。并在目标跟踪过程中，对当前图像帧之前的目标区域的第一初始连续概率分布特征进行融合，以保证连续概率分布特征包含的特征信息的全面性。具体融合算法如公式(1)、(2)、(3)所示：
Figure BDA0002374644210000111
Figure BDA0002374644210000112
Figure BDA0002374644210000113
其中，p(zt|xi)第二初始连续概率分布特征，xi为目标区域，ui为目标区域的特征向量，σi为对应特征向量的特征向量，I为单位矩阵，zt为融合后的跟踪目标的概率分布，ut为融合后的特征向量，σt为融合后的标准差。
具体地，特征融合的范围机制为滑动窗口机制，对除当前图像帧外，最靠近当前图像帧的前第一预设数量个图像帧进行特征融合。可选地，若当前图像帧前面的图像帧的数量大于或等于第一预设数量，则对第一预设数量个第一初始连续概率分布特征进行融合；若当前图像帧前面的图像帧的数量小于第一预设数量，则对当前图像帧前面的图像帧的第一初始连续概率分布特征进行融合。
上述实施例中，根据第一初始连续概率分布特征中的特征向量和标准差，对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征，在目标跟踪过程中对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征，使第二初始连续概率分布特征包含的特征信息更为全面。
在其中一个实施例中，如图4所示，为步骤S400的一种可实施方式的流程示意图，其中，将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，根据对比结果，自至少一个候选区域中确定出目标区域和对应的跟踪目标，包括：
步骤S410，将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，得到至少一个第二相似度。
步骤S420，将第二相似度最大的候选区域确定为目标区域，将目标区域中的目标确定为跟踪目标。
具体地，将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，能够得到每一候选区域连续概率分布特征与第二初始连续概率分布特征之间的第二相似度，第二相似度越大说明候选区域为目标区域的概率越大，根据这一特性，将第二相似度最大的候选区域确定为目标区域，并将目标区域中的目标确定为跟踪目标。其中，第二相似度可以采用多种方式进行计算和衡量，例如，使用散度来衡量特征分布的差异，根据散度值确定目标区域和跟踪目标，此处并不对第二相似度的衡量标准进行限定，以能得到至少一个候选区域连续概率分布特征与第二初始连续概率分布特征之间的差异或相似程度为准。
上述实施例中，通过将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，得到至少一个第二相似度，并将第二相似度最大的候选区域确定为目标区域，将目标区域中的目标确定为跟踪目标。整个目标跟踪过程中，对跟踪目标进行连续概率分布特征的建模，并在跟踪过程中通过对连续概率分布特征的融合得到跟踪目标的整体融合特征，由于整体融合特征包含了以当前图像帧为基准的前第一预设数量个图像帧中的跟踪目标的特征，使得根据整体融合特征确定目标区域和跟踪目标，能够避免出现跟丢或者跟错的目标跟踪结果，有效提高目标跟踪的准确性和鲁棒性。
在一个实施例中，如图5所示，提供了一种目标跟踪装置，包括：目标区域获取模块501、分布特征确定模块502、分布特征融合模块503和跟踪目标确定模块504，其中：
目标区域获取模块501，用于获取当前图像帧中的至少一个候选区域，以及获取以当前图像帧为基准的前第一预设数量个图像帧中的初始目标区域；
分布特征确定模块502，用于根据至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征；
分布特征融合模块503，用于对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征；
跟踪目标确定模块504，用于将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，根据对比结果，自至少一个候选区域中确定出目标区域和对应的跟踪目标。
在其中一个实施例中，目标区域获取模块501还用于当该当前图像帧为第一个图像帧时，获取当前图像帧中的跟踪目标，并根据跟踪目标确定出目标区域。
在其中一个实施例中，目标区域获取模块501还用于获取当前图像帧的前一图像帧中的初始目标区域和初始跟踪目标；以初始跟踪目标为中心，按照与初始目标区域呈比例的方式进行区域截取，得到至少一个检测区域；对至少一个检测区域进行筛选，得到至少一个候选区域。
在其中一个实施例中，目标区域获取模块501还用于对每一检测区域进行检测，得到至少一个候选框；对至少一个候选框进行非极大值抑制处理，得到每一候选框为候选区域的得分；将得分大于预设阈值的候选框确定为候选区域，或将得分排序在第二预设数量前的候选框确定为候选区域。
在其中一个实施例中，分布特征确定模块502还用于对于每一初始目标区域，检测是否存在对应的预设维度的第一初始连续概率分布特征；将存在对应的第一初始连续概率分布特征确定为第三初始连续概率分布特征；将不存在对应的第一初始连续概率分布特征的初始目标区域，输入预设的特征提取网络，得到预设维度的第四初始连续概率分布特征；将第三初始连续概率分布特征和第四初始连续概率分布特征，确定为第一预设数量个第一初始连续概率分布特征。
在其中一个实施例中，目标跟踪装置还包括特征提取网络训练模块，用于获取训练数据；其中，训练数据为包括训练目标的图像帧；根据预设的第一标准差，应用训练数据对预设的第一特征训练网络进行训练，得到能提取特征向量的第二特征训练网络；将训练数据输入第二特征训练网络，得到对应的特征分布，特征分布包括特征分布均值和第二标准差；迭代循环如下步骤：根据特征分布均值，得到第一相似度，并将第一相似度返回第二特征训练网络，得到更新后的第二标准差，直到第二标准差满足第一预设条件，则将第二标准差对应的第二特征训练网络确定为特征提取网络。在其中一个实施例中，分布特征融合模块503还用于根据第一初始连续概率分布特征中的特征向量和标准差，对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征。
在其中一个实施例中，跟踪目标确定模块504还用于将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，得到至少一个第二相似度；将第二相似度最大的候选区域确定为目标区域，将目标区域中的目标确定为跟踪目标。
关于目标跟踪装置的具体限定可以参见上文中对于目标跟踪方法的限定，在此不再赘述。上述目标跟踪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标跟踪方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取当前图像帧中的至少一个候选区域，以及获取以当前图像帧为基准的前第一预设数量个图像帧中的初始目标区域；
根据至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征；
对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征；
将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，根据对比结果，自至少一个候选区域中确定出目标区域和对应的跟踪目标。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：当该当前图像帧为第一个图像帧时，获取当前图像帧中的跟踪目标，并根据跟踪目标确定出目标区域。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取当前图像帧的前一图像帧中的初始目标区域和初始跟踪目标；以初始跟踪目标为中心，按照与初始目标区域呈比例的方式进行区域截取，得到至少一个检测区域；对至少一个检测区域进行筛选，得到至少一个候选区域。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：对每一检测区域进行检测，得到至少一个候选框；对至少一个候选框进行非极大值抑制处理，得到每一候选框为候选区域的得分；将得分大于预设阈值的候选框确定为候选区域，或将得分排序在第二预设数量前的候选框确定为候选区域。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：对于每一初始目标区域，检测是否存在对应的预设维度的第一初始连续概率分布特征；将存在对应的第一初始连续概率分布特征确定为第三初始连续概率分布特征；将不存在对应的第一初始连续概率分布特征的初始目标区域，输入预设的特征提取网络，得到预设维度的第四初始连续概率分布特征；将第三初始连续概率分布特征和第四初始连续概率分布特征，确定为第一预设数量个第一初始连续概率分布特征。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练数据；其中，训练数据为包括训练目标的图像帧；根据预设的第一标准差，应用训练数据对预设的第一特征训练网络进行训练，得到能提取特征向量的第二特征训练网络；将训练数据输入第二特征训练网络，得到对应的特征分布，特征分布包括特征分布均值和第二标准差；迭代循环如下步骤：根据特征分布均值，得到第一相似度，并将第一相似度返回第二特征训练网络，得到更新后的第二标准差，直到第二标准差满足第一预设条件，则将第二标准差对应的第二特征训练网络确定为特征提取网络。在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：根据第一初始连续概率分布特征中的特征向量和标准差，对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，得到至少一个第二相似度；将第二相似度最大的候选区域确定为目标区域，将目标区域中的目标确定为跟踪目标。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取当前图像帧中的至少一个候选区域，以及获取以当前图像帧为基准的前第一预设数量个图像帧中的初始目标区域；
根据至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征；
对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征；
将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，根据对比结果，自至少一个候选区域中确定出目标区域和对应的跟踪目标。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：当该当前图像帧为第一个图像帧时，获取当前图像帧中的跟踪目标，并根据跟踪目标确定出目标区域。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取当前图像帧的前一图像帧中的初始目标区域和初始跟踪目标；以初始跟踪目标为中心，按照与初始目标区域呈比例的方式进行区域截取，得到至少一个检测区域；对至少一个检测区域进行筛选，得到至少一个候选区域。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：对每一检测区域进行检测，得到至少一个候选框；对至少一个候选框进行非极大值抑制处理，得到每一候选框为候选区域的得分；将得分大于预设阈值的候选框确定为候选区域，或将得分排序在第二预设数量前的候选框确定为候选区域。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：对于每一初始目标区域，检测是否存在对应的预设维度的第一初始连续概率分布特征；将存在对应的第一初始连续概率分布特征确定为第三初始连续概率分布特征；将不存在对应的第一初始连续概率分布特征的初始目标区域，输入预设的特征提取网络，得到预设维度的第四初始连续概率分布特征；将第三初始连续概率分布特征和第四初始连续概率分布特征，确定为第一预设数量个第一初始连续概率分布特征。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练数据；其中，训练数据为包括训练目标的图像帧；根据预设的第一标准差，应用训练数据对预设的第一特征训练网络进行训练，得到能提取特征向量的第二特征训练网络；将训练数据输入第二特征训练网络，得到对应的特征分布，特征分布包括特征分布均值和第二标准差；迭代循环如下步骤：根据特征分布均值，得到第一相似度，并将第一相似度返回第二特征训练网络，得到更新后的第二标准差，直到第二标准差满足第一预设条件，则将第二标准差对应的第二特征训练网络确定为特征提取网络。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据第一初始连续概率分布特征中的特征向量和标准差，对第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：将至少一个候选区域连续概率分布特征与第二初始连续概率分布特征进行对比，得到至少一个第二相似度；将第二相似度最大的候选区域确定为目标区域，将目标区域中的目标确定为跟踪目标。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种目标跟踪方法，其特征在于，所述方法包括：
获取当前图像帧中的至少一个候选区域，以及获取以所述当前图像帧为基准的前第一预设数量个图像帧中的初始目标区域；
根据所述至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据所述初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征；
对所述第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征；
将所述至少一个候选区域连续概率分布特征与所述第二初始连续概率分布特征进行对比，根据对比结果，自所述至少一个候选区域中确定出目标区域和对应的跟踪目标。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述当前图像帧为第一个图像帧时，获取所述当前图像帧中的跟踪目标，并根据所述跟踪目标确定出所述目标区域。
3.根据权利要求2所述的方法，其特征在于，所述获取当前图像帧中的至少一个候选区域，包括：
获取所述当前图像帧的前一图像帧中的初始目标区域和初始跟踪目标；
以所述初始跟踪目标为中心，按照与所述初始目标区域呈比例的方式进行区域截取，得到至少一个检测区域；
对所述至少一个检测区域进行筛选，得到所述至少一个候选区域。
4.根据权利要求3所述的方法，其特征在于，所述对所述至少一个检测区域进行筛选，得到所述至少一个候选区域，包括：
对每一检测区域进行检测，得到至少一个候选框；
对所述至少一个候选框进行非极大值抑制处理，得到每一候选框为候选区域的得分；将所述得分大于预设阈值的候选框确定为所述候选区域，或将所述得分排序在第二预设数量前的候选框确定为所述候选区域。
5.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据所述初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征，包括：
将所述至少一个候选区域输入预设的特征提取网络，得到预设维度的所述至少一个候选区域连续概率分布特征；
对于每一初始目标区域，检测是否存在对应的所述预设维度的第一初始连续概率分布特征；
将存在对应的第一初始连续概率分布特征确定为第三初始连续概率分布特征；
将不存在对应的第一初始连续概率分布特征的初始目标区域，输入预设的特征提取网络，得到所述预设维度的第四初始连续概率分布特征；
将所述第三初始连续概率分布特征和所述第四初始连续概率分布特征，确定为所述第一预设数量个第一初始连续概率分布特征。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取训练数据；其中，所述训练数据为包括训练目标的图像帧；
根据预设的第一标准差，应用所述训练数据对预设的第一特征训练网络进行训练，得到能提取特征向量的第二特征训练网络；
将所述训练数据输入所述第二特征训练网络，得到对应的特征分布，所述特征分布包括特征分布均值和第二标准差；
迭代循环如下步骤：根据所述特征分布均值，得到第一相似度，并将所述第一相似度返回所述第二特征训练网络，得到更新后的第二标准差，直到所述第二标准差满足第一预设条件，则将所述第二标准差对应的第二特征训练网络确定为所述特征提取网络。
7.根据权利要求1所述的方法，其特征在于，所述第一初始连续概率分布特征包括对应的特征向量和标准差；
所述对所述第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征，包括：
根据所述第一初始连续概率分布特征中的特征向量和标准差，对所述第一预设数量个第一初始连续概率分布特征进行融合，得到所述第二初始连续概率分布特征。
8.根据权利要求1所述的方法，其特征在于，所述将所述至少一个候选区域连续概率分布特征与所述第二初始连续概率分布特征进行对比，根据对比结果，自所述至少一个候选区域中确定出目标区域和对应的跟踪目标，包括：
将所述至少一个候选区域连续概率分布特征与所述第二初始连续概率分布特征进行对比，得到至少一个第二相似度；
将所述第二相似度最大的候选区域确定为所述目标区域，将所述目标区域中的目标确定为所述跟踪目标。
9.一种目标跟踪装置，其特征在于，所述装置包括：
目标区域获取模块，用于获取当前图像帧中的至少一个候选区域，以及获取以所述当前图像帧为基准的前第一预设数量个图像帧中的初始目标区域；
分布特征确定模块，用于根据所述至少一个候选区域得到至少一个候选区域连续概率分布特征，以及根据所述初始目标区域得到对应的第一预设数量个第一初始连续概率分布特征；
分布特征融合模块，用于对所述第一预设数量个第一初始连续概率分布特征进行融合，得到第二初始连续概率分布特征；
跟踪目标确定模块，用于将所述至少一个候选区域连续概率分布特征与所述第二初始连续概率分布特征进行对比，根据对比结果，自所述至少一个候选区域中确定出目标区域和对应的跟踪目标。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一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权利要求1至8中任一项所述方法的步骤。
CN202010061491.6A 2020-01-19 2020-01-19 目标跟踪方法、装置、计算机设备和存储介质 Active CN111275741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010061491.6A CN111275741B (zh) 2020-01-19 2020-01-19 目标跟踪方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010061491.6A CN111275741B (zh) 2020-01-19 2020-01-19 目标跟踪方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111275741A true CN111275741A (zh) 2020-06-12
CN111275741B CN111275741B (zh) 2023-09-08

Family

ID=71000748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010061491.6A Active CN111275741B (zh) 2020-01-19 2020-01-19 目标跟踪方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111275741B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920172A (zh) * 2021-12-14 2022-01-11 成都睿沿芯创科技有限公司 一种目标跟踪方法、装置、设备以及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727570A (zh) * 2008-10-23 2010-06-09 华为技术有限公司 跟踪方法、检测跟踪处理设备和监控系统
CN107169998A (zh) * 2017-06-09 2017-09-15 西南交通大学 一种基于肝脏超声造影图像的实时跟踪及定量分析方法
CN108491816A (zh) * 2018-03-30 2018-09-04 百度在线网络技术（北京）有限公司 在视频中进行目标跟踪的方法和装置
CN109035299A (zh) * 2018-06-11 2018-12-18 平安科技（深圳）有限公司 目标跟踪方法、装置、计算机设备及存储介质
CN109829436A (zh) * 2019-02-02 2019-05-31 福州大学 一种基于深度表观特征和自适应聚合网络的多人脸跟踪方法
US20190232487A1 (en) * 2018-02-01 2019-08-01 Robert Bosch Gmbh Method for tracking multiple target objects, device, and computer program for implementing the tracking of multiple target objects for the case of moving objects
CN110232704A (zh) * 2019-06-14 2019-09-13 哈尔滨理工大学 基于最优特征的尺度自适应抗遮挡目标跟踪方法
CN110490902A (zh) * 2019-08-02 2019-11-22 西安天和防务技术股份有限公司 应用于智慧城市的目标跟踪方法、装置、计算机设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727570A (zh) * 2008-10-23 2010-06-09 华为技术有限公司 跟踪方法、检测跟踪处理设备和监控系统
CN107169998A (zh) * 2017-06-09 2017-09-15 西南交通大学 一种基于肝脏超声造影图像的实时跟踪及定量分析方法
US20190232487A1 (en) * 2018-02-01 2019-08-01 Robert Bosch Gmbh Method for tracking multiple target objects, device, and computer program for implementing the tracking of multiple target objects for the case of moving objects
CN108491816A (zh) * 2018-03-30 2018-09-04 百度在线网络技术（北京）有限公司 在视频中进行目标跟踪的方法和装置
CN109035299A (zh) * 2018-06-11 2018-12-18 平安科技（深圳）有限公司 目标跟踪方法、装置、计算机设备及存储介质
CN109829436A (zh) * 2019-02-02 2019-05-31 福州大学 一种基于深度表观特征和自适应聚合网络的多人脸跟踪方法
CN110232704A (zh) * 2019-06-14 2019-09-13 哈尔滨理工大学 基于最优特征的尺度自适应抗遮挡目标跟踪方法
CN110490902A (zh) * 2019-08-02 2019-11-22 西安天和防务技术股份有限公司 应用于智慧城市的目标跟踪方法、装置、计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯志全;杨波;郑艳伟;徐涛;唐好魁;: "基于用户行为分析的手势跟踪方法" *
昝孟恩: "基于粒子滤波的监控视频行人检测与跟踪研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920172A (zh) * 2021-12-14 2022-01-11 成都睿沿芯创科技有限公司 一种目标跟踪方法、装置、设备以及存储介质
CN113920172B (zh) * 2021-12-14 2022-03-01 成都睿沿芯创科技有限公司 一种目标跟踪方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
CN111275741B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN109635657B (zh) 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
CN108805898B (zh) 视频图像处理方法和装置
US20230036905A1 (en) Target tracking method for panorama video,readable storage medium and computer equipment
CN110766724B (zh) 目标跟踪网络训练、跟踪方法及装置、电子设备及介质
CN111402294B (zh) 目标跟踪方法、装置、计算机可读存储介质和计算机设备
CN110796093A (zh) 目标跟踪方法、装置、计算机设备和存储介质
CN111191533B (zh) 行人重识别的处理方法、装置、计算机设备和存储介质
CN110782483B (zh) 基于分布式相机网络的多视图多目标跟踪方法及系统
CN110824587B (zh) 图像预测方法、装置、计算机设备和存储介质
CN110263847B (zh) 轨迹获取方法、装置、计算机设备及存储介质
CN110660078B (zh) 对象追踪方法、装置、计算机设备和存储介质
CN109285105A (zh) 水印检测方法、装置、计算机设备和存储介质
CN110210480B (zh) 文字识别方法、装置、电子设备和计算机可读存储介质
CN110930434A (zh) 目标对象跟踪方法、装置、存储介质和计算机设备
US20200219269A1 (en) Image processing apparatus and method, and image processing system
CN112183252A (zh) 视频的动作识别方法、装置、计算机设备和存储介质
CN111612822A (zh) 对象跟踪方法、装置、计算机设备和存储介质
CN110766725B (zh) 模板图像的更新、目标跟踪方法及装置、电子设备及介质
CN112633205A (zh) 基于头肩检测的行人追踪方法及装置、电子设备、存储介质
CN112348116A (zh) 利用空间上下文的目标检测方法、装置和计算机设备
CN113128448B (zh) 基于肢体识别的视频匹配方法、装置、设备及存储介质
CN111008621A (zh) 对象追踪方法、装置、计算机设备和存储介质
CN111275741B (zh) 目标跟踪方法、装置、计算机设备和存储介质
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质

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