CN111524164B - 一种目标跟踪方法、装置及电子设备 - Google Patents
一种目标跟踪方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111524164B CN111524164B CN202010315629.0A CN202010315629A CN111524164B CN 111524164 B CN111524164 B CN 111524164B CN 202010315629 A CN202010315629 A CN 202010315629A CN 111524164 B CN111524164 B CN 111524164B
- Authority
- CN
- China
- Prior art keywords
- track
- initial motion
- target
- segment
- motion
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
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
本发明提供了一种目标跟踪方法、装置及电子设备,在得到由多个轨迹片段依据预设轨迹组合规则组合得到的初始运动轨迹以及初始运动轨迹的轨迹特征之后,通过轨迹分析模型可以得到初始运动轨迹是否是同一运动目标的运动轨迹的分析结果,进一步执行从多个初始运动轨迹中筛选出对应的轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹的操作,即可从初始运动轨迹中筛选出属于同一运动目标的待分析运动轨迹,由于同一运动目标的轨迹片段可能存在于多个待分析轨迹中,则对待分析轨迹进行轨迹片段去重操作后,得到的目标运动轨迹仅包括同一运动目标的运动片段,该目标运动轨迹也即为最终需要的目标的运动轨迹。
Description
技术领域
本发明涉及目标跟踪领域,更具体的说,涉及一种目标跟踪方法、装置及电子设备。
背景技术
视频多目标跟踪是指对视频序列中所有目标进行定位与标号,将不同图像帧之间的目标一一对应,使同一目标始终维持相同的标号,进而形成不同目标的运动轨迹。
在进行多目标跟踪时,会出现目标跟踪错误,即形成错误的运动轨迹的情况出现,则基于错误的运动轨迹分析得到的目标的运动行为也会出现错误。
发明内容
有鉴于此,本发明提供一种目标跟踪方法、装置及电子设备,以解决在进行多目标跟踪时,会出现目标跟踪错误,即形成错误的运动轨迹的情况出现,则基于错误的运动轨迹分析得到的目标的运动行为也会出现错误的问题。
为实现上述目的,本发明提供如下技术方案:
一种目标跟踪方法,包括:
获取多个初始运动轨迹以及所述初始运动轨迹的轨迹特征;所述初始运动轨迹由多个轨迹片段依据预设轨迹组合规则组合得到;
调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果;所述轨迹分析模型通过轨迹样本训练得到;所述轨迹样本包括轨迹特征以及轨迹纯净度;所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果;
从多个所述初始运动轨迹中筛选出轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹,并作为待分析轨迹;
对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹。
可选地,获取所述初始运动轨迹的轨迹特征,包括:
确定所述初始运动轨迹包括的轨迹片段的轨迹片段特征;所述至少一个轨迹片段按照时间先后顺序依次排列;
依据相邻的所述轨迹片段的轨迹片段特征,计算得到每一所述轨迹片段的相对轨迹片段特征;
基于所有的所述轨迹片段的相对轨迹片段特征,计算所述相对轨迹片段特征中的每一子特征的标准差,并将所述每一子特征的标准差进行组合,得到所述初始运动轨迹的轨迹特征。
可选地,对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹,包括:
对任两个所述待分析轨迹中相同的轨迹片段进行去重操作,得到目标运动轨迹。
可选地,对任两个所述待分析轨迹中相同的轨迹片段进行去重操作,得到目标运动轨迹,包括:
将所述待分析轨迹按照包括的轨迹片段的数量进行排序操作;
按照排序顺序依次将每一所述待分析轨迹作为待处理轨迹;
删除所述待处理轨迹对应的目标轨迹片段,以得到目标运动轨迹;
所述目标轨迹片段位于所述待处理轨迹之后的待分析轨迹中、且与所述待处理轨迹中的轨迹片段相同。
可选地,在所述删除所述待处理轨迹对应的目标轨迹片段,以得到目标运动轨迹之后,还包括:
为所述目标运动轨迹中的轨迹片段设置对应的轨迹标识;不同的所述目标运动轨迹中的轨迹片段的轨迹标识不同。
一种目标跟踪装置,包括:
数据获取模块,用于获取多个初始运动轨迹以及所述初始运动轨迹的轨迹特征;所述初始运动轨迹由多个轨迹片段依据预设轨迹组合规则组合得到;
结果分析模块,用于调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果;所述轨迹分析模型通过轨迹样本训练得到;所述轨迹样本包括轨迹特征以及轨迹纯净度;所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果;
轨迹筛选模块,用于从多个所述初始运动轨迹中筛选出轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹,并作为待分析轨迹;
去重模块,用于对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹。
可选地,所述数据获取模块包括:
特征确定子模块,用于确定所述初始运动轨迹包括的轨迹片段的轨迹片段特征;所述至少一个轨迹片段按照时间先后顺序依次排列;
特征计算子模块,用于依据相邻的所述轨迹片段的轨迹片段特征,计算得到每一所述轨迹片段的相对轨迹片段特征;
特征生成子模块,用于基于所有的所述轨迹片段的相对轨迹片段特征,计算所述相对轨迹片段特征中的每一子特征的标准差,并将所述每一子特征的标准差进行组合,得到所述初始运动轨迹的轨迹特征。
可选地,所述去重模块用于对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹时,具体用于:
对任两个所述待分析轨迹中相同的轨迹片段进行去重操作,得到目标运动轨迹。
可选地,所述去重模块包括:
排序子模块,用于将所述待分析轨迹按照包括的轨迹片段的数量进行排序操作;
轨迹确定子模块,用于按照排序顺序依次将每一所述待分析轨迹作为待处理轨迹;
轨迹删除子模块,用于删除所述待处理轨迹对应的目标轨迹片段,以得到目标运动轨迹;
所述目标轨迹片段位于所述待处理轨迹之后的待分析轨迹中、且与所述待处理轨迹中的轨迹片段相同。
一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于:
获取多个初始运动轨迹以及所述初始运动轨迹的轨迹特征;所述初始运动轨迹由多个轨迹片段依据预设轨迹组合规则组合得到;
调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果;所述轨迹分析模型通过轨迹样本训练得到;所述轨迹样本包括轨迹特征以及轨迹纯净度;所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果;
从多个所述初始运动轨迹中筛选出轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹,并作为待分析轨迹;
对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹。
经由上述的技术方案可知,本发明提供了一种目标跟踪方法、装置及电子设备,在得到由多个轨迹片段依据预设轨迹组合规则组合得到的初始运动轨迹以及初始运动轨迹的轨迹特征之后,调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果,由于所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果,也就是说,通过轨迹分析模型可以得到初始运动轨迹是否是同一运动目标的运动轨迹的分析结果,进一步执行从多个所述初始运动轨迹中筛选出对应的轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹的操作,即可从初始运动轨迹中筛选出属于同一运动目标的待分析运动轨迹,由于同一运动目标的轨迹片段可能存在于多个待分析轨迹中,则对待分析轨迹进行轨迹片段去重操作后,得到的目标运动轨迹仅包括同一运动目标的运动片段,该目标运动轨迹也即为最终需要的目标的运动轨迹。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种跟踪结果的对比示意图;
图2为本发明实施例提供的一种目标跟踪方法的方法流程图;
图3为本发明实施例提供的一种生成初始运动轨迹的场景示意图;
图4为本发明实施例提供的另一种目标跟踪方法的方法流程图;
图5为本发明实施例提供的一种目标跟踪方法的场景示意图;
图6为本发明实施例提供的再一种目标跟踪方法的方法流程图;
图7为本发明实施例提供的一种目标跟踪装置的结构示意图。
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。
视频多目标跟踪是指对视频序列中所有目标进行定位与标号,将不同图像帧之间的目标一一对应,使同一目标始终维持相同的标号,进而形成不同目标的运动轨迹。
在实现多目标跟踪时,可以采用无检测跟踪算法(Detection-Free Tracking)以及基于检测的跟踪算法(Tracking-by-Detection)两种方式,随着检测算法的快速发展,基于检测的跟踪算法的检测精度不断提高,对目标的跟踪能力更强,因此,基于检测的跟踪算法逐渐成为主要的多目标跟踪算法。
基于检测的跟踪算法的主要实现过程是:
对采集的多帧图像使用目标检测算法进行目标检测操作,由于会存在遮挡、误检测、漏检测等因素的影响,多帧图像的目标跟踪结果不会是一个完整的运动轨迹,而是得到不同目标的轨迹片段tracklets,一个轨迹片段属于一个目标,并且该轨迹片段是由多帧图像(如5帧、10帧)的检测结果(如检测框)形成。
在形成多个轨迹片段之后,就需要对多个轨迹片段进行拼接,在进行拼接时会调用预先构建的用于度量位置相似度、速度相似度、外观相似度、尺寸相似度等指标的相似性度量模型,该相似度度量模型依据同一目标不同帧图像的类内距离应小于不同目标的类间距离的原则区分不同目标。使用相似性度量模型计算按照时间顺序形成的轨迹片段中,上一轨迹片段的最后一帧图像与下一轨迹片段的第一帧图像的目标的相似度,数据关联算法会依据相似度计算结果,将同一目标的轨迹片段连接在一起,形成一个目标的运动轨迹。具体的,数据关联算法中,会基于相似度度量模型得到的位置相似度、速度相似度、外观相似度以及尺寸相似度,采用加权求和的方式,得到目标的相似度,将两帧图像中相似度较大的目标作为同一目标,以实现同一目标的运动轨迹的拼接。
根据上述可知,目标检测器(目标检测算法,具体目标可以为行人、车辆等)、数据关联算法以及相似性度量模型是影响多目标跟踪系统性能的关键。目前的数据关联方法大多采用网络流、广义最大多团、线性规划、条件随机场等传统方法,将多目标指派((Assignment Problem))问题建模为求解最大后验概率的问题。
在上述数据关联方法中,在使用相似性度量模型计算目标的相似度时,若两个目标相似性较强,如两个目标,如人,穿着相同(即外观相似)、位置相近、行驶速度相似、身材相似(即尺寸相似),则这两个人的相似度较大,使用相似度度量模型得到的结果相似,进而使用该结果进行数据关联时,数据关联准确度降低,容易出现目标关联错误的情况,则此时得到的目标的运动轨迹不准确,进而在实际跟踪时会出现目标的身份标识交换、碎片轨迹等现象。
为了解决上述问题,发明人发现,利用深度学习构建神经网络时,会使用到不同场景下大量的训练样本,并且还能够自动学习特征,如果能够应用到目标跟踪领域,则可以提高目标跟踪的准确度,并且对场景的适用能力也更强。
但是发明人发现,神经网络在应用时,需要对数据求导,则需要保证数据可微分,但是在目标跟踪领域,由于存在跟踪目标数量实时动态变化、多目标指派(AssignmentProblem)问题线性不可微等难点,难以直接将深度学习方法应用于求解数据关联问题上,为此,发明人经过进一步的研究发现,在将不同的轨迹片段拼接时,即在进行数据关联时,本质上是一个数据聚类问题,聚类目的是将同一个目标的轨迹片段聚集到一起,将不同的轨迹片段分离开来,具体参照图1(a),图1(a)为理想的聚集结果,但是由于受到遮挡、误检测、漏检测等因素的影响,实际上的聚类结果为图1(b),其中,不同的形状表征不同目标的轨迹片段,即存在同一个目标具有多个聚类中心(即同一目标存在多条分段跟踪轨迹,但每一分段跟踪轨迹干净)、跟踪轨迹不干净(impure,即一条轨迹中包含了2个甚至多个目标的轨迹片段)等现象。为了让实际跟踪结果尽可能接近理想跟踪结果,则需要将数据关联问题转换成轨迹包括的轨迹片段是否仅是同一个目标的轨迹片段,即轨迹是否纯净的问题,若轨迹中仅是同一个目标的轨迹片段,则认为轨迹纯净,即轨迹纯净度purity=1,否则purity=0。即为一个轨迹纯净/不纯净的二分类问题,对于分类问题,可以使用深度学习算法。这样就可以将深度学习算法应用到目标跟踪领域,从而实现上述的提高目标跟踪的准确度,并且对场景(环境)的适用能力也更强的效果,其中,适用场景包括但不限于商场、室外、道路、车辆等追踪场景。
另外,在将不同的轨迹片段聚类时,也容易出现同一个轨迹片段出现在不同的聚类结果中,则还需要在满足聚类结果纯净(即轨迹片段纯净)的情况下,对聚类结果去重,即可得到最终的聚类结果。
综上所述,本实施例中将多目标跟踪中数据关联问题转换为轨迹确定+轨迹Purity分类+轨迹去重叠问题,轨迹Purity分类问题为二分类问题,可以采用深度学习的方法从海量历史跟踪数据中训练得到一个好的轨迹purity分类器,如轨迹分析模型,进而提升数据关联的准确性。
具体的,本发明实施例提供了一种目标跟踪方法,参照图2,可以包括:
S11、获取多个初始运动轨迹以及所述初始运动轨迹的轨迹特征。
在实际应用中,首先会获取多个待进行跟踪的图像,如在道路上拍摄上的车辆行驶的图像,在商场中拍摄的人流流动的图像,本发明实施例不对具体使用跟踪场景进行限定,可以是任意场景。
在得到上述的图像之后,使用匈牙利算法Hungarian算法对上述的图像进行处理,由于受到遮挡、误检测、漏检测等因素的影响,Hungarian算法会生成碎片化轨迹,即轨迹片段tracklet,每个tracklet包含多帧图像中同一目标的检测框。
在得到轨迹片段之后,需要对轨迹片段进行组合,即得到同一目标的轨迹片段组合,本实施例中称为初始运动轨迹,所述初始运动轨迹由多个轨迹片段依据预设轨迹组合规则组合得到。具体的,可以使用图分簇算法(graph clustering)算法,通过逐步放松时空约束和外观相似度约束的方式,生成一系列高质量的初始运动轨迹。参照图3,图3为初始运动轨迹的生成过程,由于图分簇算法采用的是逐步试探的方式来生成初始运动轨迹,生成的初始运动轨迹可以仅包括一个轨迹片段,也可能包括多个轨迹片段,并且初始运动轨迹包括的轨迹片段可能有重复。
本发明的另一实现方式中,参照图4,初始运动轨迹的轨迹特征的获取过程可以包括:
S21、确定所述初始运动轨迹包括的轨迹片段的轨迹片段特征。
在得到初始运动轨迹之后,该初始运动轨迹中的轨迹片段可能是混乱的,即是随机排列的,但是由于运动轨迹是按照时间先后顺序进行排列,则需要对初始运动轨迹中的轨迹片段按照时间先后顺序进行排序,如以每一轨迹片段中,首帧图像检测框的时间戳信息为依据进行排序,则可以保证初始运动轨迹中的至少一个轨迹片段按照时间先后顺序依次排列。
对于初始运动轨迹中的轨迹片段,确定该轨迹片段的轨迹片段特征,轨迹片段特征主要包括外观特征和时空特征。
具体的,轨迹片段特征采用如下向量表示,假设初始运动轨迹中包含n个轨迹片段,第i个轨迹片段的轨迹片段特征为:
其中,表示256维外观特征,除/>之外的特征为时空特征,其中,/>表示第i个轨迹片段中首帧图像中检测框的位置与时间帧信息,其中,x表征横坐标,y表征纵坐标,w表征图像中目标的宽度,h表征图像中目标的高度,/>则为第i个轨迹片段中最后一帧图像检测框的位置与时间帧信息。
S22、依据相邻的所述轨迹片段的轨迹片段特征,计算得到每一所述轨迹片段的相对轨迹片段特征。
经过步骤S21的处理,可以得到每一轨迹片段的轨迹片段特征,即得到{f1 *,f2 *……fn *}。
对于目标跟踪场景来说,需要关注目标的空间位移情况,则需要计算不同轨迹片段的相对特征数据,称为相对轨迹片段特征。相对轨迹片段特征可以包括相对外观特征和相对时空特征。由于外观特征并不会发生改变,则不需要计算外观特征的相对数据,此时相对外观特征仍可以是上述的外观特征,但是时空特征会发生改变,则需要计算时空特征的相对数据,称为相对时空特征。
具体的,每一所述轨迹片段的相对轨迹片段特征的计算方式如下:
……
其中,W是采集的图像的宽度,H是图像的高度,通过上述计算方式可以出,是依据相邻两个轨迹片段的轨迹特征,计算得到每一轨迹片段的轨迹片段特征。具体的,对于一轨迹特征,依据该轨迹片段的轨迹片段特征、以及位于该轨迹片段之前且紧邻所述轨迹片段的上一轨迹片段的轨迹片段特征,计算得到该轨迹片段的轨迹片段特征。
需要注意的是,由于第一个轨迹片段之前并不存在轨迹片段,则设定第一个轨迹片段的相对轨迹片段特征中的相对时空特征为预设值,如为0,0,1,1,0。
S23、基于所有的所述轨迹片段的相对轨迹片段特征,计算所述相对轨迹片段特征中的每一子特征的标准差,并将所述每一子特征的标准差进行组合,得到所述初始运动轨迹的轨迹特征。
根据步骤S22中的每一相对轨迹片段特征可以看出,该特征包括260维,前255维中的每一维为外观特征中的不同分类超平面的特征,后5维,分别是相对时空特征中的横坐标、纵坐标、目标宽度、目标高度、目标运动时间五个角度的特征。
标准差可以表征离散程度,如果计算相对轨迹片段中的每一维特征,即子特征的标准差,则该标准差会表征该子特征的离散程度,若标准差越小,说明离散程度越小,则为同一个目标的概率会较大,否则相反。
具体的,基于所有的所述轨迹片段的相对轨迹片段特征,可以计算所述相对轨迹片段特征中的每一子特征的标准差,然后将所述每一子特征的标准差进行组合,得到所述初始运动轨迹的轨迹特征,其中,轨迹特征为:
S12、调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果。
其中,所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果。也就是说,通过该轨迹分析模型可以确定一初始运动轨迹的轨迹片段是否仅包括同一目标的轨迹片段,若是,则认为该初始运动轨迹为同一运动目标的运动轨迹,否则该初始运动轨迹包括了不同目标的轨迹片段。
在实际应用中,在多目标跟踪中当存在相互穿行时,易发生目标ID转换等问题,说明此时目标跟踪错误,引入了impurity(杂质)。该现象会严重影响后续的目标行为分析等任务,因此对一初始运动轨迹中是否存在杂质,即purity=1还是0的准确识别,是影响跟踪性能的关键。
本实施例中的轨迹分析模型是基于大量的轨迹样本训练得到,轨迹样本包括正样本和负样本,正样本为仅包括同一目标的轨迹片段的轨迹的轨迹特征以及轨迹纯净度,负样本为包括多个目标的轨迹片段的轨迹的轨迹特征以及轨迹纯净度,样本的轨迹特征与计算上述的初始运动轨迹的轨迹特征的计算过程类似,轨迹纯净度参照上述相应内容,是人工预先设定,正样本中的轨迹纯净度purity=1,负样本中的轨迹纯净度purity=0。由于训练样本包括轨迹特征以及轨迹纯净度,则该轨迹分析模型在训练时,可以学些到具有哪些轨迹特征才可认为轨迹纯净度purity=1,也就是说,该模型可以在输入轨迹特征时,分析出轨迹纯净度的数值,即为1还是0,若为1,则表征初始运动轨迹的轨迹片段仅包括同一目标的轨迹片段,若为0,则表征初始运动轨迹的轨迹片段包括多个目标的轨迹片段。
轨迹分析模型可以是神经网络模型,该神经网络模型利用上述的轨迹样本对预设模型进行训练得到,预设模型可以是一个5层全连接层构成的神经网络,将上述的轨迹样本对预设模型进行训练,即可得到轨迹分析模型,其中,在训练时,采用的损失函数为交叉熵CrossEntropyLoss。此外,预设模型还可以是卷积网络(GCN)、3D卷积神经网络3D CNN等。
参照图5,图5示出了提取出初始运动轨迹(也可称为提案proposal)的轨迹特征的生成以及轨迹分析模型的处理过程,初始运动轨迹中的每一轨迹片段(tracklet1-trackletN)均对应一轨迹片段特征,根据上述相应内容,对轨迹片段特征进行处理,得到所述每一子特征的标准差(std值),并进行组合,得到初始运动轨迹的轨迹特征,也即提案特征向量,然后将初始运动轨迹的轨迹特征输入到轨迹分析模型(为一5层神经网络),即可得到轨迹纯净度分析结果,即分类结果,purity=1或0。
S13、从多个所述初始运动轨迹中筛选出轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹,并作为待分析轨迹。
本实施例中,筛选的是purity=1的初始运动轨迹,purity=1说明同一初始运动轨迹中仅包括同一目标的轨迹片段,这样可以保证后续仅对同一目标进行跟踪。
S14、对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹。
根据上述论述,由于图分簇算法采用的是逐步试探的方式来生成初始运动轨迹,生成的初始运动轨迹可以仅包括一个轨迹片段,也可能包括多个轨迹片段,并且初始运动轨迹包括的轨迹片段可能有重复,进而需要对上述得到的purity=1的待分析轨迹中的重复轨迹片段去重,就可以得到同一目标无重复的目标运动轨迹。
本实施例中,在得到由多个轨迹片段依据预设轨迹组合规则组合得到的初始运动轨迹以及初始运动轨迹的轨迹特征之后,调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果,由于所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果,也就是说,通过轨迹分析模型可以得到初始运动轨迹是否是同一运动目标的运动轨迹的分析结果,进一步执行从多个所述初始运动轨迹中筛选出对应的轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹的操作,即可从初始运动轨迹中筛选出属于同一运动目标的待分析运动轨迹,由于同一运动目标的轨迹片段可能存在于多个待分析轨迹中,则对待分析轨迹进行轨迹片段去重操作后,得到的目标运动轨迹仅包括同一运动目标的运动片段,该目标运动轨迹也即为最终需要的目标的运动轨迹。
另外,现有技术中,在进行数据关联时,需要加权求和,加权求和时需要人为设置权重,即需要人为设置大量的经验参数,人为设置参数存在人为主观意见较强的现象,容易出现参数设置失误,进而数据关联错误的现象。另外,不同的场景(如商场、公园、道路),设置的参数应不同,进而该数据关联关系方法对不同的场景的适应性较差。而本实施例中,使用轨迹分析模型来实现数据关联,轨迹分析模型中的参数是经过训练样本训练得到,可以避免人为设置参数带来的参数设置错误,从而导致数据关联准确度降低的情况出现,另外,轨迹分析模型的训练样本的数量很多,可以涉及多个场景,则对不同场景的能力也会增强。
本发明的另一实施例中,详细介绍“对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹”的实现过程,具体的,步骤S14具体包括:
对任两个所述待分析轨迹中相同的轨迹片段进行去重操作,得到目标运动轨迹。
也就是说,在进行轨迹片段去重操作时,是比对任两个待分析轨迹中是否有相同的轨迹片段,若有,则删除其中一个。
在实际应用中,参照图6,对任两个所述待分析轨迹中相同的轨迹片段进行去重操作,得到目标运动轨迹,具体包括:
S31、将所述待分析轨迹按照包括的轨迹片段的数量进行排序操作。
本实施例中,按照包括的轨迹片段的数量(也称为轨迹完整度)由高到低排序,即排列在前的待分析轨迹中的轨迹片段的数量较多,排列在后的待分析轨迹中的轨迹片段的数量较小。
S32、按照排序顺序依次将每一所述待分析轨迹作为待处理轨迹。
S33、删除所述待处理轨迹对应的目标轨迹片段,以得到目标运动轨迹;
在实际应用中,待分析轨迹中的轨迹片段的数量较多,说明该待分析轨迹片段为同一目标的完整的轨迹的可能性更大,进而越接近理想跟踪结果,则应该优先保留包括的轨迹数量较多的待分析轨迹,那么在去重时,应删除排序靠后的重复的轨迹片段。
具体的,先选取排序第一个的待分析轨迹作为待处理轨迹,然后判断位二个至最后一个待分析轨迹中,是否有与待分析轨迹中的轨迹片段相同的轨迹片段,此时称为目标轨迹片段,若有,则认为是与待分析轨迹中的轨迹片段重复,此时删除目标轨迹片段。然后选取排序第二个的待分析轨迹作为待处理轨迹,按照上述方式执行类似步骤。
将每一个待分析轨迹作为待处理轨迹后,就可以删除掉任两个所述待分析轨迹中的重复轨迹片段,进而得到目标轨迹片段。在得到目标轨迹片段之后,可以为所述不同的目标运动轨迹中的轨迹片段设置对应的不同轨迹标识;也即不同的所述目标运动轨迹中的轨迹片段的轨迹标识不同。举例来说,第一个目标运动轨迹中的轨迹片段的轨迹标识为1,第二个目标运动轨迹中的轨迹片段的轨迹标识为2,以此类推。在为轨迹片段设置上标识之后,就可以区分不同的轨迹片段,实现过目标跟踪。
上述轨迹片段去重操作可以采用去重叠(de-overlapping)实现,保证每个轨迹片段只属于一个目标。首先,根据轨迹完整度对Purity=1的所有待分析轨迹进行降序排序,然后采用如下算法实现去重叠:
#de-overlapping
输入:根据完整度降序排序后的Purity=1的待分析轨迹集合
输出:最终的跟踪结果(轨迹集合)C
步骤1:初始化跟踪结果集合(即空集),已被分配的轨迹片段集合/>迭代次数i=1
While i≤Np do(即会迭代Np次)
Ci=Pi\I(即将待分析轨迹Pi与集合I进行差运算)
C=C∪{Ci}(进行集合并集运算)
I=I∪Ci(注意这里的Ci没有大括号,即集合元素为轨迹片段,而不是待分析轨迹)
i=i+1(迭代次数加1)。
本实施例中,删除任两个所述待分析轨迹中重复的轨迹片段,可以保证得到的目标轨迹片段之间无重复的轨迹片段,进而可以保证同一目标仅对应一条运动轨迹,从而使得目标跟踪结果更准确。
可选地,在上述目标跟踪方法的实施例的基础上,本发明的另一实施例提供了一种目标跟踪装置,参照图7,可以包括:
数据获取模块11,用于获取多个初始运动轨迹以及所述初始运动轨迹的轨迹特征;所述初始运动轨迹由多个轨迹片段依据预设轨迹组合规则组合得到;
结果分析模块12,用于调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果;所述轨迹分析模型通过轨迹样本训练得到;所述轨迹样本包括轨迹特征以及轨迹纯净度;所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果;
轨迹筛选模块13,用于从多个所述初始运动轨迹中筛选出轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹,并作为待分析轨迹;
去重模块14,用于对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹。
进一步,所述数据获取模块包括:
特征确定子模块,用于确定所述初始运动轨迹包括的轨迹片段的轨迹片段特征;所述至少一个轨迹片段按照时间先后顺序依次排列;
特征计算子模块,用于依据相邻的所述轨迹片段的轨迹片段特征,计算得到每一所述轨迹片段的相对轨迹片段特征;
特征生成子模块,用于基于所有的所述轨迹片段的相对轨迹片段特征,计算所述相对轨迹片段特征中的每一子特征的标准差,并将所述每一子特征的标准差进行组合,得到所述初始运动轨迹的轨迹特征。
本实施例中,在得到由多个轨迹片段依据预设轨迹组合规则组合得到的初始运动轨迹以及初始运动轨迹的轨迹特征之后,调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果,由于所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果,也就是说,通过轨迹分析模型可以得到初始运动轨迹是否是同一运动目标的运动轨迹的分析结果,进一步执行从多个所述初始运动轨迹中筛选出对应的轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹的操作,即可从初始运动轨迹中筛选出属于同一运动目标的待分析运动轨迹,由于同一运动目标的轨迹片段可能存在于多个待分析轨迹中,则对待分析轨迹进行轨迹片段去重操作后,得到的目标运动轨迹仅包括同一运动目标的运动片段,该目标运动轨迹也即为最终需要的目标的运动轨迹。
需要说明的是,本实施例中的各个模块和子模块的工作过程,请参照上述实施例中的相应说明,在此不再赘述。
可选地,在上述目标跟踪装置的实施例的基础上,所述去重模块用于对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹时,具体用于:
对任两个所述待分析轨迹中相同的轨迹片段进行去重操作,得到目标运动轨迹。
进一步,所述去重模块包括:
排序子模块,用于将所述待分析轨迹按照包括的轨迹片段的数量进行排序操作;
轨迹确定子模块,用于按照排序顺序依次将每一所述待分析轨迹作为待处理轨迹;
轨迹删除子模块,用于删除所述待处理轨迹对应的目标轨迹片段,以得到目标运动轨迹;
所述目标轨迹片段位于所述待处理轨迹之后的待分析轨迹中、且与所述待处理轨迹中的轨迹片段相同。
进一步,还包括标识设置模块,用于为所述目标运动轨迹中的轨迹片段设置对应的轨迹标识;不同的所述目标运动轨迹中的轨迹片段的轨迹标识不同。
本实施例中,删除任两个所述待分析轨迹中重复的轨迹片段,可以保证得到的目标轨迹片段之间无重复的轨迹片段,进而可以保证同一目标仅对应一条运动轨迹,从而使得目标跟踪结果更准确。
需要说明的是,本实施例中的各个模块和子模块的工作过程,请参照上述实施例中的相应说明,在此不再赘述。
可选地,在上述目标跟踪方法及装置的实施例的基础上,本发明的另一实施例提供了一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于:
获取多个初始运动轨迹以及所述初始运动轨迹的轨迹特征;所述初始运动轨迹由多个轨迹片段依据预设轨迹组合规则组合得到;
调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果;所述轨迹分析模型通过轨迹样本训练得到;所述轨迹样本包括轨迹特征以及轨迹纯净度;所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果;
从多个所述初始运动轨迹中筛选出轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹,并作为待分析轨迹;
对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹。
本实施例中,在得到由多个轨迹片段依据预设轨迹组合规则组合得到的初始运动轨迹以及初始运动轨迹的轨迹特征之后,调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果,由于所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果,也就是说,通过轨迹分析模型可以得到初始运动轨迹是否是同一运动目标的运动轨迹的分析结果,进一步执行从多个所述初始运动轨迹中筛选出对应的轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹的操作,即可从初始运动轨迹中筛选出属于同一运动目标的待分析运动轨迹,由于同一运动目标的轨迹片段可能存在于多个待分析轨迹中,则对待分析轨迹进行轨迹片段去重操作后,得到的目标运动轨迹仅包括同一运动目标的运动片段,该目标运动轨迹也即为最终需要的目标的运动轨迹。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
还需要说明的是,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,并不排除在包括上述要素的物品或者设备中还存在另外的相同要素。
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发明。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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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。
Claims (8)
1.一种目标跟踪方法,其特征在于,包括:
获取多个初始运动轨迹以及所述初始运动轨迹的轨迹特征;所述初始运动轨迹由多个轨迹片段依据预设轨迹组合规则组合得到;
调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果;所述轨迹分析模型通过轨迹样本训练得到;所述轨迹样本包括轨迹特征以及轨迹纯净度;所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果;
从多个所述初始运动轨迹中筛选出轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹,并作为待分析轨迹;
对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹;
其中,获取所述初始运动轨迹的轨迹特征,包括:
确定所述初始运动轨迹包括的轨迹片段的轨迹片段特征;所述至少一个轨迹片段按照时间先后顺序依次排列;
依据相邻的所述轨迹片段的轨迹片段特征,计算得到每一所述轨迹片段的相对轨迹片段特征,所述轨迹片段特征包括外观特征和时空特征;
基于所有的所述轨迹片段的相对轨迹片段特征,计算所述相对轨迹片段特征中的每一子特征的标准差,并将所述每一子特征的标准差进行组合,得到所述初始运动轨迹的轨迹特征。
2.根据权利要求1所述的目标跟踪方法,其特征在于,对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹,包括:
对任两个所述待分析轨迹中相同的轨迹片段进行去重操作,得到目标运动轨迹。
3.根据权利要求2所述的目标跟踪方法,其特征在于,对任两个所述待分析轨迹中相同的轨迹片段进行去重操作,得到目标运动轨迹,包括:
将所述待分析轨迹按照包括的轨迹片段的数量进行排序操作;
按照排序顺序依次将每一所述待分析轨迹作为待处理轨迹;
删除所述待处理轨迹对应的目标轨迹片段,以得到目标运动轨迹;
所述目标轨迹片段位于所述待处理轨迹之后的待分析轨迹中、且与所述待处理轨迹中的轨迹片段相同。
4.根据权利要求3所述的目标跟踪方法,其特征在于,在所述删除所述待处理轨迹对应的目标轨迹片段,以得到目标运动轨迹之后,还包括:
为所述目标运动轨迹中的轨迹片段设置对应的轨迹标识;不同的所述目标运动轨迹中的轨迹片段的轨迹标识不同。
5.一种目标跟踪装置,其特征在于,包括:
数据获取模块,用于获取多个初始运动轨迹以及所述初始运动轨迹的轨迹特征;所述初始运动轨迹由多个轨迹片段依据预设轨迹组合规则组合得到;
结果分析模块,用于调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果;所述轨迹分析模型通过轨迹样本训练得到;所述轨迹样本包括轨迹特征以及轨迹纯净度;所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果;
轨迹筛选模块,用于从多个所述初始运动轨迹中筛选出轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹,并作为待分析轨迹;
去重模块,用于对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹;
其中,所述数据获取模块包括:
特征确定子模块,用于确定所述初始运动轨迹包括的轨迹片段的轨迹片段特征;所述至少一个轨迹片段按照时间先后顺序依次排列;
特征计算子模块,用于依据相邻的所述轨迹片段的轨迹片段特征,计算得到每一所述轨迹片段的相对轨迹片段特征,所述轨迹片段特征包括外观特征和时空特征;
特征生成子模块,用于基于所有的所述轨迹片段的相对轨迹片段特征,计算所述相对轨迹片段特征中的每一子特征的标准差,并将所述每一子特征的标准差进行组合,得到所述初始运动轨迹的轨迹特征。
6.根据权利要求5所述的目标跟踪装置,其特征在于,所述去重模块用于对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹时,具体用于:
对任两个所述待分析轨迹中相同的轨迹片段进行去重操作,得到目标运动轨迹。
7.根据权利要求6所述的目标跟踪装置,其特征在于,所述去重模块包括:
排序子模块,用于将所述待分析轨迹按照包括的轨迹片段的数量进行排序操作;
轨迹确定子模块,用于按照排序顺序依次将每一所述待分析轨迹作为待处理轨迹;
轨迹删除子模块,用于删除所述待处理轨迹对应的目标轨迹片段,以得到目标运动轨迹;
所述目标轨迹片段位于所述待处理轨迹之后的待分析轨迹中、且与所述待处理轨迹中的轨迹片段相同。
8.一种电子设备,其特征在于,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于:
获取多个初始运动轨迹以及所述初始运动轨迹的轨迹特征;所述初始运动轨迹由多个轨迹片段依据预设轨迹组合规则组合得到;
调用预先训练的轨迹分析模型对所述初始运动轨迹的轨迹特征进行处理,得到所述初始运动轨迹的轨迹纯净度分析结果;所述轨迹分析模型通过轨迹样本训练得到;所述轨迹样本包括轨迹特征以及轨迹纯净度;所述轨迹纯净度分析结果为所述初始运动轨迹为同一运动目标的运动轨迹的分析结果;
从多个所述初始运动轨迹中筛选出轨迹纯净度分析结果为预设纯净度分析结果的初始运动轨迹,并作为待分析轨迹;
对所述待分析轨迹进行轨迹片段去重操作,得到目标运动轨迹;
其中,获取所述初始运动轨迹的轨迹特征,包括:
确定所述初始运动轨迹包括的轨迹片段的轨迹片段特征;所述至少一个轨迹片段按照时间先后顺序依次排列;
依据相邻的所述轨迹片段的轨迹片段特征,计算得到每一所述轨迹片段的相对轨迹片段特征,所述轨迹片段特征包括外观特征和时空特征;
基于所有的所述轨迹片段的相对轨迹片段特征,计算所述相对轨迹片段特征中的每一子特征的标准差,并将所述每一子特征的标准差进行组合,得到所述初始运动轨迹的轨迹特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315629.0A CN111524164B (zh) | 2020-04-21 | 2020-04-21 | 一种目标跟踪方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315629.0A CN111524164B (zh) | 2020-04-21 | 2020-04-21 | 一种目标跟踪方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111524164A CN111524164A (zh) | 2020-08-11 |
CN111524164B true CN111524164B (zh) | 2023-10-13 |
Family
ID=71902958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010315629.0A Active CN111524164B (zh) | 2020-04-21 | 2020-04-21 | 一种目标跟踪方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111524164B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102357B (zh) * | 2020-09-08 | 2023-07-25 | 杭州海康威视数字技术股份有限公司 | 轨迹调整方法、装置及设备、存储介质 |
CN113570635A (zh) * | 2021-06-03 | 2021-10-29 | 浙江大华技术股份有限公司 | 目标运动轨迹还原方法、装置、电子设备、存储介质 |
CN114782134A (zh) * | 2021-11-09 | 2022-07-22 | 深圳友朋智能商业科技有限公司 | 基于多层次商品检测的订单生成方法、装置及智能售货机 |
CN114494358B (zh) * | 2022-04-07 | 2022-06-21 | 中航信移动科技有限公司 | 一种数据处理方法、电子设备及存储介质 |
CN117115238A (zh) * | 2023-04-12 | 2023-11-24 | 荣耀终端有限公司 | 一种确定位姿的方法、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914854A (zh) * | 2014-03-24 | 2014-07-09 | 河海大学 | 一种图像序列目标关联及轨迹生成方法 |
CN104112282A (zh) * | 2014-07-14 | 2014-10-22 | 华中科技大学 | 一种基于在线学习跟踪监控视频中多个运动目标的方法 |
JP2017211348A (ja) * | 2016-05-27 | 2017-11-30 | 沖電気工業株式会社 | 軌跡推定装置、軌跡推定方法及びプログラム |
CN107871111A (zh) * | 2016-09-28 | 2018-04-03 | 苏宁云商集团股份有限公司 | 一种行为分析方法及系统 |
CN108304757A (zh) * | 2017-06-16 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 身份识别方法及装置 |
CN108345900A (zh) * | 2018-01-12 | 2018-07-31 | 浙江大学 | 基于颜色纹理分布特征的行人重识别方法及其系统 |
CN109902471A (zh) * | 2019-01-08 | 2019-06-18 | 平安科技(深圳)有限公司 | 滑块验证的检测方法、装置、计算机设备及存储介质 |
CN110263847A (zh) * | 2019-06-18 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 轨迹获取方法、装置、计算机设备及存储介质 |
CN110443319A (zh) * | 2019-08-09 | 2019-11-12 | 武汉中海庭数据技术有限公司 | 一种轨迹去重方法、装置及存储介质 |
CN110599521A (zh) * | 2019-09-05 | 2019-12-20 | 清华大学 | 生成易受伤害道路使用者轨迹预测模型的方法及预测方法 |
CN110660082A (zh) * | 2019-09-25 | 2020-01-07 | 西南交通大学 | 一种基于图卷积与轨迹卷积网络学习的目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392937B (zh) * | 2017-07-14 | 2023-03-14 | 腾讯科技(深圳)有限公司 | 目标跟踪方法、装置及电子设备 |
-
2020
- 2020-04-21 CN CN202010315629.0A patent/CN111524164B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914854A (zh) * | 2014-03-24 | 2014-07-09 | 河海大学 | 一种图像序列目标关联及轨迹生成方法 |
CN104112282A (zh) * | 2014-07-14 | 2014-10-22 | 华中科技大学 | 一种基于在线学习跟踪监控视频中多个运动目标的方法 |
JP2017211348A (ja) * | 2016-05-27 | 2017-11-30 | 沖電気工業株式会社 | 軌跡推定装置、軌跡推定方法及びプログラム |
CN107871111A (zh) * | 2016-09-28 | 2018-04-03 | 苏宁云商集团股份有限公司 | 一种行为分析方法及系统 |
CN108304757A (zh) * | 2017-06-16 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 身份识别方法及装置 |
CN108345900A (zh) * | 2018-01-12 | 2018-07-31 | 浙江大学 | 基于颜色纹理分布特征的行人重识别方法及其系统 |
CN109902471A (zh) * | 2019-01-08 | 2019-06-18 | 平安科技(深圳)有限公司 | 滑块验证的检测方法、装置、计算机设备及存储介质 |
CN110263847A (zh) * | 2019-06-18 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 轨迹获取方法、装置、计算机设备及存储介质 |
CN110443319A (zh) * | 2019-08-09 | 2019-11-12 | 武汉中海庭数据技术有限公司 | 一种轨迹去重方法、装置及存储介质 |
CN110599521A (zh) * | 2019-09-05 | 2019-12-20 | 清华大学 | 生成易受伤害道路使用者轨迹预测模型的方法及预测方法 |
CN110660082A (zh) * | 2019-09-25 | 2020-01-07 | 西南交通大学 | 一种基于图卷积与轨迹卷积网络学习的目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
Anton Milan等.A Benchmark for Multi-Object Tracking.《arXiv》.2016,1-12. * |
周奇.基于多特征的轮船运动目标跟踪及轨迹获取方法.《中国优秀硕士学位论文全文数据库:信息科技辑》.2018,(第8期),I138-421. * |
Also Published As
Publication number | Publication date |
---|---|
CN111524164A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111524164B (zh) | 一种目标跟踪方法、装置及电子设备 | |
CN109360226B (zh) | 一种基于时间序列多特征融合的多目标跟踪方法 | |
CN109961051B (zh) | 一种基于聚类和分块特征提取的行人重识别方法 | |
US9224046B2 (en) | Multi-view object detection using appearance model transfer from similar scenes | |
CN110717411A (zh) | 一种基于深层特征融合的行人重识别方法 | |
CN109882019B (zh) | 一种基于目标检测和动作识别的汽车电动尾门开启方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
Wen et al. | DETRAC: A new benchmark and protocol for multi-object tracking | |
CN110263712B (zh) | 一种基于区域候选的粗精行人检测方法 | |
CN104680559B (zh) | 基于运动行为模式的多视角室内行人跟踪方法 | |
CN110555387B (zh) | 骨架序列中基于局部关节点轨迹时空卷的行为识别方法 | |
CN109544592B (zh) | 针对相机移动的运动目标检测算法 | |
Huang et al. | Automatic moving object extraction through a real-world variable-bandwidth network for traffic monitoring systems | |
CN109829382B (zh) | 基于行为特征智能分析的异常目标预警追踪系统及方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN109284705B (zh) | 一种交通监控视频的异常检测方法 | |
JP2012088881A (ja) | 人物動作検出装置およびそのプログラム | |
CN112766218B (zh) | 基于非对称联合教学网络的跨域行人重识别方法和装置 | |
CN112215154B (zh) | 一种应用于人脸检测系统的基于蒙版的模型评估方法 | |
CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
CN113160283A (zh) | 一种基于sift的多摄像头场景下的目标跟踪方法 | |
CN107368802B (zh) | 基于kcf和人脑记忆机制的运动目标跟踪方法 | |
CN109977862B (zh) | 一种车位限位器的识别方法 | |
CN114373194A (zh) | 基于关键帧与注意力机制的人体行为识别方法 | |
CN106934339B (zh) | 一种目标跟踪、跟踪目标识别特征的提取方法和装置 |
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 |