CN111667503A - 基于前景检测的多目标跟踪方法、装置、设备及存储介质 - Google Patents
基于前景检测的多目标跟踪方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111667503A CN111667503A CN202010537379.5A CN202010537379A CN111667503A CN 111667503 A CN111667503 A CN 111667503A CN 202010537379 A CN202010537379 A CN 202010537379A CN 111667503 A CN111667503 A CN 111667503A
- Authority
- CN
- China
- Prior art keywords
- image
- tracking
- target
- foreground detection
- moving target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims description 30
- 230000006399 behavior Effects 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 238000005286 illumination Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect 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
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于前景检测的多目标跟踪方法、装置、设备及存储介质,该方法包括:接收视频的每一帧图像,利用前景检测算法对图像进行处理,自动识别在图像中的运动目标;将经前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的运动目标,并对运动目标的坐标信息进行整合;根据整合后的运动目标的坐标信息,采用形心跟踪算法对运动目标进行跟踪,输出运动目标的行为轨迹。该方法具有良好的多目标自动捕获及跟踪能力,抗干扰能力强,精度高,稳定性好,满足实时性要求,有着广阔的应用前景。
Description
技术领域
本发明涉及计算机视觉领域,特别是涉及一种基于前景检测的多目标跟踪方法、装置、设备及存储介质。
背景技术
多目标跟踪是计算机视觉领域中的一项重要任务。在智能监控系统中,其任务在于通过在视频的每一帧中定位运动目标,并生成目标的行为轨迹。目标捕获与区域定位是跟踪算法中最首要的核心环节,对后续跟踪效果将产生举足轻重的影响。
目前,对于运动目标检测,常见的算法包括光流法、背景建模法以及基于深度学习的算法等,然而遗憾的是,这些算法在处理1080P高分辨率图像时往往需要耗费大量的计算资源及时间资源,无法满足实时性能需求;此外,在实际场景中,由于复杂背景、光照变化、局部运动等因素产生的随机噪声,现有的运动目标检测算法捕获的区域可能不完整或不准确,降低了检测精度,从而对后续的跟踪性能产生影响。
因此,如何解决现有技术中难以实时准确地在高分辨率图像中自动捕获多个目标的问题,是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于前景检测的多目标跟踪方法、装置、设备及存储介质,可以提高多目标捕获能力、跟踪能力和抗干扰能力,精度高,满足实时性要求。其具体方案如下:
一种基于前景检测的多目标跟踪方法,包括:
接收视频的每一帧图像,利用前景检测算法对所述图像进行处理,自动识别在所述图像中的运动目标;
将经所述前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的所述运动目标,并对所述运动目标的坐标信息进行整合;
根据整合后的所述运动目标的坐标信息,采用形心跟踪算法对所述运动目标进行跟踪,输出所述运动目标的行为轨迹。
优选地,在本发明实施例提供的上述基于前景检测的多目标跟踪方法中,利用前景检测算法对所述图像进行处理,具体包括:
对所述图像进行低通滤波;
采用帧差法对低通滤波后的所述图像进行前景与背景的分割,自动获取作为所述前景的运动目标;
通过数学形态学模型对分割后的所述图像进行处理。
优选地,在本发明实施例提供的上述基于前景检测的多目标跟踪方法中,在接收视频的每一帧图像之后,在对所述图像进行低通滤波之前,还包括:
对所述图像进行灰度处理。
优选地,在本发明实施例提供的上述基于前景检测的多目标跟踪方法中,将经所述前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的所述运动目标,并对所述运动目标的坐标信息进行整合,具体包括:
计算经所述前景检测算法处理后的二值图像中每列像素的灰度和;当所述每列像素中存在识别出的所述运动目标时,灰度和为非零;
在竖直方向上按照连续非零求和结果对所述二值图像进行第一划分,计算所述运动目标的列标号位置;
根据第一划分结果,计算连续非零列对应的每行像素的灰度和;当所述每行像素中存在识别出的所述运动目标时,灰度和为非零;
在水平方向上按照连续非零求和结果对所述二值图像进行第二划分,计算所述运动目标的行标号位置;
根据第二划分结果,再次计算所述每列像素的灰度和,对所述运动目标的列标号进行修正;
对所述运动目标的坐标信息进行整合。
优选地,在本发明实施例提供的上述基于前景检测的多目标跟踪方法中,采用形心跟踪算法对所述运动目标进行跟踪,具体包括:
以所述运动目标的图像灰度分布的形心为跟踪点,采用形心跟踪算法实时计算出所述跟踪点的位置,通过计算出的所述位置对所述运动目标进行跟踪。
优选地,在本发明实施例提供的上述基于前景检测的多目标跟踪方法中,在跟踪窗口中,采用下列公式计算所述跟踪点的位置:
其中,(χ,y)为所述跟踪点的位置,j=1,2,…M,k=1,2,…N,f(j,k)是所述图像在(j,k)点的像元灰度值,M,N分别为所述跟踪窗口内的方位,高低方向的像元数。
本发明实施例还提供了一种基于前景检测的多目标跟踪装置,包括:
前景检测模块,用于接收视频的每一帧图像,利用前景检测算法对所述图像进行处理,自动识别在所述图像中的运动目标;
区域整合模块,用于将经所述前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的所述运动目标,并对所述运动目标的坐标信息进行整合;
形心跟踪模块,用于根据整合后的所述运动目标的坐标信息,采用形心跟踪算法对所述运动目标进行跟踪,输出所述运动目标的行为轨迹。
优选地,在本发明实施例提供的上述基于前景检测的多目标跟踪装置中,所述前景跟踪模块,具体包括:
图像滤波单元,用于对所述图像进行低通滤波;
图像分割单元,用于采用帧差法对低通滤波后的所述图像进行前景与背景的分割,自动获取作为所述前景的运动目标;
数学形态单元,用于通过数学形态学模型对分割后的所述图像进行处理。
本发明实施例还提供了一种基于前景检测的多目标跟踪设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如本发明实施例提供的上述基于前景检测的多目标跟踪方法。
本发明实施例还提供了一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如本发明实施例提供的上述基于前景检测的多目标跟踪方法。
从上述技术方案可以看出,本发明所提供的一种基于前景检测的多目标跟踪方法、装置、设备及存储介质,包括:接收视频的每一帧图像,利用前景检测算法对图像进行处理,自动识别在图像中的运动目标;将经前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的运动目标,并对运动目标的坐标信息进行整合;根据整合后的运动目标的坐标信息,采用形心跟踪算法对运动目标进行跟踪,输出运动目标的行为轨迹。
本发明利用前景检测算法在视频中自动识别运动目标,处理速度快,但由于复杂场景、光照变化等因素,前景检测捕获的区域可能不完整,因此再通过一种低复杂度的整合算法进一步精确提取运动目标区域,最后采用形心跟踪算法对捕获目标进行跟踪,输出目标的行为轨迹。该方法具有良好的多目标自动捕获及跟踪能力,抗干扰能力强,精度高,稳定性好,满足实时性要求,有着广阔的应用前景。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关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基于前景检测的多目标跟踪方法的流程图;
图2为本发明实施例提供的在图像中出现运动目标后,前景检测各个环节的可视化结果图;
图3为本发明实施例提供的未加入滤波和数学形态学模型,只加入数学形态学模型,只加入滤波,以及加入滤波和数学形态学模型处理后的图像对比图;
图4为本发明实施例提供的区域整合算法过程的示意图;
图5为本发明实施例提供的基于前景检测的多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。
本发明提供一种基于前景检测的多目标跟踪方法,如图1所示,包括以下步骤:
S101、接收视频的每一帧图像,利用前景检测算法对图像进行处理,自动识别在图像中的运动目标;
需要说明的是,前景是图像或视频场景中可见性、显著性更强的部分。前景检测,即在视频中识别感兴趣区域或识别运动目标(前景)和静态部分(背景)的过程,经前景检测后的图像为二值图像(黑白图像);它是运动分析、视频监控的关键步骤,也是最基础和底层的步骤;
S102、将经前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的运动目标,并对运动目标的坐标信息进行整合;
需要说明的是,在实际场景中,由于复杂背景、光照变化、局部运动等因素产生的随机噪声,前景检测算法捕获的区域可能不完整或不准确,降低了检测精度,因此本发明提出一种低复杂度的整合算法进一步精确提取运动目标区域,具体以前景检测运动目标坐标结果为输入,以整合后运动目标坐标为输出;整个过程可以包括对经前景检测算法处理后的二值图像依次在竖直-水平-竖直方向上依据连通区域划分运动目标;
S103、根据整合后的运动目标的坐标信息,采用形心跟踪算法对运动目标进行跟踪,输出运动目标的行为轨迹。
在本发明实施例提供的上述基于前景检测的多目标跟踪方法中,利用前景检测算法在视频中自动识别运动目标,处理速度快,但由于复杂场景、光照变化等因素,前景检测捕获的区域可能不完整,因此再通过一种低复杂度的整合算法进一步精确提取运动目标区域,最后采用形心跟踪算法对捕获目标进行跟踪,输出目标的行为轨迹。该方法具有良好的多目标自动捕获及跟踪能力,抗干扰能力强,精度高,稳定性好,满足实时性要求,有着广阔的应用前景。
在具体实施时,在本发明实施例提供的上述基于前景检测的多目标跟踪方法中,步骤S101利用前景检测算法对图像进行处理,具体可以包括:对图像进行低通滤波;采用帧差法对低通滤波后的图像进行前景与背景的分割,自动获取作为前景的运动目标;通过数学形态学模型对分割后的图像进行处理。
需要说明的是,本发明采用帧差法实现图像前景与背景的分割,帧差法不需要背景建模,因为它的背景模型就是上一帧的图,所以处理速度非常快。在前景检测部分,本发明加入滤波和数学形态学模型处理模块,旨在减少噪声产生的不利影响;具体地,低通滤波滤除了视频帧中的高频噪声,使得图像信号更为平滑;数学形态学进一步降低噪声带来的不利影响。
进一步地,在具体实施时,在本发明实施例提供的上述基于前景检测的多目标跟踪方法中,在接收视频的每一帧图像之后,在对图像进行低通滤波之前,还包括:对图像进行灰度处理。
如图2所示,在背景图像中出现运动目标后,第一列显示了前景检测中当前帧灰度图像,第二列显示了前景检测中低通滤波后的图像,第三列显示了前景检测中帧差法处理后的图像,第四列显示了前景检测中数学形态学模型处理后的图像。
如图3所示,第一列显示了未加入滤波和数学形态学模型处理的图像;第二列显示了只加入数学形态学模型处理后的图像;第三列显示了只加入滤波处理后的图像;第四列显示了加入滤波和数学形态学模型处理后的图像。将这四列进行比较,可以明显看出加入滤波和数学形态学模型处理模块对排除噪声干扰的有效性。
在具体实施时,在本发明实施例提供的上述基于前景检测的多目标跟踪方法中,步骤S102将经前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的运动目标,并对运动目标的坐标信息进行整合,具体可以包括以下步骤:
步骤一、计算经前景检测算法处理后的二值图像中每列像素的灰度和;当每列像素中存在识别出的运动目标时,灰度和为非零;
步骤二、在竖直方向上按照连续非零求和结果对二值图像进行第一划分,计算运动目标的列标号位置;
步骤三、根据步骤二的第一划分结果,计算连续非零列对应的每行像素的灰度和;当每行像素中存在识别出的运动目标时,灰度和为非零;
步骤四、在水平方向上按照连续非零求和结果对二值图像进行第二划分,计算运动目标的行标号位置;
步骤五、根据步骤四的第二划分结果,再次计算每列像素的灰度和,对步骤二中运动目标的列标号进行精确修正;
步骤六、对运动目标的坐标信息进行整合。
图4示出了区域整合算法处理8×8二值图像的详细过程。
在具体实施时,在本发明实施例提供的上述基于前景检测的多目标跟踪方法中,步骤S103采用形心跟踪算法对运动目标进行跟踪,具体可以包括:以运动目标的图像灰度分布的形心为跟踪点,采用形心跟踪算法实时计算出跟踪点的位置,通过计算出的位置对运动目标进行跟踪。
也就是说,形心跟踪方式是以目标图像的灰度分布的形心为跟踪点。根据定义,在一个M×N的跟踪窗口中,其灰度重心位置(即跟踪点位置)采用下列公式求得:
其中,(χ,y)为跟踪点的位置,j=1,2,…M,k=1,2,…N,f(j,k)是图像在(j,k)点的像元灰度值,M,N分别为跟踪窗口内的方位,高低方向的像元数。
需要注意的是,由于计算形心的过程是个统计平均过程,它算出的跟踪点不是个别的最亮点位置,而是图像中各个像元的灰度加权平均的位置,所以以形心为跟踪点的跟踪方式的随机误差小,抗干扰能力强,精度高,稳定性好。
另外,需要了解的是,时延指标直接反映了智能监控系统的好坏程度。为了验证本发明的实时性能,我们在intel core i7-6700平台下统计了帧差法(包括滤波及数学形态模型)及常见的前景检测算法的耗时情况,实验数据为1080P高分辨率测试图像序列,统计结果如表一所示。由实验结果可知,本发明的多目标捕获需要更低的时延,满足实时性要求。
表一前景检测算法时延对比
基于同一发明构思,本发明实施例还提供了一种基于前景检测的多目标跟踪装置,由于该基于前景检测的多目标跟踪装置解决问题的原理与前述一种基于前景检测的多目标跟踪方法相似,因此该基于前景检测的多目标跟踪装置的实施可以参见基于前景检测的多目标跟踪方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的基于前景检测的多目标跟踪装置,如图5所示,具体包括:
前景检测模块,用于接收视频的每一帧图像,利用前景检测算法对图像进行处理,自动识别在图像中的运动目标;
区域整合模块,用于将经前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的运动目标,并对运动目标的坐标信息进行整合;
形心跟踪模块,用于根据整合后的运动目标的坐标信息,采用形心跟踪算法对运动目标进行跟踪,输出运动目标的行为轨迹。
在本发明实施例提供的上述基于前景检测的多目标跟踪装置中,可以通过上述前景检测模块、区域整合模块和形心跟踪模块的相互作用,具有良好的多目标自动捕获及跟踪能力,抗干扰能力强,精度高,稳定性好,满足实时性要求,有着广阔的应用前景。
在具体实施时,在本发明实施例提供的上述基于前景检测的多目标跟踪装置中,前景跟踪模块,具体可以包括:
图像滤波单元,用于对图像进行低通滤波;
图像分割单元,用于采用帧差法对低通滤波后的图像进行前景与背景的分割,自动获取作为前景的运动目标;
数学形态单元,用于通过数学形态学模型对分割后的图像进行处理。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
相应的,本发明实施例还公开了一种基于前景检测的多目标跟踪设备,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现前述实施例公开的基于前景检测的多目标跟踪方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步地,本发明还公开了一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现前述公开的基于前景检测的多目标跟踪方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上,本发明实施例提供的一种基于前景检测的多目标跟踪方法、装置、设备及存储介质,包括:接收视频的每一帧图像,利用前景检测算法对图像进行处理,自动识别在图像中的运动目标;将经前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的运动目标,并对运动目标的坐标信息进行整合;根据整合后的运动目标的坐标信息,采用形心跟踪算法对运动目标进行跟踪,输出运动目标的行为轨迹。这样利用前景检测算法在视频中自动识别运动目标,处理速度快,但由于复杂场景、光照变化等因素,前景检测捕获的区域可能不完整,因此再通过一种低复杂度的整合算法进一步精确提取运动目标区域,最后采用形心跟踪算法对捕获目标进行跟踪,输出目标的行为轨迹。该方法具有良好的多目标自动捕获及跟踪能力,抗干扰能力强,精度高,稳定性好,满足实时性要求,有着广阔的应用前景。
最后,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过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的基于前景检测的多目标跟踪方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于前景检测的多目标跟踪方法,其特征在于,包括:
接收视频的每一帧图像,利用前景检测算法对所述图像进行处理,自动识别在所述图像中的运动目标;
将经所述前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的所述运动目标,并对所述运动目标的坐标信息进行整合;
根据整合后的所述运动目标的坐标信息,采用形心跟踪算法对所述运动目标进行跟踪,输出所述运动目标的行为轨迹。
2.根据权利要求1所述的基于前景检测的多目标跟踪方法,其特征在于,利用前景检测算法对所述图像进行处理,具体包括:
对所述图像进行低通滤波;
采用帧差法对低通滤波后的所述图像进行前景与背景的分割,自动获取作为所述前景的运动目标;
通过数学形态学模型对分割后的所述图像进行处理。
3.根据权利要求2所述的基于前景检测的多目标跟踪方法,其特征在于,在接收视频的每一帧图像之后,在对所述图像进行低通滤波之前,还包括:
对所述图像进行灰度处理。
4.根据权利要求3所述的基于前景检测的多目标跟踪方法,其特征在于,将经所述前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的所述运动目标,并对所述运动目标的坐标信息进行整合,具体包括:
计算经所述前景检测算法处理后的二值图像中每列像素的灰度和;当所述每列像素中存在识别出的所述运动目标时,灰度和为非零;
在竖直方向上按照连续非零求和结果对所述二值图像进行第一划分,计算所述运动目标的列标号位置;
根据第一划分结果,计算连续非零列对应的每行像素的灰度和;当所述每行像素中存在识别出的所述运动目标时,灰度和为非零;
在水平方向上按照连续非零求和结果对所述二值图像进行第二划分,计算所述运动目标的行标号位置;
根据第二划分结果,再次计算所述每列像素的灰度和,对所述运动目标的列标号进行修正;
对所述运动目标的坐标信息进行整合。
5.根据权利要求4所述的基于前景检测的多目标跟踪方法,其特征在于,采用形心跟踪算法对所述运动目标进行跟踪,具体包括:
以所述运动目标的图像灰度分布的形心为跟踪点,采用形心跟踪算法实时计算出所述跟踪点的位置,通过计算出的所述位置对所述运动目标进行跟踪。
7.一种基于前景检测的多目标跟踪装置,其特征在于,包括:
前景检测模块,用于接收视频的每一帧图像,利用前景检测算法对所述图像进行处理,自动识别在所述图像中的运动目标;
区域整合模块,用于将经所述前景检测算法处理后的二值图像分别在不同方向上依据连通区域划分识别出的所述运动目标,并对所述运动目标的坐标信息进行整合;
形心跟踪模块,用于根据整合后的所述运动目标的坐标信息,采用形心跟踪算法对所述运动目标进行跟踪,输出所述运动目标的行为轨迹。
8.根据权利要求7所述的基于前景检测的多目标跟踪装置,其特征在于,所述前景跟踪模块,具体包括:
图像滤波单元,用于对所述图像进行低通滤波;
图像分割单元,用于采用帧差法对低通滤波后的所述图像进行前景与背景的分割,自动获取作为所述前景的运动目标;
数学形态单元,用于通过数学形态学模型对分割后的所述图像进行处理。
9.一种基于前景检测的多目标跟踪设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至6任一项所述的基于前景检测的多目标跟踪方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于前景检测的多目标跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537379.5A CN111667503A (zh) | 2020-06-12 | 2020-06-12 | 基于前景检测的多目标跟踪方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537379.5A CN111667503A (zh) | 2020-06-12 | 2020-06-12 | 基于前景检测的多目标跟踪方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111667503A true CN111667503A (zh) | 2020-09-15 |
Family
ID=72387582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010537379.5A Pending CN111667503A (zh) | 2020-06-12 | 2020-06-12 | 基于前景检测的多目标跟踪方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667503A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116746A (zh) * | 2013-03-08 | 2013-05-22 | 中国科学技术大学 | 一种基于多特征融合技术的视频火焰探测方法 |
CN104658008A (zh) * | 2015-01-09 | 2015-05-27 | 北京环境特性研究所 | 一种基于视频图像的人员聚集检测方法 |
CN106204643A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于多特征联合与Mean Shift算法的多目标跟踪方法 |
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 |
CN107194953A (zh) * | 2017-05-18 | 2017-09-22 | 中国科学院长春光学精密机械与物理研究所 | 一种动态背景下运动目标的检测方法及装置 |
CN108198206A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 基于多特征联合和Camshift算法结合的多目标跟踪方法 |
CN108257146A (zh) * | 2018-01-15 | 2018-07-06 | 新疆大学 | 运动轨迹显示方法及装置 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
-
2020
- 2020-06-12 CN CN202010537379.5A patent/CN111667503A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116746A (zh) * | 2013-03-08 | 2013-05-22 | 中国科学技术大学 | 一种基于多特征融合技术的视频火焰探测方法 |
CN104658008A (zh) * | 2015-01-09 | 2015-05-27 | 北京环境特性研究所 | 一种基于视频图像的人员聚集检测方法 |
CN106204643A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于多特征联合与Mean Shift算法的多目标跟踪方法 |
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 |
CN107194953A (zh) * | 2017-05-18 | 2017-09-22 | 中国科学院长春光学精密机械与物理研究所 | 一种动态背景下运动目标的检测方法及装置 |
CN108198206A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 基于多特征联合和Camshift算法结合的多目标跟踪方法 |
CN108257146A (zh) * | 2018-01-15 | 2018-07-06 | 新疆大学 | 运动轨迹显示方法及装置 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
Non-Patent Citations (2)
Title |
---|
周同雪等: "视频图像中的运动目标检测", 《液晶与显示》, no. 01, 15 January 2017 (2017-01-15) * |
朱明旱等: "基于帧间差分背景模型的运动物体检测与跟踪", 《计算机测量与控制》, no. 08, 25 August 2006 (2006-08-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN112669349B (zh) | 一种客流统计方法、电子设备及存储介质 | |
CN109559330B (zh) | 运动目标的视觉跟踪方法、装置、电子设备及存储介质 | |
CN110059642B (zh) | 人脸图像筛选方法与装置 | |
CN109544592B (zh) | 针对相机移动的运动目标检测算法 | |
CN111723644A (zh) | 一种监控视频遮挡检测方法及系统 | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
CN112364865B (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN112417955B (zh) | 巡检视频流处理方法及装置 | |
CN111723634B (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN110349188B (zh) | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 | |
CN111967345A (zh) | 一种实时判定摄像头遮挡状态的方法 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN109978916B (zh) | 基于灰度图像特征匹配的Vibe运动目标检测方法 | |
Huang et al. | Random sampling-based background subtraction with adaptive multi-cue fusion in RGBD videos | |
CN111986233A (zh) | 基于特征自学习的大场景极小目标遥感视频跟踪方法 | |
CN101567088B (zh) | 一种运动物体检测的方法和装置 | |
Khude et al. | Object detection, tracking and counting using enhanced BMA on static background videos | |
CN111667503A (zh) | 基于前景检测的多目标跟踪方法、装置、设备及存储介质 | |
CN111027560B (zh) | 文本检测方法以及相关装置 | |
CN115471773A (zh) | 一种面向智慧教室的学生跟踪方法及系统 | |
CN111860161B (zh) | 一种目标遮挡检测方法 | |
CN114821075A (zh) | 空间目标捕获方法、装置、终端设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200915 |
|
RJ01 | Rejection of invention patent application after publication |