CN111667505B - 一种定置物品跟踪的方法和装置 - Google Patents
一种定置物品跟踪的方法和装置 Download PDFInfo
- Publication number
- CN111667505B CN111667505B CN202010368409.4A CN202010368409A CN111667505B CN 111667505 B CN111667505 B CN 111667505B CN 202010368409 A CN202010368409 A CN 202010368409A CN 111667505 B CN111667505 B CN 111667505B
- Authority
- CN
- China
- Prior art keywords
- target
- sample
- tracking
- trained
- ssd
- 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
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
-
- 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
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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
本申请提供了一种定置物品跟踪的方法和装置,包括:获取不同应用场景下目标定置物品的视频图像;利用SSD目标检测网络检测所述目标定置物品的目标位置信息;根据所述目标位置信息训练KCF算法,获得训练后的KCF算法;使用所述训练后的KCF算法对目标定置物品进行跟踪,解决目前定置物品跟踪方法存在检测速度慢以及检测精度低的问题。
Description
技术领域
本申请涉及目标检测技术领域,特别是涉及一种定置物品跟踪的方法和装置。
背景技术
目前,在大型商场、营业厅等场所通常会对摆放的海报架、展示架以及一些宣传海报等定置物品进行监控,从而实时了解定置物品的变化情况。
在现有相关技术中,通常是采用人工方式实时跟踪定置物品位置变化,但是上述人工方式跟踪定置物品存在检测速度慢以及检测精度低的问题。
发明内容
本申请提供了一种定置物品跟踪方法和装置,以解决目前定置物品跟踪方法存在检测速度慢以及检测精度低的问题。
为了解决上述问题,本申请公开了一种定置物品跟踪的方法,其包括:
获取不同应用场景下目标定置物品的视频图像;
利用SSD目标检测网络检测所述目标定置物品的目标位置信息;
根据所述目标位置信息训练KCF算法,获得训练后的KCF算法;
使用所述训练后的KCF算法对目标定置物品进行跟踪。
可选的,所述使用所述训练后的KCF算法对目标定置物品进行跟踪的步骤之后,还包括:
当根据所述训练后的KCF算法对目标定置物品跟踪失败时,则采用所述SSD目标检测网络重新对所述目标定置物品的目标位置信息进行检测;
若在设定时间内未检测到目标定置物品,则进行异常报警。
可选的,训练所述SSD目标检测网络的步骤包括:
获取不同应用场景下的监控视频图像中的样本定置物品的样本位置信息;
将所述样本位置信息输入至初始的SSD目标检测网络;
选择所述初始的SSD目标检测网络的网络参数,并对所述网络参数赋予初始值;
采用迭代算法反复进行迭代估计所述网络参数,直至迭代误差小于设定阈值,得到收敛的网络参数,将得到所述收敛的网络参数对应的目标检测网络作为SSD目标检测网络。
可选的,所述获取不同应用场景下的监控视频图像中的样本定置物品的样本位置信息的步骤包括:
按照设定的抽帧频率采集不同应用场景下的监控视频图像中的样本定置物品的视频图像;
将所述视频图像转换为图片,并对所述图片进行人工标注,确定出样本定置物品的样本位置信息。
可选的,所述使用所述训练后的KCF算法对目标监控定置物品进行跟踪的步骤包括:
利用所述训练后的KCF算法按照设定跳帧规则对目标定置物品进行跟踪,其中,所述设定跳帧规则是通过训练后的KCF算法的跳帧规则和所述SSD目标检测网络的跳帧规则确定的。
为了解决上述问题,本申请还公开了一种一种定置物品跟踪的装置,包括:
获取模块,用于获取不同应用场景下目标定置物品的视频图像;
检测模块,用于利用SSD目标检测网络检测所述目标定置物品的目标位置信息;
训练模块,用于根据所述目标位置信息训练KCF算法,获得训练后的KCF算法;
跟踪模块,用于使用所述训练后的KCF算法对目标监控定置物品进行跟踪。
可选的,所述检测模块,还用于当根据所述训练后的KCF算法对目标监控定置物品跟踪失败时,则采用SSD目标检测网络检测对所述目标定置物品的目标位置信息进行检测;
报警模块,用于若检测模块在设定时间内未检测到目标定置物品,则进行异常报警。
可选的,所述装置还包括:
样本模块,用于获取不同应用场景下的监控视频图像中的样本定置物品的样本位置信息;
输入模块,用于将所述样本位置信息输入至初始的SSD目标检测网络;
选择模块,用于选择所述初始的SSD目标检测网络的网络参数,并对所述网络参数赋予初始值;
迭代模块,用于采用迭代算法反复进行迭代估计所述网络参数,直至迭代误差小于设定阈值,得到收敛的网络参数,将得到所述收敛的网络参数对应的目标检测网络作为SSD目标检测网络。
可选的,所述样本模块包括:
采集单元,用于按照设定的抽帧频率采集不同应用场景下的监控视频图像中的样本定置物品的视频图像;
转换单元,用于将所述视频图像转换为图片,并对所述图片进行人工标注,确定出样本定置物品的样本位置信息。
可选的,所述跟踪模块具体用于根据所述训练后的KCF算法按照设定跳帧规则对目标定置物品进行跟踪,其中,所述设定跳帧规则是通过训练后的KCF算法的跳帧规则和SSD目标检测网络的跳帧规则确定的。
与现有技术相比,本申请包括以下优点:
本实施例,通过SSD目标检测网络和KCF算法实现了对监控视频图像中的目标定置物品的目标位置信息的自动化监控,节省了人工的成本,同时通过SSD目标检测网络进行目标定位物品的检测,提高了对目标定置物品的检测精度,再利用KCF算法对目标定置物品进行跟踪,从而提高了对目标定置物品的跟踪速度,也就是说,通过SSD目标检测网络和KCF算法结合提高了对目标定置物品的跟踪精度和检测速度。
当然,实施本申请的任一产品不一定需要同时达到以上所述的所有优点。
附图说明
图1是本申请实施例所述一种定置物品跟踪方法的流程图;
图2是本申请实施例所述一种定置物品跟踪方法的流程图;
图3是本申请实施例所述一种定置物品跟踪装置的结构图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,其示出了本申请实施例一种定置物品跟踪的方法的流程图,具体包括以下步骤:
步骤101:获取不同应用场景下目标定置物品的视频图像。
定置物品是指场所固定、物品存放位置固定、物品的信息媒介固定,用三固定的技法来实现人、物、场所一体化,此种定置方法适用于对象物在物流运动中进行周期性重复运动,即物品用后回归原地,仍固定在场所某特定位置。
不同的应用场景包括但不限于以下应用场景,例如:营业厅中的易拉宝、人机交互中的定置物品以及其他应用场景,对此本申请不做具体限制。
在实际应用中,可以按照设定的抽帧频率通过代码抽取出监控视频图像中包含目标定置物品的视频图像,将所述视频图像转换为图片,并对图片进行人工标注,标注出目标定置物品,人工标注可以以矩形框标注,或者圆形框标注,或者其他形式进行标注,对此本申请不做具体限制。
步骤102:利用SSD目标检测网络检测目标定置物品的目标位置信息。
步骤103:根据所述目标位置信息训练KCF算法,获得训练后的KCF算法。
KCF相关滤波跟踪算法,具有使用简单且速度快等特点,在本申请中根据目标位置信息训练KCF算法,获得训练后的KCF算法具体过程如下:根据目标位置信息手动训练目标检测器,使用目标检测器去检测下一帧预测位置是否是目标,然后再使用新检测结果去更新训练集进而更新目标检测器,获得训练后的KCF算法,而在训练目标检测器时一般选取目标区域为正样本,目标的周围区域为负样本,当然越靠近目标的区域为正样本的可能性越大。
步骤104:使用所述训练后的KCF算法对目标定置物品进行跟踪。
本实施例,通过SSD目标检测网络和KCF算法实现了对监控视频图像中的目标定置物品的目标位置信息的自动化监控,节省了人工的成本,同时通过SSD目标检测网络进行目标定位物品的检测,提高了对目标定置物品的检测精度,在利用KCF算法对目标定置物品进行跟踪,从而提高了对目标定置物品的跟踪的速度,也就是说,通过SSD目标检测网络和KCF算法结合提高了对目标定置物品的跟踪精度和检测速度。
参照图2,其示出了本申请实施例一种定置物品跟踪的方法的流程图,具体包括以下步骤:
步骤201:获取不同应用场景下目标定置物品的视频图像。
步骤202:利用SSD目标检测网络检测所述目标定置物品的目标位置信息。
在实际应用中,在利用SSD目标检测网络检测所述目标定置物品的目标位置信息之前,需要预先训练SSD目标检测网络,具体训练SSD目标检测网络的步骤包括:
子步骤1:获取不同应用场景下的监控视频图像中的样本定置物品的样本位置信息。
作为其中一种实现方式,获取不同应用场景下的监控视频图像中的样本定置物品的样本位置信息包括如下步骤:
按照设定的抽帧频率采集不同应用场景下的监控视频图像中的样本定置物品的视频图像。
将所述视频图像转换为图片,并对所述图片进行人工标注,确定出样本定置物品的样本位置信息。
在实际应用中,可以按照设定的抽帧频率通过代码抽取出监控视频图像中包含样本定置物品的视频图像,将所述视频图像转换为图片,并对图片进行人工标注,标注出样本定置物品的样本位置信息,作为训练集,在SSD训练时使用。
人工标注可以以矩形框标注,或者圆形框标注,或者其他形式进行标注,对此本申请不做具体限制。
其中,抽帧频率的设定可以由本领域技术人员采用任意适当方式进行设定,如可以采用人工经验设定阈值,或者针对历史数据的差异值设定阈值,,本申请对此不作限制。
子步骤2:将所述样本位置信息输入至初始的SSD目标检测网络。
子步骤3:选择所述初始的SSD目标检测网络的网络参数,并对所述网络参数赋予初始值。
子步骤3:采用迭代算法反复进行迭代估计所述网络参数,直至迭代误差小于设定阈值,得到收敛的网络参数,将得到所述收敛的网络参数对应的目标检测网络作为SSD目标检测网络。
步骤203:根据所述目标位置信息训练KCF算法,获得训练后的KCF算法。
将目标位置信息的区域截取出来,初始化KCF,就完成了KCF的训练,获取训练后的KCF算法,并使用训练后的KCF算法检测出下一帧图像该区域附近是否存在相应的目标定置物品。
步骤204:使用所述训练后的KCF算法对目标定置物品进行跟踪。
在实际应用中,利用训练后的KCF算法按照设定跳帧规则对目标定置物品进行跟踪。
其中,所述设定跳帧规则是通过训练后的KCF算法的跳帧规则和所述SSD目标检测网络的跳帧规则确定的。
具体的,若训练后的KCF算法的跳帧规则为每3帧检测一帧,而SSD目标检测网络的跳帧规则为每6帧检测一帧,则建议系统设定的跳帧规则可以在每3帧检测一帧与每6帧检测一帧的范围内进行选择,在实际应用中可以根据应用场景不同选择不同的跳帧规则。
步骤205:当根据所述训练后的KCF算法对目标定置物品跟踪失败时,则采用所述SSD目标检测网络重新对所述目标定置物品的目标位置信息进行检测。
步骤206:若在设定时间内未检测到目标定置物品,则进行异常报警。
在实际应用中,当监控系统启动的时候,首先使用SSD目标检测网络检测出视频图像中定置物品的位置信息,定置物品所在的位置信息的区域截取出来,初始化KCF算法,直接进行跟踪,正常情况下,KCF能显示出定置物品是否还在指定区域内,如果KCF结果显示不在,可能的原因至少有以下三个:1、长时间使用KCF,算法可能会失效,给出了一个误报的结果,即定置物品还在,但是结果显示不在。2、可能在定置物品与监控摄像头之间短时间内出现了严重的遮挡,导致KCF失效。3、定置物品被人为移出了KCF监控的范围,导致显示定置物品不在相应范围内。这个时候,再采用所述SSD目标检测网络重新对所述目标定置物品的目标位置信息进行检测,从而起到一个纠错的作用。如果设定时间范围内一直未检测到目标定置物品,则开启报警状态,如果目标定置物品回归到视野内,则将检测任务移交给KCF算法来跟踪,以减少性能消耗。
本实施例,通过SSD目标检测网络和KCF算法实现了对监控视频图像中的目标监控定置物品的目标位置信息的自动化监控,节省了人工的成本,同时通过SSD目标检测网络进行目标监控定位物品的检测,提高了对目标监控定位物品的检测精度,在利用KCF算法对目标监控定位物品进行跟踪,从而提高了对目标监控定位物品的跟踪的速度,也就是说,通过SSD目标检测网络和KCF算法结合提高了对目标监控定位物品的监控的精度和检测速度。
需要说明的是,对于前述的方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请所必需的。
基于上述方法实施例的说明,本申请还提供了相应的装置实施例,来实现上述方法实施例所述的内容。
参照图3,其示出了本申请实施例所述一种定置物品跟踪的装置的结构图,具体包括:
获取模块301,用于获取不同应用场景下目标定置物品的视频图像。
检测模块302,用于利用SSD目标检测网络检测所述目标定置物品的目标位置信息。
训练模块303,用于根据所述目标位置信息训练KCF算法,获得训练后的KCF算法。
跟踪模块304,用于使用所述训练后的KCF算法对目标监控定置物品进行跟踪。
可选的,所述检测模块,还用于当根据所述训练后的KCF算法对目标监控定置物品跟踪失败时,则采用SSD目标检测网络检测对所述目标定置物品的目标位置信息进行检测;
报警模块,用于若检测模块在设定时间内未检测到目标定置物品,则进行异常报警。
可选的,所述装置还包括:
样本模块,用于获取不同应用场景下的监控视频图像中的样本定置物品的样本位置信息;
输入模块,用于将所述样本位置信息输入至初始的SSD目标检测网络;
选择模块,用于选择所述初始的SSD目标检测网络的网络参数,并对所述网络参数赋予初始值;
迭代模块,用于采用迭代算法反复进行迭代估计所述网络参数,直至迭代误差小于设定阈值,得到收敛的网络参数,将得到所述收敛的网络参数对应的目标检测网络作为SSD目标检测网络。
可选的,所述样本模块包括:
采集单元,用于按照设定的抽帧频率采集不同应用场景下的监控视频图像中的样本定置物品的视频图像;
转换单元,用于将所述视频图像转换为图片,并对所述图片进行人工标注,确定出样本定置物品的样本位置信息。
可选的,所述跟踪模块具体用于根据所述训练后的KCF算法按照设定跳帧规则对目标定置物品进行跟踪,其中,所述设定跳帧规则是通过训练后的KCF算法的跳帧规则和SSD目标检测网络的跳帧规则确定的。
本实施例,通过SSD目标检测网络和KCF算法实现了对监控视频图像中的目标定置物品的目标位置信息的自动化监控,节省了人工的成本,同时通过SSD目标检测网络进行目标定位物品的检测,提高了对目标定置物品的检测精度,在利用KCF算法对目标定置物品进行跟踪,从而提高了对目标定置物品的跟踪的速度,也就是说,通过SSD目标检测网络和KCF算法结合提高了对目标定置物品的跟踪精度和检测速度。
对于上述装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见所示方法实施例的部分说明即可。
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。
本领域技术人员易于想到的是:上述各个实施例的任意组合应用都是可行的,故上述各个实施例之间的任意组合都是本申请的实施方案,但是由于篇幅限制,本说明书在此就不一一详述了。
本申请可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本申请中,“组件”、“装置”、“系统”等等指应用于计算机的相关实体,如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说,例如,组件可以、但不限于是运行于处理器的过程、处理器、对象、可执行组件、执行线程、程序和/或计算机。还有,运行于服务器上的应用程序或脚本程序、服务器都可以是组件。一个或多个组件可在执行的过程和/或线程中,并且组件可以在一台计算机上本地化和/或分布在两台或多台计算机之间,并可以由各种计算机可读介质运行。组件还可以根据具有一个或多个数据包的信号,例如,来自一个与本地系统、分布式系统中另一组件交互的,和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
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”,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……”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。
而且,上文中的“和/或”表示本文既包含了“和”的关系,也包含了“或”的关系,其中:如果方案A与方案B是“和”的关系,则表示某实施例中可以同时包括方案A和方案B;如果方案A与方案B是“或”的关系,则表示某实施例中可以单独包括方案A,或者单独包括方案B。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
以上对本申请所提供的一种定置物品监控的方法和装置,进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (10)
1.一种定置物品跟踪的方法,其特征在于,包括:
获取不同应用场景下目标定置物品的视频图像;
利用SSD目标检测网络检测所述目标定置物品的目标位置信息;
根据所述目标位置信息训练KCF算法,获得训练后的KCF算法;
使用所述训练后的KCF算法对目标定置物品进行跟踪。
2.根据权利要求1所述的方法,其特征在于,所述使用所述训练后的KCF算法对目标定置物品进行跟踪的步骤之后,还包括:
当根据所述训练后的KCF算法对目标定置物品跟踪失败时,则采用所述SSD目标检测网络重新对所述目标定置物品的目标位置信息进行检测;
若在设定时间内未检测到目标定置物品,则进行异常报警。
3.根据权利要求1所述的方法,其特征在于,训练所述SSD目标检测网络的步骤包括:
获取不同应用场景下的监控视频图像中的样本定置物品的样本位置信息;
将所述样本位置信息输入至初始的SSD目标检测网络;
选择所述初始的SSD目标检测网络的网络参数,并对所述网络参数赋予初始值;
采用迭代算法反复进行迭代估计所述网络参数,直至迭代误差小于设定阈值,得到收敛的网络参数,将得到所述收敛的网络参数对应的目标检测网络作为SSD目标检测网络。
4.根据权利要求3所述的方法,其特征在于,所述获取不同应用场景下的监控视频图像中的样本定置物品的样本位置信息的步骤包括:
按照设定的抽帧频率采集不同应用场景下的监控视频图像中的样本定置物品的视频图像;
将所述视频图像转换为图片,并对所述图片进行人工标注,确定出样本定置物品的样本位置信息。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述使用所述训练后的KCF算法对目标监控定置物品进行跟踪的步骤包括:
利用所述训练后的KCF算法按照设定跳帧规则对目标定置物品进行跟踪,其中,所述设定跳帧规则是通过训练后的KCF算法的跳帧规则和所述SSD目标检测网络的跳帧规则确定的。
6.一种定置物品跟踪的装置,其特征在于,包括:
获取模块,用于获取不同应用场景下目标定置物品的视频图像;
检测模块,用于利用SSD目标检测网络检测所述目标定置物品的目标位置信息;
训练模块,用于根据所述目标位置信息训练KCF算法,获得训练后的KCF算法;
跟踪模块,用于使用所述训练后的KCF算法对目标监控定置物品进行跟踪。
7.根据权利要求6所述的装置,其特征在于,
所述检测模块,还用于当根据所述训练后的KCF算法对目标监控定置物品跟踪失败时,则采用SSD目标检测网络检测对所述目标定置物品的目标位置信息进行检测;
报警模块,用于若检测模块在设定时间内未检测到目标定置物品,则进行异常报警。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
样本模块,用于获取不同应用场景下的监控视频图像中的样本定置物品的样本位置信息;
输入模块,用于将所述样本位置信息输入至初始的SSD目标检测网络;
选择模块,用于选择所述初始的SSD目标检测网络的网络参数,并对所述网络参数赋予初始值;
迭代模块,用于采用迭代算法反复进行迭代估计所述网络参数,直至迭代误差小于设定阈值,得到收敛的网络参数,将得到所述收敛的网络参数对应的目标检测网络作为SSD目标检测网络。
9.根据权利要求8所述的装置,其特征在于,所述样本模块包括:
采集单元,用于按照设定的抽帧频率采集不同应用场景下的监控视频图像中的样本定置物品的视频图像;
转换单元,用于将所述视频图像转换为图片,并对所述图片进行人工标注,确定出样本定置物品的样本位置信息。
10.根据权利要求6-9任一项所述的装置,其特征在于,所述跟踪模块具体用于根据所述训练后的KCF算法按照设定跳帧规则对目标定置物品进行跟踪,其中,所述设定跳帧规则是通过训练后的KCF算法的跳帧规则和SSD目标检测网络的跳帧规则确定的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010368409.4A CN111667505B (zh) | 2020-04-30 | 2020-04-30 | 一种定置物品跟踪的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010368409.4A CN111667505B (zh) | 2020-04-30 | 2020-04-30 | 一种定置物品跟踪的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667505A CN111667505A (zh) | 2020-09-15 |
CN111667505B true CN111667505B (zh) | 2023-04-07 |
Family
ID=72383140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010368409.4A Active CN111667505B (zh) | 2020-04-30 | 2020-04-30 | 一种定置物品跟踪的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667505B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086718A (zh) * | 2022-07-19 | 2022-09-20 | 广州万协通信息技术有限公司 | 一种视频流加密方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727672A (zh) * | 2008-10-24 | 2010-06-09 | 云南正卓信息技术有限公司 | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 |
CN107918765A (zh) * | 2017-11-17 | 2018-04-17 | 中国矿业大学 | 一种移动目标检测并追踪系统及其方法 |
CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
CN109146923A (zh) * | 2018-07-13 | 2019-01-04 | 高新兴科技集团股份有限公司 | 一种目标跟踪丢断帧的处理方法及系统 |
CN109325407A (zh) * | 2018-08-14 | 2019-02-12 | 西安电子科技大学 | 基于f-ssd网络滤波的光学遥感视频目标检测方法 |
CN109978045A (zh) * | 2019-03-20 | 2019-07-05 | 深圳市道通智能航空技术有限公司 | 一种目标跟踪方法、装置和无人机 |
CN109993769A (zh) * | 2019-03-07 | 2019-07-09 | 安徽创世科技股份有限公司 | 一种深度学习ssd算法结合kcf算法的多目标跟踪系统 |
CN110046659A (zh) * | 2019-04-02 | 2019-07-23 | 河北科技大学 | 一种基于tld的长时间单目标跟踪方法 |
CN110232350A (zh) * | 2019-06-10 | 2019-09-13 | 哈尔滨工程大学 | 一种基于在线学习的实时水面多运动目标检测跟踪方法 |
CN110490905A (zh) * | 2019-08-15 | 2019-11-22 | 江西联创精密机电有限公司 | 一种基于YOLOv3和DSST算法的目标跟踪方法 |
WO2019228387A1 (zh) * | 2018-05-31 | 2019-12-05 | 广州虎牙信息科技有限公司 | 目标定位方法、视频显示方法、装置、设备和存储介质 |
-
2020
- 2020-04-30 CN CN202010368409.4A patent/CN111667505B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727672A (zh) * | 2008-10-24 | 2010-06-09 | 云南正卓信息技术有限公司 | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 |
CN107918765A (zh) * | 2017-11-17 | 2018-04-17 | 中国矿业大学 | 一种移动目标检测并追踪系统及其方法 |
CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
WO2019228387A1 (zh) * | 2018-05-31 | 2019-12-05 | 广州虎牙信息科技有限公司 | 目标定位方法、视频显示方法、装置、设备和存储介质 |
CN109146923A (zh) * | 2018-07-13 | 2019-01-04 | 高新兴科技集团股份有限公司 | 一种目标跟踪丢断帧的处理方法及系统 |
CN109325407A (zh) * | 2018-08-14 | 2019-02-12 | 西安电子科技大学 | 基于f-ssd网络滤波的光学遥感视频目标检测方法 |
CN109993769A (zh) * | 2019-03-07 | 2019-07-09 | 安徽创世科技股份有限公司 | 一种深度学习ssd算法结合kcf算法的多目标跟踪系统 |
CN109978045A (zh) * | 2019-03-20 | 2019-07-05 | 深圳市道通智能航空技术有限公司 | 一种目标跟踪方法、装置和无人机 |
CN110046659A (zh) * | 2019-04-02 | 2019-07-23 | 河北科技大学 | 一种基于tld的长时间单目标跟踪方法 |
CN110232350A (zh) * | 2019-06-10 | 2019-09-13 | 哈尔滨工程大学 | 一种基于在线学习的实时水面多运动目标检测跟踪方法 |
CN110490905A (zh) * | 2019-08-15 | 2019-11-22 | 江西联创精密机电有限公司 | 一种基于YOLOv3和DSST算法的目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111667505A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107509107B (zh) | 视频播放故障的检测方法、装置及设备、可读介质 | |
US20150193698A1 (en) | Data processing device | |
US20090033746A1 (en) | Automatic adjustment of area monitoring based on camera motion | |
CN107886048A (zh) | 目标跟踪方法及系统、存储介质及电子终端 | |
US20210124914A1 (en) | Training method of network, monitoring method, system, storage medium and computer device | |
JP2015019248A (ja) | 追跡支援装置、追跡支援システムおよび追跡支援方法 | |
US11915447B2 (en) | Audio acquisition device positioning method and apparatus, and speaker recognition method and system | |
US10936472B2 (en) | Screen recording preparation method for evaluating software usability | |
CN106295598A (zh) | 一种跨摄像头目标跟踪方法及装置 | |
CN110866515A (zh) | 厂房内对象行为识别方法、装置以及电子设备 | |
CN107993256A (zh) | 动态目标跟踪方法、装置及存储介质 | |
Banu et al. | Intelligent video surveillance system | |
JP6494799B2 (ja) | ジオロケーションを使用して位置決めされた画像を用いた施設の固定 | |
CN111667505B (zh) | 一种定置物品跟踪的方法和装置 | |
US20100296742A1 (en) | System and method for object based post event forensics in video surveillance systems | |
JP4292371B2 (ja) | 移動体監視装置 | |
US9648211B2 (en) | Automatic video synchronization via analysis in the spatiotemporal domain | |
US11557041B2 (en) | Dynamic artificial intelligence camera model update | |
CN113191202B (zh) | 一种图像处理方法、装置及电子设备 | |
CN112135108B (zh) | 视频流字幕检测方法、系统、设备及存储介质 | |
CN114387544A (zh) | 一种高空抛物检测方法、系统、电子设备及存储介质 | |
US10901726B2 (en) | Intelligent visual regression system | |
EP3543903A1 (en) | Image processing apparatus and method, and storage medium storing instruction | |
CN111967403A (zh) | 视频移动区域确定方法、装置及电子设备 | |
JP2019169145A (ja) | 画像処理装置および方法、並びに、命令を格納する記憶媒体 |
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 |