CN112017210A - 目标物体跟踪方法及装置 - Google Patents

目标物体跟踪方法及装置 Download PDF

Info

Publication number
CN112017210A
CN112017210A CN202010677257.6A CN202010677257A CN112017210A CN 112017210 A CN112017210 A CN 112017210A CN 202010677257 A CN202010677257 A CN 202010677257A CN 112017210 A CN112017210 A CN 112017210A
Authority
CN
China
Prior art keywords
target object
bounding box
boundary
boundary information
image
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
Application number
CN202010677257.6A
Other languages
English (en)
Inventor
李庆民
卢存盟
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.)
Chuangze Intelligent Robot Group Co ltd
Original Assignee
Chuangze Intelligent Robot Group 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 Chuangze Intelligent Robot Group Co ltd filed Critical Chuangze Intelligent Robot Group Co ltd
Priority to CN202010677257.6A priority Critical patent/CN112017210A/zh
Publication of CN112017210A publication Critical patent/CN112017210A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种目标物体跟踪方法及装置。其中，该方法包括：通过监控摄像头获取目标物体的监控图像；利用物体检测模型对监控图像进行分析，确定目标物体在监控图像中的边界信息，其中，物体检测模型由多组数据通过机器学习训练得到，多组数据包括：多组训练数据，多组训练数据中的每组训练数据均包括：训练图像和训练图像中标识出的目标物体的边界信息；基于边界信息控制监控摄像头进行移动，以使监控摄像头对目标物体进行跟踪。本发明解决了由于物体持续移动，需要人工调整摄像头，跟踪目标，操作不方便的技术问题。

Description

目标物体跟踪方法及装置
技术领域
本发明涉及智能监控领域，具体而言，涉及一种目标物体跟踪方法及装置。
背景技术
在实际场景中，摄像头大多数情况的是固定的。对于摄像头拍摄到的物体，可以通过物体检测的方法进行定位，对于运动的物体，如果物体由于持续的运动，而消失在当前画面中的时候，需要人们手动调整摄像头的拍摄角度，进而拍摄到要跟踪的目标。调节摄像头需要人为干预，非常不方便。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标物体跟踪方法及装置，以至少解决由于物体持续移动，需要人工调整摄像头，跟踪目标，操作不方便的技术问题。
根据本发明实施例的一个方面，提供了一种目标物体跟踪方法，包括：通过监控摄像头获取目标物体的监控图像；利用物体检测模型对所述监控图像进行分析，确定所述目标物体在所述监控图像中的边界信息，其中，所述物体检测模型由多组数据通过机器学习训练得到，所述多组数据包括：多组训练数据，所述多组训练数据中的每组训练数据均包括：训练图像和所述训练图像中标识出的所述目标物体的边界信息；基于所述边界信息控制所述监控摄像头进行移动，以使所述监控摄像头对所述目标物体进行跟踪。
可选的，所述多组数据还包括：多组测试数据，所述多组测试数据中的每组测试数据均包括：测试图像，所述测试图像中包含所述目标物体，所述方法还包括：利用所述多组训练数据和预设物体检测算法，通过机器学习训练得到所述物体检测模型；利用所述多组测试数据对所述物体检测模型进行优化。
可选的，利用所述物体检测模型对所述监控图像进行分析，确定所述边界信息包括：利用所述物体检测模型对所述监控图像进行分析，在所述监控图像中确定所述目标物体的包围盒边界信息，其中，所述目标物体的包围盒为直角四边形，所述包围盒边界信息包括：包围盒参考顶点坐标、所述直角四边形中第一组边的第一长度以及所述直角四边形中第二组边的第二长度。
可选的，基于所述边界信息控制所述监控摄像头进行移动，以使所述监控摄像头对所述目标物体进行跟踪包括：获取所述监控摄像头的第一云台位置；基于所述边界信息和所述第一云台位置确定所述监控摄像头的第二云台位置；控制所述监控摄像头从所述第一云台位置移动至所述第二云台位置，以使所述监控摄像头对所述目标物体进行跟踪。
可选的，基于所述边界信息和所述第一云台位置确定所述第二云台位置包括：获取第一距离值和第二距离值，其中，所述第一距离值为所述监控图像的第一水平边界与所述包围盒的第二水平边界之间的距离并且所述第一距离值是所述第一水平边界与所述包围盒之间的最短距离，所述第二距离值为所述监控图像的第一竖直边界与所述包围盒的第二竖直边界之间的距离并且所述第二距离值是所述第一竖直边界与所述包围盒之间的最短距离；计算第一变化量和第二变化量，其中，所述第一变化量是与所述目标物体在所述监控图像的水平方向上移动单位像素对应的云台平移变化量，所述第二变化量是与所述目标物体在所述监控图像的竖直方向上移动单位像素对应的云台倾斜变化量；利用所述第一云台位置、所述第一距离值、所述第二距离值、所述第一变化量、第二变化量以及所述包围盒参考顶点坐标，计算得到所述第二云台位置。
根据本发明实施例的另一方面，还提供了一种目标物体跟踪装置，包括：获取模块，用于通过监控摄像头获取目标物体的监控图像；确定模块，用于利用物体检测模型对所述监控图像进行分析，确定所述目标物体在所述监控图像中的边界信息，其中，所述物体检测模型由多组数据通过机器学习训练得到，所述多组数据包括：多组训练数据，所述多组训练数据中的每组训练数据均包括：训练图像和所述训练图像中标识出的所述目标物体的边界信息；控制模块，用于基于所述边界信息控制所述监控摄像头进行移动，以使所述监控摄像头对所述目标物体进行跟踪。
可选的，所述多组数据还包括：多组测试数据，所述多组测试数据中的每组测试数据均包括：测试图像，所述测试图像中包含所述目标物体，所述装置还包括：训练模块，用于利用所述多组训练数据和预设物体检测算法，通过机器学习训练得到所述物体检测模型；优化模块，用于利用所述多组测试数据对所述物体检测模型进行优化。
可选的，所述确定模块，用于利用所述物体检测模型对所述监控图像进行分析，在所述监控图像中确定所述目标物体的包围盒边界信息，其中，所述目标物体的包围盒为直角四边形，所述包围盒边界信息包括：包围盒参考顶点坐标、所述直角四边形中第一组边的第一长度以及所述直角四边形中第二组边的第二长度。
可选的，所述控制模块，用于获取所述监控摄像头的第一云台位置；基于所述边界信息和所述第一云台位置确定所述监控摄像头的第二云台位置；控制所述监控摄像头从所述第一云台位置移动至所述第二云台位置，以使所述监控摄像头对所述目标物体进行跟踪。
可选的，所述控制模块，用于获取第一距离值和第二距离值，其中，所述第一距离值为所述监控图像的第一水平边界与所述包围盒的第二水平边界之间的距离并且所述第一距离值是所述第一水平边界与所述包围盒之间的最短距离，所述第二距离值为所述监控图像的第一竖直边界与所述包围盒的第二竖直边界之间的距离并且所述第二距离值是所述第一竖直边界与所述包围盒之间的最短距离；计算第一变化量和第二变化量，其中，所述第一变化量是与所述目标物体在所述监控图像的水平方向上移动单位像素对应的云台平移变化量，所述第二变化量是与所述目标物体在所述监控图像的竖直方向上移动单位像素对应的云台倾斜变化量；利用所述第一云台位置、所述第一距离值、所述第二距离值、所述第一变化量、第二变化量以及所述包围盒参考顶点坐标，计算得到所述第二云台位置。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中所述的目标物体跟踪方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序被设置为运行时执行上述任一项中所述的目标物体跟踪方法。
根据本发明实施例的另一方面，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的目标物体跟踪方法。
在本发明实施例中，采用通过监控摄像头获取目标物体的监控图像；利用物体检测模型对监控图像进行分析，确定目标物体在监控图像中的边界信息，其中，物体检测模型由多组数据通过机器学习训练得到，多组数据包括：多组训练数据，多组训练数据中的每组训练数据均包括：训练图像和训练图像中标识出的目标物体的边界信息；基于边界信息控制监控摄像头进行移动，以使监控摄像头对目标物体进行跟踪的方式，通过检测模型识别目标物体的边界信息，基于边界信息控制监控摄像头进行移动，达到了监控摄像头自动跟随目标物体移动，对目标物体进行有效监控的目的，从而实现了提高操作便捷度的技术效果，进而解决了由于物体持续移动，需要人工调整摄像头，跟踪目标，操作不方便的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例1的一种目标物体跟踪方法的流程图；
图2是根据本发明实施例2的目标对象的边界的示意图；
图3是根据本发明实施例3的一种目标物体跟踪装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种目标物体跟踪方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例1的一种目标物体跟踪方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，通过监控摄像头获取目标物体的监控图像；
上述监控摄像头可以为拍摄车辆的交通摄像头，还可以为设置在建筑物内外的安保摄像头，还可以是监控摄像头。上述监控摄像头通过配套的可移动设备进行安装，在需要调整摄像头的朝向时，可以通过手动调整或者人工控制调整，其需要人工追踪目标已进行调整，操作非常不便。
本实施例通过检测模型对监控图像进行分析，确定目标物体在监控图像中的边界信息，从而根据边界信息对该目标物体进行追踪，并控制摄像头移动对该目标物体进行追踪，以实现自动追送目标物体，调节摄像头朝向的目的。
步骤S104，利用物体检测模型对监控图像进行分析，确定目标物体在监控图像中的边界信息，其中，物体检测模型由多组数据通过机器学习训练得到，多组数据包括：多组训练数据，多组训练数据中的每组训练数据均包括：训练图像和训练图像中标识出的目标物体的边界信息；
上述物体检测模型可以为机器学习模型，或深度学习模型，上述物体检测模型可以包括yolo物体检测算法，深度学习算法，卷积神经网络算法等，上述物体检测模型可以包括输入层，中间层和输出层，中间层可以为多层。由多组训练数据通过机器学习训练得到上述物体检测模型。每组训练数据包括：训练图像和训练图像中标识出的目标物体的边界信息，训练完成后，将采集的监控图像输入物体检测模型，由物体检测模型输出该监控图像中的目标物体的边界信息，从而对监控图像的目标物体的边界信息进行有效识别。
可选的，多组数据还包括：多组测试数据，多组测试数据中的每组测试数据均包括：测试图像，测试图像中包含目标物体，方法还包括：利用多组训练数据和预设物体检测算法，通过机器学习训练得到物体检测模型；利用多组测试数据对物体检测模型进行优化。
上述预设物体检测算法可以为上述yolo物体检测算法，通过上述预设物体检测算法和上述多组训练数据通过机器学习训练的方式得到上述物体检测模型。
上述测试图像可以为对得到的上述物体检测模型的识别能力进行测试的测试图像，通过多组测试图像进行测试，根据测试结果对物体检测模型进行优化，使得上述物体检测模型的识别能力更高，识别更准确。
可选的，利用物体检测模型对监控图像进行分析，确定边界信息包括：利用物体检测模型对监控图像进行分析，在监控图像中确定目标物体的包围盒边界信息，其中，目标物体的包围盒为直角四边形，包围盒边界信息包括：包围盒参考顶点坐标、直角四边形中第一组边的第一长度以及直角四边形中第二组边的第二长度。
上述边界信息可以包括目标物体的图像范围，上述图像范围可以为预设的图形，例如，四边形，五边形，六边形，还可以是目标物体的不规则的显示轮廓，在本实施例中，选择直角四边形作为边界信息的形状，不仅运算速度快，而且方便确定边界信息的尺寸范围。
具体的，上述边界信息包括，包围盒参考顶点坐标、直角四边形中第一组边的第一长度以及直角四边形中第二组边的第二长度，从而根据上述包围盒参考顶点坐标可以确定边界信息在监控图像中的位置，根据直角四边形中第一组边的第一长度以及直角四边形中第二组边的第二长度可以确定边界信息在上述位置的范围。从而有效确定目标物体的边界信息在监控图像中的位置和范围。
步骤S106，基于边界信息控制监控摄像头进行移动，以使监控摄像头对目标物体进行跟踪。
上述基于边界信息控制监控摄像头进行移动，可以是检测到边界信息在监控图像中移动的方向和距离，根据该方向和距离调整监控摄像头的拍摄方向。上述监控摄像头一般安装在可移动装置上，通过可移动装置的移动，实现监控摄像头的拍摄方向的调整。上述可移动装置可以为云台。
可选的，基于边界信息控制监控摄像头进行移动，以使监控摄像头对目标物体进行跟踪包括：获取监控摄像头的第一云台位置；基于边界信息和第一云台位置确定监控摄像头的第二云台位置；控制监控摄像头从第一云台位置移动至第二云台位置，以使监控摄像头对目标物体进行跟踪。
上述第一云台位置为上述监控摄像头当前的朝向对应的云台位置，上述第二云台位置为当前监控摄像头需移动至跟踪目标物体的边界信息的位置。将监控摄像头所在的第一云台位置移动到第二云台位置，是监控摄像头可以监控到完整的目标物体的边界信息，以实现对目标物体的跟踪。
可选的，基于边界信息和第一云台位置确定第二云台位置包括：获取第一距离值和第二距离值，其中，第一距离值为监控图像的第一水平边界与包围盒的第二水平边界之间的距离并且第一距离值是第一水平边界与包围盒之间的最短距离，第二距离值为监控图像的第一竖直边界与包围盒的第二竖直边界之间的距离并且第二距离值是第一竖直边界与包围盒之间的最短距离；计算第一变化量和第二变化量，其中，第一变化量是与目标物体在监控图像的水平方向上移动单位像素对应的云台平移变化量，第二变化量是与目标物体在监控图像的竖直方向上移动单位像素对应的云台倾斜变化量；利用第一云台位置、第一距离值、第二距离值、第一变化量、第二变化量以及包围盒参考顶点坐标，计算得到第二云台位置。
设置监控图像的第一水平边界与包围盒的第二水平边界之间的距离并且第一距离值是第一水平边界与包围盒之间的最短距离的第一距离值，和监控图像的第一竖直边界与包围盒的第二竖直边界之间的距离并且第二距离值是第一竖直边界与包围盒之间的最短距离的第二距离值。
如果第一变化量超过预设的第一变化量，和/或，第二变化量超过预设的第二变化量的情况下，根据第一云台位置、第一距离值、第二距离值、第一变化量、第二变化量以及包围盒参考顶点坐标，计算得到第二云台位置，将第一云台位置移动至第二云台位置，以此保证目标物体的边界信息一直位于监控摄像头的监控图像的画面中，从而实现自动控制健康摄像头第目标物体进行跟踪。
通过上述步骤，采用通过监控摄像头获取目标物体的监控图像；利用物体检测模型对监控图像进行分析，确定目标物体在监控图像中的边界信息，其中，物体检测模型由多组数据通过机器学习训练得到，多组数据包括：多组训练数据，多组训练数据中的每组训练数据均包括：训练图像和训练图像中标识出的目标物体的边界信息；基于边界信息控制监控摄像头进行移动，以使监控摄像头对目标物体进行跟踪的方式，通过检测模型识别目标物体的边界信息，基于边界信息控制监控摄像头进行移动，达到了监控摄像头自动跟随目标物体移动，对目标物体进行有效监控的目的，从而实现了提高操作便捷度的技术效果，进而解决了由于物体持续移动，需要人工调整摄像头，跟踪目标，操作不方便的技术问题。
实施例2
本实施例提供了一种基于yolo物体检测算法+onvif协议的目标跟踪方法，具体如下。
目前物体检测算法应用广泛，通过物体检测方法(Faster-RCNN、YOLO等)，可以定位到检测物体在监控图像中的位置。此方法被广泛应用在物体检测领域。本实施例可实现对于特定目标进行自动持续跟踪，跟踪过程中不需要人手动调整摄像头。
本实施例提供一种通过摄像头，不需要人为干预对特定目标自动进行跟踪拍摄的方法，具体方案如下：
1、物体检测模型的训练
准备训练数据和测试数据，训练数据和测试数据中包含目标物体，然后对训练数据中的目标进行标注，使用yolo物体检测算法和深度学习框架，进行模型训练。训练好后的模型可以完成对于目标物体在监控图像中的定位。
2、用训练好的模型，进行视频流检测
图2是根据本发明实施例2的目标对象的边界的示意图，如图2所示，读取视频流(帧)，通过yolo物体检测模型进行检测。如果当前帧的监控图像中有目标物体，得到该物体在监控图像中的位置(x,y,w,h)。其中x,y,w,h分别表示物体边界信息的(如图2中的矩形框以下简称边界框)左上角坐标、宽和高。
3、控制摄像头云台，对目标进行跟踪
(1)通过标准的onvif协议获取摄像头云台当前位置P1＝(x1,y1)。
(2)设置边界框距离图像上边界和左边界的最小值tf、lf，如果边界框距离监控图像上下边界过小，则控制云台对摄像头上下调整，同样调整左右位置，以此保证边界框一直位于监控图像的画面中。
(3)分别计算图像水平、垂直方向移动一个像素，对应云台PTZ的PanTilt.X和PanTilt.Y变动的数值h_ratio,v_ratio。
(4)得到调整后的位置P2＝(x2,y2),其中x2＝x1-(lf-x)*h_ratio,y2＝y1-(tf-y)*v_ratio。
通过onvif协议控制摄像头由P1运动到P2位置。
利用本实施例提供的目标跟踪方法，具有以下优点：
1、通过YOLO(You only look once)算法，输入监控图像经过卷积神经网络(CNN)得到不同尺度的特征图，经过分类和回归得到预测物体的类别和物体边界框。具有速度快，预测精度高的优点。
2、根据物体实际位置，通过协议控制，自动对云台调整，省去了手动控制的步骤。
本实施例的技术关键点在于：
1、对物体检测模型进行预训练；
2、通过预训练得到模型，对图像进行检测，得到目标物体的当前位置；
3、onvif协议对摄像头云台进行控制；
4、yolo和onvif协议的同时使用。
实施例3
图3是根据本发明实施例3的一种目标物体跟踪装置的示意图，如图3所示，根据本发明实施例的另一方面，还提供了一种目标物体跟踪装置，包括：获取模块32，确定模块34和控制模块36，下面对该装置进行详细说明。
获取模块32，用于通过监控摄像头获取目标物体的监控图像；确定模块34，与上述获取模块32相连，用于利用物体检测模型对监控图像进行分析，确定目标物体在监控图像中的边界信息，其中，物体检测模型由多组数据通过机器学习训练得到，多组数据包括：多组训练数据，多组训练数据中的每组训练数据均包括：训练图像和训练图像中标识出的目标物体的边界信息；控制模块36，与上述确定模块34相连，用于基于边界信息控制监控摄像头进行移动，以使监控摄像头对目标物体进行跟踪。
通过上述装置，采用获取模块32通过监控摄像头获取目标物体的监控图像；确定模块34利用物体检测模型对监控图像进行分析，确定目标物体在监控图像中的边界信息，其中，物体检测模型由多组数据通过机器学习训练得到，多组数据包括：多组训练数据，多组训练数据中的每组训练数据均包括：训练图像和训练图像中标识出的目标物体的边界信息；控制模块36基于边界信息控制监控摄像头进行移动，以使监控摄像头对目标物体进行跟踪的方式，通过检测模型识别目标物体的边界信息，基于边界信息控制监控摄像头进行移动，达到了监控摄像头自动跟随目标物体移动，对目标物体进行有效监控的目的，从而实现了提高操作便捷度的技术效果，进而解决了由于物体持续移动，需要人工调整摄像头，跟踪目标，操作不方便的技术问题。
可选的，多组数据还包括：多组测试数据，多组测试数据中的每组测试数据均包括：测试图像，测试图像中包含目标物体，装置还包括：训练模块，用于利用多组训练数据和预设物体检测算法，通过机器学习训练得到物体检测模型；优化模块，用于利用多组测试数据对物体检测模型进行优化。
可选的，确定模块，用于利用物体检测模型对监控图像进行分析，在监控图像中确定目标物体的包围盒边界信息，其中，目标物体的包围盒为直角四边形，包围盒边界信息包括：包围盒参考顶点坐标、直角四边形中第一组边的第一长度以及直角四边形中第二组边的第二长度。
可选的，控制模块，用于获取监控摄像头的第一云台位置；基于边界信息和第一云台位置确定监控摄像头的第二云台位置；控制监控摄像头从第一云台位置移动至第二云台位置，以使监控摄像头对目标物体进行跟踪。
可选的，控制模块，用于获取第一距离值和第二距离值，其中，第一距离值为监控图像的第一水平边界与包围盒的第二水平边界之间的距离并且第一距离值是第一水平边界与包围盒之间的最短距离，第二距离值为监控图像的第一竖直边界与包围盒的第二竖直边界之间的距离并且第二距离值是第一竖直边界与包围盒之间的最短距离；计算第一变化量和第二变化量，其中，第一变化量是与目标物体在监控图像的水平方向上移动单位像素对应的云台平移变化量，第二变化量是与目标物体在监控图像的竖直方向上移动单位像素对应的云台倾斜变化量；利用第一云台位置、第一距离值、第二距离值、第一变化量、第二变化量以及包围盒参考顶点坐标，计算得到第二云台位置。
实施例4
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行以下步骤：
通过监控摄像头获取目标物体的监控图像；利用物体检测模型对监控图像进行分析，确定目标物体在监控图像中的边界信息，其中，物体检测模型由多组数据通过机器学习训练得到，多组数据包括：多组训练数据，多组训练数据中的每组训练数据均包括：训练图像和训练图像中标识出的目标物体的边界信息；基于边界信息控制监控摄像头进行移动，以使监控摄像头对目标物体进行跟踪。
实施例5
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序被设置为运行时执行以下步骤：
通过监控摄像头获取目标物体的监控图像；利用物体检测模型对监控图像进行分析，确定目标物体在监控图像中的边界信息，其中，物体检测模型由多组数据通过机器学习训练得到，多组数据包括：多组训练数据，多组训练数据中的每组训练数据均包括：训练图像和训练图像中标识出的目标物体的边界信息；基于边界信息控制监控摄像头进行移动，以使监控摄像头对目标物体进行跟踪。
实施例6
根据本发明实施例的另一方面，还提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以下步骤：
通过监控摄像头获取目标物体的监控图像；利用物体检测模型对监控图像进行分析，确定目标物体在监控图像中的边界信息，其中，物体检测模型由多组数据通过机器学习训练得到，多组数据包括：多组训练数据，多组训练数据中的每组训练数据均包括：训练图像和训练图像中标识出的目标物体的边界信息；基于边界信息控制监控摄像头进行移动，以使监控摄像头对目标物体进行跟踪。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种目标物体跟踪方法，其特征在于，包括：
通过监控摄像头获取目标物体的监控图像；
利用物体检测模型对所述监控图像进行分析，确定所述目标物体在所述监控图像中的边界信息，其中，所述物体检测模型由多组数据通过机器学习训练得到，所述多组数据包括：多组训练数据，所述多组训练数据中的每组训练数据均包括：训练图像和所述训练图像中标识出的所述目标物体的边界信息；
基于所述边界信息控制所述监控摄像头进行移动，以使所述监控摄像头对所述目标物体进行跟踪。
2.根据权利要求1所述的方法，其特征在于，所述多组数据还包括：多组测试数据，所述多组测试数据中的每组测试数据均包括：测试图像，所述测试图像中包含所述目标物体，所述方法还包括：
利用所述多组训练数据和预设物体检测算法，通过机器学习训练得到所述物体检测模型；
利用所述多组测试数据对所述物体检测模型进行优化。
3.根据权利要求1所述的方法，其特征在于，利用所述物体检测模型对所述监控图像进行分析，确定所述边界信息包括：
利用所述物体检测模型对所述监控图像进行分析，在所述监控图像中确定所述目标物体的包围盒边界信息，其中，所述目标物体的包围盒为直角四边形，所述包围盒边界信息包括：包围盒参考顶点坐标、所述直角四边形中第一组边的第一长度以及所述直角四边形中第二组边的第二长度。
4.根据权利要求3所述的方法，其特征在于，基于所述边界信息控制所述监控摄像头进行移动，以使所述监控摄像头对所述目标物体进行跟踪包括：
获取所述监控摄像头的第一云台位置；
基于所述边界信息和所述第一云台位置确定所述监控摄像头的第二云台位置；
控制所述监控摄像头从所述第一云台位置移动至所述第二云台位置，以使所述监控摄像头对所述目标物体进行跟踪。
5.根据权利要求4所述的方法，其特征在于，基于所述边界信息和所述第一云台位置确定所述第二云台位置包括：
获取第一距离值和第二距离值，其中，所述第一距离值为所述监控图像的第一水平边界与所述包围盒的第二水平边界之间的距离并且所述第一距离值是所述第一水平边界与所述包围盒之间的最短距离，所述第二距离值为所述监控图像的第一竖直边界与所述包围盒的第二竖直边界之间的距离并且所述第二距离值是所述第一竖直边界与所述包围盒之间的最短距离；
计算第一变化量和第二变化量，其中，所述第一变化量是与所述目标物体在所述监控图像的水平方向上移动单位像素对应的云台平移变化量，所述第二变化量是与所述目标物体在所述监控图像的竖直方向上移动单位像素对应的云台倾斜变化量；
利用所述第一云台位置、所述第一距离值、所述第二距离值、所述第一变化量、第二变化量以及所述包围盒参考顶点坐标，计算得到所述第二云台位置。
6.一种目标物体跟踪装置，其特征在于，包括：
获取模块，用于通过监控摄像头获取目标物体的监控图像；
确定模块，用于利用物体检测模型对所述监控图像进行分析，确定所述目标物体在所述监控图像中的边界信息，其中，所述物体检测模型由多组数据通过机器学习训练得到，所述多组数据包括：多组训练数据，所述多组训练数据中的每组训练数据均包括：训练图像和所述训练图像中标识出的所述目标物体的边界信息；
控制模块，用于基于所述边界信息控制所述监控摄像头进行移动，以使所述监控摄像头对所述目标物体进行跟踪。
7.根据权利要求6所述的装置，其特征在于，所述多组数据还包括：多组测试数据，所述多组测试数据中的每组测试数据均包括：测试图像，所述测试图像中包含所述目标物体，所述装置还包括：
训练模块，用于利用所述多组训练数据和预设物体检测算法，通过机器学习训练得到所述物体检测模型；
优化模块，用于利用所述多组测试数据对所述物体检测模型进行优化。
8.根据权利要求6所述的装置，其特征在于，所述确定模块，用于利用所述物体检测模型对所述监控图像进行分析，在所述监控图像中确定所述目标物体的包围盒边界信息，其中，所述目标物体的包围盒为直角四边形，所述包围盒边界信息包括：包围盒参考顶点坐标、所述直角四边形中第一组边的第一长度以及所述直角四边形中第二组边的第二长度。
9.根据权利要求8所述的装置，其特征在于，所述控制模块，用于获取所述监控摄像头的第一云台位置；基于所述边界信息和所述第一云台位置确定所述监控摄像头的第二云台位置；控制所述监控摄像头从所述第一云台位置移动至所述第二云台位置，以使所述监控摄像头对所述目标物体进行跟踪。
10.根据权利要求9所述的装置，其特征在于，所述控制模块，用于获取第一距离值和第二距离值，其中，所述第一距离值为所述监控图像的第一水平边界与所述包围盒的第二水平边界之间的距离并且所述第一距离值是所述第一水平边界与所述包围盒之间的最短距离，所述第二距离值为所述监控图像的第一竖直边界与所述包围盒的第二竖直边界之间的距离并且所述第二距离值是所述第一竖直边界与所述包围盒之间的最短距离；计算第一变化量和第二变化量，其中，所述第一变化量是与所述目标物体在所述监控图像的水平方向上移动单位像素对应的云台平移变化量，所述第二变化量是与所述目标物体在所述监控图像的竖直方向上移动单位像素对应的云台倾斜变化量；利用所述第一云台位置、所述第一距离值、所述第二距离值、所述第一变化量、第二变化量以及所述包围盒参考顶点坐标，计算得到所述第二云台位置。
11.一种非易失性存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的目标物体跟踪方法。
12.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至5任一项中所述的目标物体跟踪方法。
13.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的目标物体跟踪方法。
CN202010677257.6A 2020-07-14 2020-07-14 目标物体跟踪方法及装置 Pending CN112017210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010677257.6A CN112017210A (zh) 2020-07-14 2020-07-14 目标物体跟踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010677257.6A CN112017210A (zh) 2020-07-14 2020-07-14 目标物体跟踪方法及装置

Publications (1)

Publication Number Publication Date
CN112017210A true CN112017210A (zh) 2020-12-01

Family

ID=73498592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010677257.6A Pending CN112017210A (zh) 2020-07-14 2020-07-14 目标物体跟踪方法及装置

Country Status (1)

Country Link
CN (1) CN112017210A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112702571A (zh) * 2020-12-18 2021-04-23 福建汇川物联网技术科技股份有限公司 一种监控方法及装置
CN113324998A (zh) * 2021-05-13 2021-08-31 常州博康特材科技有限公司 一种用于钛合金棒材的生产质检监管系统
CN114827441A (zh) * 2021-01-29 2022-07-29 北京小米移动软件有限公司 拍摄方法、装置、终端设备及存储介质
CN114841913A (zh) * 2021-02-02 2022-08-02 载美德有限公司 实时生物图像识别方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109391762A (zh) * 2017-08-03 2019-02-26 杭州海康威视数字技术股份有限公司 一种跟踪拍摄的方法和装置
CN110072064A (zh) * 2019-06-12 2019-07-30 睿魔智能科技（深圳）有限公司 一种图像拍摄方法、装置、设备以及存储介质
CN110086988A (zh) * 2019-04-24 2019-08-02 薄涛 拍摄角度调整方法、装置、设备及其存储介质
CN110456829A (zh) * 2019-08-07 2019-11-15 深圳市维海德技术股份有限公司 定位跟踪方法、装置及计算机可读存储介质
CN110687922A (zh) * 2019-11-08 2020-01-14 湖北经济学院 一种无人机的视觉跟踪方法及具有视觉跟踪功能的无人机
CN111310754A (zh) * 2019-12-31 2020-06-19 创泽智能机器人集团股份有限公司 一种分割车牌字符的方法
CN111405273A (zh) * 2020-03-02 2020-07-10 深圳奇迹智慧网络有限公司 摄像头运维方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109391762A (zh) * 2017-08-03 2019-02-26 杭州海康威视数字技术股份有限公司 一种跟踪拍摄的方法和装置
CN110086988A (zh) * 2019-04-24 2019-08-02 薄涛 拍摄角度调整方法、装置、设备及其存储介质
CN110072064A (zh) * 2019-06-12 2019-07-30 睿魔智能科技（深圳）有限公司 一种图像拍摄方法、装置、设备以及存储介质
CN110456829A (zh) * 2019-08-07 2019-11-15 深圳市维海德技术股份有限公司 定位跟踪方法、装置及计算机可读存储介质
CN110687922A (zh) * 2019-11-08 2020-01-14 湖北经济学院 一种无人机的视觉跟踪方法及具有视觉跟踪功能的无人机
CN111310754A (zh) * 2019-12-31 2020-06-19 创泽智能机器人集团股份有限公司 一种分割车牌字符的方法
CN111405273A (zh) * 2020-03-02 2020-07-10 深圳奇迹智慧网络有限公司 摄像头运维方法和系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112702571A (zh) * 2020-12-18 2021-04-23 福建汇川物联网技术科技股份有限公司 一种监控方法及装置
CN112702571B (zh) * 2020-12-18 2022-10-25 福建汇川物联网技术科技股份有限公司 一种监控方法及装置
CN114827441A (zh) * 2021-01-29 2022-07-29 北京小米移动软件有限公司 拍摄方法、装置、终端设备及存储介质
CN114841913A (zh) * 2021-02-02 2022-08-02 载美德有限公司 实时生物图像识别方法及装置
CN113324998A (zh) * 2021-05-13 2021-08-31 常州博康特材科技有限公司 一种用于钛合金棒材的生产质检监管系统
CN113324998B (zh) * 2021-05-13 2022-02-08 常州博康特材科技有限公司 一种用于钛合金棒材的生产质检监管系统

Similar Documents

Publication Publication Date Title
CN112017210A (zh) 目标物体跟踪方法及装置
CN103716594B (zh) 基于运动目标检测的全景拼接联动方法及装置
CN102103753B (zh) 使用实时相机运动估计检测和跟踪运动对象的方法和终端
CN102982598B (zh) 基于单个摄像头场景配置的视频人数统计方法和系统
CN108288027A (zh) 一种图像质量的检测方法、装置及设备
CN109145708B (zh) 一种基于rgb和d信息融合的人流量统计方法
KR101441333B1 (ko) 인체 부분 검출 장치 및 그 방법
CN107507243A (zh) 一种摄像机参数调整方法、导播摄像机及系统
KR101347450B1 (ko) 듀얼 카메라를 이용한 화상 감지 방법 및 장치
CN111163285A (zh) 高空抛坠物监测方法及其系统、计算机可读存储介质
CN107945523B (zh) 一种道路车辆检测方法、交通参数检测方法及装置
CN103093198B (zh) 一种人群密度监测方法及装置
CN111242025A (zh) 一种基于yolo的动作实时监测方法
CN101888479A (zh) 检测和跟踪目标图像的方法及装置
CN108965839B (zh) 一种自动调整投影画面的方法及装置
KR100326203B1 (ko) 피부색 및 움직임 자동 추적에 의한 얼굴 촬영/인식방법과 그장치
CN105744268A (zh) 摄像头遮挡检测方法及装置
CN113449606B (zh) 一种目标对象识别方法、装置、计算机设备及存储介质
CN102136147A (zh) 一种目标检测与跟踪方法、系统及视频监控设备
CN110555377B (zh) 一种基于鱼眼相机俯视拍摄的行人检测与跟踪方法
CN110176024A (zh) 在视频中对目标进行检测的方法、装置、设备和存储介质
CN109034058B (zh) 一种针对图像中区域划分和自修正方法和系统
CN111339811A (zh) 图像处理方法、装置、设备及存储介质
CN106791353B (zh) 自动对焦的方法、装置和系统
CN110543848A (zh) 一种基于三维卷积神经网络的驾驶员动作识别方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201201