CN112070802B - 一种目标跟踪方法、装置、设备及计算机可读存储介质 - Google Patents
一种目标跟踪方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112070802B CN112070802B CN202010908917.7A CN202010908917A CN112070802B CN 112070802 B CN112070802 B CN 112070802B CN 202010908917 A CN202010908917 A CN 202010908917A CN 112070802 B CN112070802 B CN 112070802B
- Authority
- CN
- China
- Prior art keywords
- frame object
- determined
- sub
- initial frame
- tracking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 140
- 238000004088 simulation Methods 0.000 claims abstract description 66
- 238000001914 filtration Methods 0.000 claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008034 disappearance Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000282994 Cervidae Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 244000107946 Spondias cytherea Species 0.000 description 1
- 235000005138 Spondias dulcis Nutrition 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
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
本发明公开了一种目标跟踪方法，通过接收始帧图像信息及次帧图像信息；通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象；通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象；当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象；根据所述目标次帧对象确定对应的跟踪对象。本发明提高目标跟踪的稳定性与准确率，并提高处理效率。本发明还提供了一种具有上述有益效果的目标跟踪装置、设备及计算机可读存储介质。
Description
技术领域
本发明涉及自动驾驶领域，特别是涉及一种目标跟踪方法、装置、设备及计算机可读存储介质。
背景技术
现如今，交通情况的复杂和自动驾驶的火热发展都对行车安全提出了更高的要求，车载辅助系统可以对周围的环境做出响应，辅助驾驶员或者车辆做出判断，有效的避免交通事故的发生，提高行车的安全系数。
目标跟踪分为单目标跟踪和多目标跟踪，两种跟踪算法的应用场景不同，单目标跟踪在初始帧选定一个目标，在后续帧预测该目标的位置和大小，单目标跟踪的跟踪对象只有一个，因此大大限制了它的应用场景，但是单目标跟踪算法尤其是基于相关滤波的单目标跟踪算法，有计算速度快，跟踪结果准确等优点。和研究相当成熟的单目标跟踪算法相比，多目标跟踪算法的研究要处于发展阶段。多目标跟踪则是要同时对多个目标进行跟踪，得到每个目标的运动轨迹，更适合应用在车载辅助系统中。但现有的多目标跟踪算法，容易漏检目标，且响应速度较慢，显然不适用于经常有新目标出现和旧目标消失的自动驾驶场景。
因此，如何提高现有目标跟踪算法的准确率、稳定性及提高其响应速度，就成了本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种目标跟踪方法、装置、设备及计算机可读存储介质，以解决现有技术中检测跟踪不稳定、响应慢及漏检目标的问题。
为解决上述技术问题，本发明提供一种目标跟踪方法，包括：
接收始帧图像信息及次帧图像信息；
通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象；
通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象；
当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象；
当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象。
可选地，在所述的目标跟踪方法中，在通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配之后，还包括：
判断是否存在存疑始帧对象，所述存疑始帧对象为所述次帧对象未匹配成功的模拟始帧对象；
根据所述存疑始帧对象确定存疑跟踪对象。
可选地，在所述的目标跟踪方法中，在判断是否存在待定始帧对象与待定次帧对象之后，还包括：
当只存在所述待定始帧对象不存在所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
根据所述模拟始帧对象确定存疑跟踪对象。
可选地，在所述的目标跟踪方法中，在确定所述存疑跟踪对象之后，还包括：
确定所述存疑跟踪对象的相关滤波响应值；
当所述相关滤波响应值小于第一阈值时，确定所述存疑跟踪对象消失；
当所述相关滤波响应值在所述第一阈值与第二阈值之间时，确定所述存疑跟踪对象为非必要跟踪对象；其中，在通过所述相关滤波算法确定所述非必要跟踪对象在之后第一数量的帧数内的跟踪信息后，确定所述非必要跟踪对象消失。
可选地，在所述的目标跟踪方法中，所述通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象包括：
获取所述待定始帧对象的尺寸信息；
判断所述尺寸信息是否小于尺寸阈值；
当所述尺寸信息小于所述尺寸阈值时，对所述待定始帧对象对应的目标区域通过top-hat算子进行处理，得到预处理区域；
根据所述预处理区域通过所述相关滤波算法得到与所述待定始帧对象对应的模拟始帧对象。
一种目标跟踪装置，包括：
接收模块，用于接收始帧图像信息及次帧图像信息；
主次帧对象确定模块，用于通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象；
主次匹配模块，用于通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象；
相关滤波模块，用于当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
模拟匹配模块，用于通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象；
跟踪确定模块，用于当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象。
可选地，在所述的目标跟踪装置中，所述模拟匹配模块还包括：
存疑判断单元，用于判断是否存在存疑始帧对象，所述存疑始帧对象为所述次帧对象未匹配成功的模拟始帧对象；
第一存疑确定单元，用于根据所述存疑始帧对象确定存疑跟踪对象。
可选地，在所述的目标跟踪装置中，所述主次匹配模块还包括：
待定存疑模拟单元，用于当只存在所述待定始帧对象不存在所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
第二存疑确定单元，用于根据所述模拟始帧对象确定存疑跟踪对象。
一种目标跟踪设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一种所述的目标跟踪方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质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如上述任一种所述的目标跟踪方法的步骤。
本发明所提供的目标跟踪方法，通过接收始帧图像信息及次帧图像信息；通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象；通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象；当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象；当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象。本发明通过将所述待定始帧对象利用所述相关滤波算法进行演算，得到所述模拟始帧对象后，再与所述待定次帧对象进行比对，大大提高了所述始帧对象与所述次帧对象之间的匹配成功率，进而提高目标跟踪的稳定性与准确率，同时，相比于其他方法，不需要对图像信息中的每一个对象进行单目标跟踪，可以减少算法的运算量，提高跟踪算法的运行速度。本发明同时还提供了一种具有上述有益效果的目标跟踪装置、设备及计算机可读存储介质。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明提供的目标跟踪方法的一种具体实施方式的流程示意图；
图2为本发明提供的目标跟踪方法的另一种具体实施方式的流程示意图；
图3为本发明提供的目标跟踪方法的又一种具体实施方式的流程示意图；
图4为本发明提供的目标跟踪装置的一种具体实施方式的结构示意图；
图5为本发明提供的目标跟踪系统的一种具体实施方式的结构示意图。
具体实施方式
在一些特殊场景下，如夜间，雾霾等恶劣天气，驾驶员的可视距离变小，可见光的成像质量变差，因此行车危险系数大大增加，而红外热成像系统则为这些场景提供很好的解决方案。本发明是基于红外车载辅助系统提出的一种红外多目标跟踪算法，在车载辅助系统中，需要对一些重要的目标进行检测和跟踪，例如行人和车辆等，根据检测和跟踪到的结果，来辅助驾驶员或者自动驾驶对车辆的行驶状态进行调整，保证车辆行驶的安全和稳定，本发明的跟踪算法不仅能够对多个目标进行跟踪，还能够对目标检测的性能有所提升，更好的辅助车辆行驶，提高安全系数。
多目标跟踪主要有两种，一种是结合检测的多目标跟踪，一种是基于第一帧初始化来进行的多目标跟踪，两种方法各有优缺点。结合检测的多目标跟踪需要通过检测算法得到每一帧的检测目标，再通过多目标跟踪算法对每一帧的目标进行关联，找到每个目标的运动轨迹，常见的多目标跟踪算法有sort、deep-sort以及深度学习的网络JDE、FairMOT等等，结合检测的多目标跟踪算法非常依赖于检测的效果，当前多采用深度学习的检测方法例如yolo、centernet，也有经典的帧差法、光流法等等；基于第一帧初始化的多目标跟踪需要在第一帧初始化目标，在后续帧利用多个单目标跟踪器来跟踪，显然这样的算法不适用于经常有新目标出现和旧目标消失的自动驾驶场景，且速度较慢。因此与检测结合的多目标跟踪算法更满足车载辅助系统的要求。
结合检测的多目标跟踪除了要准确地检测到目标外。还需要找到目标间的关联匹配，正确区分每一个目标，正确的处理目标遮挡、目标消失、目标外观变化、目标外观相似、新目标出现等问题。多目标跟踪算法主要由检测器、跟踪器以及数据关联三部分组成，数据关联是多目标跟踪算法的核心部分，也是多目标跟踪算法的难点，尤其是当有多个距离很近，外观相似的目标时，数据关联的过程会非常复杂，常用的数据关联方法有经典的MHT、PDA以及匹配算法结合损失矩阵实现的数据关联。在车载辅助系统中加入多目标跟踪算法，不仅能够检测目标，还能通过对检测结果进行关联，进而得到某个目标的信息，还能够进一步得到该目标的运动状态信息，例如目标距离和运动方向等，这些信息在辅助驾驶员行车和自动驾驶中，有重要意义。但是当前结合检测的多目标跟踪只是对检测结果进行关联处理，多目标算法本身没有检测目标的能力。因此当检测效果不佳，例如漏检目标，检测不稳定等等，会直接影响多目标跟踪算法的结果，增加行车的危险系数。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
本发明的核心是提供一种目标跟踪方法，其一种具体实施方式的流程示意图如图1所示，称其为具体实施方式一，包括：
S101：接收始帧图像信息及次帧图像信息。
由于跟踪算法是针对视频数据而言的，因此所述始帧图像信息与所述次帧图像信息一般为一段视频中相邻的两帧图像信息，当然，根据情况，也可为不相邻的两帧图像信息，如为了减轻处理器负担，故意采用间隔一帧的图像信息进行目标追踪等情况。
S102：通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象。
当前的检测算法可以是机器学习的方法，例如HOG+SVM，Adaboost+ACF等；也可以是深度学习的方法，例如yolo系列或者SSD系列等等，可根据实际情况自由选择。
S103：通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象。
需要注意的是，所述关联算法可包括匹配算法和损失矩阵，其中匹配算法包括：匈牙利匹配、KM匹配等；损失矩阵可以通过交并比、欧氏距离等进行计算，所述损失矩阵也可以通过深度特征来代替计算，当然，也可根据实际情况选择其他合适的算法。
S104：当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象。
所述相关滤波算法可采用现有的单目标跟踪算法，例如MOOSE、CSK、KCF、DCF等等。所述相关滤波算法会对在S103的关联算法中没有成功关联的结果进行处理，对于没有成功关联的所述待定始帧对象，会利用所述相关滤波算法对每一个对象进行单目标跟踪，得到每个对象在当前帧的跟踪结果，也可以为深度学习网络实现的单目标跟踪算法。
而对于在步骤S103中匹配成功的对象(此处匹配成功的次帧对象即可作为与所述始帧对象对应的跟踪对象)的检测和跟踪，为了避免因为对象形态发生变化，导致后续的跟踪失败，在连续匹配成功超过一定帧数(如5-10帧)，则需要对相关滤波的模板进行更新。
S105：通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象。
S106：当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象。
由于所述目标次帧对象与所述模拟始帧对象对应，所述模拟始帧对象又与所述待定始帧对象对应，因此通过所述目标次帧对象即可确定与所述始帧对象对应的所述跟踪对象。
当然，如果在S103的判断过程中只存在待定次帧对象或在S105的匹配后，存在没有与所述始帧对象匹配成功的次帧对象，则将上述次帧对象识别为新的跟踪对象。
作为一种优选实施方式，在S104所述通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象包括：
S1041：获取所述待定始帧对象的尺寸信息。
S1042判断所述尺寸信息是否小于尺寸阈值。
S1043：当所述尺寸信息小于所述尺寸阈值时，对所述待定始帧对象对应的目标区域通过top-hat算子进行处理，得到预处理区域。
S1044：根据所述预处理区域通过所述相关滤波算法得到与所述待定始帧对象对应的模拟始帧对象。
本具体实施方式针对检测到的红外小目标，先进行top-hat算子处理，突出红外小目标，再计算特征进行追踪，能有效提升追踪的精度。
本发明针对红外图像，在夜晚、沙尘、雾霾等天气也能有效的进行多目标检测和跟踪，提高在上诉场景行车的安全性，且将结合检测算法、多目标跟踪与单目标跟踪，能够提升检测效果，在检测算法没有检测到目标时，通过跟踪算法跟踪目标，补充检测结果，稳定检测框，提升检测精度。另外，本发明将结合检测算法的多目标跟踪算法与单目标跟踪融合在一起，与多个单目标跟踪器相比，速度更快，且通过检测算法的检测结果来跟踪，更加准确。对于整段视频，需不断循环重复上述流程，直至视频结束，其中，当本次循环中的次帧图像信息在下个循环中作为始帧图像信息时，本次循环得到的所述跟踪对象即为下次循环中的始帧对象。
本发明的算法可以基于Xsafe-II M系列的车载红外夜视系统实现，该系统将Xsafe-II M系列车载红外摄像头与基于安霸(Ambarella)CV25芯片搭建的ECU处理单元对接，实现实时红外图像显示、目标识别、目标跟踪以及报警等功能。
系统的整体结构示意图如图5所示，本发明的目标跟踪方法需要在图5的该系统的ECU处理单元中智能算法模块进行工作，算法输出的结果通过显示模块，在汽车显示屏上进行显示。
表1为一组跟踪测试中的具体数据：
| 视频 | 视频时长 | 跟踪精度提升 |
| 测试集1 | 90s | 8.5％ |
| 测试集2 | 120s | 15.2％ |
| 测试集3 | 60s | 5.3％ |
表1 跟踪测试结果
其中检测算法为mobilenet_yolov3，匹配算法为匈牙利算法，损失矩阵通过交并比计算，跟踪算法为KCF，对4段标注过的红外车载视频进行测试，结果如下，跟踪精确度有3％-20％的提升。
本发明所提供的目标跟踪方法，通过接收始帧图像信息及次帧图像信息；通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象；通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象；当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象；当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象。本发明仅将匹配失败的所述待定始帧对象利用所述相关滤波算法进行演算，得到所述模拟始帧对象后，再与所述待定次帧对象进行比对，大大提高了所述始帧对象与所述次帧对象之间的匹配成功率，进而提高目标跟踪的稳定性与准确率，同时，相比于其他方法，不需要对图像信息中的每一个对象进行单目标跟踪，可以减少算法的运算量，提高跟踪算法的运行速度。
在具体实施方式一的基础上，进一步对所述跟踪对象分类，得到具体实施方式二，其流程示意图如图2所示，包括：
S201：接收始帧图像信息及次帧图像信息。
S202：通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象。
S203：通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象。
S2041：当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象。
S2051：当只存在所述待定始帧对象不存在所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
S2052：根据所述模拟始帧对象确定存疑跟踪对象。
S2042：通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象。
S2043：当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象。
本具体实施方式与上述具体实施方式的不同之处在于，本具体实施方式中新增了新的跟踪对象类型的检测，其余步骤均与上述具体实施方式相同，在此不再展开赘述。
需要注意的是，本具体实施方式中的S2041、S2042、S2043与S2051、S2052为两条不同情况下的处理方案，两者之间并无先后关系，步骤顺序可随意调换。
另外要注意的是除了从S2052确定是否存在所述存疑跟踪对象外，在S2042，除了判断此时是否存在所述目标次帧对象外，还可判断是否存在存疑始帧对象，所述存疑始帧对象为所述次帧对象未匹配成功的模拟始帧对象；再根据所述存疑始帧对象确定存疑跟踪对象。
本具体实施方式中，对于除了所述跟踪对象外，还识别了所述存疑跟踪对象，所述存疑跟踪对象不像所述跟踪对象每帧中都出现，但在实际应用中，对象在视频中的某一帧未出现，也不意味着对象的消失，而是有可能被其他物件遮挡等其他原因不能被识别，本具体实施方式中对将单帧中没有出现的对象定义为存疑跟踪对象，暂时在系统中保留所述存疑跟踪对象的相关信息，可避免单独某帧未能识别出某对象就把对象删去，下一帧中该对象再次出现便需要从新识别的麻烦，大大减小了方法的运算量，提高了运算效率。
在具体实施方式二的基础上，进一步对所述跟踪对象分类，得到具体实施方式三，其流程示意图如图3所示，包括：
S301：接收始帧图像信息及次帧图像信息。
S302：通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象。
S303：通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象。
S3041：当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象。
S3051：当只存在所述待定始帧对象不存在所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
S3052：根据所述模拟始帧对象确定存疑跟踪对象。
S3042：通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象。
S3043：当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象。
S3053：确定所述存疑跟踪对象的相关滤波响应值。
S3054：当所述相关滤波响应值小于第一阈值时，确定所述存疑跟踪对象消失。
S3055：当所述相关滤波响应值在所述第一阈值与第二阈值之间时，确定所述存疑跟踪对象为非必要跟踪对象；其中，在通过所述相关滤波算法确定所述非必要跟踪对象在之后第一数量的帧数内的跟踪信息后，确定所述非必要跟踪对象消失。
本具体实施方式与上述具体实施方式的不同之处在于，本具体实施方式中在确定所述存疑跟踪对象之后，进一步对所述存疑跟踪对象进行了分类处理，其余步骤均与上述具体实施方式相同，在此不再展开赘述。
本具体实施方式中，更进一步地对所述存疑跟踪对象依据所述相关滤波响应值做了分类，如果所述相关滤波响应值小于一定的阈值(例如0.5-0.7)，则认对象消失，删除该对象的跟踪；如果在两个阈值之间，则认为跟踪算法对该对象的跟踪效果不佳，则对该对象只跟踪一定的帧数(例如5-20帧)，便删除该对象的跟踪；如果大于某一阈值(例如0.8-0.9)，则认为跟踪效果很好，则会继续跟踪该对象。这样可以避免当对象消失时，跟踪框会长时间停留在画面中，或者对象刚从画面中消失几帧，系统就草草判定对象消失，从而在对象重新出现时加大运算量负担，降低运算效率。
下面对本发明实施例提供的目标跟踪装置进行介绍，下文描述的目标跟踪装置与上文描述的目标跟踪方法可相互对应参照。
图4为本发明实施例提供的目标跟踪装置的结构框图，称其为具体实施方式四，参照图4目标跟踪装置可以包括：
接收模块100，用于接收始帧图像信息及次帧图像信息；
主次帧对象确定模块200，用于通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象；
主次匹配模块300，用于通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象；
相关滤波模块400，用于当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
模拟匹配模块500，用于通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象；
跟踪确定模块600，用于当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象。
作为一种优选实施方式，所述模拟匹配模块500还包括：
存疑判断单元，用于判断是否存在存疑始帧对象，所述存疑始帧对象为所述次帧对象未匹配成功的模拟始帧对象；
第一存疑确定单元，用于根据所述存疑始帧对象确定存疑跟踪对象。
作为一种优选实施方式，所述主次匹配模块300还包括：
待定存疑模拟单元，用于当只存在所述待定始帧对象不存在所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
第二存疑确定单元，用于根据所述模拟始帧对象确定存疑跟踪对象。
作为一种优选实施方式，所述模拟匹配模块500和/或所述主次匹配模块300，还包括：
响应值确定单元，用于确定所述存疑跟踪对象的相关滤波响应值；
消失判断单元，用于当所述相关滤波响应值小于第一阈值时，确定所述存疑跟踪对象消失；
非必要判断单元，用于当所述相关滤波响应值在所述第一阈值与第二阈值之间时，确定所述存疑跟踪对象为非必要跟踪对象；其中，在通过所述相关滤波算法确定所述非必要跟踪对象在之后第一数量的帧数内的跟踪信息后，确定所述非必要跟踪对象消失。
作为一种优选实施方式，所述相关滤波模块400包括：
获取单元，用于获取所述待定始帧对象的尺寸信息；
尺寸判断单元，用于判断所述尺寸信息是否小于尺寸阈值；
Top-hat单元，用于当所述尺寸信息小于所述尺寸阈值时，对所述待定始帧对象对应的目标区域通过top-hat算子进行处理，得到预处理区域；
模拟确定单元，用于根据所述预处理区域通过所述相关滤波算法得到与所述待定始帧对象对应的模拟始帧对象。
本发明所提供的目标跟踪装置，通过接收模块100，用于接收始帧图像信息及次帧图像信息；主次帧对象确定模块200，用于通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象；主次匹配模块300，用于通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象；相关滤波模块400，用于当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；模拟匹配模块500，用于通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象；跟踪确定模块600，用于当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象。本发明通过将所述待定始帧对象利用所述相关滤波算法进行演算，得到所述模拟始帧对象后，再与所述待定次帧对象进行比对，大大提高了所述始帧对象与所述次帧对象之间的匹配成功率，进而提高目标跟踪的稳定性与准确率，同时，相比于其他方法，利用所述相关滤波算法可大大提升所述始帧对象与所述次帧对象间的匹配速度，提高处理效率。
本实施例的目标跟踪装置用于实现前述的目标跟踪方法，因此目标跟踪装置中的具体实施方式可见前文中的目标跟踪方法的实施例部分，例如，接收模块100，主次帧对象确定模块200，主次匹配模块300，相关滤波模块400，模拟匹配模块500级耿总确定模块600，分别用于实现上述目标跟踪方法中步骤S101，S102，S103，S104，S105及S106，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
一种目标跟踪设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一种所述的目标跟踪方法的步骤。本发明所提供的目标跟踪方法，通过接收始帧图像信息及次帧图像信息；通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象；通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象；当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象；当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象。本发明通过将所述待定始帧对象利用所述相关滤波算法进行演算，得到所述模拟始帧对象后，再与所述待定次帧对象进行比对，大大提高了所述始帧对象与所述次帧对象之间的匹配成功率，进而提高目标跟踪的稳定性与准确率，同时，相比于其他方法，利用所述相关滤波算法可大大提升所述始帧对象与所述次帧对象间的匹配速度，提高处理效率。
一种计算机可读存储介质，所述计算机可读存储介质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如上述任一种所述的目标跟踪方法的步骤。本发明所提供的目标跟踪方法，通过接收始帧图像信息及次帧图像信息；通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象；通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象；当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象；当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象。本发明通过将所述待定始帧对象利用所述相关滤波算法进行演算，得到所述模拟始帧对象后，再与所述待定次帧对象进行比对，大大提高了所述始帧对象与所述次帧对象之间的匹配成功率，进而提高目标跟踪的稳定性与准确率，同时，相比于其他方法，利用所述相关滤波算法可大大提升所述始帧对象与所述次帧对象间的匹配速度，提高处理效率。
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。
需要说明的是，在本说明书中，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。
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发明的范围。
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。
以上对本发明所提供的目标跟踪方法、装置、设备及计算机可读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。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (4)
1.一种目标跟踪方法，其特征在于，包括：
接收始帧图像信息及次帧图像信息；
通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象；
通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象；
当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象；
当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象；
所述通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象包括：
获取所述待定始帧对象的尺寸信息；
判断所述尺寸信息是否小于尺寸阈值；
当所述尺寸信息小于所述尺寸阈值时，对所述待定始帧对象对应的目标区域通过top-hat算子进行处理，得到预处理区域；
根据所述预处理区域通过所述相关滤波算法得到与所述待定始帧对象对应的模拟始帧对象；
在通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配之后，还包括：
判断是否存在存疑始帧对象，所述存疑始帧对象为所述次帧对象未匹配成功的模拟始帧对象；
根据所述存疑始帧对象确定存疑跟踪对象；
在判断是否存在待定始帧对象与待定次帧对象之后，还包括：
当只存在所述待定始帧对象不存在所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
根据所述模拟始帧对象确定存疑跟踪对象；
在确定所述存疑跟踪对象之后，还包括：
确定所述存疑跟踪对象的相关滤波响应值；
当所述相关滤波响应值小于第一阈值时，确定所述存疑跟踪对象消失；
当所述相关滤波响应值在所述第一阈值与第二阈值之间时，确定所述存疑跟踪对象为非必要跟踪对象；其中，在通过所述相关滤波算法确定所述非必要跟踪对象在之后第一数量的帧数内的跟踪信息后，确定所述非必要跟踪对象消失。
2.一种目标跟踪装置，其特征在于，包括：
接收模块，用于接收始帧图像信息及次帧图像信息；
主次帧对象确定模块，用于通过检测算法根据所述始帧图像信息及所述次帧图像信息分别确定始帧对象及次帧对象；
主次匹配模块，用于通过关联算法对所述始帧对象及所述次帧对象进行匹配，判断是否存在待定始帧对象与待定次帧对象，其中，所述待定始帧对象与所述待定次帧对象分别指未能成功匹配的所述始帧对象与所述次帧对象；
相关滤波模块，用于当存在所述待定始帧对象与所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
模拟匹配模块，用于通过所述关联算法对所述模拟始帧对象及所述次帧对象进行匹配，判断是否存在目标次帧对象，所述目标次帧对象为与所述模拟始帧对象匹配成功的次帧对象；
跟踪确定模块，用于当存在所述目标次帧对象时，根据所述目标次帧对象确定对应的跟踪对象；
所述相关滤波模块包括：
获取单元，用于获取所述待定始帧对象的尺寸信息；
尺寸判断单元，用于判断所述尺寸信息是否小于尺寸阈值；
Top-hat单元，用于当所述尺寸信息小于所述尺寸阈值时，对所述待定始帧对象对应的目标区域通过top-hat算子进行处理，得到预处理区域；
模拟确定单元，用于根据所述预处理区域通过所述相关滤波算法得到与所述待定始帧对象对应的模拟始帧对象；
所述模拟匹配模块还包括：
存疑判断单元，用于判断是否存在存疑始帧对象，所述存疑始帧对象为所述次帧对象未匹配成功的模拟始帧对象；
第一存疑确定单元，用于根据所述存疑始帧对象确定存疑跟踪对象；
所述主次匹配模块还包括：
待定存疑模拟单元，用于当只存在所述待定始帧对象不存在所述待定次帧对象时，通过相关滤波算法确定与所述待定始帧对象对应的模拟始帧对象；
第二存疑确定单元，用于根据所述模拟始帧对象确定存疑跟踪对象；
所述模拟匹配模块和/或所述主次匹配模块，还包括：
响应值确定单元，用于确定所述存疑跟踪对象的相关滤波响应值；
消失判断单元，用于当所述相关滤波响应值小于第一阈值时，确定所述存疑跟踪对象消失；
非必要判断单元，用于当所述相关滤波响应值在所述第一阈值与第二阈值之间时，确定所述存疑跟踪对象为非必要跟踪对象；其中，在通过所述相关滤波算法确定所述非必要跟踪对象在之后第一数量的帧数内的跟踪信息后，确定所述非必要跟踪对象消失。
3.一种目标跟踪设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1所述的目标跟踪方法的步骤。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1所述的目标跟踪方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010908917.7A CN112070802B (zh) | 2020-09-02 | 2020-09-02 | 一种目标跟踪方法、装置、设备及计算机可读存储介质 |
| PCT/CN2020/133263 WO2022048053A1 (zh) | 2020-09-02 | 2020-12-02 | 一种目标跟踪方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010908917.7A CN112070802B (zh) | 2020-09-02 | 2020-09-02 | 一种目标跟踪方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112070802A CN112070802A (zh) | 2020-12-11 |
| CN112070802B true CN112070802B (zh) | 2024-01-26 |
Family
ID=73665399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010908917.7A Active CN112070802B (zh) | 2020-09-02 | 2020-09-02 | 一种目标跟踪方法、装置、设备及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112070802B (zh) |
| WO (1) | WO2022048053A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258559B (zh) * | 2020-10-26 | 2024-05-07 | 上海萱闱医疗科技有限公司 | 一种基于多目标跟踪的智能跑步计时评分系统和方法 |
| CN114119674B (zh) * | 2022-01-28 | 2022-04-26 | 深圳佑驾创新科技有限公司 | 一种静态目标跟踪方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046220A (zh) * | 2015-07-10 | 2015-11-11 | 华为技术有限公司 | 一种多目标跟踪方法、装置及设备 |
| CN110287855A (zh) * | 2019-06-21 | 2019-09-27 | 上海闪马智能科技有限公司 | 一种行人轨迹获取方法以及系统 |
| CN110610510A (zh) * | 2019-08-29 | 2019-12-24 | Oppo广东移动通信有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
| CN110751674A (zh) * | 2018-07-24 | 2020-02-04 | 北京深鉴智能科技有限公司 | 多目标跟踪方法及相应视频分析系统 |
| CN111354022A (zh) * | 2020-02-20 | 2020-06-30 | 中科星图股份有限公司 | 基于核相关滤波的目标跟踪方法及系统 |
| CN111512317A (zh) * | 2018-10-24 | 2020-08-07 | 深圳鲲云信息科技有限公司 | 一种多目标实时跟踪方法、装置及电子设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106327526B (zh) * | 2016-08-22 | 2020-07-07 | 杭州保新科技有限公司 | 图像目标跟踪方法与系统 |
| CN107316317A (zh) * | 2017-05-23 | 2017-11-03 | 深圳市深网视界科技有限公司 | 一种行人多目标跟踪方法和装置 |
| KR102434397B1 (ko) * | 2017-07-10 | 2022-08-22 | 한국전자통신연구원 | 전역적 움직임 기반의 실시간 다중 객체 추적 장치 및 방법 |
| CN109753846A (zh) * | 2017-11-03 | 2019-05-14 | 北京深鉴智能科技有限公司 | 目标跟踪硬件实现系统和方法 |
| WO2019129255A1 (zh) * | 2017-12-29 | 2019-07-04 | 华为技术有限公司 | 一种目标跟踪方法及装置 |
| CN108446585B (zh) * | 2018-01-31 | 2020-10-30 | 深圳市阿西莫夫科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
| CN110348270B (zh) * | 2018-04-03 | 2023-06-09 | 扬智科技股份有限公司 | 影像物件辨识方法与影像物件辨识系统 |
-
2020
- 2020-09-02 CN CN202010908917.7A patent/CN112070802B/zh active Active
- 2020-12-02 WO PCT/CN2020/133263 patent/WO2022048053A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046220A (zh) * | 2015-07-10 | 2015-11-11 | 华为技术有限公司 | 一种多目标跟踪方法、装置及设备 |
| CN110751674A (zh) * | 2018-07-24 | 2020-02-04 | 北京深鉴智能科技有限公司 | 多目标跟踪方法及相应视频分析系统 |
| CN111512317A (zh) * | 2018-10-24 | 2020-08-07 | 深圳鲲云信息科技有限公司 | 一种多目标实时跟踪方法、装置及电子设备 |
| CN110287855A (zh) * | 2019-06-21 | 2019-09-27 | 上海闪马智能科技有限公司 | 一种行人轨迹获取方法以及系统 |
| CN110610510A (zh) * | 2019-08-29 | 2019-12-24 | Oppo广东移动通信有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
| CN111354022A (zh) * | 2020-02-20 | 2020-06-30 | 中科星图股份有限公司 | 基于核相关滤波的目标跟踪方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Design of airborne target tracking accelerator based on KCF;Haoran Yang et al;《The Journal of Engineering》;8966-8971 * |
| 深度学习的目标跟踪算法综述;李玺;《中国图象图形学报》;20191231;第24卷(第12期);2057-2080 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112070802A (zh) | 2020-12-11 |
| WO2022048053A1 (zh) | 2022-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6944598B2 (ja) | 目標追跡方法及び装置、記憶媒体 | |
| US10204277B2 (en) | Electronic device, traveling lane identifying system, and traveling lane identifying method | |
| DE112010002021B4 (de) | Fahrzeugumgebungsschätzvorrichtung | |
| CN108021856B (zh) | 车辆尾灯识别方法、装置及车辆 | |
| CN112070802B (zh) | 一种目标跟踪方法、装置、设备及计算机可读存储介质 | |
| CN109099929B (zh) | 基于场景指纹的智能车定位装置及方法 | |
| CN114299417A (zh) | 一种基于雷视融合的多目标跟踪方法 | |
| US10867403B2 (en) | Vehicle external recognition apparatus | |
| CN104282020A (zh) | 一种基于目标运动轨迹的车辆速度检测方法 | |
| WO2003001473A1 (en) | Vision-based collision threat detection system_ | |
| CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
| CN114037924A (zh) | 一种基于图像识别技术的车辆过闸判断方法及相关装置 | |
| KR102011231B1 (ko) | 화상 처리 장치 및 화상 처리 방법 | |
| CN111507145A (zh) | 嵌入式车载环视系统库位障碍物检测方法、系统及装置 | |
| CN111222441A (zh) | 基于车路协同的点云目标检测和盲区目标检测方法及系统 | |
| CN112598715A (zh) | 基于多传感器的多目标跟踪方法、系统及计算机可读介质 | |
| CN108629225B (zh) | 一种基于多幅子图与图像显著性分析的车辆检测方法 | |
| JP5597746B2 (ja) | 車両検知システム、車両検知装置および車両検知システムの車両検知方法 | |
| CN113256683B (zh) | 目标跟踪方法及相关设备 | |
| CN112347817A (zh) | 一种视频目标检测与跟踪方法及装置 | |
| Vajak et al. | A rethinking of real-time computer vision-based lane detection | |
| CN112162249B (zh) | 一种基于动态cfar的车载毫米波雷达遮挡检测方法及系统 | |
| CN112560689A (zh) | 一种车位检测方法、装置、电子设备和存储介质 | |
| CN109815812B (zh) | 一种基于水平边缘信息累积的车辆下底边定位方法 | |
| CN110660225A (zh) | 闯红灯行为检测方法、装置和设备 |
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 |