CN112102363A - 行人轨迹跟踪方法和装置 - Google Patents
行人轨迹跟踪方法和装置 Download PDFInfo
- Publication number
- CN112102363A CN112102363A CN202010965319.3A CN202010965319A CN112102363A CN 112102363 A CN112102363 A CN 112102363A CN 202010965319 A CN202010965319 A CN 202010965319A CN 112102363 A CN112102363 A CN 112102363A
- Authority
- CN
- China
- Prior art keywords
- target
- effective
- steps
- current
- target step
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000013213 extrapolation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 108010084652 homeobox protein PITX1 Proteins 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
- 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
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了行人轨迹跟踪方法和装置,包括:获取当前帧数据,所述当前帧数据包括M×N数据矩阵,M和N为正整数;将M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵;将目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列;将新的脚步幅度序列通过分类器,得到当前帧的多个目标脚步的类别;根据当前帧的多个目标脚步的类别,按照预设规则对多个目标脚步进行融合,得到有效脚步;根据有效脚步确定待检测对象的轨迹,可以对待检测对象的轨迹进行跟踪,实现对待检测对象的行为的监控。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及行人轨迹跟踪方法和装置。
背景技术
智能地面是铺设于地表的点阵传感器网,通过点阵传感器网来感应行人脚步的位置。当行人在智能地面上行走时,行人脚步落在智能地面的相应点阵位置处,根据行人的位置,可以对行人的行走轨迹进行跟踪,并预测行人接下来的行进方向。
当行人在地面上行走时,是左右脚交替落地的过程,因此在跟踪行人时,存在一个脚步和人数对应的问题。有时行人的一只脚被检测到,有时行人的两只脚被同时检测到。但是,现有技术中还未有具体方法。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供行人轨迹跟踪方法和装置,可以对待检测对象的轨迹进行跟踪,实现对待检测对象的行为的监控。
第一方面,本发明实施例提供了行人轨迹跟踪方法,所述方法包括:
获取当前帧数据,所述当前帧数据包括M×N数据矩阵,M和N为正整数;
将所述M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵;
将所述目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列;
将所述新的脚步幅度序列通过分类器,得到所述当前帧的多个目标脚步的类别;
根据所述当前帧的多个目标脚步的类别,按照预设规则对所述多个目标脚步进行融合,得到有效脚步;
根据所述有效脚步确定待检测对象的轨迹。
进一步的,所述将所述M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵,包括:
将所述M×N数据矩阵中点数据对应的幅度值与预设门限阈值进行比较;
如果所述点数据对应的幅度值大于所述预设门限阈值,则将所述点数据对应的幅度值设置为1;
如果所述点数据对应的幅度值小于所述预设门限阈值,则将所述点数据对应的幅度值设置为0;
将设置为1的点数据和设置为0的点数据构成所述目标脚步数据矩阵;
其中,将设置为1的点数据作为目标脚步。
进一步的,所述将所述目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列包括,重复执行以下处理,直至所述前一帧的脚步集中的脚步均被遍历:
从所述前一帧的脚步集中选取第一脚步;
在所述第一脚步的当前位置的第一预设范围内,如果存在所述目标脚步,则所述第一脚步与所述目标脚步匹配成功;
将所述目标脚步对应的位置替换所述第一脚步的位置,并将所述目标脚步对应的幅度值加入到所述前一帧的脚步幅度序列中,并替换所述第一脚步的幅度值,从而得到所述新的第一脚步幅度序列;
如果不存在所述目标脚步,则构建新的第二脚步幅度序列,并将所述目标脚步对应的幅度值加入到所述新的第二脚步幅度序列中。
进一步的,所述根据所述当前帧的多个目标脚步的类别,按照预设规则对所述多个目标脚步进行融合,得到有效脚步包括,重复执行以下处理,直至所述当前帧的每个目标脚步均被遍历:
从所述多个目标脚步中选取任一尚未标记的目标脚步作为当前的目标脚步,并且标记所述当前的目标脚步;
在所述当前的目标脚步的当前位置的第二预设范围内,判断是否存在尚未标记的目标脚步;
如果存在,则判断所述当前的目标脚步的类别与所述尚未标记的目标脚步的类别是否匹配;
如果匹配,则将所述当前的目标脚步或所述尚未标记的目标脚步作为所述有效脚步;
如果不匹配,则根据所述当前的目标脚步的类别确定所述有效脚步。
进一步的,所述将所述当前的目标脚步或所述尚未标记的目标脚步作为所述有效脚步,包括:
如果所述当前的目标脚步的类别为前脚,所述尚未标记的目标脚步的类别为后脚,则将所述当前的目标脚步对应的前脚作为所述有效脚步;
如果所述当前的目标脚步的类别为后脚,所述尚未标记的目标脚步的类别为前脚,则将所述尚未标记的目标脚步对应的前脚作为所述有效脚步。
进一步的,所述根据所述当前的目标脚步的类别确定所述有效脚步,包括:
如果所述当前的目标脚步的类别为前脚,则将所述当前的目标脚步对应的前脚作为所述有效脚步;
如果所述当前的目标脚步的类别为后脚,则将所述当前的目标脚步对应的后脚作为所述有效脚步。
进一步的,所述方法还包括:
判断所述当前帧数据中是否存在有效跟踪轨迹;
如果不存在所述有效跟踪轨迹,则将所述有效脚步的位置作为滤波器的起始值;
如果存在所述有效跟踪轨迹,则判断所述有效脚步的位置与所述有效跟踪轨迹是否存在关联;
如果存在关联,则所述有效脚步的位置替换所述有效跟踪轨迹上轨迹点的位置;
如果不存在关联,则将所述有效脚步的位置作为新的跟踪轨迹的起始值。
进一步的,所述判断所述有效脚步的位置与所述有效跟踪轨迹是否存在关联,包括:
将所述有效跟踪轨迹上的所述轨迹点输入到滤波器中,得到预测值,所述预测值为所述有效跟踪轨迹在下一帧的位置;
根据所述有效脚步的位置和所述预测值,得到距离;
判断所述距离是否在第三预设范围内;
如果在,则所述有效脚步的位置与所述有效跟踪轨迹存在关联;
如果不在,则所述有效脚步的位置与所述有效跟踪轨迹不存在关联。
第二方面,本发明实施例提供了行人轨迹跟踪装置,所述装置包括:
矩阵获取单元,用于获取当前帧数据,所述当前帧数据包括M×N数据矩阵,M和N为正整数;
二值化处理单元,用于将所述M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵;
匹配单元,用于将所述目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列;
类别获取单元,用于将所述新的脚步幅度序列通过分类器,得到所述当前帧的多个目标脚步的类别;
融合单元,用于根据所述当前帧的多个目标脚步的类别,按照预设规则对所述多个目标脚步进行融合,得到有效脚步;
确定单元,用于根据所述有效脚步确定待检测对象的轨迹。
第三方面,本发明实施例提供了电子设备,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法。
本发明实施例提供了行人轨迹跟踪方法和装置,包括:获取当前帧数据,所述当前帧数据包括M×N数据矩阵,M和N为正整数;将M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵;将目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列;将新的脚步幅度序列通过分类器,得到当前帧的多个目标脚步的类别;根据当前帧的多个目标脚步的类别,按照预设规则对多个目标脚步进行融合,得到有效脚步;根据有效脚步确定待检测对象的轨迹,可以对待检测对象的轨迹进行跟踪,实现对待检测对象的行为的监控。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例一提供的行人轨迹跟踪方法流程图;
图2为本发明实施例二提供的24×35数据矩阵示意图;
图3为本发明实施例二提供的目标脚步数据矩阵中的目标脚步示意图;
图4为本发明实施例二提供的当前帧的多个目标脚步的类别示意图;
图5为本发明实施例二提供的有效跟踪轨迹更新示意图;
图6为本发明实施例三提供的行人轨迹跟踪装置示意图。
图标:
1-矩阵获取单元;2-二值化处理单元;3-匹配单元;4-类别获取单元;5-融合单元;6-确定单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
为便于对本实施例进行理解,下面对本发明实施例进行详细介绍。
实施例一:
图1为本发明实施例一提供的行人轨迹跟踪方法流程图。
参照图1,该方法包括:
步骤S101,获取当前帧数据,当前帧数据包括M×N数据矩阵,M和N为正整数,M>16,N>4;
步骤S102,将M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵;
这里,图像二值化处理又叫0-1检测法,通过预设门限阈值的方法,对M×N数据矩阵中的点数据进行设置,得到目标脚步数据矩阵。
步骤S103,将目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列;
具体地,目标脚步数据矩阵中包括多个目标脚步,将多个目标脚步与前一帧的脚步集进行匹配,如果匹配成功,则更新前一帧的脚步集,并将目标脚步的幅度值加入到前一帧的脚步集中,构成新的脚步幅度序列;如果匹配不成功,则将目标脚步作为新的目标脚步加入到前一帧的脚步集中,并创建新的脚步幅度序列,将目标脚步的幅度值加入到新的脚步幅度序列中,并作为第一个值记录。
步骤S104,将新的脚步幅度序列通过分类器,得到当前帧的多个目标脚步的类别;
这里,采用分类器中的SVM(Support Vector Machine,支持向量机)方法,实现类别的确定,也可以采用神经网络算法。
将新的脚步幅度序列作为特征向量,输入到神经网络算法中,由于神经网络算法是预先训练好的,故神经网络算法输出当前帧的多个目标脚步的类别,从而完成目标脚步属性的识别。
步骤S105,根据当前帧的多个目标脚步的类别,按照预设规则对多个目标脚步进行融合,得到有效脚步;
具体地,根据当前帧的多个目标脚步的类别,对多个目标脚步进行融合,得到有效脚步。其中,预设规则为:1)如果前脚和后脚存在匹配关系,则选前脚为有效脚步;2)如果前脚无匹配后脚,则选前脚为有效脚步;3)如果后脚无匹配前脚,则选后脚为有效脚步。
步骤S106,根据有效脚步确定待检测对象的轨迹。
进一步的,步骤S102包括以下步骤:
步骤S201,将M×N数据矩阵中点数据对应的幅度值与预设门限阈值进行比较;
步骤S202,如果点数据对应的幅度值大于预设门限阈值,则将点数据对应的幅度值设置为1;
步骤S203,如果点数据对应的幅度值小于预设门限阈值,则将点数据对应的幅度值设置为0;
步骤S204,将设置为1的点数据和设置为0的点数据构成目标脚步数据矩阵;其中,将设置为1的点数据作为目标脚步。
具体地,在M×N数据矩阵中,将每个点数据对应的幅度值与预设门限阈值进行比较,如果点数据对应的幅度值大于预设门限阈值,则将该点数据设置为1,此时该点数据的幅度值与1存在映射关系;如果点数据对应的幅度值小于预设门限阈值,则将该点数据设置为0。其中,预设门限阈值包括但不限于100。例如,点数据A11的幅度值为120,点数据A12的幅度值为130,点数据A13的幅度值为90,将点数据的幅度值与预设门限阈值进行比较后,将点数据A11和点数据A12设置为1,将点数据A13设置为0,并且点数据A11和点数据A12均为目标脚步。
进一步的,步骤S103包括以下步骤,重复执行以下处理,直至前一帧的脚步集中的脚步均被遍历:
步骤S301,从前一帧的脚步集中选取第一脚步;
步骤S302,在第一脚步的当前位置的第一预设范围内,如果存在目标脚步,则第一脚步与目标脚步匹配成功;
步骤S303,将目标脚步对应的位置替换第一脚步的位置,并将目标脚步对应的幅度值加入到前一帧的脚步幅度序列中,并替换第一脚步的幅度值,从而得到新的第一脚步幅度序列;
步骤S304,如果不存在目标脚步,则构建新的第二脚步幅度序列,并将目标脚步对应的幅度值加入到新的第二脚步幅度序列中。
具体地,将目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集匹配的过程中,遍历前一帧的脚步集中的脚步,直至前一帧的脚步集中的每个脚步均被遍历。
从前一帧的脚步集中选取第一脚步,以第一脚步的当前位置为圆心,以R为半径的范围内查找是否存在目标脚步,如果存在,说明第一脚步与目标脚步匹配成功;如果不存在,则与第一脚步未匹配。
当第一脚步与目标脚步匹配成功后,对前一帧的脚步集进行更新,即将目标脚步对应的位置替换第一脚步的位置,并将目标脚步对应的幅度值加入到前一帧的脚步幅度序列中,并替换第一脚步的幅度值,从而得到新的第一脚步幅度序列。
当与第一脚步没有匹配成功后,构建新的第二脚步幅度序列,并将目标脚步对应的幅度值加入到新的第二脚步幅度序列中。其中,新的脚步幅度序列包括第一脚步幅度序列和第二脚步幅度序列。
进一步的,步骤S105包括以上步骤,重复执行以下处理,直至当前帧的每个目标脚步均被遍历:
步骤S401,从多个目标脚步中选取任一尚未标记的目标脚步作为当前的目标脚步,并且标记当前的目标脚步;
步骤S402,在当前的目标脚步的当前位置的第二预设范围内,判断是否存在尚未标记的目标脚步;
步骤S403,如果存在,则判断当前的目标脚步的类别与尚未标记的目标脚步的类别是否匹配;
步骤S404,如果匹配,则将当前的目标脚步或尚未标记的目标脚步作为有效脚步;
步骤S405,如果不匹配,则根据当前的目标脚步的类别确定有效脚步。
具体地,从多个目标脚步中选取任一尚未标记的目标脚步作为当前的目标脚步,由于该目标脚步已经选取,故需要标记当前的目标脚步。
以当前的目标脚步的位置为圆心,以R为半径的第二预设范围内查找是否存在尚未标记的目标脚步,如果存在,则判断当前的目标脚步的类别与尚未标记的目标脚步的类别是否匹配;如果匹配,则将当前的目标脚步或尚未标记的目标脚步作为有效脚步,并且对尚未标记的目标脚步进行标记。如果不匹配,则根据当前的目标脚步的类别确定有效脚步。例如,如果当前的目标脚步的类别为前脚,尚未标记的目标脚步的类别为后脚,则当前的目标脚步与尚未标记的目标脚步匹配成功;如果当前的目标脚步的类别为前脚,尚未标记的目标脚步的类别为前脚,则当前的目标脚步与尚未标记的目标脚步匹配不成功,此时,将当前的目标脚步的前脚作为有效脚步。
进一步的,步骤S404包括以下步骤:
步骤S501,如果当前的目标脚步的类别为前脚,尚未标记的目标脚步的类别为后脚,则将当前的目标脚步对应的前脚作为有效脚步;
步骤S502,如果当前的目标脚步的类别为后脚,尚未标记的目标脚步的类别为前脚,则将尚未标记的目标脚步对应的前脚作为有效脚步。
进一步的,步骤S405包括以下步骤:
步骤S601,如果当前的目标脚步的类别为前脚,则将当前的目标脚步对应的前脚作为有效脚步;
步骤S602,如果当前的目标脚步的类别为后脚,则将当前的目标脚步对应的后脚作为有效脚步。
进一步的,该方法还包括以下步骤:
步骤S701,判断当前帧数据中是否存在有效跟踪轨迹;
步骤S702,如果不存在有效跟踪轨迹,则将有效脚步的位置作为滤波器的起始值;
步骤S703,如果存在有效跟踪轨迹,则判断有效脚步的位置与有效跟踪轨迹是否存在关联;
步骤S704,如果存在关联,则有效脚步的位置替换有效跟踪轨迹上轨迹点的位置;
步骤S705,如果不存在关联,则将有效脚步的位置作为新的跟踪轨迹的起始值。
具体地,当前帧数据为当前N时刻采集的帧数据,如果在N-1时刻之前都没有采集到有效跟踪轨迹,则说明有效跟踪轨迹不存在;如果在N-1时刻之前可以采集到有效跟踪轨迹,则说明有效跟踪轨迹存在。
当不存在有效跟踪轨迹时,将当前N时刻所有的有效脚步的位置作为滤波器的起始值;其中,滤波器为卡尔曼滤波器。
当存在有效跟踪轨迹时,判断有效脚步的位置与有效跟踪轨迹是否存在关联;如果存在关联,则根据有效脚步更新有效跟踪轨迹,即有效脚步的位置替换有效跟踪轨迹上轨迹点的位置;如果有效跟踪轨迹没有有效脚步匹配,则将有效跟踪轨迹进行外推,即判断在N+3时刻(外推次数是设定的,也可以为N+4时刻)是否可以监测到有效跟踪轨迹,如果没有监测到,则说明有效跟踪轨迹消失了,此时删除有效跟踪轨迹。如果有效脚步没有匹配到有效跟踪轨迹,则将有效脚步的位置作为新的跟踪轨迹的起始值。
进一步的,步骤S703包括以下步骤:
步骤S801,将有效跟踪轨迹上的轨迹点输入到滤波器中,得到预测值,预测值为有效跟踪轨迹在下一帧的位置;
步骤S802,根据有效脚步的位置和预测值,得到距离;
步骤S803,判断距离是否在第三预设范围内;
步骤S804,如果在,则有效脚步的位置与有效跟踪轨迹存在关联;
步骤S805,如果不在,则有效脚步的位置与有效跟踪轨迹不存在关联。
具体地,将有效跟踪轨迹上的轨迹点输入到滤波器中,得到有效跟踪轨迹在下一帧(N+1时刻)的位置,根据有效脚步的位置和有效跟踪轨迹在下一帧的位置,得到有效脚步与有效跟踪轨迹的距离;判断距离是否在第三预设范围内,如果在,则存在关联;如果不在,则不存在关联。
本发明实施例提供了行人轨迹跟踪方法,包括:获取当前帧数据,所述当前帧数据包括M×N数据矩阵,M和N为正整数;将M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵;将目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列;将新的脚步幅度序列通过分类器,得到当前帧的多个目标脚步的类别;根据当前帧的多个目标脚步的类别,按照预设规则对多个目标脚步进行融合,得到有效脚步;根据有效脚步确定待检测对象的轨迹,可以对待检测对象的轨迹进行跟踪,实现对待检测对象的行为的监控。
实施例二:
图2为本发明实施例二提供的24×35数据矩阵示意图。
参照图2,以24×35数据矩阵为例,对脚步轨迹进行管理。维护脚步集合,初始化为空。当前帧数据为N时刻数据,N时刻数据包括24×35数据矩阵。
参照图3,对第189帧数据进行图像二值化处理,得到目标脚步数据矩阵,其中,目标脚步数据矩阵包括两个目标脚步,将两个目标脚步对应的位置信息记录下来。
将第189帧数据的目标脚步与第188帧的脚步集进行匹配,如果匹配成功,则对第188帧的脚步集进行更新,得到新的脚步幅度序列,即将目标脚步的幅度值加入到第188帧的脚步集中的脚步幅度序列中。
参照图4,将新的脚步幅度序列通过分类器,得到第189帧的脚步的类别,其中,左方脚步为后脚,右方脚步为前脚。
将左方脚步和右方脚步进行融合,由于前后脚存在匹配关系,故选前脚作为有效脚,丢弃后脚。根据有效脚步确定待检测对象的轨迹。如果轨迹集合中存在有效跟踪轨迹“5”,该有效跟踪轨迹可以与第189帧数据的前脚关联,则将待检测对象的轨迹进行更新,具体参照图5。如果有效跟踪轨迹与第189帧数据的前脚不关联,则将有效跟踪轨迹进行外推,即判断在N+3时刻(外推次数是设定的,也可以为N+4时刻)是否可以监测到有效跟踪轨迹,如果没有监测到,则说明有效跟踪轨迹消失了,此时删除有效跟踪轨迹。
实施例三:
图6为本发明实施例三提供的行人轨迹跟踪装置示意图。
参照图6,该装置包括:
矩阵获取单元1,用于获取当前帧数据,所述当前帧数据包括M×N数据矩阵,M和N为正整数;
二值化处理单元2,用于将所述M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵;
匹配单元3,用于将所述目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列;
类别获取单元4,用于将所述新的脚步幅度序列通过分类器,得到所述当前帧的多个目标脚步的类别;
融合单元5,用于根据所述当前帧的多个目标脚步的类别,按照预设规则对所述多个目标脚步进行融合,得到有效脚步;
确定单元6,用于根据所述有效脚步确定待检测对象的轨迹。
本发明实施例提供了行人轨迹跟踪装置,包括:获取当前帧数据,所述当前帧数据包括M×N数据矩阵,M和N为正整数;将M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵;将目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列;将新的脚步幅度序列通过分类器,得到当前帧的多个目标脚步的类别;根据当前帧的多个目标脚步的类别,按照预设规则对多个目标脚步进行融合,得到有效脚步;根据有效脚步确定待检测对象的轨迹,可以对待检测对象的轨迹进行跟踪,实现对待检测对象的行为的监控。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例提供的行人轨迹跟踪方法的步骤。
本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,计算机可读介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例的行人轨迹跟踪方法的步骤。
本发明实施例所提供的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能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(可以是个人计算机,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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种行人轨迹跟踪方法,其特征在于,所述方法包括:
获取当前帧数据,所述当前帧数据包括M×N数据矩阵,M和N为正整数;
将所述M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵;
将所述目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列;
将所述新的脚步幅度序列通过分类器,得到所述当前帧的多个目标脚步的类别;
根据所述当前帧的多个目标脚步的类别,按照预设规则对所述多个目标脚步进行融合,得到有效脚步;
根据所述有效脚步确定待检测对象的轨迹。
2.根据权利要求1所述的行人轨迹跟踪方法,其特征在于,所述将所述M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵,包括:
将所述M×N数据矩阵中点数据对应的幅度值与预设门限阈值进行比较;
如果所述点数据对应的幅度值大于所述预设门限阈值,则将所述点数据对应的幅度值设置为1;
如果所述点数据对应的幅度值小于所述预设门限阈值,则将所述点数据对应的幅度值设置为0;
将设置为1的点数据和设置为0的点数据构成所述目标脚步数据矩阵;
其中,将设置为1的点数据作为目标脚步。
3.根据权利要求1所述的行人轨迹跟踪方法,其特征在于,所述将所述目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列包括,重复执行以下处理,直至所述前一帧的脚步集中的脚步均被遍历:
从所述前一帧的脚步集中选取第一脚步;
在所述第一脚步的当前位置的第一预设范围内,如果存在所述目标脚步,则所述第一脚步与所述目标脚步匹配成功;
将所述目标脚步对应的位置替换所述第一脚步的位置,并将所述目标脚步对应的幅度值加入到所述前一帧的脚步幅度序列中,并替换所述第一脚步的幅度值,从而得到新的第一脚步幅度序列;
如果不存在所述目标脚步,则构建新的第二脚步幅度序列,并将所述目标脚步对应的幅度值加入到所述新的第二脚步幅度序列中。
4.根据权利要求1所述的行人轨迹跟踪方法,其特征在于,所述根据所述当前帧的多个目标脚步的类别,按照预设规则对所述多个目标脚步进行融合,得到有效脚步包括,重复执行以下处理,直至所述当前帧的每个目标脚步均被遍历:
从所述多个目标脚步中选取任一尚未标记的目标脚步作为当前的目标脚步,并且标记所述当前的目标脚步;
在所述当前的目标脚步的当前位置的第二预设范围内,判断是否存在尚未标记的目标脚步;
如果存在,则判断所述当前的目标脚步的类别与所述尚未标记的目标脚步的类别是否匹配;
如果匹配,则将所述当前的目标脚步或所述尚未标记的目标脚步作为所述有效脚步;
如果不匹配,则根据所述当前的目标脚步的类别确定所述有效脚步。
5.根据权利要求4所述的行人轨迹跟踪方法,其特征在于,所述将所述当前的目标脚步或所述尚未标记的目标脚步作为所述有效脚步,包括:
如果所述当前的目标脚步的类别为前脚,所述尚未标记的目标脚步的类别为后脚,则将所述当前的目标脚步对应的前脚作为所述有效脚步;
如果所述当前的目标脚步的类别为后脚,所述尚未标记的目标脚步的类别为前脚,则将所述尚未标记的目标脚步对应的前脚作为所述有效脚步。
6.根据权利要求4所述的行人轨迹跟踪方法,其特征在于,所述根据所述当前的目标脚步的类别确定所述有效脚步,包括:
如果所述当前的目标脚步的类别为前脚,则将所述当前的目标脚步对应的前脚作为所述有效脚步;
如果所述当前的目标脚步的类别为后脚,则将所述当前的目标脚步对应的后脚作为所述有效脚步。
7.根据权利要求1所述的行人轨迹跟踪方法,其特征在于,所述方法还包括:
判断所述当前帧数据中是否存在有效跟踪轨迹;
如果不存在所述有效跟踪轨迹,则将所述有效脚步的位置作为滤波器的起始值;
如果存在所述有效跟踪轨迹,则判断所述有效脚步的位置与所述有效跟踪轨迹是否存在关联;
如果存在关联,则所述有效脚步的位置替换所述有效跟踪轨迹上轨迹点的位置;
如果不存在关联,则将所述有效脚步的位置作为新的跟踪轨迹的起始值。
8.根据权利要求7所述的行人轨迹跟踪方法,其特征在于,所述判断所述有效脚步的位置与所述有效跟踪轨迹是否存在关联,包括:
将所述有效跟踪轨迹上的所述轨迹点输入到滤波器中,得到预测值,所述预测值为所述有效跟踪轨迹在下一帧的位置;
根据所述有效脚步的位置和所述预测值,得到距离;
判断所述距离是否在第三预设范围内;
如果在,则所述有效脚步的位置与所述有效跟踪轨迹存在关联;
如果不在,则所述有效脚步的位置与所述有效跟踪轨迹不存在关联。
9.一种行人轨迹跟踪装置,其特征在于,所述装置包括:
矩阵获取单元,用于获取当前帧数据,所述当前帧数据包括M×N数据矩阵,M和N为正整数;
二值化处理单元,用于将所述M×N数据矩阵进行图像二值化处理,得到目标脚步数据矩阵;
匹配单元,用于将所述目标脚步数据矩阵中的多个目标脚步与前一帧的脚步集进行匹配,得到新的脚步幅度序列;
类别获取单元,用于将所述新的脚步幅度序列通过分类器,得到所述当前帧的多个目标脚步的类别;
融合单元,用于根据所述当前帧的多个目标脚步的类别,按照预设规则对所述多个目标脚步进行融合,得到有效脚步;
确定单元,用于根据所述有效脚步确定待检测对象的轨迹。
10.一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010965319.3A CN112102363A (zh) | 2020-09-14 | 2020-09-14 | 行人轨迹跟踪方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010965319.3A CN112102363A (zh) | 2020-09-14 | 2020-09-14 | 行人轨迹跟踪方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102363A true CN112102363A (zh) | 2020-12-18 |
Family
ID=73759916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010965319.3A Pending CN112102363A (zh) | 2020-09-14 | 2020-09-14 | 行人轨迹跟踪方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102363A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180342929A1 (en) * | 2015-09-14 | 2018-11-29 | Pavegen Systems Ltd | Flooring system |
CN110661529A (zh) * | 2019-11-06 | 2020-01-07 | 杭州姿感科技有限公司 | 脚步幅度序列生成方法和装置 |
CN110728258A (zh) * | 2019-10-22 | 2020-01-24 | 杭州姿感科技有限公司 | 基于前后帧连通域匹配的脚步检测方法和系统 |
CN110826490A (zh) * | 2019-11-06 | 2020-02-21 | 杭州姿感科技有限公司 | 一种基于脚步分类的轨迹跟踪方法和装置 |
CN110837794A (zh) * | 2019-11-04 | 2020-02-25 | 杭州姿感科技有限公司 | 行人数量统计方法和装置 |
-
2020
- 2020-09-14 CN CN202010965319.3A patent/CN112102363A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180342929A1 (en) * | 2015-09-14 | 2018-11-29 | Pavegen Systems Ltd | Flooring system |
CN110728258A (zh) * | 2019-10-22 | 2020-01-24 | 杭州姿感科技有限公司 | 基于前后帧连通域匹配的脚步检测方法和系统 |
CN110837794A (zh) * | 2019-11-04 | 2020-02-25 | 杭州姿感科技有限公司 | 行人数量统计方法和装置 |
CN110661529A (zh) * | 2019-11-06 | 2020-01-07 | 杭州姿感科技有限公司 | 脚步幅度序列生成方法和装置 |
CN110826490A (zh) * | 2019-11-06 | 2020-02-21 | 杭州姿感科技有限公司 | 一种基于脚步分类的轨迹跟踪方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101244498B1 (ko) | 차선을 인식하는 방법 및 장치 | |
CN109492576B (zh) | 图像识别方法、装置及电子设备 | |
KR20080042009A (ko) | 정보처리 장치, 정보처리 방법, 개인 식별 장치, 개인 식별장치에 있어서의 사전 데이터 생성/갱신 방법 및 사전데이터 생성/갱신 프로그램 | |
US20130335571A1 (en) | Vision based target tracking for constrained environments | |
CN108198172B (zh) | 图像显著性检测方法和装置 | |
JP2019139316A (ja) | 識別システム、識別装置、識別方法及び識別プログラム | |
CN112163566A (zh) | 视频图像的监控方法和装置 | |
JP2008002817A (ja) | 物体識別システム | |
CN110874562A (zh) | 贡献度决定方法、贡献度决定装置及记录介质 | |
CN111292352A (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
JP2005092346A (ja) | 3次元データからの特徴抽出方法および装置 | |
CN114663471A (zh) | 一种目标跟踪方法、装置及计算机可读存储介质 | |
CN110837794B (zh) | 行人数量统计方法和装置 | |
CN111191201A (zh) | 基于数据埋点的用户识别方法、装置、设备及存储介质 | |
CN110692081A (zh) | 用于查看确认的系统、便携式终端装置、服务器、程序和方法 | |
Oussalah et al. | Hybrid fuzzy probabilistic data association filter and joint probabilistic data association filter | |
CN112989328A (zh) | 用于检测对抗性攻击的系统和方法 | |
JP2019192082A (ja) | 学習用サーバ、不足学習用画像収集支援システム、及び不足学習用画像推定プログラム | |
CN111712841A (zh) | 标签收集装置、标签收集方法以及标签收集程序 | |
CN113610966A (zh) | 三维姿态调整的方法、装置、电子设备及存储介质 | |
CN112102363A (zh) | 行人轨迹跟踪方法和装置 | |
CN108985131B (zh) | 一种目标识别方法及图像处理设备 | |
CN108629310B (zh) | 一种工程管理监督方法及装置 | |
CN111783088B (zh) | 一种恶意代码家族聚类方法、装置和计算机设备 | |
CN113011517A (zh) | 定位结果检测方法、装置、电子设备及存储介质 |
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 |