CN112288779A - 一种目标跟踪方法及装置 - Google Patents
一种目标跟踪方法及装置 Download PDFInfo
- Publication number
- CN112288779A CN112288779A CN202011211229.1A CN202011211229A CN112288779A CN 112288779 A CN112288779 A CN 112288779A CN 202011211229 A CN202011211229 A CN 202011211229A CN 112288779 A CN112288779 A CN 112288779A
- Authority
- CN
- China
- Prior art keywords
- target
- carrying
- parameters
- tracking
- 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.)
- Withdrawn
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
-
- 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]
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
本发明涉及目标跟踪识别技术领域,具体涉及一种目标跟踪方法,包括如下步骤:S1、获取包含所述目标的N帧历史图像,获取所述目标的所有特征参数,构建特征参数集;S2、基于所述特征参数集构建用于实现目标检测跟踪的Dssd_inception_V3_coco模型;S3、基于Dssd_inception_V3 coco模型实现待检测帧图像的实时检测,根据检测结果实现目标的跟踪。本发明基于目标特征参数、携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数构建Dssd_inception_V3 coco模型,在可以实现了目标快速识别的同时,可以尽可能的避免识别跟踪盲区。
Description
技术领域
本发明涉及目标跟踪识别技术领域,具体涉及一种目标跟踪方法及装置。
背景技术
视觉目标跟踪是计算机视觉中的一个重要研究方向,在视频监控有着广泛的应用。
目前,现有的视频监控所采用的目标跟踪方法普遍基于人脸的特征参数进行目标的跟踪,若人脸出现变化,比如存在遮挡物、妆容等,就会出现无法实现目标跟踪的情况,存在很大的识别跟踪盲区。同时,在跟踪过程中若光线不佳、目标发生旋转、目标被遮蔽时,非常容易出现目标跟丢的情况,致使无法完成有效准确的跟踪效果。
发明内容
为解决上述问题,本发明提供了一种目标跟踪方法及装置,可以尽可能的避免识别跟踪盲区和目标跟丢的情况。
为实现上述目的,本发明采取的技术方案为:
一种目标跟踪方法,包括如下步骤:
S1、获取包含所述目标的N帧历史图像,获取所述目标的所有特征参数,构建特征参数集;
S2、基于所述特征参数集构建用于实现目标检测跟踪的Dssd_inception_ V3_coco模型;
S3、基于Dssd_inception_V3 coco模型实现待检测帧图像的实时检测,根据检测结果实现目标的跟踪。
进一步地,所述特征参数集包括所有特征参数和所有特征参数的演变参数,演变参数包括携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数。
进一步地,所述演变参数基于N帧历史图像获取,获取时,首先构建携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集,然后获取携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集的特征参数,即得携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数。
进一步地,所述步骤S2中,首先用coco数据集预训练inception_ V3深度神经网络,然后用所述特征参数集训练该模型,微调深度神经网络中的各项参数,获得用于实现目标检测跟踪的Dssd_inception_ V3_coco模型。
进一步地,所述步骤S3中,首先利用生成的Dssd_inception_V3 coco模型对每张待检测帧图像进行检测,判断图像是否存在目标,若存在目标,则在目标所在位置处标注位置框及目标名称,并读取待检测帧图像中内载的摄像头位置信息,完成目标所在位置信息的标记。
本发明实施例还提供了一种目标跟踪装置,包括:
特征参数集构建模块,用于获取包含所述目标的N帧历史图像,获取所述目标的所有特征参数,构建特征参数集;
目标检测模型构建模块,用于基于所述特征参数集实现用于实现目标检测跟踪的Dssd_inception_ V3_coco模型的构建;
检测帧图像采集模块,用于通过多端口实现检测帧图像的获取;
目标跟踪模块,用于基于Dssd_inception_V3 coco模型实现待检测帧图像的实时检测,根据检测结果实现目标的跟踪。
进一步地,所述特征参数集包括所有特征参数和所有特征参数的演变参数,演变参数包括携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数,所述演变参数基于N帧历史图像获取,获取时,首先构建携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集,然后获取携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集的特征参数,即得携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数。
进一步地,所述目标跟踪模块首先利用生成的Dssd_inception_V3 coco模型对每张待检测帧图像进行检测,判断图像是否存在目标,若存在目标,则在目标所在位置处标注位置框及目标名称,并读取待检测帧图像中内载的摄像头位置信息,完成目标所在位置信息的标记。
本发明具有以下有益效果:
基于目标特征参数、携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数构建Dssd_inception_V3 coco模型,在可以实现了目标快速识别的同时,可以尽可能的避免识别跟踪盲区。
基于目标标记框携带目标名称、目标所在位置的方式进行目标跟踪结果的反馈,便于用户快速实现目标当前所在位置的定位,从而确定跟踪区域,进行该跟踪区域所有监控设备的调用,避免出现目标跟丢的情况。
附图说明
图1为本发明实施例1一种目标跟踪方法的流程图。
图2为本发明实施例2一种目标跟踪装置的系统框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例1
如图1所示,一种目标跟踪方法,包括如下步骤:
S1、获取包含所述目标的N帧历史图像,获取所述目标的所有特征参数,构建特征参数集;
S2、基于所述特征参数集构建用于实现目标检测跟踪的Dssd_inception_ V3_coco模型;
S3、基于Dssd_inception_V3 coco模型实现待检测帧图像的实时检测,根据检测结果实现目标的跟踪。
本实施例中,所述特征参数集包括所有特征参数和所有特征参数的演变参数,演变参数包括携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数。
本实施例中,所述演变参数基于N帧历史图像获取,获取时,首先构建携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集,然后获取携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集的特征参数,即得携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数。
本实施例中,所述步骤S2中,首先用coco数据集预训练inception_ V3深度神经网络,然后用所述特征参数集训练该模型,微调深度神经网络中的各项参数,获得用于实现目标检测跟踪的Dssd_inception_ V3_coco模型。
本实施例中,所述步骤S3中,首先利用生成的Dssd_inception_V3 coco模型对每张待检测帧图像进行检测,判断图像是否存在目标,若存在目标,则在目标所在位置处标注位置框及目标名称,并读取待检测帧图像中内载的摄像头位置信息,完成目标所在位置信息的标记。
实施例2
如图2所示,一种目标跟踪装置,包括:
特征参数集构建模块,用于获取包含所述目标的N帧历史图像,获取所述目标的所有特征参数,构建特征参数集;
目标检测模型构建模块,用于基于所述特征参数集实现用于实现目标检测跟踪的Dssd_inception_ V3_coco模型的构建;
检测帧图像采集模块,用于通过多端口实现检测帧图像的获取;
目标跟踪模块,用于基于Dssd_inception_V3 coco模型实现待检测帧图像的实时检测,根据检测结果实现目标的跟踪。
本实施例中,所述特征参数集包括所有特征参数和所有特征参数的演变参数,演变参数包括携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数,所述演变参数基于N帧历史图像获取,获取时,首先构建携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集,然后获取携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集的特征参数,即得携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数。
本实施例中,所述目标跟踪模块首先利用生成的Dssd_inception_V3 coco模型对每张待检测帧图像进行检测,判断图像是否存在目标,若存在目标,则在目标所在位置处标注位置框及目标名称,并读取待检测帧图像中内载的摄像头位置信息,完成目标所在位置信息的标记。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种目标跟踪方法,其特征在于:包括如下步骤:
S1、获取包含所述目标的N帧历史图像,获取所述目标的所有特征参数,构建特征参数集;
S2、基于所述特征参数集构建用于实现目标检测跟踪的Dssd_inception_ V3_coco模型;
S3、基于Dssd_inception_V3 coco模型实现待检测帧图像的实时检测,根据检测结果实现目标的跟踪。
2.如权利要求1所述的一种目标跟踪方法,其特征在于:所述特征参数集包括所有特征参数和所有特征参数的演变参数,演变参数包括携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数。
3.如权利要求2所述的一种目标跟踪方法,其特征在于:所述演变参数基于N帧历史图像获取,获取时,首先构建携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集,然后获取携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集的特征参数,即得携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数。
4.如权利要求1所述的一种目标跟踪方法,其特征在于:所述步骤S2中,首先用coco数据集预训练inception_ V3深度神经网络,然后用所述特征参数集训练该模型,微调深度神经网络中的各项参数,获得用于实现目标检测跟踪的Dssd_inception_ V3_coco模型。
5.如权利要求1所述的一种目标跟踪方法,其特征在于:所述步骤S3中,首先利用生成的Dssd_inception_V3 coco模型对每张待检测帧图像进行检测,判断图像是否存在目标,若存在目标,则在目标所在位置处标注位置框及目标名称,并读取待检测帧图像中内载的摄像头位置信息,完成目标所在位置信息的标记。
6.一种目标跟踪装置,其特征在于:包括:
特征参数集构建模块,用于获取包含所述目标的N帧历史图像,获取所述目标的所有特征参数,构建特征参数集;
目标检测模型构建模块,用于基于所述特征参数集实现用于实现目标检测跟踪的Dssd_inception_ V3_coco模型的构建;
检测帧图像采集模块,用于通过多端口实现检测帧图像的获取;
目标跟踪模块,用于基于Dssd_inception_V3 coco模型实现待检测帧图像的实时检测,根据检测结果实现目标的跟踪。
7.如权利要求6所述的一种目标跟踪装置,其特征在于:所述特征参数集包括所有特征参数和所有特征参数的演变参数,演变参数包括携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数,所述演变参数基于N帧历史图像获取,获取时,首先构建携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集,然后获取携带配饰后的图像集、携带妆容后的图像集、以及携带表情后的图像集的特征参数,即得携带配饰后的特征参数、携带妆容后的特征参数、以及携带表情后的特征参数。
8.如权利要求6所述的一种目标跟踪装置,其特征在于:所述目标跟踪模块首先利用生成的Dssd_inception_V3 coco模型对每张待检测帧图像进行检测,判断图像是否存在目标,若存在目标,则在目标所在位置处标注位置框及目标名称,并读取待检测帧图像中内载的摄像头位置信息,完成目标所在位置信息的标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211229.1A CN112288779A (zh) | 2020-11-03 | 2020-11-03 | 一种目标跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211229.1A CN112288779A (zh) | 2020-11-03 | 2020-11-03 | 一种目标跟踪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288779A true CN112288779A (zh) | 2021-01-29 |
Family
ID=74350550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011211229.1A Withdrawn CN112288779A (zh) | 2020-11-03 | 2020-11-03 | 一种目标跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288779A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256685A (zh) * | 2021-06-25 | 2021-08-13 | 南昌工程学院 | 基于卷积神经网络字典对学习的目标跟踪方法与系统 |
-
2020
- 2020-11-03 CN CN202011211229.1A patent/CN112288779A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256685A (zh) * | 2021-06-25 | 2021-08-13 | 南昌工程学院 | 基于卷积神经网络字典对学习的目标跟踪方法与系统 |
CN113256685B (zh) * | 2021-06-25 | 2021-09-24 | 南昌工程学院 | 基于卷积神经网络字典对学习的目标跟踪方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543867B (zh) | 一种多摄像头条件下的人群密度估测系统及方法 | |
US10417503B2 (en) | Image processing apparatus and image processing method | |
CN110044486B (zh) | 用于人体检验检疫系统避免重复报警的方法、装置、设备 | |
CN103605969B (zh) | 一种人脸录入的方法及装置 | |
JP5569990B2 (ja) | 属性判定方法、属性判定装置、プログラム、記録媒体および属性判定システム | |
CN106919806A (zh) | 一种人体监测方法、装置以及系统及计算机可读存储设备 | |
CN111460988B (zh) | 一种违规行为识别方法及装置 | |
CN110046560A (zh) | 一种危险驾驶行为检测方法和相机 | |
CN103810696B (zh) | 一种目标对象图像检测方法及装置 | |
CN108898079A (zh) | 一种监控方法及装置、存储介质、拍摄终端 | |
CN105022999A (zh) | 一种人码伴随实时采集系统 | |
CN111160220B (zh) | 一种基于深度学习的包裹检测方法、装置、存储介质 | |
CN110866450A (zh) | 一种帕金森病监测方法、装置及存储介质 | |
CN106881716A (zh) | 基于3d摄像头机器人的人体跟随方法及系统 | |
CN112836634B (zh) | 一种多传感器信息融合的闸机防尾随方法、装置、设备和介质 | |
CN113096158A (zh) | 运动对象的识别方法、装置、电子设备及可读存储介质 | |
US8125522B2 (en) | Spurious motion filter | |
CN111307331A (zh) | 一种温度校准方法、装置、设备及存储介质 | |
CN111444837B (zh) | 在极端环境下提升人脸检测可用性的测温方法及测温系统 | |
CN112800950A (zh) | 一种基于深度学习的大型安保活动人脸搜索方法 | |
CN114155492A (zh) | 高空作业安全带挂绳高挂低用识别方法、装置和电子设备 | |
CN112288779A (zh) | 一种目标跟踪方法及装置 | |
CN113393628A (zh) | 一种智能监控报警方法、系统、智能终端以及存储介质 | |
KR101520293B1 (ko) | 시각 집중에 의한 관심객체 검지와 포렌식 영상 획득 스케쥴링 방법 및 시스템 | |
CN110321782A (zh) | 一种检测人体特征信号的系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210129 |
|
WW01 | Invention patent application withdrawn after publication |