CN112330715A - 一种跟踪方法、跟踪装置、终端设备及可读存储介质 - Google Patents

一种跟踪方法、跟踪装置、终端设备及可读存储介质 Download PDF

Info

Publication number
CN112330715A
CN112330715A CN202011073197.3A CN202011073197A CN112330715A CN 112330715 A CN112330715 A CN 112330715A CN 202011073197 A CN202011073197 A CN 202011073197A CN 112330715 A CN112330715 A CN 112330715A
Authority
CN
China
Prior art keywords
license plate
pedestrian
difference value
video image
target
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
CN202011073197.3A
Other languages
English (en)
Inventor
王维治
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.)
Shenzhen Infineon Information Co.,Ltd.
Original Assignee
Shenzhen Infinova 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 Shenzhen Infinova Ltd filed Critical Shenzhen Infinova Ltd
Priority to CN202011073197.3A priority Critical patent/CN112330715A/zh
Publication of CN112330715A publication Critical patent/CN112330715A/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种跟踪方法、跟踪装置、终端设备及可读存储介质，该方法包括：获取视频图像帧；对所述视频图像帧进行行人检测，得到第一图像帧的第一行人区域以及第二图像帧的第二行人区域，所述第一图像帧与所述第二图像帧为相邻的视频图像帧；根据所述第一行人区域与所述第二行人区域计算目标差值；若所述目标差值小于或等于预设差值，则将小于或等于所述预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域。本申请可以一定程度上解决目前当智能摄像机安装在运动设备上且跟踪目标也在运动时，对目标的跟踪容易中断的问题。

Description

一种跟踪方法、跟踪装置、终端设备及可读存储介质
技术领域
本申请属于图像处理领域，尤其涉及一种跟踪方法、跟踪装置、终端设备及可读存储介质。
背景技术
随着物联网的普及，智能摄像机的应用越来越普及。比如，将智能摄像机在巡逻车上，使得巡逻车可以对人脸以及车辆进行识别，从而使得巡逻车可以对嫌疑人以及嫌疑车辆进行跟踪，并向民警发出预警，进而提高民警的工作效率。
然而，当将智能摄像机安装在运动设备上时(比如安装在巡逻车上)，由于运动设备相对于地面在运动，人相对于地面也在运动，因此，会漏拍人脸图像或拍到的模糊的人脸图像。从而导致当使用人脸进行跟踪时容易对同一个人的跟踪中断，进而导致重抓率特别高。
因此，目前当智能摄像机安装在运动设备上且跟踪目标也在运动时，对目标的跟踪容易中断。
发明内容
本申请实施例提供了一种跟踪方法、跟踪装置、终端设备及可读存储介质，可以一定程度上解决目前当智能摄像机安装在运动设备上且跟踪目标也在运动时，对目标的跟踪容易中断的问题。
第一方面，本申请实施例提供了一种跟踪方法，包括：
获取视频图像帧；
对上述视频图像帧进行行人检测，得到第一图像帧的第一行人区域以及第二图像帧的第二行人区域，上述第一图像帧与上述第二图像帧为相邻的视频图像帧；
根据上述第一行人区域与上述第二行人区域计算目标差值；
若上述目标差值小于或等于预设差值，则将小于或等于上述预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域。
第二方面，本申请实施例提供了一种跟踪装置，包括：
获取模块，用于获取视频图像帧；
行人检测模块，用于对上述视频图像帧进行行人检测，得到第一图像帧的第一行人区域以及第二图像帧的第二行人区域，上述第一图像帧与上述第二图像帧为相邻的视频图像帧；
计算模块，用于根据上述第一行人区域与上述第二行人区域计算目标差值；
确定模块，用于若上述目标差值小于或等于预设差值，则将小于或等于上述预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面所述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面所述方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的跟踪方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请提供一种跟踪方法，首先，获取视频图像帧。然后对视频图像帧进行行人检测，得到第一图像帧的第一行人区域以及第二图像帧的第二行人区域，第一图像帧与第二图像帧为相邻的视频图像帧。接着根据第一行人区域与第二行人区域计算目标差值。若目标差值小于或等于预设差值，则将小于或等于预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域。即在本申请中，是根据两个行人区域的目标差值确定两个行人区域是否为同一个行人的区域，并不是根据两个行人的人脸信息确定该两个行人是否同一个人。从而即使当智能摄像机安装在运动设备上且跟踪目标也在运动时漏拍人脸图像或拍到模糊的人脸图像，也不会中断对目标的跟踪。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是本申请一实施例提供的跟踪方法的流程示意图；
图2是本申请一实施例提供的第一图像帧、第一行人区域、第二图像帧以及第二行人区域的示意图；
图3是本申请一实施例提供的跟踪装置的结构示意图；
图4是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的跟踪方法可以应用于手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personaldigital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
实施例一
下面对本申请实施例一提供的一种跟踪方法进行描述，请参阅附图1，该方法包括：
步骤S101、获取视频图像帧。
在步骤S101中，视频图像帧可以通过本实施例的终端设备的相机采集，也可以通过其他摄像头采集后，再发送给本实施例的终端设备。本申请对该视频图像帧的来源不做具体限定。
需要说明的是，若该视频图像帧是通过本实施例的终端设备的相机采集的，则本实施例的终端设备安装在运动设备上。若该视频图像帧是通过其他摄像头采集后，再发送给本实施例的终端设备的，则本实施例的终端设备可以安装在运动设备上，也可以安装在后台管理模块上，本申请对此不做具体限定。
步骤S102、对视频图像帧进行行人检测，得到第一图像帧的第一行人区域以及第二图像帧的第二行人区域，第一图像帧与第二图像帧为相邻的视频图像帧。
在步骤S102中，行人检测指利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位的技术。行人检测采用的具体算法用户可根据实际情况进行选择。比如，选择深度学习算法或基于全局特征算法作为本申请中的行人检测算法。本申请中在此不做具体限定。
第一行人区域指行人在第一图像帧的坐标范围，该坐标范围是在以第一图像帧上的第一预设点为中心所建立的坐标轴上的坐标表示，第一图像帧的第一预设点可根据实际需求设置，本申请在此不做具体限定。第二行人区域指行人在第二图像帧的坐标范围，该坐标范围是在以第二图像帧上的第二预设点为中心所建立的坐标轴上的坐标表示，第二图像帧的第二预设点可根据实际需求设置，本申请在此不做具体限定。
在对视频图像帧进行行人检测之后，可以得到第一图像帧的第一行人区域以及第二图像帧的第二行人区域，第一图像帧与第二图像帧为相邻的视频图像帧。比如，如图2所示，201为第一图像帧，2011、2012以及2013为各个第一行人区域，202为第二图像帧，2021、2022以及2023为各个第二行人区域。需要说明的是，第一行人区域以及第二行人区域均可以包括至少一个。
步骤S103、根据第一行人区域与第二行人区域计算目标差值。
在步骤S103中，在得到第一行人区域以及第二行人区域之后，计算第二行人区域与各个第一行人区域的目标差值。比如，计算第二行人区域2022与各个第一行人区域2011、2012以及2013之间的目标差值。需要说明的是，在根据第一行人区域与第二行人区域计算目标差值时，需要根据同一目标点进行计算。比如，根据各个行人区域的中心坐标计算目标差值，即计算第二行人区域的中心坐标与第一行人区域的中心坐标之间的目标差值。或者，根据各个行人区域的左上角坐标计算目标差值，即计算第二行人区域的左上角坐标与第一行人区域的左上角坐标之间的目标差值。
步骤S104、若目标差值小于或等于预设差值，则将小于或等于预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域。
在步骤S104中，当目标差值小于或等于预设差值时，说明小于或等于预设差值的目标差值对应的第一行人区域和第二行人区域为同一行人的行人区域。因此，此时，将小于或等于预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域。比如，如图2所示，第二行人区域2022与各个第一行人区域2011、2012以及2013之间的目标差值分别为目标差值1、目标差值2以及目标差值3。在目标差值1、目标差值2以及目标差值3中只有目标差值2小于或等于预设差值，则将目标差值2对应的第一行人区域2012和第二行人区域2022确定为同一个行人的行人区域。
在一些实施例中，在若目标差值小于或等于预设差值，则将小于或等于预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域之前，包括：获取运动设备的速度；根据运动设备的速度确定所述预设差值。
在本实施例中，由于摄像机安装在运动设备上，摄像机随着运动设备的移动而移动，人也在移动。因此，如果预设差值是固定值，则可能会导致两个行人区域是否为同一个行人的行人区域的判断出现错误的情况。因此，终端设备可以获取运动设备的速度，然后根据运动设备的速度确定预设差值。即该预设差值可以随着运动设备的速度的变化而变化。当运动设备的速度快时，预设差值较大，当运动设备的速度较慢时，预设差值较小。由于摄像机在移动，人也在移动，因此，根据摄像机的速度(运动设备的速度)设置预设差值可以更加准确地判断两个行人区域是否为同一个行人的行人区域。
在另一些实施例中，在则将小于或等于预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域之后，包括：根据预设规则对包含同一行人的视频图像帧进行筛选，得到最优的视频图像帧；对最优的视频图像帧进行人脸识别，得到行人的目标人脸信息。
在本实施例中，在得到同一行人对应的各个行人区域，即得到同一行人的视频图像帧之后，如果没有再检测到该行人对应的行人区域，说明该行人已经离开了摄像机的视野。此时可以根据预设规则对包含该行人的视频图像帧进行筛选，得到最优的视频图像帧。然后对最优的视频图像帧进行人脸识别，得到该行人的目标人脸信息。
目标人脸信息可以包括该行人的人脸ID信息、该行人的性别、年龄、是否戴口罩、是否戴眼镜以及是否有胡子等信息。需要说明的是，在对该行人最优的视频图像帧进行人脸识别时，可以先从该最优的视频图像帧上裁剪出该行人的人脸图像，然后再对该行人的人脸图像进行人脸识别。人脸识别的算法用户可根据实际情况进行设置。比如，采用深度学习的算法作为人脸识别算法。本申请在此不做具体限定。
在本实施例中，由于是根据两个行人区域的目标差值确定两个行人区域是否为同一个行人的区域，并不是根据两个行人的人脸信息确定该两个行人是否同一个人。从而即使当智能监控设备安装在运动设备上且跟踪目标也在运动时漏拍人脸图像或拍到模糊的人脸图像，也不会中断对目标的跟踪。由于不会中断对目标的跟踪，并且最后只得到该行人的最优的视频图像帧，因此，可以降低该行人的重抓率。
需要说明的是，预设规则可以根据该行人对应的行人区域在包含该行人的视频图像帧中的位置，该行人对应的行人区域大小、该行人的人脸的清晰度设置。
在另一些实施例中，终端设备在得到行人的目标人脸信息之后，可以将该人脸信息发送给后端管理平台，后端管理平台再将该人脸信息与黑名单数据库中的人脸信息进行人脸比对，从而发现嫌疑人，然后再进行预警。或者，终端设备在得到行人的目标人脸信息之后，终端设备可以直接将该目标人脸信息与黑名单数据库中的人脸信息进行人脸比对，从而发现嫌疑人，然后再进行预警。
在另一些实施例中，本申请还包括：对视频图像帧进行车牌识别，得到各个视频图像帧对应的初始车牌号码；将相同字符的数量等于或大于预设数量的初始车牌号码确定为同一个车牌的车牌号码。
在本实施例中，基于在一段视频中，两个车牌之间有预设数量相同的字符的概率比较小。因此，可以将相同字符的数量等于或大于预设数量的初始车牌号码确定为同一个车牌的车牌号码。字符可以包括文字、字母以及数字等。
需要说明的是，对于车牌识别算法用户可根据实际情况进行选择。比如，采用深度学习算法作为本实施例中的车牌识别算法。本申请在此不做具体限定。预设数量用户可根据实际情况进行设计。比如，将预设数量设置为4。则当两个车牌号码的相同字符的数量等于或大于4时，则将该两个车牌号码确定为同一个车牌的车牌号码。
应理解，对视频图像帧进行车牌识别，除了可以得到各个视频图像帧对应的初始车牌号码之外，还可以得到各个视频图像帧上的车牌的其他的属性信息。比如，还可以得到各个视频图像帧上的车牌的种类以及车牌的颜色等。
在另一些实施例中，由于摄像机拍摄角度等因素的影响，导致视频图像帧中的车牌存在倾斜或畸变等现象，从而导致降低了车牌的识别精度。因此，在对视频图像帧进行车牌识别时，可以先对车牌进行校正，得到校正后的车牌，然后再对校正后的车牌进行字符检测。对于车牌的校正算法用户可根据实际情况进行选择。比如，采用霍夫变换法、旋转投影法以及透视变换法等算法作为车牌校正算法。本申请在此不做具体限定。
在另一些实施例中，对视频图像帧进行车牌识别，得到各个视频图像帧对应的初始车牌号码，包括：对视频图像帧进行车牌识别，得到各个视频图像帧对应的初始车牌号码以及初始车牌号码对应的识别分数；相应地，跟踪方法还包括：从同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码。
由于摄像机在移动，拍摄到的车牌图像可能不是很清晰，从而会导致车牌上的部分字符的识别出现错误的情况，进而导致一个车牌识别后可以得到该车牌对应的多个车牌号码，最后导致重抓率很高。因此，将相同字符的数量大于预设数量的初始车牌号码确定为同一个车牌的车牌号码，然后从同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码。使得该车牌最后只有一个对应的车牌号码，从而降低该车牌的重抓率。
识别分数指将该视频图像帧上的车牌号位识别为该初始车牌号码的准确率。因此，当得到同一车牌的多个初始车牌号码后，将最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码，可以提高该车牌识别的准确率。
在另一些实施例中，选择最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码，包括：检查最高的识别分数是否满足预设阈值；若满足预设阈值，则将最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码。
在本实施例中，由于将视频图像帧上的车牌号码识别为初始车牌号码时存在一定的误差。因此，如果该误差太大，导致最后得到的该车牌的识别精度较低。因此，只有当最高的识别分数满足预设阈值的时候，才将最高的识别分数对应的初始车牌号码作为该车牌的目标车牌号码，从而提高该车牌的识别精度。
在另一些实施例中，从同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码，包括：
若在预设时间间隔内没有再检测到车牌对应的初始车牌号码，则从同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码。
在本实施例中，若在预设时间间隔内没有再检测到车牌对应的初始车牌号码，说明该车牌对应的车辆已经离开了摄像机的视野。此时，则从同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码。
在另一些实施例中，周期性地从同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码。比如，每隔60秒，从同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码。
在另一些实施例中，终端设备在确定该车牌的目标车牌号码之后，终端设备可以将该车牌的目标车牌号码发送至后端管理平台，后端管理平台再将目标车牌号码与黑名单数据库中的车牌号码进行比对，从而发现嫌疑车辆，然后再进行预警。或者，终端设备在确定该车牌的目标车牌号码之后，终端设备也可以直接将目标车牌号码与黑名单数据库中的车牌号码进行比对，从而发现嫌疑车辆，进而进行预警。
综上所述，本申请提供一种跟踪方法，首先，获取视频图像帧。然后对视频图像帧进行行人检测，得到第一图像帧的第一行人区域以及第二图像帧的第二行人区域，第一图像帧与第二图像帧为相邻的视频图像帧。接着根据第一行人区域与第二行人区域计算目标差值。若目标差值小于或等于预设差值，则将小于或等于预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域。即在本申请中，是根据两个行人区域的目标差值确定两个行人区域是否为同一个行人的区域，并不是根据两个行人的人脸信息确定该两个行人是否同一个人。从而即使当智能摄像机安装在运动设备上且跟踪目标也在运动时漏拍人脸图像或拍到模糊的人脸图像，也不会中断对目标的跟踪。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二
图3示出了一种跟踪装置的示例，为了便于说明，仅示出了与本申请实施例相关的部分。该装置300包括：
获取模块301，用于获取视频图像帧。
行人检测模块302，用于对视频图像帧进行行人检测，得到第一图像帧的第一行人区域以及第二图像帧的第二行人区域，第一图像帧与第二图像帧为相邻的视频图像帧。
计算模块303，用于根据第一行人区域与第二行人区域计算目标差值。
确定模块304，用于若目标差值小于或等于预设差值，则将小于或等于预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域。
可选地，该装置300还包括：
速度获取模块，用于获取运动设备的速度。
预设差值确定模块，用于根据运动设备的速度确定所述预设差值。
可选地，可选地，该装置300还包括：
筛选模块，用于根据预设规则对包含同一行人的视频图像帧进行筛选，得到最优的视频图像帧。
人脸识别模块，用于对最优的视频图像帧进行人脸识别，得到行人的目标人脸信息。
可选地，可选地，该装置300还包括：
车牌识别模块，用于对视频图像帧进行车牌识别，得到各个视频图像帧对应的初始车牌号码。
车牌号码确定模块，用于将相同字符的数量等于或大于预设数量的初始车牌号码确定为同一个车牌的车牌号码。
可选地，车牌识别模块用于执行：
对视频图像帧进行车牌识别，得到各个视频图像帧对应的初始车牌号码以及初始车牌号码对应的识别分数。
相应地，该装置300还包括：
选择模块，用于从同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码。
可选地，选择模块用于执行：
检查最高的识别分数是否满足预设阈值；
若满足预设阈值，则将最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码。
可选地，选择模块用于执行：
若在预设时间间隔内没有再检测到车牌对应的初始车牌号码，则从同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为车牌的目标车牌号码。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例一基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例一部分，此处不再赘述。
实施例三
图4是本申请实施例三提供的终端设备的示意图。如图4所示，该实施例的终端设备400包括：处理器401、存储器402以及存储在上述存储器402中并可在上述处理器401上运行的计算机程序403。上述处理器401执行上述计算机程序403时实现上述各个方法实施例中的步骤。或者，上述处理器401执行上述计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性的，上述计算机程序403可以被分割成一个或多个模块/单元，上述一个或者多个模块/单元被存储在上述存储器402中，并由上述处理器401执行，以完成本申请。上述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述上述计算机程序403在上述终端设备400中的执行过程。例如，上述计算机程序403可以被分割成获取模块、行人检测模块、计算模块以及确定模块，各模块具体功能如下：
获取视频图像帧；
对所述视频图像帧进行行人检测，得到第一图像帧的第一行人区域以及第二图像帧的第二行人区域，所述第一图像帧与所述第二图像帧为相邻的视频图像帧；
根据所述第一行人区域与所述第二行人区域计算目标差值；
若所述目标差值小于或等于预设差值，则将小于或等于所述预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域。
上述终端设备可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图4仅仅是终端设备400的示例，并不构成对终端设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如上述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件插件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器402可以是上述终端设备400的内部存储单元，例如终端设备400的硬盘或内存。上述存储器402也可以是上述终端设备400的外部存储设备，例如上述终端设备400上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器402还可以既包括上述终端设备400的内部存储单元也包括外部存储设备。上述存储器402用于存储上述计算机程序以及上述终端设备所需的其它程序和数据。上述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或插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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上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网络单元上。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，在本申请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。
上述集成的模块/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，本申请实现上述各个方法实施例中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种跟踪方法，其特征在于，包括：
获取视频图像帧；
对所述视频图像帧进行行人检测，得到第一图像帧的第一行人区域以及第二图像帧的第二行人区域，所述第一图像帧与所述第二图像帧为相邻的视频图像帧；
根据所述第一行人区域与所述第二行人区域计算目标差值；
若所述目标差值小于或等于预设差值，则将小于或等于所述预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域。
2.如权利要求1所述的跟踪方法，其特征在于，在所述若所述目标差值小于或等于预设差值，则将小于或等于所述预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域之前，包括：
获取运动设备的速度；
根据所述运动设备的速度确定所述预设差值。
3.如权利要求1所述的跟踪方法，其特征在于，在所述则将小于或等于所述预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域之后，包括：
根据预设规则对包含所述同一行人的视频图像帧进行筛选，得到最优的视频图像帧；
对所述最优的视频图像帧进行人脸识别，得到所述行人的目标人脸信息。
4.如权利要求1所述的跟踪方法，其特征在于，还包括：
对所述视频图像帧进行车牌识别，得到各个所述视频图像帧对应的初始车牌号码；
将相同字符的数量等于或大于预设数量的初始车牌号码确定为同一个车牌的车牌号码。
5.如权利要求4所述的跟踪方法，其特征在于，所述对所述视频图像帧进行车牌识别，得到各个所述视频图像帧对应的初始车牌号码，包括：
对所述视频图像帧进行车牌识别，得到各个所述视频图像帧对应的初始车牌号码以及所述初始车牌号码对应的识别分数；
相应地，所述跟踪方法还包括：
从所述同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为所述车牌的目标车牌号码。
6.如权利要求5所述的跟踪方法，其特征在于，所述选择最高的识别分数对应的初始车牌号码作为所述车牌的目标车牌号码，包括：
检查所述最高的识别分数是否满足预设阈值；
若满足所述预设阈值，则将所述最高的识别分数对应的初始车牌号码作为所述车牌的目标车牌号码。
7.如权利要求5所述的跟踪方法，其特征在于，所述从所述同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为所述车牌的目标车牌号码，包括：
若在预设时间间隔内没有再检测到所述车牌对应的初始车牌号码，则从所述同一个车牌对应的初始车牌号码中，选择最高的识别分数对应的初始车牌号码作为所述车牌的目标车牌号码。
8.一种跟踪装置，其特征在于，包括：
获取模块，用于获取视频图像帧；
行人检测模块，用于对所述视频图像帧进行行人检测，得到第一图像帧的第一行人区域以及第二图像帧的第二行人区域，所述第一图像帧与所述第二图像帧为相邻的视频图像帧；
计算模块，用于根据所述第一行人区域与所述第二行人区域计算目标差值；
确定模块，用于若所述目标差值小于或等于预设差值，则将小于或等于所述预设差值的目标差值对应的第一行人区域和第二行人区域确定为同一行人的行人区域。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并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如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
CN202011073197.3A 2020-10-09 2020-10-09 一种跟踪方法、跟踪装置、终端设备及可读存储介质 Pending CN112330715A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011073197.3A CN112330715A (zh) 2020-10-09 2020-10-09 一种跟踪方法、跟踪装置、终端设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011073197.3A CN112330715A (zh) 2020-10-09 2020-10-09 一种跟踪方法、跟踪装置、终端设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112330715A true CN112330715A (zh) 2021-02-05

Family

ID=74314684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011073197.3A Pending CN112330715A (zh) 2020-10-09 2020-10-09 一种跟踪方法、跟踪装置、终端设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112330715A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837349A (zh) * 2021-02-09 2021-05-25 普联技术有限公司 一种目标跟踪方法、设备及计算机可读存储介质
CN113011259A (zh) * 2021-02-09 2021-06-22 苏州臻迪智能科技有限公司 电子设备的操作方法
CN113012223A (zh) * 2021-02-26 2021-06-22 清华大学 目标流动监测方法、装置、计算机设备和存储介质
CN113470081A (zh) * 2021-07-21 2021-10-01 浙江大华技术股份有限公司 一种车辆跟踪方法、装置、计算机设备及存储介质
CN114544002A (zh) * 2022-02-17 2022-05-27 深圳市同为数码科技股份有限公司 测温跳变处理方法、装置、计算机设备及介质
CN117874289A (zh) * 2024-01-15 2024-04-12 深圳市智云看家科技有限公司 一种摄像头回放查找的方法、缺陷检测装置和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100021009A1 (en) * 2007-01-25 2010-01-28 Wei Yao Method for moving targets tracking and number counting
CN102831429A (zh) * 2012-08-13 2012-12-19 深圳市捷顺科技实业股份有限公司 车牌定位方法
CN103824066A (zh) * 2014-03-18 2014-05-28 厦门翼歌软件科技有限公司 一种基于视频流的车牌识别方法
CN109711407A (zh) * 2018-12-28 2019-05-03 深圳市捷顺科技实业股份有限公司 一种车牌识别的方法及相关装置
JP2019110474A (ja) * 2017-12-19 2019-07-04 セコム株式会社 不審者検知装置
CN110110649A (zh) * 2019-05-02 2019-08-09 西安电子科技大学 基于速度方向的可选择性人脸检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100021009A1 (en) * 2007-01-25 2010-01-28 Wei Yao Method for moving targets tracking and number counting
CN102831429A (zh) * 2012-08-13 2012-12-19 深圳市捷顺科技实业股份有限公司 车牌定位方法
CN103824066A (zh) * 2014-03-18 2014-05-28 厦门翼歌软件科技有限公司 一种基于视频流的车牌识别方法
JP2019110474A (ja) * 2017-12-19 2019-07-04 セコム株式会社 不審者検知装置
CN109711407A (zh) * 2018-12-28 2019-05-03 深圳市捷顺科技实业股份有限公司 一种车牌识别的方法及相关装置
CN110110649A (zh) * 2019-05-02 2019-08-09 西安电子科技大学 基于速度方向的可选择性人脸检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837349A (zh) * 2021-02-09 2021-05-25 普联技术有限公司 一种目标跟踪方法、设备及计算机可读存储介质
CN113011259A (zh) * 2021-02-09 2021-06-22 苏州臻迪智能科技有限公司 电子设备的操作方法
CN113012223A (zh) * 2021-02-26 2021-06-22 清华大学 目标流动监测方法、装置、计算机设备和存储介质
CN113470081A (zh) * 2021-07-21 2021-10-01 浙江大华技术股份有限公司 一种车辆跟踪方法、装置、计算机设备及存储介质
CN113470081B (zh) * 2021-07-21 2024-06-04 浙江大华技术股份有限公司 一种车辆跟踪方法、装置、计算机设备及存储介质
CN114544002A (zh) * 2022-02-17 2022-05-27 深圳市同为数码科技股份有限公司 测温跳变处理方法、装置、计算机设备及介质
CN117874289A (zh) * 2024-01-15 2024-04-12 深圳市智云看家科技有限公司 一种摄像头回放查找的方法、缺陷检测装置和存储介质
CN117874289B (zh) * 2024-01-15 2024-08-23 深圳市智云看家科技有限公司 一种摄像头回放查找的方法、缺陷检测装置和存储介质

Similar Documents

Publication Publication Date Title
CN112330715A (zh) 一种跟踪方法、跟踪装置、终端设备及可读存储介质
EP3648448A1 (en) Target feature extraction method and device, and application system
CN111797657A (zh) 车辆周边障碍检测方法、装置、存储介质及电子设备
CN110728283A (zh) 一种车牌类型识别方法及设备
CN110738150B (zh) 相机联动抓拍方法、装置以及计算机存储介质
CN111695429B (zh) 视频图像目标关联方法、装置及终端设备
CN111401196A (zh) 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质
CN112348686B (zh) 理赔图片的采集方法、装置及通讯设备
CN112598922A (zh) 车位检测方法、装置、设备及存储介质
CN111553302A (zh) 关键帧选取方法、装置、设备及计算机可读存储介质
CN112966654A (zh) 唇动检测方法、装置、终端设备及计算机可读存储介质
CN113837006B (zh) 一种人脸识别方法、装置、存储介质及电子设备
CN113033244A (zh) 一种人脸识别方法、装置及设备
CN114387296A (zh) 目标轨迹追踪方法、装置、计算机设备及存储介质
CN112629828B (zh) 一种光学信息检测方法、装置及设备
CN116542998B (zh) 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质
CN116330658B (zh) 基于深度图像的目标跟踪方法、装置、系统及摄像设备
CN116434556A (zh) 车辆信息获取方法及其装置、设备及介质
CN116258881A (zh) 一种图像聚类方法、装置、终端及计算机可读存储介质
CN112416128B (zh) 一种手势识别方法及终端设备
CN112270257A (zh) 一种运动轨迹确定方法、装置及计算机可读存储介质
CN112906495A (zh) 一种目标检测方法、装置、电子设备及存储介质
CN112381042A (zh) 从掌静脉图像中提取掌静脉特征的方法、掌静脉识别方法
CN111639640A (zh) 基于人工智能的车牌识别方法、装置及设备
CN111368774A (zh) 基于交通违法图像的废片回滚方法、系统、终端及介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221222

Address after: 518000 Yingfei Haocheng Science Park, Guansheng 5th Road, Luhu Community, Guanhu Street, Longhua District, Shenzhen, Guangdong 1515

Applicant after: Shenzhen Infineon Information Co.,Ltd.

Address before: 3 / F, building H-3, East Industrial Zone, Huaqiaocheng, Nanshan District, Shenzhen, Guangdong 518000

Applicant before: SHENZHEN INFINOVA Ltd.