CN112507949A - 目标跟踪方法、装置、路侧设备以及云控平台 - Google Patents
目标跟踪方法、装置、路侧设备以及云控平台 Download PDFInfo
- Publication number
- CN112507949A CN112507949A CN202011511118.2A CN202011511118A CN112507949A CN 112507949 A CN112507949 A CN 112507949A CN 202011511118 A CN202011511118 A CN 202011511118A CN 112507949 A CN112507949 A CN 112507949A
- Authority
- CN
- China
- Prior art keywords
- target
- prediction
- frame
- historical
- historical track
- 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
Images
Classifications
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Abstract
本申请公开了一种目标跟踪方法、装置、设备以及存储介质,涉及计算机视觉和智能交通技术领域。具体实现方案为:获取历史轨迹的集合,其中,集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的;获取多帧历史图像之后采集的目标图像,对目标图像进行目标位置识别,以得到用于指示目标位置的检测框,对集合中的各历史轨迹分别进行单目标跟踪,以预测得到各历史轨迹在目标图像中对应的预测框,进而,根据检测框和预测框,定位跟踪目标。由此,基于之间识别出的历史轨迹进行目标位置预测,得到预测框,再根据预测框和检测框两部分定位跟踪目标,避免了由于漏检、遮挡等因素的影响,导致目标丢失的情况。
Description
技术领域
本申请公开了一种目标跟踪方法、装置、路测设备以及云控平台,涉及图像处理技术领域,具体涉及计算机视觉和智能交通技术领域。
背景技术
多目标跟踪问题是计算机视觉中的基础问题,在医学影像、智能交通、自动驾驶等领域都有非常重要的用途。例如,在智能交通领域,对车辆进行跟踪后,可以对跟踪的车辆轨迹进行分析,从而分析出驾驶行为或是检测出异常行为。
但是,相关技术中的目标跟踪方法,在目标发生偏移以及远处目标较小时难以检测到目标,从而出现由于漏检或误检,导致目标丢失的情况。
发明内容
本申请提供了一种用于目标跟踪方法、装置、设备以及存储介质。
根据本申请的一方面,提供了一种目标跟踪方法,包括:
获取历史轨迹的集合;其中,所述集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的,每个所述历史轨迹属于对应的目标;
获取所述多帧历史图像之后采集的目标图像;
对所述目标图像进行目标位置识别,以得到用于指示目标位置的检测框;
对所述集合中的各所述历史轨迹分别进行单目标跟踪,以预测得到各所述历史轨迹在所述目标图像中对应的预测框,其中,所述预测框用于指示对应所述历史轨迹所属目标的目标位置;
根据所述检测框和所述预测框,定位跟踪目标。
根据本申请的另一方面,提供了一种目标跟踪装置,包括:
第一获取模块,用于获取历史轨迹的集合;其中,所述集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的,每个所述历史轨迹属于对应的目标;
第二获取模块,用于获取所述多帧历史图像之后采集的目标图像;
识别模块,用于对所述目标图像进行目标位置识别,以得到用于指示目标位置的检测框;
预测模块,用于对所述集合中的各所述历史轨迹分别进行单目标跟踪,以预测得到各所述历史轨迹在所述目标图像中对应的预测框,其中,所述预测框用于指示对应所述历史轨迹所属目标的目标位置;
定位模块,用于根据所述检测框和所述预测框,定位跟踪目标。
根据本申请的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述实施例提出的目标跟踪方法。
根据本申请的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述实施例中所述的目标跟踪方法。
根据本申请的另一方面,提供了一种路测设备,包括上述实施例中的电子设备。
根据本申请的另一方面,提供了一种云控平台,包括上述实施例中的电子设备。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述实施例中所示的目标跟踪的方法。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例提供的一种目标跟踪方法的流程示意图;
图2为本申请实施例提供的另一种目标跟踪方法的流程示意图;
图3为本申请实施例提供的又一种目标跟踪方法的流程示意图
图4为本申请实施例提供的一种用于得到预测框的子流程示意图
图5为本申请实施例提出的一种目标跟踪装置的结构示意图;
图6是用来实现本申请实施例的目标跟踪的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
相关技术中的目标跟踪方法有在线跟踪和离线跟踪两种方法,在线跟踪可以实现实时跟踪,离线跟踪则能做到更高的精度。鉴于很多实际应用场景都是有实时性的要求,因此近几年在线跟踪的研究更多些。例如,马尔可夫决策过程方法、深度学习方法等等,但是现有的在线跟踪方法都会存在资源占用高、运算速度慢等问题。工业界中主要采用DeepSORT方法,利用深度特征以及卡尔曼滤波的方式,可以同时达到跟踪和平滑轨迹的效果。然而,针对车辆遮挡、车辆漏检等问题上,目前方法并不能很好的解决。
此外,在采用单目标跟踪时,如果前面有车辆的检测框出现偏差,那么单目标模块可能会沿着错误的检测框继续跟踪,从而会造成更大的误差。
针对上述问题,本申请提出了一种目标跟踪方法,通过获取历史轨迹的集合,其中,集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的,每个历史轨迹属于对应的目标;获取多帧历史图像之后采集的目标图像,对目标图像进行目标位置识别,以得到用于指示目标位置的检测框,对集合中的各历史轨迹分别进行单目标跟踪,以预测得到各历史轨迹在目标图像中对应的预测框,其中,预测框用于指示对应历史轨迹所属目标的目标位置,进而,根据检测框和预测框,定位跟踪目标。由此,基于之间识别出的历史轨迹进行目标位置预测,得到预测框,再根据预测框和检测框两部分定位跟踪目标,避免了由于漏检、遮挡等因素的影响,导致目标丢失的情况。
下面参考附图描述本申请实施例的目标跟踪方法、装置、设备及存储介质。
图1为本申请实施例一提供的目标跟踪方法的流程示意图。
本申请实施例以该目标跟踪方法被配置于目标跟踪装置中来举例说明,该目标跟踪装置可以应用于任一电子设备中,以使该电子设备可以执行目标跟踪功能。
其中,电子设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统的硬件设备。
如图1所示,该目标跟踪方法,可以包括以下步骤:
步骤101,获取历史轨迹的集合;其中,集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的,每个历史轨迹属于对应的目标。
其中,历史图像,是在历史时刻对目标进行目标跟踪拍摄得到的图像。历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的轨迹。历史轨迹的集合中包括多条历史轨迹,每个历史轨迹属于对应的目标。即每个历史轨迹中的目标可能并不相同。
历史轨迹是指同一目标在不同的帧中存在不同的位置,根据需求可以选择多帧历史图像进行储存,形成轨迹,而每一条轨迹都拥有唯一的ID号。
例如,历史轨迹A是对多帧图像中展示的某行人进行目标跟踪得到的,历史轨迹B是对多帧图像中展示的某汽车进行目标跟踪得到的,等等。
本申请实施例中,可以从服务器下载对目标进行目标跟踪得到的多条历史轨迹的集合,也可以从图像采集设备中获取到对目标进行目标跟踪得到的多条历史轨迹的集合,也可以从本地预先存储的视频中获取到对目标进行目标跟踪得到的多条历史轨迹的集合,等等;对于历史轨迹的获取方式在此不做限定。
需要说明的是,本申请中的目标跟踪方法不限于对车辆进行目标跟踪,跟踪的目标还可以为行人、行驶的其他交通工具、运动中的动物、其他物体;等等。
可以理解的是,由于对多目标跟踪时,可能存在目标容易被遮挡,或者目标体积较小而未被检测出来的情况,本申请中,通过分别获取各目标的历史轨迹,以对对各历史轨迹的多帧图像中展示的目标进行跟踪。
步骤102,获取多帧历史图像之后采集的目标图像。
其中,目标图像为在历史轨迹中包含的多帧历史图像对应的采集时刻之后采集得到的图像。
例如,历史轨迹中的多帧历史图像中最后一帧历史图像为T-1时刻采集的图像,则可以将T时刻采集的图像作为目标图像。
本申请实施例中,根据对多帧历史图像中展示的目标进行目标跟踪得到历史轨迹的集合后,可以将多帧历史图像之后采集的图像确定为目标图像。
步骤103,对目标图像进行目标位置识别,以得到用于指示目标位置的检测框。
本申请实施例中,获取到目标图像后,可以对目标图像进行目标识别,以识别出图像中的目标以及目标在图像中的位置,确定目标在目标图像中的位置后,可以通过检测框指示目标在目标图像中的目标位置。
例如,假设目标为汽车车牌,在获取到目标图像后,对目标图像进行中的汽车车牌进行识别,确定车牌在目标图像中的位置后,可以采用检测框指示车牌在目标图像中的位置。
作为一种可能的实现方式,获取到目标图像后,可以对目标图像进行特征提取,以得到目标图像对应的特征图,将特征图输入已经训练好的目标检测模型,以根据模型的输出确定目标图像中用于指示目标位置的检测框。其中,目标检测模型可以是利用机器学习或深度学习技术,基于训练样本集对卷积神经网络进行训练得到的模型,例如,可以基于YOLO、SSD、Faster-RCNN等网络构建目标检测网络。其中,训练样本集中各样本中包含目标图像和用于指示目标位置的检测框。
作为另一种可能的实现方式,获取到目标图像后,对目标图像进行特征提取,得到目标图像对应的特征图后,还可以将特征图与目标模型库进行匹配,以得到目标的名称、位置、位姿等。
步骤104,对集合中的各历史轨迹分别进行单目标跟踪,以预测得到各历史轨迹在目标图像中对应的预测框,其中,预测框用于指示对应历史轨迹所属目标的目标位置。
其中,单目标跟踪,是指给定某视频序列初始帧图像的目标大小与位置,预测后续帧图像中该目标的大小与位置。单目标跟踪方法有很多,例如,Template matching(模板匹配方法),KCF(Kernel Correlation Filter,核相关滤波算法),等等。
本申请实施例中,获取到历史轨迹的集合后,可以对集合中各历史轨迹分别进行单目标跟踪,以预测得到各历史轨迹所属目标在目标图像中对应的预测框。
作为一种可能的实现方式,在获取到各历史轨迹后,可以对各历史轨迹进行特征提取,以得到各历史轨迹的目标运动特征,进而,根据各历史轨迹的目标运动特征,采用单目标跟踪算法确定各历史轨迹在目标图像中对应的预测框。
步骤105,根据检测框和预测框,定位跟踪目标。
本申请实施例中,对多帧历史图像之后采集的目标图像进行目标位置识别,得到用于指示目标位置的检测框,以及对集合中各历史轨迹分别进行单目标跟踪,预测得到各历史轨迹在目标图像中对应的预测框后,可以根据检测框和预测框,定位跟踪目标。
可以理解的是,采用单目标跟踪方法预测各历史轨迹在目标图像中对应的预测框,进而,根据检测框和预测框,定位跟踪目标时,能够避免误检、漏检、遮挡等问题,有利于提高目标跟踪定位的准确率。
本申请实施例的目标跟踪方法,通过获取历史轨迹的集合,其中,集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的,每个历史轨迹属于对应的目标;获取多帧历史图像之后采集的目标图像,对目标图像进行目标位置识别,以得到用于指示目标位置的检测框,对集合中的各历史轨迹分别进行单目标跟踪,以预测得到各历史轨迹在目标图像中对应的预测框,其中,预测框用于指示对应历史轨迹所属目标的目标位置,进而,根据检测框和预测框,定位跟踪目标。由此,基于之间识别出的历史轨迹进行目标位置预测,得到预测框,再根据预测框和检测框两部分定位跟踪目标,避免了由于漏检、遮挡等因素的影响,导致目标丢失的情况。
相关技术中对目标进行跟踪的过程中,可能会出现目标丢失的情况,鉴于此,本申请中将检测框和各预测框,分别与历史轨迹的集合中的历史轨迹进行目标关联,以根据检测框和预测框指示的目标位置,对目标关联的历史轨迹进行更新,从而实现对目标的定位跟踪。下面结合图2进行详细介绍,图2为本申请实施例提供的另一种目标跟踪方法的流程示意图。
如图2所示,该目标跟踪方法,还可以包括以下步骤:
步骤201,将检测框和各预测框,分别与集合中的历史轨迹进行目标关联。
本申请中,对目标图像进行目标位置识别得到用于指示目标位置的检测框,以及对集合中的各历史轨迹分别进行单目标跟踪,预测得到各历史轨迹在目标图像中对应的预测框后,可以采用关联算法将检测框和各预测框,分别与集合中的历史轨迹进行目标关联。
本申请中,可以根据跟踪目标的外观、运动参数等相关特征,将检测框和各预测框分别与集合中的历史轨迹进行目标关联。
作为一种可能的实现方式,可以采用LMP(Lifted Multicut Problem,提升多割算法),将检测框和各预测框,分别与集合中的历史轨迹进行目标关联。相较于传统的图优化算法,采用LMP算法增加了额外的边,可以同时将检测框和各预测框,分别与集合中的历史轨迹进行目标关联,从而提高了目标关联的计算速度。
在一种可能的情况下,在预测框不存在目标关联的历史轨迹的情况下,删除预测框。可以理解为,假设某一预测框与集合中的各历史轨迹均不关联,说明该预测框对应的目标位置可能存在较大偏差,此时,可以删除该预测框。
在另一种可能的情况下,在检测框不存在目标关联的历史轨迹的情况下,将检测框所指示的目标位置确定为新增目标的目标位置,并根据检测框所指示的目标位置,生成新增目标的轨迹。
可以理解为,对目标图像进行识别得到的用于指示目标位置的检测框,与各历史轨迹不存在关联时,可能是由于目标过小,出现漏检的情况,可以将该检测框所指示的目标位置确定为新增目标的目标位置,并根据检测框所指示的目标位置,生成新增目标的轨迹。由此,避免了目标过小,出现漏检的情况,导致目标丢失的情况。
步骤202,在至少一检测框或者至少一预测框存在目标关联的历史轨迹的情况下,将至少一检测框或者至少一预测框所指示的目标位置,确定为目标关联的历史轨迹对应目标的目标位置。
在一种可能的情况下,将检测框和各预测框,分别与集合中的历史轨迹进行目标关联,确定至少一检测框存在目标关联的历史轨迹,这种情况下,可以将至少一检测框所指示的目标位置,确定为目标关联的历史轨迹对应目标的目标位置,从而实现了对目标的定位跟踪。
在另一种可能的情况下,将检测框和各预测框,分别与集合中的历史轨迹进行目标关联,确定至少一预测框存在目标关联的历史轨迹,这种情况下,可以将至少一预测框所指示的目标位置,确定为目标关联的历史轨迹对应目标的目标位置,从而实现了对目标的定位跟踪。
步骤203,根据至少一检测框或至少一预测框指示的目标位置,更新目标关联的历史轨迹。
本申请中,将至少一检测框或者至少一预测框所指示的目标位置,确定为目标关联的历史轨迹对应目标的目标位置,可以根据至少一检测框或至少一预测框指示的目标位置,更新目标关联的历史轨迹。
在一种可能的情况下,确定至少一检测框所指示的目标位置,为目标关联的历史轨迹对应目标的目标位置后,可以根据至少一检测框指示的目标位置,更新目标关联的历史轨迹。
在另一种可能的情况下,确定至少一预测框所指示的目标位置,为目标关联的历史轨迹对应目标的目标位置后,可以根据至少一预测框指示的目标位置,更新目标关联的历史轨迹。
本申请实施例中,将检测框和各预测框,分别与集合中的历史轨迹进行目标关联,在至少一检测框或者至少一预测框存在目标关联的历史轨迹的情况下,将至少一检测框或者至少一预测框所指示的目标位置,确定为目标关联的历史轨迹对应目标的目标位置,以根据至少一检测框或至少一预测框指示的目标位置,更新目标关联的历史轨迹。由此,将检测框和各预测框与历史轨迹进行目标关联后,根据检测框或预测框所指示的目标位置,更新目标关联的历史轨迹,从而实现了对目标的跟踪定位。
在上述实施例的基础上,对各历史轨迹分别进行单目标跟踪得到各历史轨迹在目标图像中对应的预测框之后,还可以对预测框进行筛选,以根据筛选后得到的预测框和检测框,定位跟踪目标。由此,通过筛选掉置信度较低的预测框,或者尺寸存在较大偏差的预测框,从而提高了目标定位的准确度。下面结合图3对上述过程进行详细介绍,图3为本申请实施例提供的又一种目标跟踪方法的流程示意图。
如图3所示,该目标跟踪方法,可以包括以下步骤:
步骤301,获取历史轨迹的集合;其中,集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的,每个历史轨迹属于对应的目标。
步骤302,获取多帧历史图像之后采集的目标图像。
步骤303,对目标图像进行目标位置识别,以得到用于指示目标位置的检测框。
步骤304,对集合中的各历史轨迹分别进行单目标跟踪,以预测得到各历史轨迹在目标图像中对应的预测框。
其中,预测框用于指示对应历史轨迹所属目标的目标位置。
本申请实施例中,步骤301至步骤304的实现过程,可以参见上述实施例中步骤101至步骤104的实现过程,在此不再赘述。
步骤305,根据预测框和检测框之间的交并比,和/或,预测框的尺寸,和/或,预测框的置信度,对预测框进行筛选。
其中,交并比是一种测量在特定数据集中检测相应物体准确度的一个标准。本申请中预测框和检测框之间的交并比,是指预测框和检测框重叠的部分除以预测框和检测框的集合部分得出的结果。
本申请实施例中,对各历史轨迹分别进行单目标跟踪得到各历史轨迹在目标图像中对应的预测框之后,还可以对预测框进行筛选。
作为一种可能的实现方式,可以根据预测框和检测框之间的交并比,对预测框进行筛选。
例如,可以将各预测框和检测框之间的交并比小于设定阈值的预测框筛选掉。
作为另一种可能的实现方式,还可以根据预测框的尺寸,对预测框进行筛选。其中,预测框的尺寸,是根据对应历史轨迹所属目标在多帧历史图像中的尺寸确定的。
可以理解为,可以根据历史轨迹所属目标在多帧历史图像中的尺寸,确定对应历史轨迹对应的预测框的尺寸。若各历史轨迹在目标图像中对应的预测框的尺寸与对应历史轨迹所属目标在多帧历史图像中的尺寸差距较大时,可以筛选掉该预测框。
作为又一种可能的实现方式,还可以根据预测框的置信度,对预测框进行筛选。其中,预测框的置信度,可以为预测框中目标为某一类别的概率。
本申请中,可以从各预测框中筛选出预测框的置信度大于某一置信度阈值的预测框。例如,可以采用过滤器对各预测框进行筛选,以筛选出预测框的置信度大于置信度阈值的预测框。
作为又一种可能的实现方式,本申请中还可以根据预测框和检测框之间的交并比、预测框的尺寸和预测框的置信度,对预测框进行筛选。
可以理解为,可以从各预测框中筛选出同时满足预测框和检测框之间的交并比大于设定阈值,预测框的尺寸与根据对应历史轨迹所属目标在多帧历史图像中的尺寸差距较小,以及预测框的置信度大于置信度阈值。
本申请实施例中,还可以根据预测框和检测框之间的交并比,或,预测框的尺寸,或,预测框的置信度中至少两个条件,对预测框进行筛选。
步骤306,根据检测框和预测框,定位跟踪目标。
本申请实施例中,步骤306的实现过程,还可以参考上述实施例中步骤105的实现过程,在此不再赘述。
本申请实施例的目标跟踪方法,在对集合中的各历史轨迹分别进行单目标跟踪,以得到各历史轨迹在目标图像中对应的预测框之后,根据预测框和检测框之间的交并比,和/或,预测框的尺寸,和/或,预测框的置信度,对预测框进行筛选,根据检测框和筛选得到的预测框,定位跟踪目标。由此,通过筛选掉与目标位置差距较大的预测框,避免了对目标跟踪时误检的情况,有利于提高目标定位跟踪的准确度。
在上述实施例的基础上,在预测得到各历史轨迹在目标图像中对应的预测框时,可以对各历史轨迹进行特征提取得到对应的目标运动特征,进而,采用单目标跟踪算法确定各历史轨迹在目标图像中对应的预测框。下面结合图4对上述过程进行详细介绍,图4为本申请实施例提供的一种用于得到预测框的子流程示意图。
如图4所示,该方法可以包括以下步骤:
步骤401,对各历史轨迹特征提取,得到各历史轨迹的目标运动特征。
本申请实施例中,获取到各历史轨迹后,可以首先对各历史轨迹进行预处理,如,对各历史轨迹进行降噪处理,以得到降噪后的历史轨迹。
进一步地,可以基于各历史轨迹中目标的运动速度特征,对降噪处理后的历史轨迹进行特征提取,以得到各历史轨迹的目标运动特征。
步骤402,根据各历史轨迹的目标运动特征,采用单目标跟踪算法确定各历史轨迹在目标图像中对应的预测框。
本申请实施例中,对各历史轨迹进行特征提取,得到各历史轨迹的目标运动特征后,可以根据各历史轨迹的目标运动特征,采用单目标跟踪算法确定各历史轨迹在目标图像中对应的预测框。
本申请实施例中,单目标跟踪算法不限于上述实施例中所述的Templatematching,KCF,现有的其他单目标跟踪算法也可以实现本申请的技术方案。
本申请中,通过对各历史轨迹特征提取,得到各历史轨迹的目标运动特征,根据各历史轨迹的目标运动特征,采用单目标跟踪算法确定各历史轨迹在目标图像中对应的预测框。由此,得到各历史轨迹在目标图像中对应的预测框,可以避免目标较小在各历史轨迹中未被识别,导致目标丢失的情况。
为了实现上述实施例,本申请提出了一种目标跟踪装置。
图5为本申请实施例提出的一种目标跟踪装置的结构示意图。
如图5所示,该目标跟踪装置500,可以包括:第一获取模块510、第二获取模块520、识别模块530、预测模块540以及定位模块550。
其中,第一获取模块510,用于获取历史轨迹的集合;其中,集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的,每个历史轨迹属于对应的目标。
第二获取模块520,用于获取多帧历史图像之后采集的目标图像。
识别模块530,用于对目标图像进行目标位置识别,以得到用于指示目标位置的检测框。
预测模块540,用于对集合中的各历史轨迹分别进行单目标跟踪,以预测得到各历史轨迹在目标图像中对应的预测框,其中,预测框用于指示对应历史轨迹所属目标的目标位置。
定位模块550,用于根据检测框和所述预测框,定位跟踪目标。
在一种可能的情况下,定位模块500,还可以包括:
关联单元,用于将检测框和各预测框,分别与集合中的历史轨迹进行目标关联;
确定单元,用于在至少一检测框或者至少一预测框存在目标关联的历史轨迹的情况下,将至少一检测框或者至少一预测框所指示的目标位置,确定为目标关联的历史轨迹对应目标的目标位置;
更新单元,用于根据至少一检测框或至少一预测框指示的目标位置,更新目标关联的历史轨迹。
在另一种可能的情况下,定位模块500,还可以包括:
删除单元,用于在预测框不存在目标关联的历史轨迹的情况下,删除预测框;
生成单元,用于在检测框不存在目标关联的历史轨迹的情况下,将检测框所指示的目标位置确定为新增目标的目标位置,并根据检测框所指示的目标位置,生成新增目标的轨迹。
在另一种可能的情况下,关联单元,还可以用于:
采用提升多割算法LMP,将检测框和各预测框,分别与集合中的历史轨迹进行目标关联。
在另一种可能的情况下,该目标跟踪装置500,还可以包括
筛选模块,用于根据预测框和检测框之间的交并比,和/或,预测框的尺寸,和/或,预测框的置信度,对预测框进行筛选。
在另一种可能的情况下,预测框的尺寸,是根据对应历史轨迹所属目标在多帧历史图像中的尺寸确定的。
在另一种可能的情况下,预测模块,还可以用于:
对各历史轨迹特征提取,得到各历史轨迹的目标运动特征;根据各历史轨迹的目标运动特征,采用单目标跟踪算法确定各历史轨迹在目标图像中对应的预测框。
需要说明的是,前述对目标跟踪方法实施例的解释说明也适用于该目标跟踪装置,此处不再赘述。
本申请实施例的目标跟踪装置,通过获取历史轨迹的集合,其中,集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的,每个历史轨迹属于对应的目标;获取多帧历史图像之后采集的目标图像,对目标图像进行目标位置识别,以得到用于指示目标位置的检测框,对集合中的各历史轨迹分别进行单目标跟踪,以预测得到各历史轨迹在目标图像中对应的预测框,其中,预测框用于指示对应历史轨迹所属目标的目标位置,进而,根据检测框和预测框,定位跟踪目标。由此,基于之间识别出的历史轨迹进行目标位置预测,得到预测框,再根据预测框和检测框两部分定位跟踪目标,避免了由于漏检、遮挡等因素的影响,导致目标丢失的情况。
为了实现上述实施例,本申请提出了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述实施例提出的目标跟踪方法。
为了实现上述实施例,本申请提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述实施例中所述的目标跟踪方法。
为了实现上述实施例,本申请提出了一种路测设备,可以包括上述实施例中的电子设备。
该路测设备,还可以包括通信部件等,电子设备可以和通信部件一体集成,也可以分体设置。电子设备可以获取感知设备(如相机)的数据,例如图片和视频等。
为了实现上述实施例,本申请提出了一种云控平台,包括上述实施例中的电子设备。
其中,云控平台在云端执行处理,具有视频处理、数据计算等功能。云控平台包括的电子设备可以获取感知设备(如相机)的数据,例如图片和视频等。
为了实现上述实施例,本申请提出了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述实施例中所示的目标跟踪的方法。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的目标跟踪的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的目标跟踪方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的目标跟踪方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的目标跟踪的方法对应的程序指令/模块(例如,附图5所示的第一获取模块510、第二获取模块520、识别模块530、预测模块540以及定位模块550)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的目标跟踪方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
目标跟踪方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与目标跟踪的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
根据本申请实施例的技术方案,通过获取历史轨迹的集合,其中,集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的,每个历史轨迹属于对应的目标;获取多帧历史图像之后采集的目标图像,对目标图像进行目标位置识别,以得到用于指示目标位置的检测框,对集合中的各历史轨迹分别进行单目标跟踪,以预测得到各历史轨迹在目标图像中对应的预测框,其中,预测框用于指示对应历史轨迹所属目标的目标位置,进而,根据检测框和预测框,定位跟踪目标。由此,基于之间识别出的历史轨迹进行目标位置预测,得到预测框,再根据预测框和检测框两部分定位跟踪目标,避免了由于漏检、遮挡等因素的影响,导致目标丢失的情况。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (19)
1.一种目标跟踪方法,包括:
获取历史轨迹的集合;其中,所述集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的,每个所述历史轨迹属于对应的目标;
获取所述多帧历史图像之后采集的目标图像;
对所述目标图像进行目标位置识别,以得到用于指示目标位置的检测框;
对所述集合中的各所述历史轨迹分别进行单目标跟踪,以预测得到各所述历史轨迹在所述目标图像中对应的预测框,其中,所述预测框用于指示对应所述历史轨迹所属目标的目标位置;
根据所述检测框和所述预测框,定位跟踪目标。
2.根据权利要求1所述的目标跟踪方法,其中,所述根据所述检测框和所述预测框,定位跟踪目标,包括:
将所述检测框和各所述预测框,分别与所述集合中的历史轨迹进行目标关联;
在至少一所述检测框或者至少一所述预测框存在目标关联的所述历史轨迹的情况下,将所述至少一检测框或者所述至少一预测框所指示的目标位置,确定为所述目标关联的历史轨迹对应目标的目标位置;
根据所述至少一检测框或所述至少一预测框指示的目标位置,更新所述目标关联的历史轨迹。
3.根据权利要求2所述的目标跟踪方法,其中,所述将所述检测框和所述预测框,分别与所述集合中的历史轨迹进行目标关联之后,还包括:
在所述预测框不存在目标关联的所述历史轨迹的情况下,删除所述预测框;
在所述检测框不存在目标关联的所述历史轨迹的情况下,将所述检测框所指示的目标位置确定为新增目标的目标位置,并根据所述检测框所指示的目标位置,生成所述新增目标的轨迹。
4.根据权利要求2所述的目标跟踪方法,其中,所述将所述检测框和各所述预测框,分别与所述集合中的历史轨迹进行目标关联,包括:
采用提升多割算法LMP,将所述检测框和各所述预测框,分别与所述集合中的历史轨迹进行目标关联。
5.根据权利要求1-4任一项所述的目标跟踪方法,其中,所述对所述集合中的各所述历史轨迹分别进行单目标跟踪,以得到各所述历史轨迹在所述目标图像中对应的预测框之后,还包括:
根据所述预测框和所述检测框之间的交并比,和/或,所述预测框的尺寸,和/或,所述预测框的置信度,对所述预测框进行筛选。
6.根据权利要求5所述的目标跟踪方法,其中,所述预测框的尺寸,是根据对应所述历史轨迹所属目标在所述多帧历史图像中的尺寸确定的。
7.根据权利要求1-4任一项所述的目标跟踪方法,其中,所述对所述集合中的各所述历史轨迹分别进行单目标跟踪,以预测得到各所述历史轨迹在所述目标图像中对应的预测框,包括:
对各所述历史轨迹特征提取,得到各所述历史轨迹的目标运动特征;
根据各所述历史轨迹的所述目标运动特征,采用单目标跟踪算法确定各所述历史轨迹在所述目标图像中对应的预测框。
8.一种目标跟踪装置,包括:
第一获取模块,用于获取历史轨迹的集合;其中,所述集合中各历史轨迹是对多帧历史图像中展示的目标进行目标跟踪得到的,每个所述历史轨迹属于对应的目标;
第二获取模块,用于获取所述多帧历史图像之后采集的目标图像;
识别模块,用于对所述目标图像进行目标位置识别,以得到用于指示目标位置的检测框;
预测模块,用于对所述集合中的各所述历史轨迹分别进行单目标跟踪,以预测得到各所述历史轨迹在所述目标图像中对应的预测框,其中,所述预测框用于指示对应所述历史轨迹所属目标的目标位置;
定位模块,用于根据所述检测框和所述预测框,定位跟踪目标。
9.根据权利要求8所述的目标跟踪装置,其中,所述定位模块,包括:
关联单元,用于将所述检测框和各所述预测框,分别与所述集合中的历史轨迹进行目标关联;
确定单元,用于在至少一所述检测框或者至少一所述预测框存在目标关联的所述历史轨迹的情况下,将所述至少一检测框或者所述至少一预测框所指示的目标位置,确定为所述目标关联的历史轨迹对应目标的目标位置;
更新单元,用于根据所述至少一检测框或所述至少一预测框指示的目标位置,更新所述目标关联的历史轨迹。
10.根据权利要求9所述的目标跟踪装置,其中,所述定位模块,还包括:
删除单元,用于在所述预测框不存在目标关联的所述历史轨迹的情况下,删除所述预测框;
生成单元,用于在所述检测框不存在目标关联的所述历史轨迹的情况下,将所述检测框所指示的目标位置确定为新增目标的目标位置,并根据所述检测框所指示的目标位置,生成所述新增目标的轨迹。
11.根据权利要求9所述的目标跟踪装置,其中,所述关联单元,还用于:
采用提升多割算法LMP,将所述检测框和各所述预测框,分别与所述集合中的历史轨迹进行目标关联。
12.根据权利要求8-11任一项所述的目标跟踪装置,其中,所述装置,还包括:
筛选模块,用于根据所述预测框和所述检测框之间的交并比,和/或,所述预测框的尺寸,和/或,所述预测框的置信度,对所述预测框进行筛选。
13.根据权利要求12所述的目标跟踪装置,其中,所述预测框的尺寸,是根据对应所述历史轨迹所属目标在所述多帧历史图像中的尺寸确定的。
14.根据权利要求8-11任一项所述的目标跟踪装置,其中,所述预测模块,还用于:
对各所述历史轨迹特征提取,得到各所述历史轨迹的目标运动特征;
根据各所述历史轨迹的所述目标运动特征,采用单目标跟踪算法确定各所述历史轨迹在所述目标图像中对应的预测框。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的目标跟踪的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的目标跟踪的方法。
17.一种路侧设备,包括如权利要求15所述的电子设备。
18.一种云控平台,包括如权利要求15所述的电子设备。
19.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现根据权利要求1-7中任一项所述的目标跟踪的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511118.2A CN112507949A (zh) | 2020-12-18 | 2020-12-18 | 目标跟踪方法、装置、路侧设备以及云控平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511118.2A CN112507949A (zh) | 2020-12-18 | 2020-12-18 | 目标跟踪方法、装置、路侧设备以及云控平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507949A true CN112507949A (zh) | 2021-03-16 |
Family
ID=74922608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011511118.2A Pending CN112507949A (zh) | 2020-12-18 | 2020-12-18 | 目标跟踪方法、装置、路侧设备以及云控平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507949A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861819A (zh) * | 2021-04-01 | 2021-05-28 | 潘振波 | 一种变电站作业跨越围栏检测方法、装置及电子设备 |
CN113223051A (zh) * | 2021-05-12 | 2021-08-06 | 北京百度网讯科技有限公司 | 轨迹优化方法、装置、设备、存储介质以及程序产品 |
CN113360094A (zh) * | 2021-06-04 | 2021-09-07 | 重庆紫光华山智安科技有限公司 | 数据预测方法和装置、电子设备及存储介质 |
CN113688278A (zh) * | 2021-07-13 | 2021-11-23 | 北京旷视科技有限公司 | 信息处理方法、装置、电子设备和计算机可读介质 |
CN114897944A (zh) * | 2021-11-10 | 2022-08-12 | 北京中电兴发科技有限公司 | 一种基于DeepSORT的多目标连续跟踪方法 |
WO2022213385A1 (zh) * | 2021-04-09 | 2022-10-13 | 深圳市大疆创新科技有限公司 | 目标跟踪方法、装置、可移动平台及计算机可读存储介质 |
CN115965657A (zh) * | 2023-02-28 | 2023-04-14 | 安徽蔚来智驾科技有限公司 | 目标跟踪方法、电子设备、存储介质及车辆 |
CN117315028A (zh) * | 2023-10-12 | 2023-12-29 | 北京多维视通技术有限公司 | 室外火场起火点定位方法、装置、设备及介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714553A (zh) * | 2012-10-09 | 2014-04-09 | 杭州海康威视数字技术股份有限公司 | 一种多目标跟踪方法和装置 |
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 |
CN107133970A (zh) * | 2017-03-30 | 2017-09-05 | 北京航空航天大学 | 基于运动信息的在线多目标跟踪方法及装置 |
CN109087335A (zh) * | 2018-07-16 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸跟踪方法、装置和存储介质 |
CN110197502A (zh) * | 2019-06-06 | 2019-09-03 | 山东工商学院 | 一种基于身份再识别的多目标跟踪方法及系统 |
CN110517292A (zh) * | 2019-08-29 | 2019-11-29 | 京东方科技集团股份有限公司 | 目标跟踪方法、装置、系统和计算机可读存储介质 |
DE112017007724T5 (de) * | 2017-07-06 | 2020-03-26 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | System und Verfahren zur Verfolgung von Objekten in einer zeitlichen Sequenz von digitalen Bildern |
CN111179311A (zh) * | 2019-12-23 | 2020-05-19 | 全球能源互联网研究院有限公司 | 多目标跟踪方法、装置及电子设备 |
CN111402294A (zh) * | 2020-03-10 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 目标跟踪方法、装置、计算机可读存储介质和计算机设备 |
WO2020147348A1 (zh) * | 2019-01-17 | 2020-07-23 | 北京市商汤科技开发有限公司 | 一种目标跟踪方法及装置、存储介质 |
CN111563489A (zh) * | 2020-07-14 | 2020-08-21 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、装置以及计算机存储介质 |
CN111709975A (zh) * | 2020-06-22 | 2020-09-25 | 上海高德威智能交通系统有限公司 | 多目标跟踪方法、装置、电子设备及存储介质 |
CN111798483A (zh) * | 2020-06-28 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种抗遮挡行人跟踪的方法、装置及存储介质 |
US20200353917A1 (en) * | 2019-05-07 | 2020-11-12 | Aptiv Technologies Limited | Systems and methods for planning and updating a vehicle's trajectory |
CN112070807A (zh) * | 2020-11-11 | 2020-12-11 | 湖北亿咖通科技有限公司 | 多目标跟踪方法和电子装置 |
-
2020
- 2020-12-18 CN CN202011511118.2A patent/CN112507949A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714553A (zh) * | 2012-10-09 | 2014-04-09 | 杭州海康威视数字技术股份有限公司 | 一种多目标跟踪方法和装置 |
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 |
CN107133970A (zh) * | 2017-03-30 | 2017-09-05 | 北京航空航天大学 | 基于运动信息的在线多目标跟踪方法及装置 |
DE112017007724T5 (de) * | 2017-07-06 | 2020-03-26 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | System und Verfahren zur Verfolgung von Objekten in einer zeitlichen Sequenz von digitalen Bildern |
CN109087335A (zh) * | 2018-07-16 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸跟踪方法、装置和存储介质 |
WO2020147348A1 (zh) * | 2019-01-17 | 2020-07-23 | 北京市商汤科技开发有限公司 | 一种目标跟踪方法及装置、存储介质 |
US20200353917A1 (en) * | 2019-05-07 | 2020-11-12 | Aptiv Technologies Limited | Systems and methods for planning and updating a vehicle's trajectory |
CN110197502A (zh) * | 2019-06-06 | 2019-09-03 | 山东工商学院 | 一种基于身份再识别的多目标跟踪方法及系统 |
CN110517292A (zh) * | 2019-08-29 | 2019-11-29 | 京东方科技集团股份有限公司 | 目标跟踪方法、装置、系统和计算机可读存储介质 |
CN111179311A (zh) * | 2019-12-23 | 2020-05-19 | 全球能源互联网研究院有限公司 | 多目标跟踪方法、装置及电子设备 |
CN111402294A (zh) * | 2020-03-10 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 目标跟踪方法、装置、计算机可读存储介质和计算机设备 |
CN111709975A (zh) * | 2020-06-22 | 2020-09-25 | 上海高德威智能交通系统有限公司 | 多目标跟踪方法、装置、电子设备及存储介质 |
CN111798483A (zh) * | 2020-06-28 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种抗遮挡行人跟踪的方法、装置及存储介质 |
CN111563489A (zh) * | 2020-07-14 | 2020-08-21 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、装置以及计算机存储介质 |
CN112070807A (zh) * | 2020-11-11 | 2020-12-11 | 湖北亿咖通科技有限公司 | 多目标跟踪方法和电子装置 |
Non-Patent Citations (1)
Title |
---|
SIYU TANG ET AL.: "Multiple People Tracking by Lifted Multicut and Person Re-identification", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION 》, pages 3701 - 3710 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861819A (zh) * | 2021-04-01 | 2021-05-28 | 潘振波 | 一种变电站作业跨越围栏检测方法、装置及电子设备 |
WO2022213385A1 (zh) * | 2021-04-09 | 2022-10-13 | 深圳市大疆创新科技有限公司 | 目标跟踪方法、装置、可移动平台及计算机可读存储介质 |
CN113223051A (zh) * | 2021-05-12 | 2021-08-06 | 北京百度网讯科技有限公司 | 轨迹优化方法、装置、设备、存储介质以及程序产品 |
CN113360094A (zh) * | 2021-06-04 | 2021-09-07 | 重庆紫光华山智安科技有限公司 | 数据预测方法和装置、电子设备及存储介质 |
CN113688278A (zh) * | 2021-07-13 | 2021-11-23 | 北京旷视科技有限公司 | 信息处理方法、装置、电子设备和计算机可读介质 |
CN114897944A (zh) * | 2021-11-10 | 2022-08-12 | 北京中电兴发科技有限公司 | 一种基于DeepSORT的多目标连续跟踪方法 |
CN114897944B (zh) * | 2021-11-10 | 2022-10-25 | 北京中电兴发科技有限公司 | 一种基于DeepSORT的多目标连续跟踪方法 |
CN115965657A (zh) * | 2023-02-28 | 2023-04-14 | 安徽蔚来智驾科技有限公司 | 目标跟踪方法、电子设备、存储介质及车辆 |
CN117315028A (zh) * | 2023-10-12 | 2023-12-29 | 北京多维视通技术有限公司 | 室外火场起火点定位方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
CN111091591B (zh) | 一种碰撞检测方法、装置、电子设备及存储介质 | |
CN111640140B (zh) | 目标跟踪方法、装置、电子设备及计算机可读存储介质 | |
CN111273268B (zh) | 自动驾驶障碍物类型的识别方法、装置及电子设备 | |
CN111292531B (zh) | 交通信号灯的跟踪方法、装置、设备及存储介质 | |
CN110675644B (zh) | 道路红绿灯的识别方法、装置、电子设备及存储介质 | |
CN111768381A (zh) | 零部件缺陷检测方法、装置及电子设备 | |
CN112131233A (zh) | 识别更新道路的方法、装置、设备和计算机存储介质 | |
US20210312799A1 (en) | Detecting traffic anomaly event | |
CN112581763A (zh) | 道路事件检测的方法、装置、设备和存储介质 | |
CN112528786A (zh) | 车辆跟踪方法、装置及电子设备 | |
CN110717933A (zh) | 针对运动物体漏检的后处理方法、装置、设备和介质 | |
CN111666891A (zh) | 用于估计障碍物运动状态的方法和装置 | |
CN110703732B (zh) | 相关性检测方法、装置、设备及计算机可读存储介质 | |
CN113591573A (zh) | 多任务学习深度网络模型的训练及目标检测方法、装置 | |
CN112561963A (zh) | 目标跟踪的方法、装置、路侧设备以及存储介质 | |
CN111275011A (zh) | 移动红绿灯检测方法、装置、电子设备和存储介质 | |
CN111881908A (zh) | 目标检测模型的修正方法、检测方法、装置、设备及介质 | |
CN113091757A (zh) | 地图生成方法和装置 | |
CN111339877B (zh) | 盲区的长度检测方法、装置、电子设备及存储介质 | |
CN111950345A (zh) | 摄像头的识别方法、装置、电子设备和存储介质 | |
CN113673281A (zh) | 限速信息确定方法、装置、设备以及存储介质 | |
CN110798681B (zh) | 成像设备的监测方法、装置和计算机设备 | |
CN111832658B (zh) | 兴趣点信息处理方法、装置、电子设备和存储介质 | |
CN112581533A (zh) | 定位方法、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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211011 Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd. Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |