CN112507953A - 一种目标搜索及追踪方法和装置及设备 - Google Patents
一种目标搜索及追踪方法和装置及设备 Download PDFInfo
- Publication number
- CN112507953A CN112507953A CN202011517700.XA CN202011517700A CN112507953A CN 112507953 A CN112507953 A CN 112507953A CN 202011517700 A CN202011517700 A CN 202011517700A CN 112507953 A CN112507953 A CN 112507953A
- Authority
- CN
- China
- Prior art keywords
- human body
- target
- features
- monitoring equipment
- body features
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明提供了一种目标搜索及追踪方法和装置及设备,该方法包括:确定目标进入监控设备的监控范围时,根据目标行进方向预测目标出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合;解析当前所在的监控设备的视频流进行轨迹追踪,并更新人体特征库;从邻居监控设备集合的视频流中提取多维人体特征,并与人体特征库匹配,确定目标是否进入邻居监控设备集合的监控范围,并在匹配成功时更新人体特征库;确定目标跟踪失败时,根据最近一次监控到目标的监控设备,从预测的运动范围内监控设备的视频流中提取多维人体特征,并与人体特征库匹配,确定目标是否进入运动范围内的监控范围。利用本发明提供的方法,可以实现跨场景的目标搜索及追踪。
Description
技术领域
本发明涉及监控安防领域,尤其涉及一种目标搜索及追踪方法和装置及设备。
背景技术
近年来,视频监控安防行业的大力发展,社会的安防基础建设在大力发展,为了及时预防和避免安全事件的发生,大量的监控设备被安装和应用在公共场所。因此,如何从多个监控设备的视频数据中有效获取行人的轨迹信息,对于社会安防体系具有非常重要的价值。
跨镜头行人轨迹追踪不仅是在当前监控设备对行人目标进行跟踪,还要根据当前跟踪目标的移动方向进行持续进行跟踪。目前大多跨镜追踪系统采用的方式是,在单镜头场景内先利用行人检测,获得某个目标行人的位置,当行人在同一监控设备的视野区域内进行移动时,采用行人跟踪算法进行追踪;当目标行人离开当前监控设备的视野区域,进入另一个监控设备视野区域后,通过大量监控设备的视频结构化解析,通过行人重识别提取人体特征进行比对和目标匹配。
目前的目标搜索及跟踪方案,存在以下问题:
(1)在不同场景下进行行人跟踪时,仅依靠单维人体特征的行人重识别(PersonRe-identification,ReID)进行跟踪,容易受到各种环境干扰因素的影响,例如,相机分辨率、环境光线、相机的视角、障碍物遮挡、同行人遮挡等,因此实时环境的各种因素对人体特征比对进行跨镜跟踪的准确性及可实施性有很大的影响。
(2)在单场景内如果出现行人密集,或同行遮挡的情况,通过单场景的目标跟踪算法,就会出现很大程度上的匹配误差,导致跟踪失败,目前针对跟踪失败后尚未提出很好的解决方案。
(3)在跨镜追踪场景中,直接采用大量摄像头的视频结构化结果进行行人重识别,在时间和解析算力上就需要极大的代价;同时,由于增加大量底库数据的比对,会造成一定程度上的数据干扰,在目标跨镜跟踪的实时性和比对结果的精确度上也会性能下降。
发明内容
本发明提供一种目标搜索及追踪方法和装置及设备,解决目前的目标搜索及跟踪方案,使用单维人体特征进行目标跟踪准确性低,针对跟踪失败后尚未提出很好的解决方案,及直接采用大量摄像头的视频结构化结果,实时性和精确度较低的问题。
第一方面,本发明提供一种目标搜索及追踪方法,该方法包括:
确定目标进入监控设备的监控范围时,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合;
解析所述目标当前所在的监控设备的视频流,对所述目标进行轨迹追踪,及提取所述目标的多维人体特征,并利用提取的多维人体特征更新人体特征库;
从所述邻居监控设备集合内监控设备的视频流中提取多维人体特征,与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入所述邻居监控设备集合内监控设备的监控范围,并在匹配成功时利用提取的多维人体特征更新人体特征库;
确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,从预测的运动范围内监控设备的视频流中提取多维人体特征,并与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入运动范围内监控设备的监控范围。
可选地,所述多维人体特征包括以下特征:
人脸特征;
人体外观特征;
人体运动特征;
所述人体外观特征包括第一级维度的人体特征和第二级维度的人体特征,其中:
第一级维度的人体特征包括正面人体特征、侧面人体特征、背面人体特征;
第二级维度的人体特征为按照预设粒度将所述第一级维度的人体特征进行划分得到的。
可选地,所述方法还包括:
在目标搜索开始时,获取所述目标的参考图像数据;
从所述参考图像数据中提取所述目标的至少一维初始的人体特征,并将提取的至少一维初始的人体特征存入人体特征库。
可选地,所述方法还包括:
确定轨迹追踪失败且所述目标未进入所述邻居监控设备集合内监控设备的监控范围时,从所述目标当前所在的监控设备的视频流中提取多维人体特征;
将提取的多维人体特征与所述人体特征库中的多维人体特征匹配,确定目标是否再次出现在所述当前监控设备的监控范围。
可选地,利用提取的多维人体特征更新人体特征库,包括:
对所述提取的多维人体特征进行质量评价,筛选出质量符合预设要求的多维人体特征;
根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用时效优先原则或特征完整性原则,更新对应维度的人体特征;
其中,所述第一级维度的人体特征的覆盖度,为根据所述第一级维度的人体特征下各第二级维度的人体特征的数量确定的参数。
可选地,采用如下方式确定第一级维度的人体特征的覆盖度:
其中,α(i)为第i个第一级维度的人体特征的覆盖度,i<=n,n为所述第一级维度的数量,m为第二级维度的数量,xj为根据第j个第二级维度的人体特征的数量确定的标志位,数量为零时标志位取0,数量为非零时标志位取1,wj为第j个第二级维度的人体特征的权重系数,0<wj≤1。
可选地,根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用时效优先原则,更新对应维度的人体特征,包括:
确定第一级维度的人体特征的覆盖度达到预设最大阈值,或者第一维度的人体特征的覆盖度大于预设最小值且小于预设最大阈值,判断所述筛选出的多维人体特征对应的各维度的人体特征的数量;
若数量达到预设数量阈值N时,保留提取时间最新的n个人体特征和初始的人体特征,n的取值为N-m,m为所述初始的人体特征的数量;
否则,将筛选出的该维度的人体特征保存在人体特征库中。
可选地,根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用特征完整性原则,更新对应维度的人体特征,包括:
确定第一级维度的人体特征的覆盖度未达到预设最小阈值,将筛选出的该维度的人体特征保存在人体特征库中。
可选地,所述方法还包括:
根据各个第一级维度的人体特征的覆盖度是否均大于对应的预设值,评价评估所述人体特征库完整。
可选地,将从所述邻居监控设备集合内或预测的运动范围内监控设备的视频流中,或从当前监控设备的视频流中,提取的多维人体特征与所述人体特征库中的多维人体特征进行匹配,包括:
若所述人体特征库中存在与提取的多维人体特征同维度的人体特征,将提取的多维人体特征与人体特征库中对应同维度的人体特征进行匹配;
若所述人体特征库中不存在与提取的多维人体特征同维度的人体特征,或者同维度的人体特征匹配结果不能满足准确度要求时,将提取的多维人体特征与人体特征库中不同维度的人体特征进行匹配。
可选地,将提取的多维人体特征与人体特征库中对应同维度/不同维度的人体特征进行匹配,包括:
按照第一级维度的人体特征的优先级顺序,进行第一级维度的人体特征匹配,所述第一级维度的人体特征的优先级顺序为正面人体特征、侧面人体特征、背面人体特征;
按照第二级维度的人体特征的优先级顺序,进行第二级维度的人体特征匹配,所述第二级维度的人体特征按照预设粒度从大到小进行优先级排序。
可选地,所述方法还包括:
若人体特征的匹配结果不能满足准确度要求,将提取的多维人体特征与人脸特征和/或人体运动特征进行匹配。
可选地,解析所述目标当前所在的监控设备的视频流,提取所述目标的多维人体特征,包括:
解析所述目标当前所在的监控设备的视频流,获取所述目标的图像序列;
对所述图像序列中的各帧图像按照所述目标的人体姿态类别进行分类处理,得到各人体姿态类别对应的图像分组,并提取所述各帧图像中所述目标的特征;
对每种所述人体姿态类别分别执行:对所述人体姿态类别对应的图像分组,将所述图像分组中的各帧图像的所述人体特征进行特征融合处理,得到所述人体姿态类别对应的维度的人体特征。
可选地,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合,包括:
以所述当前监控设备为起始点,确定所述目标在第一预设时间内能够到达的地理范围,并将该地理范围内的监控设备作为待处理监控设备;
从所述当前监控设备出发,以多个所述待处理监控设备为目的地规划所述当前监控设备到各所述待处理监控设备的出行路线;
根据预先从所述当前监控设备的视频流中分析出的所述目标的移动方向,预测所述目标采用各所述出行路线出行的概率;
选择出行概率最高的所述出行路线上的可达待处理监控设备为邻居监控设备集合。
可选地,每条所述出行路线中包括至少一条路段;根据预先从所述当前监控设备的视频流中分析出的所述目标的移动方向,预测所述目标采用各所述出行路线出行的概率,包括:
针对每条所述出行路线分别执行:
从所述出行路线中的所述当前监控设备所在路段开始,从所述出行路线中选取指定数量的路段;
根据所述指定数量的路段确定所述出行路线的延展方向;
确定所述延展方向和所述目标的所述移动方向之间的夹角作为所述目标采用所述出行路线出行的概率。
可选地,确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,确定预测的运动范围内的监控设备,包括:
确认目标跟踪失败时,确定最后一次监控到所述目标的初始监控设备;
以所述初始监控设备为起点,预测所述目标在之后预设时间段运动所对应的运动范围;
确定所述运动范围内能够监测到所述目标的候选监控设备,并筛选到达各所述候选监控设备的所有运动路线上,与所述初始监控设备间的路线距离最近的N个目标监控设备,为所述预测的运动范围内的监控设备,其中N为正整数。
第二方面,本发明提供一种目标搜索及追踪的设备,包括存储器和处理器,其中:
所述存储器用于存储计算机程序;
所述处理器用于读取所述存储器中的程序并执行上述第一方面提供的目标搜索及追踪方法。
第三方面,本发明提供一种目标搜索及追踪的装置,包括:
路线规划单元,用于确定目标进入监控设备的监控范围时,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合;
特征更新单元,用于解析所述目标当前所在的监控设备的视频流,对所述目标进行轨迹追踪,及提取所述目标的多维人体特征,并利用提取的多维人体特征更新人体特征库;
第一匹配单元,用于从所述邻居监控设备集合内监控设备的视频流中提取多维人体特征,与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入所述邻居监控设备集合内监控设备的监控范围,并在匹配成功时利用提取的多维人体特征更新人体特征库;
第二匹配单元,用于确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,从预测的运动范围内监控设备的视频流中提取多维人体特征,并与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入运动范围内监控设备的监控范围。
第四方面,本发明提供一种计算机程序介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面提供的一种目标搜索及追踪方法的步骤。
本发明提供的一种目标搜索及追踪方法和装置及设备,具有以下有益效果:
(1)在不同场景下进行目标跨镜跟踪时,通过提取目标的多维人体特征及动态更新人体特征库,进行跟踪,可以在一定程度上克服各种环境干扰因素的影响,提升目标搜索及追踪的准确性和可实施性;
(2)在跟踪失败后,根据最近一次监控到所述目标的监控设备,从预测的运动范围内监控设备的视频流中提取多维人体特征,并与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入运动范围内监控设备的监控范围,以进行目标的找回,继续进行目标搜索及追踪,提升目标搜索及跟踪的持续性;
(3)在跨镜追踪场景中,通过对所述目标从当前监控设备出发进行出行路线规划,根据所述出行路线上的监控设备确定邻居监控设备集合,进行动态迭代式的邻居监控设备集合的计算,预测所述目标的移动范围,节约了时间和解析算力,提高了目标跨镜追踪的实时性和精确度。
附图说明
图1为本发明实施例提供的一种目标搜索及追踪的应用环境的示意图;
图2为发明实施例提供的一种目标搜索及追踪方法的流程图;
图3A为本发明实施例提供的一种静态的人体特征的示意图;
图3B为本发明实施例提供的一种人体运动特征的示意图;
图4为发明实施例提供的一种重新找回跟踪失败的目标的流程图;
图5为本发明实施例提供的一种目标搜索及追踪的具体实施方式的流程图;
图6为本发明实施例提供的一种目标搜索及追踪的设备的示意图;
图7为本发明实施例提供的一种目标搜索及追踪的装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;文本中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,另外,在本申请实施例的描述中,“多个”是指两个或多于两个,其它量词与之类似应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。方法在实际的处理过程中或者控制设备执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
鉴于目前的目标搜索及跟踪方案,使用单维人体特征进行目标跟踪准确性低,针对跟踪失败后尚未提出很好的解决方案,及直接采用大量摄像头的视频结构化结果,实时性和精确度较低的问题。本申请提出一种目标搜索及追踪方法和装置及设备。
有鉴于此,本申请的发明构思为:确定目标进入监控设备的监控范围时,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合;在确定邻居监控设备集合的同时,解析所述目标当前所在的监控设备的视频流,对所述目标进行轨迹追踪,及提取所述目标的多维人体特征,并利用提取的多维人体特征更新人体特征库;通过人体特征库的不断完善,提高目标匹配的准确性。从所述邻居监控设备集合内监控设备的视频流中提取多维人体特征,与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入所述邻居监控设备集合内监控设备的监控范围,并在匹配成功时利用提取的多维人体特征更新人体特征库;确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,从预测的运动范围内监控设备的视频流中提取多维人体特征,并与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入运动范围内监控设备的监控范围。重新找回所述目标,保证目标搜索及跟踪的准确性。
本申请的其它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,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面结合附图对本申请实施例中的监控节点的搜索方法进行详细说明。
实施例1
如图1所示,为本发明实施例提供的一种目标搜索及追踪的应用环境的示意图。
该应用环境中例如可以包括网络10、服务器20、至少一种监控设备30、终端设备40以及数据库50。其中:监控设备30用于采集监控范围内的图像,并通过网络10将采集的图像发送给服务器20,由服务器20将图像存储至数据库50中。
监控设备30所采集的监控视频可通过网络10发送给服务器20,由服务器20下达存储指令,存储到服务器20所关联的数据库50中。此外,终端设备40可以发送视频流获取请求给服务器20,服务器20响应该视频流获取请求,从数据库50中调取视频流并通过网络10发送给终端设备40。
在图1所示的应用场景中,监控设备30_1为路网中的一个监控摄像头,监控设备30_1将所识别到目标的视频流通过网络10发送给服务器20,服务器20针对商户视频流进行相应的操作。实施时,可以由服务器20基于视频流完成对目标的出行方式的识别,针对该出行方式对目标的出行范围进行判断,并调取数据库50中所存储的路网信息。将路网内,以监控设备30_1所在位置作为出发地,上述出行范围内的各监控设备30_2……30_N所在位置作为目的地。并从所述当前监控设备出发,以多个所述待处理监控设备为目的地规划所述当前监控设备到各所述待处理监控设备的出行路线。
在一些可能的实施例中,监控设备30在将视频流上传给服务器20时,同时上传用于表示监控设备30的安装方向及所在位置的参数信息。
本申请中的描述中仅就单个服务器或终端设备加以详述,但是本领域技术人员应当理解的是,示出的监控设备30、终端设备40、服务器20和数据库50旨在表示本申请的技术方案涉及的监控设备、终端设备、服务器以及存储系统的操作。对单个服务器和存储系统加以详述至少为了说明方便,而非暗示对终端设备和服务器的数量、类型或是位置等具有限制。应当注意,如果向图示环境中添加附加模块或从其中去除个别模块,不会改变本申请的示例实施例的底层概念。另外,虽然为了方便说明而在图1中示出了从数据库50到服务器20的双向箭头,但本领域技术人员可以理解的是,上述数据的收发也是需要通过网络10实现的。
需要说明的是,本申请实施例中的存储系统例如可以是缓存系统、也可以是硬盘存储、内存存储等等。此外,本申请提出的目标搜索及追踪方法不仅适用于图1所示的监控系统,还适用于任何能够进行图像采集的图像采集装置,例如,智能终端的相机。
本发明实施例提供一种目标搜索及追踪方法的流程图,如图2所示,包括:
步骤S201,确定目标进入监控设备的监控范围时,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合;
需要说明的是,在进行目标的初次搜索的时候,即在目标搜索开始时,获取所述目标的参考图像数据;
从所述参考图像数据中提取所述目标的至少一维初始的人体特征,并将提取的至少一维初始的人体特征存入人体特征库。
上述目标的参考图像数据可以为一张或者多张目标的图像,也可以为一段目标的视频,上述图像和视频中至少包括上述目标的至少一维人体特征。
针对上述初始的人体特征的提取,可以从目标的抓拍图片中获取人体特征,提取的特征主要为目标行人的人体静态特征,上述人体静态特征包括人脸特征和人体外观特征;若参考图像数据充足,例如,获取了一段目标的视频,可提取人体运动特征。
上述目标的参考图像数据的获取方式可以为任一方式,例如,在公安监控视频中获取、在目标数据库中获取等,不是本方案的重点内容,在此不再赘述。
初始进行目标搜索时,可对设定区域内监控设备的视频流进行分析,确定目标是否进入监控设备的监控范围。
当上述目标在某个监控设备的监控范围中出现后,系统随即就需要预测、规划出上述目标即将出现的下一个监控设备,上述根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合,包括:
以所述当前监控设备为起始点,确定所述目标在第一预设时间内能够到达的地理范围,并将该地理范围内的监控设备作为待处理监控设备;
从所述当前监控设备出发,以多个所述待处理监控设备为目的地规划所述当前监控设备到各所述待处理监控设备的出行路线;
根据预先从所述当前监控设备的视频流中分析出的所述目标的移动方向,预测所述目标采用各所述出行路线出行的概率;
选择出行概率最高的所述出行路线上的可达待处理监控设备为邻居监控设备集合。
确定目标进入监控设备的监控范围后,会获取上述目标的位置信息以及时间信息。当实时跟踪任务触发后,通过上述目标的位置信息以及时间信息,确定所述目标在第一预设时间内能够到达的地理范围。
上述可达待处理监控设备的含义为目标可以到达的待处理监控设备,在一些实施场景中,可能存在下述情况,待处理监控设备A与目标之间的直线距离很近,但是上述直线距离是无法行走的路径,如果目标要出现在待处理监控设备A的监控范围之中,需要经过远远大于上述直线距离的实际距离,上述待处理监控设备A就可能是目标无法到达的待处理监控设备。
需要说明的是,每条所述出行路线中包括至少一条路段;
上述根据预先从所述当前监控设备的视频流中分析出的所述目标的移动方向,预测所述目标采用各所述出行路线出行的概率,包括:
针对每条所述出行路线分别执行:
从所述出行路线中的所述当前监控设备所在路段开始,从所述出行路线中选取指定数量的路段;
根据所述指定数量的路段确定所述出行路线的延展方向;
确定所述延展方向和所述目标的所述移动方向之间的夹角作为所述目标采用所述出行路线出行的概率。
步骤S202,解析所述目标当前所在的监控设备的视频流,对所述目标进行轨迹追踪,及提取所述目标的多维人体特征,并利用提取的多维人体特征更新人体特征库;
初始人体特征提取的维度越多,后续进行匹配的命中率越高,所以尽可能从视频流中提取更多维度的人体特征。
上述解析所述目标当前所在的监控设备的视频流,提取所述目标的多维人体特征,包括:
解析所述目标当前所在的监控设备的视频流,获取所述目标的图像序列;
对所述图像序列中的各帧图像按照所述目标的人体姿态类别进行分类处理,得到各人体姿态类别对应的图像分组,并提取所述各帧图像中所述目标的特征;
对每种所述人体姿态类别分别执行:对所述人体姿态类别对应的图像分组,将所述图像分组中的各帧图像的所述人体特征进行特征融合处理,得到所述人体姿态类别对应的维度的人体特征。
在本发明实施例中,其他提取多维人体特征的实施方式与上述实施方式相同,不再进行重复的说明。
其中,上述人体姿态类别主要包括正面姿态、侧面姿态和背面姿态。例如图像中体现的是行人目标的正脸图像,可分类为正面姿态,图像中体现的是行人目标的背面,则分类为背面姿态,体现的是侧脸,则可分类为侧面姿态。
通过上述实施方式提取到的多维人体特征包括以下特征:
人脸特征;
人体外观特征;
人体运动特征;
所述人体外观特征包括第一级维度的人体特征和第二级维度的人体特征,其中:
第一级维度的人体特征包括正面人体特征、侧面人体特征、背面人体特征;
第二级维度的人体特征为按照预设粒度将所述第一级维度的人体特征进行划分得到的。
需要说明的是,可以将多维人体特征划分为静态的人体特征和人体运动特征。其中,静态的人体特征包括人体外观特征和人脸特征。上述人体外观特征包括上述第一级维度的人体特征和第二级维度的人体特征。
人体外观特征中还包括人体的姿态特征。在采集人体外观特征时,目标或站或行走,肢体的位置和角度等人体的姿态特征都可以被采集到。上述侧面人体特征包括左侧面人体特征和右侧面人体特征。
上述第二级维度的人体特征的预设粒度可以根据具体的实施情况进行具体的设置,例如,可设置粒度为1/4人体、1/2人体、3/4人体、全身等。
需要说明的是,上述按照预设粒度划分得到第二级维度的人体特征,划分的方式为从头部开始,向下累计划分。例如,如果按照1/3人体的预设粒度划分,划分得到1/3人体、2/3人体、全身人体。其中,1/3人体包括头部、肩部、胸部;2/3人体包括头部、肩部、胸部、腹部、臀部、部分腿部;全身人体包括头部、肩部、胸部、腹部、臀部、腿部、脚部。
如图3A所示,本发明实施例提供一种静态的人体特征的示意图。
在图3A给出的具体实施方式中,将第一级维度的人体特征具体划分为正面人体特征、左侧面人体特征、右侧面人体特征、背面人体特征。
根据预设粒度为1/4人体划分,得到的第二级维度的人体特征为1/4正面人体特征、2/4正面人体特征、3/4正面人体特征、全身正面人体特征。
其中,1/4正面人体特征包括头部的人体特征,为头部2寸照的大小;2/4正面人体特征在1/4正面人体特征的基础上增加了肩部以及胸腹的人体特征,为人体半身的特征;3/4正面人体特征在2/4正面人体特征的基础上增加了腿臀的人体特征,其中腿部截取到膝盖部位;全身正面人体特征在3/4正面人体特征的基础上增加了腿脚的人体特征,为完整的人体特征。
上述仅为正面人体特征的第二级维度的人体特征的具体示例,对应的其他第一级维度的人体特征均对应第二级维度的人体特征,例如,背面人体特征对应1/4背面人体特征、2/4背面人体特征、3/4背面人体特征、全身背面人体特征,在此不再赘述。
图3A还给出了一种人脸特征的示意图。
如图3B所示,本发明实施例提供一种人体运动特征的示意图。
在图3B给出的具体实施方式中,上述人体运动特征具体为人体步态特征,上述人体运动特征包括任意人体的运动方式,例如,走、跑、跳等,在此不再赘述。
上述对所述目标进行轨迹追踪可以通过多种方式实现,例如行人重识别技术ReID、行人追踪技术等。
行人重识别,也称行人再识别,是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术,给定一个监控行人图像,可以实现检索跨设备下的该行人图像。
由于多种环境因素的影响,在上述目标当前所在的监控设备的监控范围内,可能会产生目标追踪失败,为克服上述问题,本发明实施例提供了下述重新进行轨迹追踪的方法:
确定轨迹追踪失败且所述目标未进入所述邻居监控设备集合内监控设备的监控范围时,从所述目标当前所在的监控设备的视频流中提取多维人体特征;
将提取的多维人体特征与所述人体特征库中的多维人体特征匹配,确定目标是否再次出现在所述当前监控设备的监控范围。
步骤S203,从所述邻居监控设备集合内监控设备的视频流中提取多维人体特征,与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入所述邻居监控设备集合内监控设备的监控范围,并在匹配成功时利用提取的多维人体特征更新人体特征库;
上述邻居监控设备集合包含至少一个可能检测到目标的监控设备,当通过与所述人体特征库中的多维人体特征匹配,确定上述目标在上述邻居监控设备集合中的一个监控设备出现后,将上述监控设备作为目标当前所在的监控设备,循环执行步骤S201。
需要说明的是,在匹配成功时利用提取的多维人体特征更新人体特征库,即人体特征库中多维人体特征的积累更新在匹配邻居监控设备成功时和在执行目标轨迹追踪时执行。
步骤S204,确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,从预测的运动范围内监控设备的视频流中提取多维人体特征,并与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入运动范围内监控设备的监控范围。
在目标跟踪过程中,经常由于实际环境因素的影响,会出现目标跟踪失败。因此,在跟踪目标在监控范围消失后,需要续接实时跟踪。
上述目标跟踪失败的含义为,目标在当前监控设备出现的最后时刻,记为t。从t时刻开始且Δt间隔时间内,在当前监控设备的邻居监控设备集合中一直未匹配到目标。
其中,Δt可以根据实际监控设备间的距离间隔进行自动调节,实际距离间隔大,则Δt可以调节增大。反之,Δt可以调节减少。
确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,确定预测的运动范围内的监控设备,包括:
确认目标跟踪失败时,确定最后一次监控到所述目标的初始监控设备;
以所述初始监控设备为起点,预测所述目标在之后预设时间段运动所对应的运动范围;
确定所述运动范围内能够监测到所述目标的候选监控设备,并筛选到达各所述候选监控设备的所有运动路线上,与所述初始监控设备间的路线距离最近的N个目标监控设备,为所述预测的运动范围内的监控设备,其中N为正整数。
上述确定最后一次监控到所述目标的初始监控设备的含义为,计算找出目标最后一次出现的节点。在实际实施过程中,大多目标跟踪失败是由于实际跟踪过程中,现场环境的光照、不同摄像头的分辨率差异、算法的准确率等影响因素,造成跟踪目标在实际跟踪过程中,发生匹配错误,即跟踪的目标已经不是实际原始跟踪目标,那么需要通过历史视频回溯到目标最后一次出现的监控设备。
作为一种可选的实施方式,通过录像纠偏确定最后一次监控到所述目标的初始监控设备。
在目标跟踪失败后,开启动态防空圈,同时根据录像中进行历史视频搜索到的目标的位置不断计算调整动态防空圈的范围,最后直至在监控设备实时画面中搜索比对到上述目标。
如图4所示,本发明实施例提供一种重新找回跟踪失败的目标的流程图。
步骤S401,在当前的监控设备进行目标搜索及追踪;
步骤S402,确认目标是否跟踪失败,若是,执行步骤S403,若否执行S401;
步骤S403,进行录像纠偏,选择最后一个目标追踪正确的监控设备,开启动态防空圈,随着录像纠偏选择的监控设备的变化,变化动态防空圈的范围;
步骤S404,根据上述最后一个目标追踪正确的监控设备,确定邻居监控设备集,获取当前时间的邻居监控设备集内监控设备的视频流;
步骤S405,从邻居监控设备集内监控设备的视频流中提取多维人体特征,并与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入运动范围内监控设备的监控范围,若是,执行步骤S406,若否,执行步骤S403。
步骤S406,将确定的目标出现的监控设备作为当前的监控设备,执行步骤S401。
下面,对利用提取的多维人体特征更新人体特征库的具体实施方式进行说明。
利用提取的多维人体特征更新人体特征库,包括:
对所述提取的多维人体特征进行质量评价,筛选出质量符合预设要求的多维人体特征;
根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用时效优先原则或特征完整性原则,更新对应维度的人体特征;
其中,所述第一级维度的人体特征的覆盖度,为根据所述第一级维度的人体特征下各第二级维度的人体特征的数量确定的参数。
需要说明的是,因为监控设备的拍摄质量不稳定,以及具体实施时目标所处的环境的影响,提取的多维人体特征的质量参差不齐,首先需要对上述提取的多维人体特征进行质量评价,优选出质量符合的特征。
上述质量评价的方法可以为评价目标清晰度、目标完整度等标准,任意特征的评价方式都可以应用到这里。
其次,根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用时效优先原则或特征完整性原则,更新对应维度的人体特征,进行人体特征库的动态累积更新。
具体的,采用如下方式确定第一级维度的人体特征的覆盖度:
其中,α(i)为第i个第一级维度的人体特征的覆盖度,i<=n,n为所述第一级维度的数量,m为第二级维度的数量,xj为根据第j个第二级维度的人体特征的数量确定的标志位,数量为零时标志位取0,数量为非零时标志位取1,wj为第j个第二级维度的人体特征的权重系数,0<wj≤1。
需要说明的是,根据各个第一级维度的人体特征的覆盖度是否均大于对应的预设值,评价评估所述人体特征库完整。
作为一种可选的实施方式,规定人体特征库完整度为Q,并规定第一级维度的人体特征必需收集到,对于细化的第一级维度的人体特征,例如,左侧面人体特征和右侧面人体特征,只要其中一个细化的第一级维度的人体特征收集到,就认为该第一级维度的人体特征收集到。
针对正面和背面也可以根据场景需要进行细化。
如表1所示,本发明实施例提供一种评价人体特征库完整度Q的实施方式。
表1:评价人体特征库完整度Q的示意表
其中,α(i)不小于0.5认为该维度的人体特征收集到,Q1的正面人体特征、背面人体特征和左侧面人体特征符合标准,则认为Q1对应的人体特征库完整。
从时效影响因素上看,人脸特征和人体运动特征对时效的约束最小,而人体静态特征对时效的约束最大。因此,给每个人体特征都打上时间戳,跨场景的特征积累过程中,当积累多个同维特征时,通过时效进行优先积累。
除初始的人体特征外,同维的动态积累的特征,如特征质量都在某个质量评分区间,则通过时间戳进行优选,保留时间最近的特征。
人体特征库的更新策略如下:
1)当目标第一级维度的人体特征的覆盖度达到预设最大阈值Tmax,则采用时效优先原则,更新对应维度的人体特征;
2)当目标第一级维度的人体特征的覆盖度未达到预设最大阈值Tmax,则采用特征完整性原则,更新对应维度的人体特征。
其中,针对第一级维度的人体特征的覆盖度的阈值T,可以通过实际场景进行动态设置,阈值范围,即T∈(Tmin,Tmax),例如设置T∈(0.5,1)。
下面给出采用时效优先原则或特征完整性原则,更新对应维度的人体特征的具体实施方式。
实施方式1:根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用时效优先原则,更新对应维度的人体特征。
确定第一级维度的人体特征的覆盖度达到预设最大阈值,或者第一维度的人体特征的覆盖度大于预设最小值且小于预设最大阈值,判断所述筛选出的多维人体特征对应的各维度的人体特征的数量;
若数量达到预设数量阈值N时,保留提取时间最新的n个人体特征和初始的人体特征,n的取值为N-m,m为所述初始的人体特征的数量;
否则,将筛选出的该维度的人体特征保存在人体特征库中。
即,(1)若α(i)>=Tmax,则认为当前目标采集的人体特征完整,可以按时间顺序进行特征优选;
例如,正面人体特征的覆盖度达到预设最大阈值,筛选出的多维人体特征包括2张正面人体特征和1张1/2正面人体特征。在人体特征库中,判断所述筛选出的多位人体特征对应的维度,即第一维的人体特征中的正面人体特征的数量和第二维的人体特征中的1/2正面人体特征的数量。此时人体特征库中正面人体特征的数量为5张,其中1张为初始的人体特征;1/2正面人体特征3张,其中1张为初始的人体特征;设置预设数量阈值N为5。
正面人体特征的数量达到预设数量阈值N,保留提取时间最新的n个人体特征和初始的人体特征,n的取值为N-m=4,m为所述初始的人体特征的数量,若上述正面人体特征按照时序由旧至新排列为初始的人体特征,特征1,特征2,特征3,特征4,则将人体特征库中的特征1和特征2更新为上述筛选出的2张正面人体特征。
1/2正面人体特征的数量未达到预设数量阈值N,将筛选出的1/2正面人体特征补充至上述人体特征库中的1/2正面人体特征。
(2)若Tmin<α(i)<Tmax,则认为当前目标采集的人体特征可辨识,可以按时间顺序进行特征优选。
例如,正面人体特征的覆盖度大于预设最小值且小于预设最大阈值,筛选出的多维人体特征包括2张正面人体特征和1张1/2正面人体特征。在人体特征库中,判断所述筛选出的多位人体特征对应的维度,即第一维的人体特征中的正面人体特征的数量和第二维的人体特征中的1/2正面人体特征的数量。此时人体特征库中正面人体特征的数量为,正面人体特征3张,其中1张为初始的人体特征;1/2正面人体特征5张,其中1张为初始的人体特征;设置预设数量阈值N为5。
1/2正面人体特征的数量达到预设数量阈值N,保留提取时间最新的n个人体特征和初始的人体特征,n的取值为N-m=4,m为所述初始的人体特征的数量。若上述1/2正面人体特征按照时序由旧至新排列为初始的人体特征,特征1,特征2,特征3,特征4,则将人体特征库中的特征1更新为上述筛选出的1张1/2正面人体特征。
正面人体特征的数量未达到预设数量阈值N,将筛选出的2张正面人体特征补充至上述人体特征库中的正面人体特征。
实施方式2:根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用特征完整性原则,更新对应维度的人体特征。
确定筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度未达到预设最小阈值,将筛选出的该维度的人体特征保存在人体特征库中。
具体的,若α(i)<Tmin,则认为当前目标采集的人体特征不完整,将筛选出的该维度的人体特征保存在人体特征库中。
例如,正面人体特征的覆盖度未达到预设最大阈值,将筛选出的正面人体特征保存在人体特征库中。
下面介绍与所述人体特征库中的多维人体特征匹配的具体实施方式。
作为一种可选的实施方式,将从所述邻居监控设备集合内或预测的运动范围内监控设备的视频流中,或从当前监控设备的视频流中,提取的多维人体特征与所述人体特征库中的多维人体特征进行匹配,包括:
若所述人体特征库中存在与提取的多维人体特征同维度的人体特征,将提取的多维人体特征与人体特征库中对应同维度的人体特征进行匹配;
若所述人体特征库中不存在与提取的多维人体特征同维度的人体特征,或者同维度的人体特征匹配结果不能满足准确度要求时,将提取的多维人体特征与人体特征库中不同维度的人体特征进行匹配。
上述同维度的人体特征匹配结果不能满足准确度要求的含义为,根据同维度的人体特征匹配度较低,匹配不到目标或者与人体特征库中的多个目标匹配。
首先,进行同维度的人体特征匹配,其次,进行不同维度特征之间的对比。
若动态特征库中收集的特征与正在比对的特征不同维度则按下述方式处理:
将提取的多维人体特征与人体特征库中对应同维度/不同维度的人体特征进行匹配时,需要按照具体的优先顺序进行匹配,作为一种可选的实施方式:
按照第一级维度的人体特征的优先级顺序,进行第一级维度的人体特征匹配,所述第一级维度的人体特征的优先级顺序为正面人体特征、侧面人体特征、背面人体特征;
按照第二级维度的人体特征的优先级顺序,进行第二级维度的人体特征匹配,所述第二级维度的人体特征按照预设粒度从大到小进行优先级排序。
例如,对于第二级维度的人体特征,优先级顺序为全身特征>3/4局部特征>2/4局部特征>1/4局部特征。
需要说明的是,第一级维度的人体特征的优先级高于第二级维度的人体特征的优先级,即优先比较第一级维度的人体特征。例如,首先,将目标的正面人体特征和行人的正面特征进行比对;其次,在第一级特征维度中若存在对应的细分维度,则进行第二维度的特征比对,比如,目标正面半身特征与行人的正面半身特征进行比对。
需要说明的是,上述优先级顺序可以根据具体的实施方式进行具体的设置,上述优先级顺序指示本发明实施例提供的一种具体举例,并不对本发明实施例的方案进行限定。
目前实际场景中,在单个监控设备场景的行人特征提取上,提取人体的多维静态特征及动态特征,大多以人体静态外观特征比对方案为主,人体运动特征作为实施中作为相似人体外观特征的进一步比对筛选方案。
若人体特征的匹配结果不能满足准确度要求,具体的可能为匹配不到目标或者与人体特征库中的多个目标匹配,将提取的多维人体特征与人脸特征和/或人体运动特征进行匹配。
如图5所示,本发明实施例提供一种目标搜索及追踪的具体实施方式的流程图。
步骤S501,确定目标进入监控设备的监控范围时,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合;
步骤S502,解析所述目标当前所在的监控设备的视频流,对所述目标进行轨迹追踪,及提取所述目标的多维人体特征,并利用提取的多维人体特征更新人体特征库;
步骤S503,从所述邻居监控设备集合内监控设备的视频流中提取多维人体特征,与所述人体特征库中的多维人体特征匹配;
步骤S504,确定所述目标是否进入所述邻居监控设备集合内监控设备的监控范围,若是,执行步骤S505,若否,执行步骤S506;
步骤S505,在匹配成功时利用提取的多维人体特征更新人体特征库,执行步骤S501;
步骤S506,判断轨迹追踪是否失败,若是,执行步骤S507,若否,执行步骤S502;
步骤S507,从所述目标当前所在的监控设备的视频流中提取多维人体特征,并将提取的多维人体特征与所述人体特征库中的多维人体特征匹配;
步骤S508,确定目标是否再次出现在所述当前监控设备的监控范围,若是,执行步骤S501,若否,执行步骤S509;
步骤S509,判断目标是否跟踪失败,若是,执行步骤S510,若否,执行步骤S503;
步骤S510,根据最近一次监控到所述目标的监控设备,从预测的运动范围内监控设备的视频流中提取多维人体特征,并与所述人体特征库中的多维人体特征匹配;
步骤S511,确定所述目标是否进入运动范围内监控设备的监控范围,若是,执行步骤S501,若否,执行步骤S512;
步骤S512,结束目标搜索及追踪。
实施例2
本发明实施例提供一种目标搜索及追踪的设备,如图6所示:
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本申请的这种实施方式的电子设备130。图6显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,根据本申请的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行如下步骤:
确定目标进入监控设备的监控范围时,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合;
解析所述目标当前所在的监控设备的视频流,对所述目标进行轨迹追踪,及提取所述目标的多维人体特征,并利用提取的多维人体特征更新人体特征库;
从所述邻居监控设备集合内监控设备的视频流中提取多维人体特征,与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入所述邻居监控设备集合内监控设备的监控范围,并在匹配成功时利用提取的多维人体特征更新人体特征库;
确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,从预测的运动范围内监控设备的视频流中提取多维人体特征,并与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入运动范围内监控设备的监控范围。
可选地,所述多维人体特征包括以下特征:
人脸特征;
人体外观特征;
人体运动特征;
所述人体外观特征包括第一级维度的人体特征和第二级维度的人体特征,其中:
第一级维度的人体特征包括正面人体特征、侧面人体特征、背面人体特征;
第二级维度的人体特征为按照预设粒度将所述第一级维度的人体特征进行划分得到的。
可选地,所述处理器还用于:
在目标搜索开始时,获取所述目标的参考图像数据;
从所述参考图像数据中提取所述目标的至少一维初始的人体特征,并将提取的至少一维初始的人体特征存入人体特征库。
可选地,所述处理器还用于:
确定轨迹追踪失败且所述目标未进入所述邻居监控设备集合内监控设备的监控范围时,从所述目标当前所在的监控设备的视频流中提取多维人体特征;
将提取的多维人体特征与所述人体特征库中的多维人体特征匹配,确定目标是否再次出现在所述当前监控设备的监控范围。
可选地,所述处理器利用提取的多维人体特征更新人体特征库,包括:
对所述提取的多维人体特征进行质量评价,筛选出质量符合预设要求的多维人体特征;
根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用时效优先原则或特征完整性原则,更新对应维度的人体特征;
其中,所述第一级维度的人体特征的覆盖度,为根据所述第一级维度的人体特征下各第二级维度的人体特征的数量确定的参数。
可选地,所述处理器采用如下方式确定第一级维度的人体特征的覆盖度:
其中,α(i)为第i个第一级维度的人体特征的覆盖度,i<=n,n为所述第一级维度的数量,m为第二级维度的数量,xj为根据第j个第二级维度的人体特征的数量确定的标志位,数量为零时标志位取0,数量为非零时标志位取1,wj为第j个第二级维度的人体特征的权重系数,0<wj≤1。
可选地,所述处理器根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用时效优先原则,更新对应维度的人体特征,包括:
确定第一级维度的人体特征的覆盖度达到预设最大阈值,或者第一维度的人体特征的覆盖度大于预设最小值且小于预设最大阈值,判断所述筛选出的多维人体特征对应的各维度的人体特征的数量;
若数量达到预设数量阈值N时,保留提取时间最新的n个人体特征和初始的人体特征,n的取值为N-m,m为所述初始的人体特征的数量;
否则,将筛选出的该维度的人体特征保存在人体特征库中。
可选地,所述处理器根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用特征完整性原则,更新对应维度的人体特征,包括:
确定第一级维度的人体特征的覆盖度未达到预设最小阈值,将筛选出的该维度的人体特征保存在人体特征库中。
可选地,所述处理器还用于:
根据各个第一级维度的人体特征的覆盖度是否均大于对应的预设值,评价评估所述人体特征库完整。
可选地,所述处理器将从所述邻居监控设备集合内或预测的运动范围内监控设备的视频流中,或从当前监控设备的视频流中,提取的多维人体特征与所述人体特征库中的多维人体特征进行匹配,包括:
若所述人体特征库中存在与提取的多维人体特征同维度的人体特征,将提取的多维人体特征与人体特征库中对应同维度的人体特征进行匹配;
若所述人体特征库中不存在与提取的多维人体特征同维度的人体特征,或者同维度的人体特征匹配结果不能满足准确度要求时,将提取的多维人体特征与人体特征库中不同维度的人体特征进行匹配。
可选地,所述处理器将提取的多维人体特征与人体特征库中对应同维度/不同维度的人体特征进行匹配,包括:
按照第一级维度的人体特征的优先级顺序,进行第一级维度的人体特征匹配,所述第一级维度的人体特征的优先级顺序为正面人体特征、侧面人体特征、背面人体特征;
按照第二级维度的人体特征的优先级顺序,进行第二级维度的人体特征匹配,所述第二级维度的人体特征按照预设粒度从大到小进行优先级排序。
可选地,所述处理器还用于:
若人体特征的匹配结果不能满足准确度要求,将提取的多维人体特征与人脸特征和/或人体运动特征进行匹配。
可选地,所述处理器解析所述目标当前所在的监控设备的视频流,提取所述目标的多维人体特征,包括:
解析所述目标当前所在的监控设备的视频流,获取所述目标的图像序列;
对所述图像序列中的各帧图像按照所述目标的人体姿态类别进行分类处理,得到各人体姿态类别对应的图像分组,并提取所述各帧图像中所述目标的特征;
对每种所述人体姿态类别分别执行:对所述人体姿态类别对应的图像分组,将所述图像分组中的各帧图像的所述人体特征进行特征融合处理,得到所述人体姿态类别对应的维度的人体特征。
可选地,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合,包括:
以所述当前监控设备为起始点,确定所述目标在第一预设时间内能够到达的地理范围,并将该地理范围内的监控设备作为待处理监控设备;
从所述当前监控设备出发,以多个所述待处理监控设备为目的地规划所述当前监控设备到各所述待处理监控设备的出行路线;
根据预先从所述当前监控设备的视频流中分析出的所述目标的移动方向,预测所述目标采用各所述出行路线出行的概率;
选择出行概率最高的所述出行路线上的可达待处理监控设备为邻居监控设备集合。
可选地,每条所述出行路线中包括至少一条路段;所述处理器根据预先从所述当前监控设备的视频流中分析出的所述目标的移动方向,预测所述目标采用各所述出行路线出行的概率,包括:
针对每条所述出行路线分别执行:
从所述出行路线中的所述当前监控设备所在路段开始,从所述出行路线中选取指定数量的路段;
根据所述指定数量的路段确定所述出行路线的延展方向;
确定所述延展方向和所述目标的所述移动方向之间的夹角作为所述目标采用所述出行路线出行的概率。
可选地,所述处理器确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,确定预测的运动范围内的监控设备,包括:
确认目标跟踪失败时,确定最后一次监控到所述目标的初始监控设备;
以所述初始监控设备为起点,预测所述目标在之后预设时间段运动所对应的运动范围;
确定所述运动范围内能够监测到所述目标的候选监控设备,并筛选到达各所述候选监控设备的所有运动路线上,与所述初始监控设备间的路线距离最近的N个目标监控设备,为所述预测的运动范围内的监控设备,其中N为正整数。
本发明实施例提供一种目标搜索及追踪的装置,如图7所示,包括:
路线规划单元701,用于确定目标进入监控设备的监控范围时,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合;
特征更新单元702,用于解析所述目标当前所在的监控设备的视频流,对所述目标进行轨迹追踪,及提取所述目标的多维人体特征,并利用提取的多维人体特征更新人体特征库;
第一匹配单元703,用于从所述邻居监控设备集合内监控设备的视频流中提取多维人体特征,与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入所述邻居监控设备集合内监控设备的监控范围,并在匹配成功时利用提取的多维人体特征更新人体特征库;
第二匹配单元704,用于确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,从预测的运动范围内监控设备的视频流中提取多维人体特征,并与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入运动范围内监控设备的监控范围。
可选地,所述多维人体特征包括以下特征:
人脸特征;
人体外观特征;
人体运动特征;
所述人体外观特征包括第一级维度的人体特征和第二级维度的人体特征,其中:
第一级维度的人体特征包括正面人体特征、侧面人体特征、背面人体特征;
第二级维度的人体特征为按照预设粒度将所述第一级维度的人体特征进行划分得到的。
可选地,所述路线规划单元还用于:
在目标搜索开始时,获取所述目标的参考图像数据;
从所述参考图像数据中提取所述目标的至少一维初始的人体特征,并将提取的至少一维初始的人体特征存入人体特征库。
可选地,所述特征更新单元还用于:
确定轨迹追踪失败且所述目标未进入所述邻居监控设备集合内监控设备的监控范围时,从所述目标当前所在的监控设备的视频流中提取多维人体特征;
将提取的多维人体特征与所述人体特征库中的多维人体特征匹配,确定目标是否再次出现在所述当前监控设备的监控范围。
可选地,所述特征更新单元利用提取的多维人体特征更新人体特征库,包括:
对所述提取的多维人体特征进行质量评价,筛选出质量符合预设要求的多维人体特征;
根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用时效优先原则或特征完整性原则,更新对应维度的人体特征;
其中,所述第一级维度的人体特征的覆盖度,为根据所述第一级维度的人体特征下各第二级维度的人体特征的数量确定的参数。
可选地,所述特征更新单元采用如下方式确定第一级维度的人体特征的覆盖度:
其中,α(i)为第i个第一级维度的人体特征的覆盖度,i<=n,n为所述第一级维度的数量,m为第二级维度的数量,xj为根据第j个第二级维度的人体特征的数量确定的标志位,数量为零时标志位取0,数量为非零时标志位取1,wj为第j个第二级维度的人体特征的权重系数,0<wj≤1。
可选地,所述特征更新单元根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用时效优先原则,更新对应维度的人体特征,包括:
确定第一级维度的人体特征的覆盖度达到预设最大阈值,或者第一维度的人体特征的覆盖度大于预设最小值且小于预设最大阈值,判断所述筛选出的多维人体特征对应的各维度的人体特征的数量;
若数量达到预设数量阈值N时,保留提取时间最新的n个人体特征和初始的人体特征,n的取值为N-m,m为所述初始的人体特征的数量;
否则,将筛选出的该维度的人体特征保存在人体特征库中。
可选地,所述特征更新单元根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用特征完整性原则,更新对应维度的人体特征,包括:
确定第一级维度的人体特征的覆盖度未达到预设最小阈值,将筛选出的该维度的人体特征保存在人体特征库中。
可选地,所述特征更新单元还用于:
根据各个第一级维度的人体特征的覆盖度是否均大于对应的预设值,评价评估所述人体特征库完整。
可选地,所述第一匹配单元或第二匹配单元或特征更新单元将从所述邻居监控设备集合内或预测的运动范围内监控设备的视频流中,或从当前监控设备的视频流中,提取的多维人体特征与所述人体特征库中的多维人体特征进行匹配,包括:
若所述人体特征库中存在与提取的多维人体特征同维度的人体特征,将提取的多维人体特征与人体特征库中对应同维度的人体特征进行匹配;
若所述人体特征库中不存在与提取的多维人体特征同维度的人体特征,或者同维度的人体特征匹配结果不能满足准确度要求时,将提取的多维人体特征与人体特征库中不同维度的人体特征进行匹配。
可选地,所述第一匹配单元或第二匹配单元或特征更新单元将提取的多维人体特征与人体特征库中对应同维度/不同维度的人体特征进行匹配,包括:
按照第一级维度的人体特征的优先级顺序,进行第一级维度的人体特征匹配,所述第一级维度的人体特征的优先级顺序为正面人体特征、侧面人体特征、背面人体特征;
按照第二级维度的人体特征的优先级顺序,进行第二级维度的人体特征匹配,所述第二级维度的人体特征按照预设粒度从大到小进行优先级排序。
可选地,所述第一匹配单元或第二匹配单元或特征更新单元还用于:
若人体特征的匹配结果不能满足准确度要求,将提取的多维人体特征与人脸特征和/或人体运动特征进行匹配。
可选地,所述特征更新单元解析所述目标当前所在的监控设备的视频流,提取所述目标的多维人体特征,包括:
解析所述目标当前所在的监控设备的视频流,获取所述目标的图像序列;
对所述图像序列中的各帧图像按照所述目标的人体姿态类别进行分类处理,得到各人体姿态类别对应的图像分组,并提取所述各帧图像中所述目标的特征;
对每种所述人体姿态类别分别执行:对所述人体姿态类别对应的图像分组,将所述图像分组中的各帧图像的所述人体特征进行特征融合处理,得到所述人体姿态类别对应的维度的人体特征。
可选地,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合,包括:
以所述当前监控设备为起始点,确定所述目标在第一预设时间内能够到达的地理范围,并将该地理范围内的监控设备作为待处理监控设备;
从所述当前监控设备出发,以多个所述待处理监控设备为目的地规划所述当前监控设备到各所述待处理监控设备的出行路线;
根据预先从所述当前监控设备的视频流中分析出的所述目标的移动方向,预测所述目标采用各所述出行路线出行的概率;
选择出行概率最高的所述出行路线上的可达待处理监控设备为邻居监控设备集合。
可选地,每条所述出行路线中包括至少一条路段;所述路线规划单元根据预先从所述当前监控设备的视频流中分析出的所述目标的移动方向,预测所述目标采用各所述出行路线出行的概率,包括:
针对每条所述出行路线分别执行:
从所述出行路线中的所述当前监控设备所在路段开始,从所述出行路线中选取指定数量的路段;
根据所述指定数量的路段确定所述出行路线的延展方向;
确定所述延展方向和所述目标的所述移动方向之间的夹角作为所述目标采用所述出行路线出行的概率。
可选地,所述第二匹配单元确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,确定预测的运动范围内的监控设备,包括:
确认目标跟踪失败时,确定最后一次监控到所述目标的初始监控设备;
以所述初始监控设备为起点,预测所述目标在之后预设时间段运动所对应的运动范围;
确定所述运动范围内能够监测到所述目标的候选监控设备,并筛选到达各所述候选监控设备的所有运动路线上,与所述初始监控设备间的路线距离最近的N个目标监控设备,为所述预测的运动范围内的监控设备,其中N为正整数。
本发明还提供一种计算机程序介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例1中提供的一种目标搜索及追踪方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块或组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信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块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模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块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。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
以上对本申请所提供的技术方案进行了详细介绍,本申请中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (19)
1.一种目标搜索及追踪方法,其特征在于,包括:
确定目标进入监控设备的监控范围时,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合;
解析所述目标当前所在的监控设备的视频流,对所述目标进行轨迹追踪,及提取所述目标的多维人体特征,并利用提取的多维人体特征更新人体特征库;
从所述邻居监控设备集合内监控设备的视频流中提取多维人体特征,与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入所述邻居监控设备集合内监控设备的监控范围,并在匹配成功时利用提取的多维人体特征更新人体特征库;
确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,从预测的运动范围内监控设备的视频流中提取多维人体特征,并与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入运动范围内监控设备的监控范围。
2.根据权利要求1所述的方法,其特征在于,所述多维人体特征包括以下特征:
人脸特征;
人体外观特征;
人体运动特征;
所述人体外观特征包括第一级维度的人体特征和第二级维度的人体特征,其中:
第一级维度的人体特征包括正面人体特征、侧面人体特征、背面人体特征;
第二级维度的人体特征为按照预设粒度将所述第一级维度的人体特征进行划分得到的。
3.根据权利要求2所述的方法,其特征在于,还包括:
在目标搜索开始时,获取所述目标的参考图像数据;
从所述参考图像数据中提取所述目标的至少一维初始的人体特征,并将提取的至少一维初始的人体特征存入人体特征库。
4.根据权利要求1所述的方法,其特征在于,还包括:
确定轨迹追踪失败且所述目标未进入所述邻居监控设备集合内监控设备的监控范围时,从所述目标当前所在的监控设备的视频流中提取多维人体特征;
将提取的多维人体特征与所述人体特征库中的多维人体特征匹配,确定目标是否再次出现在所述当前监控设备的监控范围。
5.根据权利要求2或3所述的方法,其特征在于,利用提取的多维人体特征更新人体特征库,包括:
对所述提取的多维人体特征进行质量评价,筛选出质量符合预设要求的多维人体特征;
根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用时效优先原则或特征完整性原则,更新对应维度的人体特征;
其中,所述第一级维度的人体特征的覆盖度,为根据所述第一级维度的人体特征下各第二级维度的人体特征的数量确定的参数。
7.根据权利要求5所述的方法,其特征在于,根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用时效优先原则,更新对应维度的人体特征,包括:
确定第一级维度的人体特征的覆盖度达到预设最大阈值,或者第一维度的人体特征的覆盖度大于预设最小值且小于预设最大阈值,判断所述筛选出的多维人体特征对应的各维度的人体特征的数量;
若数量达到预设数量阈值N时,保留提取时间最新的n个人体特征和初始的人体特征,n的取值为N-m,m为所述初始的人体特征的数量;
否则,将筛选出的该维度的人体特征保存在人体特征库中。
8.根据权利要求5所述的方法,其特征在于,根据筛选出的多维人体特征对应的第一级维度的人体特征的覆盖度,采用特征完整性原则,更新对应维度的人体特征,包括:
确定第一级维度的人体特征的覆盖度未达到预设最小阈值,将筛选出的该维度的人体特征保存在人体特征库中。
9.根据权利要求5所述的方法,其特征在于,还包括:
根据各个第一级维度的人体特征的覆盖度是否均大于对应的预设值,评价评估所述人体特征库完整。
10.根据权利要求1或2或4所述的方法,其特征在于,将从所述邻居监控设备集合内或预测的运动范围内监控设备的视频流中,或从当前监控设备的视频流中,提取的多维人体特征与所述人体特征库中的多维人体特征进行匹配,包括:
若所述人体特征库中存在与提取的多维人体特征同维度的人体特征,将提取的多维人体特征与人体特征库中对应同维度的人体特征进行匹配;
若所述人体特征库中不存在与提取的多维人体特征同维度的人体特征,或者同维度的人体特征匹配结果不能满足准确度要求时,将提取的多维人体特征与人体特征库中不同维度的人体特征进行匹配。
11.根据权利要求10所述的方法,其特征在于,将提取的多维人体特征与人体特征库中对应同维度/不同维度的人体特征进行匹配,包括:
按照第一级维度的人体特征的优先级顺序,进行第一级维度的人体特征匹配,所述第一级维度的人体特征的优先级顺序为正面人体特征、侧面人体特征、背面人体特征;
按照第二级维度的人体特征的优先级顺序,进行第二级维度的人体特征匹配,所述第二级维度的人体特征按照预设粒度从大到小进行优先级排序。
12.根据权利要求11所述的方法,其特征在于,还包括:
若人体特征的匹配结果不能满足准确度要求,将提取的多维人体特征与人脸特征和/或人体运动特征进行匹配。
13.根据权利要求1所述的方法,其特征在于,解析所述目标当前所在的监控设备的视频流,提取所述目标的多维人体特征,包括:
解析所述目标当前所在的监控设备的视频流,获取所述目标的图像序列;
对所述图像序列中的各帧图像按照所述目标的人体姿态类别进行分类处理,得到各人体姿态类别对应的图像分组,并提取所述各帧图像中所述目标的特征;
对每种所述人体姿态类别分别执行:对所述人体姿态类别对应的图像分组,将所述图像分组中的各帧图像的所述人体特征进行特征融合处理,得到所述人体姿态类别对应的维度的人体特征。
14.根据权利要求1所述的方法,其特征在于,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合,包括:
以所述当前监控设备为起始点,确定所述目标在第一预设时间内能够到达的地理范围,并将该地理范围内的监控设备作为待处理监控设备;
从所述当前监控设备出发,以多个所述待处理监控设备为目的地规划所述当前监控设备到各所述待处理监控设备的出行路线;
根据预先从所述当前监控设备的视频流中分析出的所述目标的移动方向,预测所述目标采用各所述出行路线出行的概率;
选择出行概率最高的所述出行路线上的可达待处理监控设备为邻居监控设备集合。
15.根据权利要求14所述的方法,其特征在于,每条所述出行路线中包括至少一条路段;根据预先从所述当前监控设备的视频流中分析出的所述目标的移动方向,预测所述目标采用各所述出行路线出行的概率,包括:
针对每条所述出行路线分别执行:
从所述出行路线中的所述当前监控设备所在路段开始,从所述出行路线中选取指定数量的路段;
根据所述指定数量的路段确定所述出行路线的延展方向;
确定所述延展方向和所述目标的所述移动方向之间的夹角作为所述目标采用所述出行路线出行的概率。
16.根据权利要求1所述的方法,其特征在于,确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,确定预测的运动范围内的监控设备,包括:
确认目标跟踪失败时,确定最后一次监控到所述目标的初始监控设备;
以所述初始监控设备为起点,预测所述目标在之后预设时间段运动所对应的运动范围;
确定所述运动范围内能够监测到所述目标的候选监控设备,并筛选到达各所述候选监控设备的所有运动路线上,与所述初始监控设备间的路线距离最近的N个目标监控设备,为所述预测的运动范围内的监控设备,其中N为正整数。
17.一种目标搜索及追踪的装置,其特征在于,包括:
路线规划单元,用于确定目标进入监控设备的监控范围时,根据所述目标的移动方向,预测所述目标从当前监控设备出发的出行路线,根据出行路线上的可达监控设备确定邻居监控设备集合;
特征更新单元,用于解析所述目标当前所在的监控设备的视频流,对所述目标进行轨迹追踪,及提取所述目标的多维人体特征,并利用提取的多维人体特征更新人体特征库;
第一匹配单元,用于从所述邻居监控设备集合内监控设备的视频流中提取多维人体特征,并与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入所述邻居监控设备集合内监控设备的监控范围;
第二匹配单元,用于确定目标跟踪失败时,根据最近一次监控到所述目标的监控设备,从预测的运动范围内监控设备的视频流中提取多维人体特征,与所述人体特征库中的多维人体特征匹配,确定所述目标是否进入运动范围内监控设备的监控范围,并在匹配成功时利用提取的多维人体特征更新人体特征库。
18.一种目标搜索及追踪的设备,其特征在于,包括存储器和处理器,其中:
所述存储器用于存储计算机程序;
所述处理器用于读取所述存储器中的程序并执行权利要求1~16任一所述的目标搜索及追踪方法。
19.一种计算机程序介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1~16任一所述目标搜索及追踪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011517700.XA CN112507953B (zh) | 2020-12-21 | 2020-12-21 | 一种目标搜索及追踪方法和装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011517700.XA CN112507953B (zh) | 2020-12-21 | 2020-12-21 | 一种目标搜索及追踪方法和装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507953A true CN112507953A (zh) | 2021-03-16 |
CN112507953B CN112507953B (zh) | 2022-10-14 |
Family
ID=74922744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011517700.XA Active CN112507953B (zh) | 2020-12-21 | 2020-12-21 | 一种目标搜索及追踪方法和装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507953B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420697A (zh) * | 2021-07-01 | 2021-09-21 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于表观和形状特征的换装视频行人重识别方法及系统 |
CN113592910A (zh) * | 2021-07-29 | 2021-11-02 | 浙江大华技术股份有限公司 | 一种跨相机追踪方法及装置 |
CN113723209A (zh) * | 2021-08-05 | 2021-11-30 | 浙江大华技术股份有限公司 | 目标识别方法、装置、电子设备和计算机可读存储介质 |
CN114286086A (zh) * | 2021-12-29 | 2022-04-05 | 重庆紫光华山智安科技有限公司 | 一种相机检测方法及相关装置 |
CN115665552A (zh) * | 2022-08-19 | 2023-01-31 | 重庆紫光华山智安科技有限公司 | 跨镜追踪方法、装置、电子设备及可读存储介质 |
CN116600194A (zh) * | 2023-05-05 | 2023-08-15 | 深圳市门钥匙科技有限公司 | 一种用于多镜头的切换控制方法及系统 |
CN116596958A (zh) * | 2023-07-18 | 2023-08-15 | 四川迪晟新达类脑智能技术有限公司 | 一种基于在线样本增广的目标跟踪方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576953A (zh) * | 2009-06-10 | 2009-11-11 | 北京中星微电子有限公司 | 一种人体姿态的分类方法和装置 |
CN101794384A (zh) * | 2010-03-12 | 2010-08-04 | 浙江大学 | 一种基于人体轮廓图提取与分组运动图查询的投篮动作识别方法 |
CN105187785A (zh) * | 2015-08-31 | 2015-12-23 | 桂林电子科技大学 | 一种基于动态选取显著特征的跨卡口行人识别系统与方法 |
CN106778546A (zh) * | 2016-11-29 | 2017-05-31 | 聚鑫智能科技(武汉)股份有限公司 | 一种基于可见光和非可见光的视觉识别方法及系统 |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
CN109447048A (zh) * | 2018-12-25 | 2019-03-08 | 苏州闪驰数控系统集成有限公司 | 一种人工智能预警系统 |
CN109949341A (zh) * | 2019-03-08 | 2019-06-28 | 广东省智能制造研究所 | 一种基于人体骨架结构化特征的行人目标跟踪方法 |
CN110032932A (zh) * | 2019-03-07 | 2019-07-19 | 哈尔滨理工大学 | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 |
US20190238798A1 (en) * | 2016-08-26 | 2019-08-01 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for object monitoring |
CN110717414A (zh) * | 2019-09-24 | 2020-01-21 | 青岛海信网络科技股份有限公司 | 一种目标检测追踪方法、装置及设备 |
US20200058148A1 (en) * | 2018-05-30 | 2020-02-20 | Andrew John BLAYLOCK | Reference model predictive tracking and rendering |
CN110929770A (zh) * | 2019-11-15 | 2020-03-27 | 云从科技集团股份有限公司 | 一种基于图像处理的智能追踪方法、系统、设备及可读介质 |
CN111061911A (zh) * | 2019-12-17 | 2020-04-24 | 天津大学 | 面向多视频监控数据的目标检测与追踪方法、装置及设备 |
CN111310524A (zh) * | 2018-12-12 | 2020-06-19 | 浙江宇视科技有限公司 | 多视频关联方法及装置 |
-
2020
- 2020-12-21 CN CN202011517700.XA patent/CN112507953B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576953A (zh) * | 2009-06-10 | 2009-11-11 | 北京中星微电子有限公司 | 一种人体姿态的分类方法和装置 |
CN101794384A (zh) * | 2010-03-12 | 2010-08-04 | 浙江大学 | 一种基于人体轮廓图提取与分组运动图查询的投篮动作识别方法 |
CN105187785A (zh) * | 2015-08-31 | 2015-12-23 | 桂林电子科技大学 | 一种基于动态选取显著特征的跨卡口行人识别系统与方法 |
US20190238798A1 (en) * | 2016-08-26 | 2019-08-01 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for object monitoring |
CN106778546A (zh) * | 2016-11-29 | 2017-05-31 | 聚鑫智能科技(武汉)股份有限公司 | 一种基于可见光和非可见光的视觉识别方法及系统 |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
US20200058148A1 (en) * | 2018-05-30 | 2020-02-20 | Andrew John BLAYLOCK | Reference model predictive tracking and rendering |
CN111310524A (zh) * | 2018-12-12 | 2020-06-19 | 浙江宇视科技有限公司 | 多视频关联方法及装置 |
CN109447048A (zh) * | 2018-12-25 | 2019-03-08 | 苏州闪驰数控系统集成有限公司 | 一种人工智能预警系统 |
CN110032932A (zh) * | 2019-03-07 | 2019-07-19 | 哈尔滨理工大学 | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 |
CN109949341A (zh) * | 2019-03-08 | 2019-06-28 | 广东省智能制造研究所 | 一种基于人体骨架结构化特征的行人目标跟踪方法 |
CN110717414A (zh) * | 2019-09-24 | 2020-01-21 | 青岛海信网络科技股份有限公司 | 一种目标检测追踪方法、装置及设备 |
CN110929770A (zh) * | 2019-11-15 | 2020-03-27 | 云从科技集团股份有限公司 | 一种基于图像处理的智能追踪方法、系统、设备及可读介质 |
CN111061911A (zh) * | 2019-12-17 | 2020-04-24 | 天津大学 | 面向多视频监控数据的目标检测与追踪方法、装置及设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420697A (zh) * | 2021-07-01 | 2021-09-21 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于表观和形状特征的换装视频行人重识别方法及系统 |
CN113592910A (zh) * | 2021-07-29 | 2021-11-02 | 浙江大华技术股份有限公司 | 一种跨相机追踪方法及装置 |
CN113723209A (zh) * | 2021-08-05 | 2021-11-30 | 浙江大华技术股份有限公司 | 目标识别方法、装置、电子设备和计算机可读存储介质 |
CN114286086A (zh) * | 2021-12-29 | 2022-04-05 | 重庆紫光华山智安科技有限公司 | 一种相机检测方法及相关装置 |
CN115665552A (zh) * | 2022-08-19 | 2023-01-31 | 重庆紫光华山智安科技有限公司 | 跨镜追踪方法、装置、电子设备及可读存储介质 |
CN116600194A (zh) * | 2023-05-05 | 2023-08-15 | 深圳市门钥匙科技有限公司 | 一种用于多镜头的切换控制方法及系统 |
CN116600194B (zh) * | 2023-05-05 | 2024-07-23 | 长沙妙趣新媒体技术有限公司 | 一种用于多镜头的切换控制方法及系统 |
CN116596958A (zh) * | 2023-07-18 | 2023-08-15 | 四川迪晟新达类脑智能技术有限公司 | 一种基于在线样本增广的目标跟踪方法及装置 |
CN116596958B (zh) * | 2023-07-18 | 2023-10-10 | 四川迪晟新达类脑智能技术有限公司 | 一种基于在线样本增广的目标跟踪方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112507953B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507953B (zh) | 一种目标搜索及追踪方法和装置及设备 | |
JP5976237B2 (ja) | 映像検索システム及び映像検索方法 | |
CN105336077B (zh) | 数据处理设备和操作其的方法 | |
CN108229456B (zh) | 目标跟踪方法和装置、电子设备、计算机存储介质 | |
US8253564B2 (en) | Predicting a future location of a moving object observed by a surveillance device | |
KR100923723B1 (ko) | 도로 네트워크 공간에서 이동객체의 유사 궤적 클러스터링방법 | |
US20110142283A1 (en) | Apparatus and method for moving object detection | |
US20130288702A1 (en) | Visual Localization Method | |
Liu et al. | Indexing visual features: Real-time loop closure detection using a tree structure | |
KR101678004B1 (ko) | 노드-링크 기반 카메라 네트워크 통합 감시 시스템 및 감시 방법 | |
JP2011060167A (ja) | 移動物体追跡装置 | |
Zhu et al. | Ten-fold improvement in visual odometry using landmark matching | |
CN111383246B (zh) | 条幅检测方法、装置及设备 | |
CN111739056B (zh) | 一种轨迹追踪系统 | |
CN113887411A (zh) | 一种人员跟踪方法及装置、一种人员归档方法及装置 | |
Benrazek et al. | Tree-based indexing technique for efficient and real-time label retrieval in the object tracking system | |
CN115187884A (zh) | 一种高空抛物识别方法、装置、电子设备及存储介质 | |
CN116912517A (zh) | 相机视野边界的检测方法及装置 | |
US11893084B2 (en) | Object detection systems and methods including an object detection model using a tailored training dataset | |
Xu et al. | Space-time vehicle tracking at the edge of the network | |
CN112541457B (zh) | 一种监控节点的搜索方法及相关装置 | |
KR101551237B1 (ko) | 직선 및 기하관계 기반 실외 장소 인식 방법 및 시스템 | |
JP2013211026A (ja) | 類似画像検索の結果表示装置及び類似画像検索の結果表示方法 | |
Oh et al. | Trajectory based database management for intelligent surveillance system with heterogeneous sensors | |
JP7270855B2 (ja) | 移動経路推定装置、移動経路推定方法、及び、移動経路推定プログラム |
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 |