CN112509003B - 解决目标跟踪框漂移的方法及系统 - Google Patents

解决目标跟踪框漂移的方法及系统 Download PDF

Info

Publication number
CN112509003B
CN112509003B CN202011389137.2A CN202011389137A CN112509003B CN 112509003 B CN112509003 B CN 112509003B CN 202011389137 A CN202011389137 A CN 202011389137A CN 112509003 B CN112509003 B CN 112509003B
Authority
CN
China
Prior art keywords
image
frame
target tracking
response graph
deviation
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.)
Active
Application number
CN202011389137.2A
Other languages
English (en)
Other versions
CN112509003A (zh
Inventor
张智杰
范强
邹尔博
王晨晟
王洪
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.)
717th Research Institute of CSIC
Original Assignee
717th Research Institute of CSIC
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 717th Research Institute of CSIC filed Critical 717th Research Institute of CSIC
Priority to CN202011389137.2A priority Critical patent/CN112509003B/zh
Publication of CN112509003A publication Critical patent/CN112509003A/zh
Application granted granted Critical
Publication of CN112509003B publication Critical patent/CN112509003B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Studio Devices (AREA)

Abstract

本发明实施例提供一种解决目标跟踪框漂移的方法及系统，该方法包括：在目标追踪的过程中，判断响应图偏度是否满足预设条件；其中，所述响应图为根据前帧图像和后帧图像获得的、用于推断目标位置的相关响应图；若满足所述预设条件，则修正目标跟踪框的中心。本发明实施例，基于跟踪置信度，可以简单高效对目标跟踪过程进行评价，如果当前跟踪结果不可信，则可能发生跟踪框的漂移。采用质心对跟踪框的中心进行修正，克服漂移带来的跟踪准确性下降的问题。设计了一种简单的目标跟踪可信度的判断机制，如果当前跟踪结果不可信导致的跟踪框漂移情况，采用计算质心的方法进行修正。这种方法计算量小，简单易实现，在嵌入式端布署有着巨大的优势。

Description

解决目标跟踪框漂移的方法及系统
技术领域
本发明涉及目标跟踪领域，更具体地，涉及一种解决目标跟踪框漂移的方法及系统。
背景技术
基于复杂神经网络设计的目标跟踪器是目前研究最多的视觉跟踪算法。但是大多计算量较大，难以在嵌入式等算力和存储空间限制的条件下进行布署。而基于相关滤波器的视觉跟踪算法在计算量和实时性上有着很大优势。但大多数基于相关滤波的视觉跟踪算法，对目标跟踪过程中出现的干扰或遮挡等情况通过一定的规则进行判断后，作为模板是否更新的一个判据，并没有深入挖掘前后两帧相关响应图的深层信息。一旦出现遮挡或干扰后，背景会使跟踪框发生漂移，最终导致跟踪失败。因此，结合相关滤波与卷积神经网络两者优点的视觉跟踪算法在嵌入式端部署有着巨大的吸引力。
目标跟踪是计算机视觉的基本任务之一，也是交通视频监控，人脸跟踪识别，自动驾驶等应用上需要解决的关键问题。目标跟踪一般是在检测任务之后进行，给出目标初始位置，在后续的视频序列中给出目标位置。一直以来，跟踪的核心问题是如何在具有遮挡、形变、光照变化等情景下准确地检测和定位对象。来自不同帧的特征为目标提供不同的信息，如不同的视角、形变和亮度等，通过聚合这些特征可以增强目标的外观特征。如何有效解决目标跟踪过程中出现的干扰和遮挡问题，一直以来是视觉跟踪算法的难点和热点问题。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的解决目标跟踪框漂移的方法及系统。
根据本发明实施例的第一方面，提供一种解决目标跟踪框漂移的方法，该方法包括：在目标追踪的过程中，判断响应图偏度是否满足预设条件；其中，所述响应图为根据前帧图像和后帧图像获得的、用于推断目标位置的相关响应图；若满足所述预设条件，则修正目标跟踪框的中心。
根据本发明实施例第二方面，提供了一种解决目标跟踪框漂移的系统，该系统包括：判断模块，用于在目标追踪的过程中，判断响应图偏度是否满足预设条件；其中，所述响应图为根据前帧图像和后帧图像获得的、用于推断目标位置的相关响应图；修正模块，用于若满足所述预设条件，则修正目标跟踪框的中心。
根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的解决目标跟踪框漂移的方法。
根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的解决目标跟踪框漂移的方法。
本发明实施例提供的解决目标跟踪框漂移的方法及系统，基于跟踪置信度，可以简单高效对目标跟踪过程进行评价，如果当前跟踪结果不可信，则可能发生跟踪框的漂移。采用质心对跟踪框的中心进行修正，克服漂移带来的跟踪准确性下降的问题。设计了一种简单的目标跟踪可信度的判断机制，如果当前跟踪结果不可信导致的跟踪框漂移情况，采用计算质心的方法进行修正。这种方法计算量小，简单易实现，在嵌入式端布署有着巨大的优势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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，还可以根据这些图获得其他的附图。
图1为本发明实施例提供的解决目标跟踪框漂移的方法的流程示意图；
图2为本发明实施例提供的解决目标跟踪框漂移的系统的结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
首先，本发明实施例针对基于深度学习的目标跟踪进行说明：
随着迁移学习的广泛应用，卷积特征结合相关滤波算法逐渐成为主流。而采用孪生神经网络结构，可以有效的进行前后帧的信息关联与对比，实现高效率的推断。孪生神经网络在初始化阶段，以给定的目标位置为中心，提取目标区域，输入到三层卷积神经网络中，提取Conv1层，Conv2层以及Conv3层输出的卷积特征，对提取出来的每一层特征进行双线性插值操作，放大到统一大小，并且每一层特征训练对应的滤波器，作为判别模型。在跟踪阶段，以上一帧的目标位置为中心，裁剪出搜索区域，将搜索区域输入到三层卷积神经网络，提取Conv1层，Conv2层以及Conv3层输出的卷积特征，对其进行双线性插值操作放大到统一大小，使用每一层训练好的滤波器对特征进行相关操作，得到每一层对应的响应图。在集成处理部分，通过加权融合每一层响应图，取得最终的响应图，目标位置即为最终响应图中最大值所在的位置。在更新阶段，与基本的相关滤波算法一致，采用线性插值更新。
计算过程通常算法采用卷积核来提取有用特征，一般卷积核都是方块形状。为了突破这种规则格点采样，他提出在卷积核中的每个采样点加上一个偏移的变量，可以在当前位置附近随意采样来达到更好的效果，对目标几何变量的适应能力优于常用的CNN。假定一个二维的3×3卷积核，R是一个9点网格：
R＝{(-1,-1),(-1,0),(-1,1),(0,-1),(0,0),(0,1),(1,-1),(1,0),(1,1)}
设w为每个像素点Pn的权重，对于输出特征图y的每一个像素位置P0，其二维卷积为：
Figure GDA0003903025980000041
在上面二维卷积的基础上，增加偏置项：
Figure GDA0003903025980000042
有了这个偏移变量后，对于原始卷积的每一个卷积窗口，就在不规则位置Pn+ΔPn(ΔPn是小数)通过双线性来计算采样。偏移量是通过对输入的特征图x作普通方块卷积获得，卷积的结果即为每个像素需要偏移的量。
可变形卷积网络的最直观的效果就是不同位置的卷积核采样点位置会根据图像内容发生自适应的变化，从而适应不同物体的形状、大小等几何形变。
此后，相关滤波算法被转化一个可微的层，整合到神经网络中形成端到端的算法结构。首先通过卷积网络提取模板特征，与高斯响应标签初始化相关滤波层，随后通过卷积网络提取搜索区域特征，将搜索区域特征与相关滤波层作相关操作，得到响应图。在训练阶段，目标损失函数为平方差损失函数：
L＝||g-gtruth||2+γ||θ||2
式中，g为相关滤波层输出的响应图，gtruth为真实高斯响应标签。在跟踪阶段，计算得到相关滤波响应图后，与相关滤波流程基本一致，通过寻找最大值所在位置找到目标位置。通过在频域中求解岭回归问题，计算一个标准的相关滤波器模板：
Figure GDA0003903025980000051
每帧新的图像输入都会更新滤波器的模板，从而保证可以适应目标不同的变化。
针对现有技术中存在的上述缺陷，本发明实施例提供一种解决目标跟踪框漂移的方法，参见附图1，该方法包括但不限于如下步骤：
步骤101、在目标追踪的过程中，判断响应图偏度是否满足预设条件；其中，所述响应图为根据前帧图像和后帧图像获得的、用于推断目标位置的相关响应图。
其中，作为一种可选实施例，所述判断响应图偏度是否满足预设条件，包括：计算当前图像序列组中每帧图像分别对应的响应图偏度，其中，所述当前图像序列组包括按照获取的先后顺序排列的设定数量的连续多帧图像，且每获得一帧新的图像，则将所述新的图像添加至所述当前图像序列组的尾部，并删除所述当前图像序列组的头部的图像；根据多个所述响应图偏度确定所述当前图像序列组的响应图偏度中位数；若所述响应图偏度中位数大于预设响应图偏度阈值，则确认满足预设条件。
其中，作为一种可选实施例，所述计算当前图像序列组中每帧图像分别对应的响应图偏度具体采用如下方式：
Figure GDA0003903025980000052
式中，SR为偏度，x(i,j)表示响应图中对应(x,y)处像素值，μ为响应图的像素值均值，σ为响应图的像素值统计方差。
具体地，前后两帧图像送入相关滤波器，最终获得一个用于推断目标位置的相关响应图。如果没有干扰的情况下，该响应图是满足高斯分布的。当出现了遮挡、形变、丢失等情况时，响应图的峰值响应区域，则不再满足高斯分布。目标在视频序列中会产生形变，姿态等变化，因此算法需要在跟踪过程中进行更新，保持其判别能力，但目标在跟踪过程中遭受到遮挡，此时相关滤波算法的滤波器需要避免使用背景信息进行更新，以免影响算法跟踪效果。
依据以上的分析，可以使用数据统计分析方法中偏度SR来评价。偏度是衡量统计数据分布中偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。由于互相关响应图为二维矩阵分布，因此这里需要定义一个响应图偏度指标，具体采用上述的SR计算方式。
由于目标跟踪场景复杂，且待跟踪目标也具有很大不确定性。因此硬阈值的方法不适用。这里，设计一种动态自适应阈值。以10帧图像序列为1组，计算可得到对应10个SR值，当后续图像输入时，按照队列的排序方式，先入先出，后入后出的原则，不断更新组内值。计算这组序列所有偏度数值的中位数，记做SRM，如果当最新帧计算的偏度超过了0.6×SRM，则认为目标跟踪过程出现了遮挡，当前预测的目标中心位置需要修正。
步骤102、若满足所述预设条件，则修正目标跟踪框的中心。
其中，作为一种可选实施例，所述修正目标跟踪框的中心，包括：将所述目标跟踪框的区域内图像转换为二值图后，计算所述区域内图像的质心；若判断所述质心与基于跟踪算法推测获得的目标跟踪框中心的偏差量大于预设值，则根据所述质心对所述目标跟踪框进行修正。
其中，作为一种可选实施例，根据所述质心对所述目标跟踪框进行修正，包括：将所述质心的位置作为所述目标跟踪框的中心的位置，并重新计算所述跟踪框的左上角顶点坐标。
其中，作为一种可选实施例，计算所述区域内图像的质心采用如下方式：
Figure GDA0003903025980000071
Figure GDA0003903025980000072
式中，(xc,yc)为质心的坐标，I(x,y)为区域内图像的二值图。
具体地，目标跟踪过程中，当预测得到每帧的跟踪结果，由跟踪框顶点与中心点构成。有时目标呈现不规则形状轮廓，而用响应图的最值位置来推测得到当前帧的目标位置，在这种情况下会出现偏差。这种偏差的累计会导致最终跟踪框的漂移。这里设计一种简单的修正方法。通过跟踪框中的质心来修正推测得到的中心点，再依据该中心点Pi来修正跟踪框Rect(Px，Py，width，height)。
由跟踪置信度来判断是否开始计算质心来修正。首先根据计算得到的跟踪框区域内图像转为二值图I(x,y)，进一步计算该区域内质心，具体可以采用上述质心计算公式。判断质心与跟踪算法推测得到的跟踪框中心的偏差量。一般依据输入图像的分辨率，偏差量大于5个像素，则依据计算得到的质心进行修正，否则不做修正。如果位置做了修正，则需要按照质心的位置作为跟踪框Rect的中心，重新计算Rect的左上角顶点坐标。
综上所述，本发明实施例提供的解决目标跟踪框漂移的方法，基于跟踪置信度，可以简单高效对目标跟踪过程进行评价，如果当前跟踪结果不可信，则可能发生跟踪框的漂移。采用质心对跟踪框的中心进行修正，克服漂移带来的跟踪准确性下降的问题。设计了一种简单的目标跟踪可信度的判断机制，如果当前跟踪结果不可信导致的跟踪框漂移情况，采用计算质心的方法进行修正。这种方法计算量小，简单易实现，在嵌入式端布署有着巨大的优势。
基于上述实施例的内容，本发明实施例提供了一种解决目标跟踪框漂移的系统，该解决目标跟踪框漂移的系统用于执行上述方法实施例中的解决目标跟踪框漂移的方法。参见图2，该系统包括：判断模块201，用于在目标追踪的过程中，判断响应图偏度是否满足预设条件；其中，所述响应图为根据前帧图像和后帧图像获得的、用于推断目标位置的相关响应图；修正模块202，用于若满足所述预设条件，则修正目标跟踪框的中心。
其中，作为一种可选实施例，所述判断模块具体通过如下方式判断响应图偏度是否满足预设条件：计算当前图像序列组中每帧图像分别对应的响应图偏度，其中，所述当前图像序列组包括按照获取的先后顺序排列的设定数量的连续多帧图像，且每获得一帧新的图像，则将所述新的图像添加至所述当前图像序列组的尾部，并删除所述当前图像序列组的头部的图像；根据多个所述响应图偏度确定所述当前图像序列组的响应图偏度中位数；若所述响应图偏度中位数大于预设响应图偏度阈值，则确认满足预设条件。
本发明实施例提供了一种电子设备，如图3所示，该设备包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303上并可在处理器301上运行的计算机程序，以执行上述各实施例提供的解决目标跟踪框漂移的方法，例如包括：在目标追踪的过程中，判断响应图偏度是否满足预设条件；其中，所述响应图为根据前帧图像和后帧图像获得的、用于推断目标位置的相关响应图；若满足所述预设条件，则修正目标跟踪框的中心。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的解决目标跟踪框漂移的方法，例如包括：在目标追踪的过程中，判断响应图偏度是否满足预设条件；其中，所述响应图为根据前帧图像和后帧图像获得的、用于推断目标位置的相关响应图；若满足所述预设条件，则修正目标跟踪框的中心。
以上所描述的电子设备等实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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发明各实施例技术方案的精神和范围。

Claims (8)

1.一种解决目标跟踪框漂移的方法，其特征在于，包括：
在目标追踪的过程中，判断响应图偏度是否满足预设条件；其中，所述响应图为根据前帧图像和后帧图像获得的、用于推断目标位置的相关响应图；
所述判断响应图偏度是否满足预设条件，包括：
计算当前图像序列组中每帧图像分别对应的响应图偏度，其中，所述当前图像序列组包括按照获取的先后顺序排列的设定数量的连续多帧图像，且每获得一帧新的图像，则将所述新的图像添加至所述当前图像序列组的尾部，并删除所述当前图像序列组的头部的图像；
根据多个所述响应图偏度确定所述当前图像序列组的响应图偏度中位数；
若所述响应图偏度中位数大于预设响应图偏度阈值，则确认满足预设条件；
若满足所述预设条件，则修正目标跟踪框的中心；其中，所述修正目标跟踪框的中心，包括：
将所述目标跟踪框的区域内图像转换为二值图后，计算所述区域内图像的质心；
若判断所述质心与基于跟踪算法推测获得的目标跟踪框中心的偏差量大于预设值，则根据所述质心对所述目标跟踪框进行修正。
2.根据权利要求1所述的方法，其特征在于，所述计算当前图像序列组中每帧图像分别对应的响应图偏度具体采用如下方式：
Figure FDA0004113190810000011
式中SR为偏度，x(i,j)表示响应图中对应(x,y)处像素值，μ为响应图的像素值均值，σ为响应图的像素值统计方差。
3.根据权利要求1所述的方法，其特征在于，根据所述质心对所述目标跟踪框进行修正，包括：
将所述质心的位置作为所述目标跟踪框的中心的位置，并重新计算所述跟踪框的左上角顶点坐标。
4.根据权利要求1所述的方法，其特征在于，计算所述区域内图像的质心采用如下方式：
Figure FDA0004113190810000021
Figure FDA0004113190810000022
式中，(xc,yc)为质心的坐标，I(x,y)为区域内图像的二值图。
5.一种解决目标跟踪框漂移的系统，其特征在于，包括：
判断模块，用于在目标追踪的过程中，判断响应图偏度是否满足预设条件；其中，所述响应图为根据前帧图像和后帧图像获得的、用于推断目标位置的相关响应图；
所述判断响应图偏度是否满足预设条件，包括：
计算当前图像序列组中每帧图像分别对应的响应图偏度，其中，所述当前图像序列组包括按照获取的先后顺序排列的设定数量的连续多帧图像，且每获得一帧新的图像，则将所述新的图像添加至所述当前图像序列组的尾部，并删除所述当前图像序列组的头部的图像；根据多个所述响应图偏度确定所述当前图像序列组的响应图偏度中位数；
若所述响应图偏度中位数大于预设响应图偏度阈值，则确认满足预设条件；
修正模块，用于若满足所述预设条件，则修正目标跟踪框的中心；其中，所述修正目标跟踪框的中心，包括：
将所述目标跟踪框的区域内图像转换为二值图后，计算所述区域内图像的质心；
若判断所述质心与基于跟踪算法推测获得的目标跟踪框中心的偏差量大于预设值，则根据所述质心对所述目标跟踪框进行修正。
6.根据权利要求5所述的系统，其特征在于，所述判断模块具体通过如下方式判断响应图偏度是否满足预设条件：
计算当前图像序列组中每帧图像分别对应的响应图偏度，其中，所述当前图像序列组包括按照获取的先后顺序排列的设定数量的连续多帧图像，且每获得一帧新的图像，则将所述新的图像添加至所述当前图像序列组的尾部，并删除所述当前图像序列组的头部的图像；
根据多个所述响应图偏度确定所述当前图像序列组的响应图偏度中位数；
若所述响应图偏度中位数大于预设响应图偏度阈值，则确认满足预设条件。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述解决目标跟踪框漂移的方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述解决目标跟踪框漂移的方法的步骤。
CN202011389137.2A 2020-12-01 2020-12-01 解决目标跟踪框漂移的方法及系统 Active CN112509003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011389137.2A CN112509003B (zh) 2020-12-01 2020-12-01 解决目标跟踪框漂移的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011389137.2A CN112509003B (zh) 2020-12-01 2020-12-01 解决目标跟踪框漂移的方法及系统

Publications (2)

Publication Number Publication Date
CN112509003A CN112509003A (zh) 2021-03-16
CN112509003B true CN112509003B (zh) 2023-05-12

Family

ID=74969345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011389137.2A Active CN112509003B (zh) 2020-12-01 2020-12-01 解决目标跟踪框漂移的方法及系统

Country Status (1)

Country Link
CN (1) CN112509003B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610888B (zh) * 2021-06-29 2023-11-24 南京信息工程大学 一种基于高斯平滑的孪生网络目标跟踪方法
CN114332151B (zh) * 2021-11-05 2023-04-07 电子科技大学 一种基于阴影Video-SAR中感兴趣目标跟踪方法
CN114785955B (zh) * 2022-05-05 2023-08-15 广州新华学院 复杂场景下动态相机运动补偿方法、系统及存储介质
CN117135451A (zh) * 2023-02-27 2023-11-28 荣耀终端有限公司 对焦处理方法、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199554A (zh) * 2019-12-31 2020-05-26 中国船舶重工集团公司第七一七研究所 一种目标跟踪抗遮挡的方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7764808B2 (en) * 2003-03-24 2010-07-27 Siemens Corporation System and method for vehicle detection and tracking
CN108765452A (zh) * 2018-05-11 2018-11-06 西安天和防务技术股份有限公司 一种复杂背景下运动目标检测与跟踪方法
CN110853076B (zh) * 2019-11-08 2023-03-31 重庆市亿飞智联科技有限公司 一种目标跟踪方法、装置、设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199554A (zh) * 2019-12-31 2020-05-26 中国船舶重工集团公司第七一七研究所 一种目标跟踪抗遮挡的方法及装置

Also Published As

Publication number Publication date
CN112509003A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112509003B (zh) 解决目标跟踪框漂移的方法及系统
CN109145771B (zh) 一种人脸抓拍方法及装置
JP7151488B2 (ja) 移動物体検出装置、移動物体検出方法及びプログラム
CN110728697A (zh) 基于卷积神经网络的红外弱小目标检测跟踪方法
CN112947419B (zh) 避障方法、装置及设备
CN113221925B (zh) 一种基于多尺度图像的目标检测方法及装置
CN111241928B (zh) 人脸识别底库优化方法、系统、设备、可读存储介质
CN113610087B (zh) 一种基于先验超分辨率的图像小目标检测方法及存储介质
WO2021227723A1 (zh) 目标检测方法、装置、计算机设备及可读存储介质
CN110991280A (zh) 基于模板匹配和surf的视频跟踪方法和装置
CN111476814B (zh) 目标跟踪方法、装置、设备及存储介质
CN111178261A (zh) 一种基于视频编码技术的人脸检测加速方法
CN108961316A (zh) 图像处理方法、装置及服务器
CN113112542A (zh) 一种视觉定位方法、装置、电子设备及存储介质
CN114037087B (zh) 模型训练方法及装置、深度预测方法及装置、设备和介质
CN115761826A (zh) 掌静脉有效区域提取方法、系统、介质及电子设备
CN116740126A (zh) 目标跟踪方法、高速相机及存储介质
CN115049954A (zh) 目标识别方法、装置、电子设备和介质
CN113542868A (zh) 视频关键帧选取方法、装置、电子设备、存储介质
CN113435367A (zh) 社交距离评估方法、装置及存储介质
CN116563172B (zh) 一种vr全球化在线教育互动优化增强方法及装置
CN112819889A (zh) 位置信息的确定方法及装置、存储介质、电子装置
CN110322479B (zh) 一种基于时空显著性的双核kcf目标跟踪方法
CN116091781B (zh) 一种用于图像识别的数据处理方法及装置
CN115953431A (zh) 面向无人机航拍视频的多目标跟踪方法与系统

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
GR01 Patent grant
GR01 Patent grant