CN112561963A - 目标跟踪的方法、装置、路侧设备以及存储介质 - Google Patents
目标跟踪的方法、装置、路侧设备以及存储介质 Download PDFInfo
- Publication number
- CN112561963A CN112561963A CN202011499231.3A CN202011499231A CN112561963A CN 112561963 A CN112561963 A CN 112561963A CN 202011499231 A CN202011499231 A CN 202011499231A CN 112561963 A CN112561963 A CN 112561963A
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- track
- detection result
- target tracking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 claims abstract description 120
- 230000004044 response Effects 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了目标跟踪的方法、装置、路侧设备以及存储介质，涉及智能交通、自动驾驶等人工智能领域。该目标跟踪的方法包括：获取基于当前帧图像的至少一个目标的检测结果和缓存的至少一个跟踪轨迹；确定至少一个跟踪轨迹和至少一个目标的检测结果的相似度，以及采用预定的匹配策略，根据相似度将至少一个跟踪轨迹与至少一个目标的检测结果进行关联匹配；对于与至少一个目标的检测结果不匹配的跟踪轨迹，进行单目标跟踪；响应于检测到单目标跟踪满足终止条件，停止进行单目标跟踪，从而有效解决目标误检、漏检、遮挡等问题，提升跟踪指标。
Description
技术领域
本申请涉及计算机技术领域，具体涉及智能交通、自动驾驶等人工智能领域，尤其涉及目标跟踪的方法、装置、路侧设备以及存储介质。
背景技术
视觉目标跟踪是计算机视觉中的一个重要研究方向，有着广泛的应用，如：视频监控，人机交互，无人驾驶等。过去二三十年，视觉目标跟踪技术取得了长足的进步，特别是最近两年利用深度学习的目标跟踪方法取得了令人满意的效果，使目标跟踪技术获得了突破性的进展。
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，可以对跟踪的轨迹进行分析，从而分析出驾驶行为或是检测出异常行为。
发明内容
本申请实施例提供了目标跟踪的方法、装置、路侧设备以及存储介质。
第一方面，本申请实施例提供了目标跟踪的方法，包括：获取基于当前帧图像的至少一个目标的检测结果和缓存的至少一个跟踪轨迹；确定至少一个跟踪轨迹和至少一个目标的检测结果的相似度，以及采用预定的匹配策略，根据相似度将至少一个跟踪轨迹与至少一个目标的检测结果进行关联匹配；对于与至少一个目标的检测结果不匹配的跟踪轨迹，进行单目标跟踪；响应于检测到单目标跟踪满足终止条件，停止进行单目标跟踪。
第二方面，本申请实施例提供了目标跟踪的装置，包括：获取模块，被配置成获取基于当前帧图像的至少一个目标的检测结果和缓存的至少一个跟踪轨迹；多目标跟踪模块，被配置成确定至少一个跟踪轨迹和至少一个目标的检测结果的相似度，以及采用预定的匹配策略，根据相似度将至少一个跟踪轨迹与至少一个目标的检测结果进行关联匹配；单目标跟踪模块，被配置成对于与至少一个目标的检测结果不匹配的跟踪轨迹，进行单目标跟踪；终止模块，被配置成响应于检测到单目标跟踪满足终止条件，停止进行单目标跟踪。
第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例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，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
本申请实施例提供的目标跟踪的方法、装置、路侧设备以及存储介质，首先获取基于当前帧图像的至少一个目标的检测结果和缓存的至少一个跟踪轨迹；之后确定至少一个跟踪轨迹和至少一个目标的检测结果的相似度，以及采用预定的匹配策略，根据相似度将至少一个跟踪轨迹与至少一个目标的检测结果进行关联匹配；而后对于与至少一个目标的检测结果不匹配的跟踪轨迹，进行单目标跟踪；最后响应于检测到单目标跟踪满足终止条件，停止进行单目标跟踪，从而有效解决目标误检、漏检、遮挡等问题，提升跟踪指标。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。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是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的目标跟踪的方法的一个实施例的流程示意图；
图3是根据本申请的目标跟踪的方法的另一个实施例的流程示意图；
图4是根据本申请的目标跟踪的方法的一个实施例的应用场景示意图；
图5是本申请的目标跟踪的装置的一个实施例的结构示意图；
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
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的目标跟踪的方法或目标跟踪的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、网络102、服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101可以通过网络102与服务器103交互。终端设备101中可以提供当前帧图像，包括但不限于数据库、用户终端等等。
服务器103可以提供各种服务，例如服务器103可以对从终端设备101获取到的当前帧图像等数据进行分析等处理，生成处理结果(例如停止进行单目标跟踪)。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例提供的目标跟踪的方法一般由服务器103执行，相应地，目标跟踪的装置一般设置于服务器103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的目标跟踪的方法的一个实施例的流程200。该方法包括以下步骤：
步骤201，获取基于当前帧图像的至少一个目标的检测结果和缓存的至少一个跟踪轨迹。
在本实施例中，目标跟踪的方法的执行主体(例如图1所示的服务器103)可以获取基于当前帧图像的至少一个目标的检测结果和缓存的至少一个跟踪轨迹。
其中，可以基于预设的目标检测器，对输入的视频当前帧图像进行目标检测处理，获取目标检测结果，得到目标的检测集合Dt＝{Dt1，Dt2，…，Dtn}，其中，Dtn表示在t帧时刻检测的第n个目标(共n个目标)。其中，目标可以包括车辆、人等。
其中，检测结果包括目标的检测框，该检测框的信息包括：中心坐标、尺度大小、目标置信度、检测框框出的物体类别等等。
其中，可以采用Yolov3架构完成目标的识别检测，也可以采用基于深度卷积神经网络的高性能检测器(例如快速区域卷积神经网络(Faster-Region with ConvolutionalNeural Network，Faster-RCNN))。
其中，缓存的轨迹包括上一帧图像中已经跟踪好的轨迹和在之前帧([t-N,t-1]，t表示当前帧)图像中已经丢失的轨迹。其中，跟踪好的轨迹是指匹配上当前检测目标的轨迹，丢失的轨迹是指没有匹配上当前检测目标的轨迹，找不到跟踪的目标。
步骤202，确定至少一个跟踪轨迹和至少一个目标的检测结果的相似度，以及采用预定的匹配策略，根据相似度将至少一个跟踪轨迹与至少一个目标的检测结果进行关联匹配。
在本实施例中，上述执行主体可以确定至少一个跟踪轨迹和至少一个目标的检测结果的相似度，以及采用预定的匹配策略，根据相似度将至少一个跟踪轨迹与至少一个目标的检测结果进行关联匹配。
其中，可以采用目标重识别网络提取多个目标的外观特征，并基于目标的外观特征，计算当前帧图像与上一帧图像之间的外观特征相似度；然后使用卡尔曼滤波对多个目标运动轨迹建模，计算目标位置检测结果与预测位置之间的距离作为运动特征相似度；之后将外观特征相似度和运动特征相似度的乘积作为目标与轨迹之间的相似度；最后采用使用匈牙利算法确定目标与轨迹之间的最佳匹配关系，得到跟踪结果。
其中，跟踪轨迹与检测框之间的关联也可以采用贪心策略，即根据缓存的目标轨迹集和当前帧图像目标检测集进行目标框和检测框的交并比(Intersection Over Union，IOU)匹配，该目标框贪心地(利用贪心算法)选择当前帧目标检测集中与目标轨迹IOU最大的检测框。
步骤203，对于与至少一个目标的检测结果不匹配的跟踪轨迹，进行单目标跟踪。
在本实施例中，上述执行主体可以对于与至少一个目标的检测结果不匹配的跟踪轨迹，进行单目标跟踪。
其中，经过步骤202后，对于已经被跟踪轨迹关联的检测框直接输出，而未被跟踪轨迹关联的检测框则标记为新目标并输出。对于未被关联的跟踪轨迹，则进行单目标跟踪。
其中，单目标跟踪可以采用模板匹配算法，也可以采用核相关滤波器(KernelizedCorrelation Filter，KCF)算法。其中，使用单目标跟踪算法直接跟踪未被关联的跟踪轨迹(即未被关联的目标框)，可以输出预测框和轨迹。
步骤204，响应于检测到单目标跟踪满足终止条件，停止进行单目标跟踪。
在本实施例中，上述执行主体可以响应于检测到单目标跟踪满足终止条件，停止进行单目标跟踪。其中，当检测到终止条件满足时，则退出单目标跟踪过程。
本申请上述实施例提供的目标跟踪的方法，通过采用单目标跟踪辅助算法可以改善因目标遮挡或体积较小导致的目标漏检、误检问题，恢复目标正确的检测框，从而让目标之间的关联算法结果更可靠。
在本实施例的一些可选的实现方式中，上述步骤204中的终止条件包括：响应于跟踪轨迹位于当前帧图像的边界区域，停止进行单目标跟踪。
其中，当前帧图像的跟踪轨迹就是当前帧图像的目标框，上述执行主体可以检测目标框的位置信息，并根据目标框的位置信息判断目标框是否位于图像的边界区域。若目标框位于当前帧图像的边界区域，则退出单目标跟踪过程。其中，图像的边界区域是指距离图像的边界预定距离的区域。图像的边界的确定可以采用现有的方法来实现，或者通过滤波器，滤除图像中的低频部分，剩下的高频部分即为图像的轮廓边界，通过识别边界像素点的坐标，即可实现对其轮廓边界的确定。在本实施例中，为了防止目标脱离视野，当检测到目标位于易脱离视野的边界区域时，停止进行单目标跟踪，可以有效防止单目标跟踪造成的多补框、错补框问题。
在本实施例的一些可选的实现方式中，上述步骤204中的终止条件包括：响应于前一帧图像中未检测到对应于跟踪轨迹的目标的检测结果，停止进行单目标跟踪。
其中，当前帧图像的跟踪轨迹就是当前帧图像的目标框，上述执行主体可以获取前一帧图像中所有目标的检测框，并检测跟踪轨迹(即目标框)的检测框是否在前一帧图像中存在。若前一帧图像中未检测到目标框的检测框，则退出单目标跟踪过程。在本实施例中，当目标框的检测框在前一帧中不存在即表示目标在前一帧中丢失，为了防止单目标跟踪造成的多补框、错补框问题，可以停止进行单目标跟踪。
在本实施例的一些可选的实现方式中，上述步骤204中的终止条件包括：响应于跟踪轨迹位于当前帧图像的第一区域，停止进行单目标跟踪，其中，当前帧图像包括第一区域和第二区域，第一区域的目标检测难度小于第二区域的目标检测难度。
其中，可以根据当前帧图像中的目标的特征，将其划分为第一区域和第二区域。其中，可以将近处的目标所在的区域划分为第一区域，以及将远处的目标所在的区域划分为第二区域。示例性地，第一区域可以是图像Y轴的下半轴部分，第二区域可以是图像Y轴的上半轴部分。一般而言，近处的目标相对于远处的目标体积更大，更容易被检测到。当前帧的第一区域和第二区域可以根据经验值设定。通常而言，图像中错检、漏检的目标往往是体积较小或被遮挡的目标，为了优化单目标跟踪的计算效率，节省资源，当检测到目标框位于当前帧图像的第一区域时，可以退出单目标跟踪过程。
在本实施例的一些可选的实现方式中，上述步骤204中的终止条件包括：响应于跟踪轨迹的预测框的置信度小于阈值，停止进行单目标跟踪。
其中，对未被关联的跟踪轨迹进行单目标跟踪后，会输出目标框的预测框以及该预测框的置信度。若预测框的置信度小于阈值，则丢弃该预测框并退出单目标跟踪过程；若预测框的置信度高于阈值，则保留目标框的该预测框。可选地，若目标框的预测框的置信度小于阈值，丢失目标框的预测框后，可以将该目标框对应的跟踪轨迹标记为丢失状态。在本实施例中，通过为目标框的预测框设置置信度阈值的方式，可以防止单目标跟踪造成的多补框、错补框问题。
在本实施例的一些可选的实现方式中，上述步骤204中的终止条件包括：响应于预设时间内的多个帧图像中的跟踪轨迹是由单目标跟踪恢复组成，停止进行单目标跟踪。
其中，若当前帧图像中目标的跟踪轨迹是由单目标跟踪输出的预测框组成，则该目标的在当前帧图像的跟踪轨迹会被打上单目标跟踪的标签。其中，若检测到目标在预设时间内的多个帧图像中跟踪轨迹的标签都是单目标跟踪打上的，则退出单目标跟踪过程。其中，预设时间可以根据经验值确定。本实施例提出的终止条件可以防止单目标跟踪造成的多补框、错补框问题。
在本实施例的一些可选的实现方式中，上述步骤202中“确定至少一个跟踪轨迹和至少一个目标的检测结果的相似度”包括：根据至少一个跟踪轨迹中的外观特征、动态特征和至少一个目标的检测结果中的外观特征、动态特征的马氏距离，度量至少一个跟踪轨迹和至少一个目标的检测结果的相似度。
其中，可以通过ReID网络提取当前帧图像的跟踪轨迹(即目标框)和当前帧图像的检测框的外观特征；然后通过计算目标框和检测框的IOU，获取目标框的动态特征和检测框的动态特征；最后通过计算轨迹(目标框)中的外观特征、动态特征和检测框中的外观特征、动态特征的马氏距离，得到轨迹(目标框)和检测框的相似度。
进一步参考图3，其示出了目标跟踪的方法的另一个实施例的流程图，该方法包括如下步骤：
步骤301，获取基于当前帧图像的至少一个目标的检测结果和缓存的至少一个跟踪轨迹。
步骤301与步骤201基本相同，因此不再赘述。
步骤302，确定至少一个跟踪轨迹和至少一个目标的检测结果的相似度，以及采用预定的匹配策略，根据相似度将至少一个跟踪轨迹与至少一个目标的检测结果进行关联匹配。
步骤302与步骤202基本相同，因此不再赘述。
步骤303，对于与至少一个目标的检测结果不匹配的跟踪轨迹，进行单目标跟踪。
步骤303与步骤203基本相同，因此不再赘述。
步骤304，响应于检测到单目标跟踪满足终止条件，停止进行单目标跟踪。
步骤304与步骤204基本相同，因此不再赘述。
步骤305，响应于至少一个跟踪轨迹在预定数目的帧图像中均未匹配到至少一个目标的检测结果，终止至少一个跟踪轨迹。
其中，预定数目可以根据经验值确定，例如20帧。在本实施例中，为跟踪轨迹设置了丢弃阈值，当一个跟踪轨迹在预定数目的多帧图像中均未关联到任何目标，则终止该跟踪轨迹。本实施例中，通过设置跟踪轨迹的丢失阈值，可以减少错补框、多补框的问题。
为了便于理解，图4示出了根据本申请的目标跟踪的方法的一个实施例的应用场景示意图。
如图4所示，应用该方法时，输入的是当前帧图像和缓存中保存的已经跟踪好的轨迹以及当前帧图像的检测结果，输出的是当前帧轨迹的关联情况。
输入的轨迹和检测结果(主要是检测框)首先通过多目标跟踪模块，其中相似度度量采用ReID特征和动态特征融合的方式。轨迹关联采用的是贪心策略，优先关联相似度高的轨迹-检测框对，也可以将轨迹和相似度度量的结果转化为二分图问题，并采用匈牙利算法进行关联匹配。
经过多目标跟踪模块后，已经被关联的检测结果(主要是检测框)直接输出，未被关联的检测结果(主要是检测框)则作为新目标输出。未被关联的轨迹则会被送入单目标跟踪模块进行单目标跟踪。其中，未被关联的轨迹作为当前帧图像的目标框，在对该目标框进行单目标跟踪时，单目标跟踪模块会输出该目标框的预测框。其中，可以采用模板匹配算法进行单目标跟踪。
在对未被关联的轨迹进行单目标跟踪后，上述执行主体可以检测当前状态是否满足单目标跟踪的以下五个终止条件之一：
(1)目标在最近Δt帧的轨迹都是由单目标跟踪恢复出来的框组成；
(2)目标在前一帧中没有对应的检测框；
(3)目标在输入图像的边界区域；
(4)目标在输入图像的Y轴下方边界；
(5)目标的预测框的置信度小于阈值。
当检测到上述任一终止条件满足后，停止进行单目标跟踪，从而降低单目标跟踪对目标跟踪结果造成的负面影响，有效地防止过多补框、错补框的问题。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种目标跟踪的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的目标跟踪的装置500可以包括：获取模块501、多目标跟踪模块502、单目标跟踪模块503、终止模块504。其中，获取模块501，被配置成获取基于当前帧图像的至少一个目标的检测结果和缓存的至少一个跟踪轨迹；多目标跟踪模块502，被配置成确定至少一个跟踪轨迹和至少一个目标的检测结果的相似度，以及采用预定的匹配策略，根据相似度将至少一个跟踪轨迹与至少一个目标的检测结果进行关联匹配；单目标跟踪模块503，被配置成对于与至少一个目标的检测结果不匹配的跟踪轨迹，进行单目标跟踪；终止模块504，被配置成响应于检测到单目标跟踪满足终止条件，停止进行单目标跟踪。
在本实施例中，目标跟踪的装置500中：获取模块501、多目标跟踪模块502、单目标跟踪模块503、终止模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，终止条件包括：响应于跟踪轨迹位于当前帧图像的边界区域，停止进行单目标跟踪。
在本实施例的一些可选的实现方式中，终止条件包括：响应于跟踪轨迹位于当前帧图像的第一区域，停止进行单目标跟踪，其中，当前帧图像包括第一区域和第二区域，第一区域的目标检测难度小于第二区域的目标检测难度。
在本实施例的一些可选的实现方式中，终止条件包括：响应于前一帧图像中未检测到对应于跟踪轨迹的目标的检测结果，停止进行单目标跟踪。
在本实施例的一些可选的实现方式中，终止条件包括：响应于跟踪轨迹的预测框的置信度小于阈值，停止进行单目标跟踪。
在本实施例的一些可选的实现方式中，终止条件包括：响应于预设时间内的多个帧图像中的跟踪轨迹是由单目标跟踪恢复组成，停止进行单目标跟踪。
在本实施例的一些可选的实现方式中，多目标跟踪模块包括：确定模块和关联匹配模块；确定模块进一步被配置成：根据至少一个跟踪轨迹中的外观特征、动态特征和至少一个目标的检测结果中的外观特征、动态特征的马氏距离，度量至少一个跟踪轨迹和至少一个目标的检测结果的相似度。
在本实施例的一些可选的实现方式中，关联匹配模块包括：转化模块，被配置成将至少一个跟踪轨迹与至少一个目标的检测结果转化为二分图；匹配模块，被配置成采用匈牙利算法将至少一个跟踪轨迹与至少一个目标的检测结果进行关联匹配。
在本实施例的一些可选的实现方式中，单目标跟踪采用的算法包括以下至少一种：模板匹配算法、深度学习的单目标跟踪算法。
在本实施例的一些可选的实现方式中，终止模块进一步被配置成：响应于至少一个跟踪轨迹在预定数目的帧图像中均未匹配到至少一个目标的检测结果，终止至少一个跟踪轨迹。
如图6所示，是根据本申请实施例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，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的目标跟踪的方法。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的方法。
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所示的获取模块501、多目标跟踪模块502、单目标跟踪模块503、终止模块504)。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的方法。
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目标跟踪的方法的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目标跟踪的方法的电子设备。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。
目标跟踪的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方法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。
本申请还公开了一种路侧设备，包括如上述目标跟踪的方法的电子设备。路侧设备除了包括电子设备，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。
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。
根据本申请的技术方案，首先获取基于当前帧图像的至少一个目标的检测结果和缓存的至少一个跟踪轨迹；之后确定至少一个跟踪轨迹和至少一个目标的检测结果的相似度，以及采用预定的匹配策略，根据相似度将至少一个跟踪轨迹与至少一个目标的检测结果进行关联匹配；而后对于与至少一个目标的检测结果不匹配的跟踪轨迹，进行单目标跟踪；最后响应于检测到单目标跟踪满足终止条件，停止进行单目标跟踪，从而有效解决目标误检、漏检、遮挡等问题，提升跟踪指标。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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 (23)
1.一种目标跟踪的方法，包括：
获取基于当前帧图像的至少一个目标的检测结果和缓存的至少一个跟踪轨迹；
确定所述至少一个跟踪轨迹和所述至少一个目标的检测结果的相似度，以及采用预定的匹配策略，根据所述相似度将所述至少一个跟踪轨迹与所述至少一个目标的检测结果进行关联匹配；
对于与所述至少一个目标的检测结果不匹配的跟踪轨迹，进行单目标跟踪；
响应于检测到单目标跟踪满足终止条件，停止进行单目标跟踪。
2.根据权利要求1所述的方法，其中，所述终止条件包括：
响应于所述跟踪轨迹位于当前帧图像的边界区域，停止进行单目标跟踪。
3.根据权利要求1所述的方法，其中，所述终止条件包括：
响应于前一帧图像中未检测到对应于所述跟踪轨迹的目标的检测结果，停止进行单目标跟踪。
4.根据权利要求1所述的方法，其中，所述终止条件包括：
响应于所述跟踪轨迹位于当前帧图像的第一区域，停止进行单目标跟踪，其中，当前帧图像包括第一区域和第二区域，所述第一区域的目标检测难度小于所述第二区域的目标检测难度。
5.根据权利要求1所述的方法，其中，所述终止条件包括：
响应于所述跟踪轨迹的预测框的置信度小于阈值，停止进行单目标跟踪。
6.根据权利要求1所述的方法，其中，所述终止条件包括：
响应于预设时间内的多个帧图像中的所述跟踪轨迹是由单目标跟踪恢复组成，停止进行单目标跟踪。
7.根据权利要求1所述的方法，其中，所述确定所述至少一个跟踪轨迹和所述至少一个目标的检测结果的相似度包括：
根据所述至少一个跟踪轨迹中的外观特征、动态特征和所述至少一个目标的检测结果中的外观特征、动态特征的马氏距离，度量所述至少一个跟踪轨迹和所述至少一个目标的检测结果的相似度。
8.根据权利要求1所述的方法，其中，所述采用预定的匹配策略，根据所述相似度将所述至少一个跟踪轨迹与所述至少一个目标的检测结果进行关联匹配包括：
将所述至少一个跟踪轨迹与所述至少一个目标的检测结果转化为二分图；
采用匈牙利算法将所述至少一个跟踪轨迹与所述至少一个目标的检测结果进行关联匹配。
9.根据权利要求1所述的方法，其中，单目标跟踪采用的算法包括以下至少一种：
模板匹配算法、深度学习的单目标跟踪算法。
10.根据权利要求1所述的方法，其中，所述方法还包括：
响应于所述至少一个跟踪轨迹在预定数目的帧图像中均未匹配到所述至少一个目标的检测结果，终止所述至少一个跟踪轨迹。
11.一种目标跟踪的装置，其中，所述装置包括：
获取模块，被配置成获取基于当前帧图像的至少一个目标的检测结果和缓存的至少一个跟踪轨迹；
多目标跟踪模块，被配置成确定所述至少一个跟踪轨迹和所述至少一个目标的检测结果的相似度，以及采用预定的匹配策略，根据所述相似度将所述至少一个跟踪轨迹与所述至少一个目标的检测结果进行关联匹配；
单目标跟踪模块，被配置成对于与所述至少一个目标的检测结果不匹配的跟踪轨迹，进行单目标跟踪；
终止模块，被配置成响应于检测到单目标跟踪满足终止条件，停止进行单目标跟踪。
12.根据权利要求11所述的装置，其中，所述终止条件包括：
响应于所述跟踪轨迹位于当前帧图像的边界区域，停止进行单目标跟踪。
13.根据权利要求11所述的装置，其中，所述终止条件包括：
响应于前一帧图像中未检测到对应于所述跟踪轨迹的目标的检测结果，停止进行单目标跟踪。
14.根据权利要求11所述的装置，其中，所述终止条件包括：
响应于所述跟踪轨迹位于当前帧图像的第一区域，停止进行单目标跟踪，其中，当前帧图像包括第一区域和第二区域，所述第一区域的目标检测难度小于所述第二区域的目标检测难度。
15.根据权利要求11所述的装置，其中，所述终止条件包括：
响应于所述跟踪轨迹的预测框的置信度小于阈值，停止进行单目标跟踪。
16.根据权利要求11所述的装置，其中，所述终止条件包括：
响应于预设时间内的多个帧图像中的所述跟踪轨迹是由单目标跟踪恢复组成，停止进行单目标跟踪。
17.根据权利要求11所述的装置，其中，所述多目标跟踪模块包括：确定模块和关联匹配模块；
所述确定模块进一步被配置成：
根据所述至少一个跟踪轨迹中的外观特征、动态特征和所述至少一个目标的检测结果中的外观特征、动态特征的马氏距离，度量所述至少一个跟踪轨迹和所述至少一个目标的检测结果的相似度。
18.根据权利要求17所述的装置，其中，所述关联匹配模块包括：
转化模块，被配置成将所述至少一个跟踪轨迹与所述至少一个目标的检测结果转化为二分图；
匹配模块，被配置成采用匈牙利算法将所述至少一个跟踪轨迹与所述至少一个目标的检测结果进行关联匹配。
19.根据权利要求11所述的装置，其中，单目标跟踪采用的算法包括以下至少一种：
模板匹配算法、深度学习的单目标跟踪算法。
20.根据权利要求11所述的装置，其中，所述终止模块进一步被配置成：
响应于所述至少一个跟踪轨迹在预定数目的帧图像中均未匹配到所述至少一个目标的检测结果，终止所述至少一个跟踪轨迹。
21.一种电子设备，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1-10中任一项所述的方法。
22.一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1-10中任一项所述的方法。
23.一种路侧设备，包括如权利要求21所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011499231.3A CN112561963A (zh) | 2020-12-18 | 2020-12-18 | 目标跟踪的方法、装置、路侧设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011499231.3A CN112561963A (zh) | 2020-12-18 | 2020-12-18 | 目标跟踪的方法、装置、路侧设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112561963A true CN112561963A (zh) | 2021-03-26 |
Family
ID=75063332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011499231.3A Withdrawn CN112561963A (zh) | 2020-12-18 | 2020-12-18 | 目标跟踪的方法、装置、路侧设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561963A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223052A (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 |
| CN113344978A (zh) * | 2021-06-29 | 2021-09-03 | 北京搜狗科技发展有限公司 | 一种目标跟踪方法、装置和用于目标跟踪的装置 |
| CN113361388A (zh) * | 2021-06-03 | 2021-09-07 | 北京百度网讯科技有限公司 | 图像数据修正方法、装置、电子设备及自动驾驶车辆 |
| CN113822910A (zh) * | 2021-09-30 | 2021-12-21 | 上海商汤临港智能科技有限公司 | 多目标跟踪方法、装置、电子设备及存储介质 |
| CN114882068A (zh) * | 2022-04-24 | 2022-08-09 | 电子科技大学 | 多目标跟踪方法、装置、计算机设备和存储介质 |
| CN116330658A (zh) * | 2023-01-12 | 2023-06-27 | 珠海视熙科技有限公司 | 基于深度图像的目标跟踪方法、装置、系统及摄像设备 |
| CN116540715A (zh) * | 2023-05-16 | 2023-08-04 | 深圳市普渡科技有限公司 | 目标跟踪方法、目标跟踪装置、机器人和存储介质 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100046798A1 (en) * | 2008-08-20 | 2010-02-25 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
| CN105761277A (zh) * | 2016-02-01 | 2016-07-13 | 西安理工大学 | 一种基于光流的运动目标跟踪方法 |
| KR20160108979A (ko) * | 2015-03-09 | 2016-09-21 | 한화테크윈 주식회사 | 표적 추적 방법 및 장치 |
| CN106204649A (zh) * | 2016-07-05 | 2016-12-07 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
| CN107659791A (zh) * | 2017-10-25 | 2018-02-02 | 江苏云光智慧信息科技有限公司 | 一种多目标自动跟踪检测方法 |
| CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 |
| CN108875465A (zh) * | 2017-05-26 | 2018-11-23 | 北京旷视科技有限公司 | 多目标跟踪方法、多目标跟踪装置以及非易失性存储介质 |
| US20190005657A1 (en) * | 2017-06-30 | 2019-01-03 | Baidu Online Network Technology (Beijing) Co., Ltd . | Multiple targets-tracking method and apparatus, device and storage medium |
| CN109191497A (zh) * | 2018-08-15 | 2019-01-11 | 南京理工大学 | 一种基于多种信息融合的实时在线多目标跟踪方法 |
| CN109410243A (zh) * | 2018-10-16 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 基于区域交叠与模板匹配的多目标跟踪方法 |
| CN109615641A (zh) * | 2018-11-23 | 2019-04-12 | 中山大学 | 基于kcf算法的多目标行人跟踪系统及跟踪方法 |
| CN109919974A (zh) * | 2019-02-21 | 2019-06-21 | 上海理工大学 | 基于r-fcn框架多候选关联的在线多目标跟踪方法 |
| CN110322472A (zh) * | 2018-03-30 | 2019-10-11 | 华为技术有限公司 | 一种多目标跟踪方法以及终端设备 |
| CN110751096A (zh) * | 2019-10-21 | 2020-02-04 | 陕西师范大学 | 一种基于kcf轨迹置信度的多目标跟踪方法 |
| CN110910422A (zh) * | 2019-11-13 | 2020-03-24 | 北京环境特性研究所 | 目标跟踪方法、装置、电子设备和可读存储介质 |
| CN111161315A (zh) * | 2019-12-18 | 2020-05-15 | 北京大学 | 一种基于图神经网络的多目标跟踪方法和系统 |
| CN111627045A (zh) * | 2020-05-06 | 2020-09-04 | 佳都新太科技股份有限公司 | 单镜头下的多行人在线跟踪方法、装置、设备及存储介质 |
| CN111696132A (zh) * | 2020-05-15 | 2020-09-22 | 深圳市优必选科技股份有限公司 | 目标跟踪方法、装置、计算机可读存储介质及机器人 |
| CN111986231A (zh) * | 2020-08-10 | 2020-11-24 | 深思考人工智能科技(上海)有限公司 | 一种多目标跟踪方法及系统 |
-
2020
- 2020-12-18 CN CN202011499231.3A patent/CN112561963A/zh not_active Withdrawn
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100046798A1 (en) * | 2008-08-20 | 2010-02-25 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
| KR20160108979A (ko) * | 2015-03-09 | 2016-09-21 | 한화테크윈 주식회사 | 표적 추적 방법 및 장치 |
| CN105761277A (zh) * | 2016-02-01 | 2016-07-13 | 西安理工大学 | 一种基于光流的运动目标跟踪方法 |
| CN106204649A (zh) * | 2016-07-05 | 2016-12-07 | 西安电子科技大学 | 一种基于tld算法的目标跟踪方法 |
| CN108875465A (zh) * | 2017-05-26 | 2018-11-23 | 北京旷视科技有限公司 | 多目标跟踪方法、多目标跟踪装置以及非易失性存储介质 |
| US20190005657A1 (en) * | 2017-06-30 | 2019-01-03 | Baidu Online Network Technology (Beijing) Co., Ltd . | Multiple targets-tracking method and apparatus, device and storage medium |
| CN107659791A (zh) * | 2017-10-25 | 2018-02-02 | 江苏云光智慧信息科技有限公司 | 一种多目标自动跟踪检测方法 |
| CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 |
| CN110322472A (zh) * | 2018-03-30 | 2019-10-11 | 华为技术有限公司 | 一种多目标跟踪方法以及终端设备 |
| CN109191497A (zh) * | 2018-08-15 | 2019-01-11 | 南京理工大学 | 一种基于多种信息融合的实时在线多目标跟踪方法 |
| CN109410243A (zh) * | 2018-10-16 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 基于区域交叠与模板匹配的多目标跟踪方法 |
| CN109615641A (zh) * | 2018-11-23 | 2019-04-12 | 中山大学 | 基于kcf算法的多目标行人跟踪系统及跟踪方法 |
| CN109919974A (zh) * | 2019-02-21 | 2019-06-21 | 上海理工大学 | 基于r-fcn框架多候选关联的在线多目标跟踪方法 |
| CN110751096A (zh) * | 2019-10-21 | 2020-02-04 | 陕西师范大学 | 一种基于kcf轨迹置信度的多目标跟踪方法 |
| CN110910422A (zh) * | 2019-11-13 | 2020-03-24 | 北京环境特性研究所 | 目标跟踪方法、装置、电子设备和可读存储介质 |
| CN111161315A (zh) * | 2019-12-18 | 2020-05-15 | 北京大学 | 一种基于图神经网络的多目标跟踪方法和系统 |
| CN111627045A (zh) * | 2020-05-06 | 2020-09-04 | 佳都新太科技股份有限公司 | 单镜头下的多行人在线跟踪方法、装置、设备及存储介质 |
| CN111696132A (zh) * | 2020-05-15 | 2020-09-22 | 深圳市优必选科技股份有限公司 | 目标跟踪方法、装置、计算机可读存储介质及机器人 |
| CN111986231A (zh) * | 2020-08-10 | 2020-11-24 | 深思考人工智能科技(上海)有限公司 | 一种多目标跟踪方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| JIAHE LI 等: "Graph Networks for Multiple Object Tracking", 《2020 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV)》, pages 708 - 717 * |
| 宋焕生;李莹;杨瑾;云旭;张韫;解熠;: "基于高速公路场景的车辆目标跟踪", 计算机系统应用, no. 06, pages 84 - 90 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223052A (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 |
| CN113361388A (zh) * | 2021-06-03 | 2021-09-07 | 北京百度网讯科技有限公司 | 图像数据修正方法、装置、电子设备及自动驾驶车辆 |
| CN113361388B (zh) * | 2021-06-03 | 2023-11-24 | 北京百度网讯科技有限公司 | 图像数据修正方法、装置、电子设备及自动驾驶车辆 |
| CN113344978A (zh) * | 2021-06-29 | 2021-09-03 | 北京搜狗科技发展有限公司 | 一种目标跟踪方法、装置和用于目标跟踪的装置 |
| CN113822910A (zh) * | 2021-09-30 | 2021-12-21 | 上海商汤临港智能科技有限公司 | 多目标跟踪方法、装置、电子设备及存储介质 |
| CN114882068A (zh) * | 2022-04-24 | 2022-08-09 | 电子科技大学 | 多目标跟踪方法、装置、计算机设备和存储介质 |
| CN114882068B (zh) * | 2022-04-24 | 2023-09-01 | 电子科技大学 | 多目标跟踪方法、装置、计算机设备和存储介质 |
| CN116330658A (zh) * | 2023-01-12 | 2023-06-27 | 珠海视熙科技有限公司 | 基于深度图像的目标跟踪方法、装置、系统及摄像设备 |
| CN116330658B (zh) * | 2023-01-12 | 2024-05-28 | 珠海视熙科技有限公司 | 基于深度图像的目标跟踪方法、装置、系统及摄像设备 |
| CN116540715A (zh) * | 2023-05-16 | 2023-08-04 | 深圳市普渡科技有限公司 | 目标跟踪方法、目标跟踪装置、机器人和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561963A (zh) | 目标跟踪的方法、装置、路侧设备以及存储介质 | |
| JP7429796B2 (ja) | 車両追跡方法、装置及び電子機器 | |
| CN111860506B (zh) | 识别文字的方法和装置 | |
| CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
| CN111523596A (zh) | 目标识别模型训练方法、装置、设备以及存储介质 | |
| EP3822857B1 (en) | Target tracking method, device, electronic apparatus and storage medium | |
| CN110659600B (zh) | 物体检测方法、装置及设备 | |
| CN112488073A (zh) | 目标检测方法、系统、设备及存储介质 | |
| CN112529073A (zh) | 模型训练方法、姿态估计方法、装置及电子设备 | |
| CN111723768A (zh) | 车辆重识别的方法、装置、设备和存储介质 | |
| CN111275011B (zh) | 移动红绿灯检测方法、装置、电子设备和存储介质 | |
| CN113313053B (zh) | 图像处理方法、装置、设备、介质及程序产品 | |
| US10671887B2 (en) | Best image crop selection | |
| 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 | |
| CN111767853A (zh) | 车道线检测方法和装置 | |
| CN110909701B (zh) | 行人特征的提取方法、装置、设备及介质 | |
| CN113012200B (zh) | 一种运动物体的定位方法、装置、电子设备及存储介质 | |
| CN112527113A (zh) | 手势识别及手势识别网络的训练方法和装置、介质和设备 | |
| CN111611903A (zh) | 动作识别模型的训练方法、使用方法、装置、设备和介质 | |
| CN111199238A (zh) | 一种基于双流卷积神经网络的行为识别方法及设备 | |
| CN112508004A (zh) | 一种文字识别方法、装置、电子设备及存储介质 | |
| CN114882315B (zh) | 样本生成方法、模型训练方法、装置、设备及介质 | |
| CN112700643A (zh) | 输出车辆流向的方法、装置、路侧设备以及云控平台 | |
| CN113378836A (zh) | 图像识别方法、装置、设备、介质及程序产品 | |
| CN111783639A (zh) | 图像检测方法、装置、电子设备及可读存储介质 |
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: 20211014 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 Intelligent Connectivity (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. |
|
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210326 |