CN112907636B - 多目标跟踪方法、装置、电子设备及可读存储介质 - Google Patents
多目标跟踪方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112907636B CN112907636B CN202110343336.8A CN202110343336A CN112907636B CN 112907636 B CN112907636 B CN 112907636B CN 202110343336 A CN202110343336 A CN 202110343336A CN 112907636 B CN112907636 B CN 112907636B
- Authority
- CN
- China
- Prior art keywords
- tracking
- target
- matching
- detection
- information
- 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
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
本申请实施例提供了一种多目标跟踪方法、装置、电子设备及可读存储介质,涉及图像处理技术领域。方法包括:对当前图像进行目标检测,获得各检测目标的检测信息,检测信息包括检测目标的位置检测信息;从各跟踪目标的跟踪信息中获得各跟踪目标的位置预测信息及跟丢次数,并根据跟丢次数确定各跟踪目标的第一匹配阈值;根据位置检测信息及位置预测信息,计算各跟踪目标与各检测目标的运动匹配度;针对各跟踪目标,根据该跟踪目标对应的运动匹配度及第一匹配阈值,获得运动匹配结果;根据运动匹配结果,将检测目标与跟踪目标进行匹配,得到跟踪结果。如此,通过基于跟丢次数动态确定出使用的第一匹配阈值,可减少误匹配问题。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种多目标跟踪方法、装置、电子设备及可读存储介质。
背景技术
随着人工智能的不断发展,基于图像进行目标识别及跟踪的技术应用在安防、人机交互等方面。通过目标识别及跟踪技术,可以检测并跟踪出现在特定区域的敏感人物、实时统计出现在特定区域的人数数量、实时进行人流量统计等。
现有的多目标跟踪技术中,一般会计算各检测目标在图像中的位置与各跟踪目标的预测出来的位置的相似度,然后根据一个预先设置好的固定的相似度阈值,基于上述相似度,判断各检测目标与各跟踪目标在运动方面是否相似,进而进行检测目标与跟踪目标的匹配,以完成多目标跟踪。然而,预测出来的位置的可靠性与跟踪目标的跟丢次数有关,在忽略该因素的情况下,将导致运动是否相关的判断不准确,进而导致误匹配,也即出现跟踪错误的情况。
发明内容
本申请实施例提供了一种多目标跟踪方法、装置、电子设备及可读存储介质,其能够减少在进行多目标跟踪时的误匹配情况。
本申请的实施例可以这样实现:
第一方面,本申请实施例提供一种多目标跟踪方法,包括:
对当前图像进行目标检测,获得各检测目标的检测信息,其中,所述检测信息包括检测目标的位置检测信息;
从各跟踪目标的跟踪信息中获得各跟踪目标的位置预测信息及跟丢次数,并根据所述跟丢次数确定各跟踪目标的第一匹配阈值;
根据所述位置检测信息及位置预测信息,计算各跟踪目标与各检测目标的运动匹配度;
针对各跟踪目标,根据该跟踪目标对应的运动匹配度及第一匹配阈值,获得运动匹配结果;
根据所述运动匹配结果,将检测目标与跟踪目标进行匹配,得到跟踪结果。
第二方面,本申请实施例提供一种多目标跟踪装置,包括:
检测模块,用于对当前图像进行目标检测,获得各检测目标的检测信息,其中,所述检测信息包括检测目标的位置检测信息;
确定模块,用于从各跟踪目标的跟踪信息中获得各跟踪目标的位置预测信息及跟丢次数,并根据所述跟丢次数确定各跟踪目标的第一匹配阈值;
计算模块,用于根据所述位置检测信息及位置预测信息,计算各跟踪目标与各检测目标的运动匹配度;
匹配模块,用于针对各跟踪目标,根据该跟踪目标对应的运动匹配度及第一匹配阈值,获得运动匹配结果;
所述匹配模块,还用于根据所述运动匹配结果,将检测目标与跟踪目标进行匹配,得到跟踪结果。
第三方面,本申请实施例提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现前述实施方式中任意一项所述的多目标跟踪方法。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述实施方式中任意一项所述的多目标跟踪方法。
本申请实施例提供的多目标跟踪方法、装置、电子设备及可读存储介质,通过对当前图像进行目标检测,可获得各检测目标的检测信息,该检测信息包括检测目标的位置检测信息;进而根据位置检测信息及各跟踪目标的跟踪信息中的位置预测信息,计算得到各跟踪目标与各检测目标的运动匹配度;然后,针对各跟踪目标,根据该跟踪目标与各检测目标的运动匹配度、基于该跟踪目标的跟踪信息中的跟丢次数确定的第一匹配阈值,确定运动匹配结果;最后,根据得到的各跟踪目标对应的运动匹配结果,将检测目标与跟踪目标进行匹配,得到跟踪结果。如此,根据跟踪目标的跟丢次数确定该跟踪目标对应的第一匹配阈值,也即,各跟踪目标对应的第一匹配阈值是动态的,进而根据该第一匹配阈值确定该跟踪目标与各检测目标的运动匹配结果,最终得到跟踪结果,由此可避免由于忽略位置预测的可靠性与跟丢次数的关系导致的误匹配,从而减少误匹配的情况,提高跟踪的可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的方框示意图;
图2为本申请实施例提供的多目标跟踪方法的流程示意图;
图3为本申请实施例提供的马氏距离阈值与跟丢次数的关系示意图;
图4为本申请实施例提供的基于不同马氏距离阈值滤波后的运动信息匹配矩阵示意图;
图5为图2中步骤S150包括的子步骤的流程示意图;
图6为本申请实施例提供的多目标跟踪装置的方框示意图之一;
图7为本申请实施例提供的多目标跟踪装置的方框示意图之二。
图标:100-电子设备;110-存储器;120-处理器;130-通信单元;200-多目标跟踪装置;210-检测模块;220-确定模块;230-计算模块;240-匹配模块;250-更新模块。
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、完整地描述,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在安防、人机交互等领域,会针对当前图像进行目标检测和计数,以便获得相应信息,进而采取相应措施。目前对目标的检测和计数主要有以下三种方案,目标是根据实际需求设置的对象,比如,异常人员。下面以检测对象为人为例,对三种方案进行简要说明。
第一种:直接基于目标检测算法对当前图像进行检测和计数。也即,每次获取一帧图像,就对图像中出现的人进行计数,并将当前图像中各人员所在的局部图像提取出来,上传到后台。使用这种方案会发生同一个人同一次出现在某个特定区域时,重复多次上传该人员的图像或者重复多次计数的情况,造成信息冗余及资源的浪费。其中,假设第一帧图像中只出现了人员1,第二帧图像中又只出人现员1,那么统计的时候人员数量就是1,而不是2,若为2,则是重复计数。
第二种:基于人群密度估计进行人流量统计。同样地,该方案也是对当前图像进行处理,但是不是使用目标检测算法,而是使用算法对当前图像中的人群密度进行估计,进而统计画面中出现的人的数量。这种方案相较于前者,比较适用于画面中出现密集人群的情况,但是依然存在重复计数的问题,并且无法实现对特定的异常人群在图像中的区域进行扣取和上传。
由于以上两种方案均存在重复计数的问题,因此一般会采取第三种方案:基于多目标跟踪算法进行人体去重,进而实现异常人群的检测和计数功能。主流的多目标跟踪算法包括,但不限于,Sort算法、Deep Sort算法等,使用多目标跟踪算法可以很好地进行人体去重。
在多目标跟踪算法中,一般会计算各检测目标在图像中的位置与各跟踪目标的预测出来的位置的相似度,然后根据一个预先设置好的固定的相似度阈值,基于上述相似度,判断各检测目标与各跟踪目标在运动方面是否相似,进而进行检测目标与跟踪目标的匹配,以完成多目标跟踪。但是由于某些因素的影响,可能会导致跟丢目标,而预测出来的位置的可靠性与跟踪目标的跟丢次数有关,在忽略该因素的情况下,将导致运动是否相关的判断不准确,进而导致误匹配,也即出现跟踪错误的情况。
比如,在Deep Sort算法中,由于相机视角(比如,安防机器人的相机视角)较低或者人体本身就存在的遮挡等因素的影响,导致获得的图像中出现人体交叉及遮挡。当出现交叉及遮挡时,则很容易出现跟丢的情况。在出现跟丢之后,若仍然使用原有的用于确定运动是否相似的阈值,则会出现一些由于忽略位置预测可靠性与跟丢次数的关系而导致的误匹配问题。
为此,本申请实施例基于跟丢次数确定使用的第一匹配阈值,进而根据各跟踪目标对应的第一匹配阈值及位置预测信息、各检测目标的位置信息,将检测目标与跟踪目标进行匹配,得到跟踪结果,以改善上述情况。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,请参照图1,图1为本申请实施例提供的电子设备100的方框示意图。所述电子设备100可以是,但不限于,电脑、服务器等。所述电子设备100包括存储器110、处理器120及通信单元130。所述存储器110、处理器120以及通信单元130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器110用于存储程序或者数据。所述存储器110可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序,并执行相应地功能。比如,存储器110中存储有多目标跟踪装置200,所述多目标跟踪装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块。所述处理器120通过运行存储在存储器110内的软件程序以及模块,如本申请实施例中的多目标跟踪装置200,从而执行各种功能应用以及数据处理,即实现本申请实施例中的多目标识别方法。
通信单元130用于通过网络建立所述电子设备100与其它通信终端之间的通信连接,并用于通过所述网络收发数据。
应当理解的是,图1所示的结构仅为电子设备100的结构示意图,所述电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2,图2为本申请实施例提供的多目标跟踪方法的流程示意图。所述方法可应用于上述电子设备100。下面对多目标跟踪方法的具体流程进行详细阐述。该方法可以包括步骤S110~步骤S150。
步骤S110,对当前图像进行目标检测,获得各检测目标的检测信息。
在本实施例中,当前图像是当前跟踪时需要使用的图像,具体由实际情况确定。可先根据预先设置好的检测目标,对所述当前图像进行目标检测,以获得所述当前图像所包括的各检测目标的检测信息。检测目标具体可以使用场景进行确定,比如,若要进行人员统计,则检测目标即为人员;若要找出异常人员,则检测目标即为异常人员。
可选地,可利用预先训练好的目标检测模型,对所述当前图像进行目标检测,从而得到检测框。其中,检测框中的内容为检测目标。可以理解的是,检测框的具体数量由当前图像的具体内容及目标检测模型确定。进而可根据各检测目标所在的检测框,得到各检测目标的检测信息。
所述检测信息可以包括检测目标的位置检测信息。一个检测目标的位置检测信息,用于表示该检测目标在当前图像中的位置。比如,可以将该检测目标所在的检测框的坐标,作为该检测目标的位置检测信息。
步骤S120,从各跟踪目标的跟踪信息中获得各跟踪目标的位置预测信息及跟丢次数,并根据所述跟丢次数确定各跟踪目标的第一匹配阈值。
跟踪目标表示在当前图像之前的图像中已经出现过的检测目标。保存的各跟踪目标的跟踪信息中可以包括各跟踪目标的位置预测信息及跟丢次数等。也即,一个跟踪目标的跟踪信息中包括:该跟踪目标的位置预测信息、跟丢次数等。一个跟踪目标的位置预测信息是根据该跟踪目标的历史匹配情况得到的,用于描述预测出的该跟踪目标在当前图像中的位置。一个跟踪目标的跟丢次数表示该跟踪目标没有跟当前图像中的各检测目标匹配上的累计次数,也即可以视为跟丢时长。
针对各跟踪目标,可从该跟踪目标的跟踪信息中获得该跟踪目标的位置预测信息及跟丢次数。然后,根据基于预先配置好的不同跟丢次数与阈值的对应关系,确定该跟踪目标的跟丢次数所对应的阈值,并将该阈值作为该跟踪目标的第一匹配阈值。重复上述处理,即可获得各跟踪目标的由其跟丢次数确定的第一匹配阈值。其中,不同跟丢次数与阈值的对应关系,可以是线性关系,比如y=-kx+b,其中,y表示与跟丢次数x对应的阈值,k表示斜率,b表示常数项;也可以是非线性关系,比如,y=-kx2+b,y表示与跟丢次数x对应的阈值,k、b表示预设值;或者是预先配置好的不同跟丢次数范围及不同跟丢次数范围对应的阈值:跟丢次数a1~a2对应阈值b1、跟丢次数a2~a3对应阈值b2等,具体可以根据实际需求设置。
步骤S130,根据所述位置检测信息及位置预测信息,计算各跟踪目标与各检测目标的运动匹配度。
在获得各跟踪目标的位置预测信息及各检测目标的位置检测信息的情况下,可根据一个跟踪目标的位置预测信息及一个检测目标的位置检测信息,计算得到该跟踪目标与该检测目标的运动匹配度。重复该操作,可计算得到各跟踪目标与各检测目标的运动匹配度。
可选地,作为一种可选的实施方式,可以用马氏距离表运动匹配度。可以理解的是,马氏距离越小,该马氏距离表示的运动匹配度越大,运动匹配度越大表示运动信息越相似。可通过以下方式计算得到马氏距离:
其中,dj表示第j个检测目标的位置检测信息,yi表示第i个跟踪目标的位置预测信息,d(1)(i,j)表示第j个检测目标的位置检测信息与i个跟踪目标的位置预测信息之间的马氏距离,Si表示检测位置与平均跟踪位置之间的协方差矩阵。
步骤S140,针对各跟踪目标,根据该跟踪目标对应的运动匹配度及第一匹配阈值,获得运动匹配结果。
在获得各检测目标与各跟踪目标的运动匹配度的情况下,可针对各跟踪目标,将该跟踪目标与各检测目标的运动匹配度,分别与该跟踪目标对应的第一匹配阈值进行比较,从而确定该跟踪目标与各检测目标的运动信息是否匹配,从而得到运动匹配结果。其中,运动匹配结果可以为运动信息不匹配,也可以为运动信息不匹配。
比如,有跟踪目标A、B,可根据跟踪目标A的跟丢次数确定跟踪目标的第一匹配阈值a,根据跟踪目标B的跟丢次数确定跟踪目标的第一匹配阈值b。然后,将跟踪目标A与各检测目标的运动匹配度分别与第一匹配阈值a进行比较,从而得到该跟踪目标A与各检测目标的运动匹配结果;同理,将跟踪目标B与各检测目标的运动匹配度分别与第一匹配阈值b进行比较,从而得到该跟踪目标B与各检测目标的运动匹配结果。
步骤S150,根据所述运动匹配结果,将检测目标与跟踪目标进行匹配,得到跟踪结果。
在获得各跟踪目标与各检测目标的运动匹配结果的情况下,可采用任意的匹配方式(比如,最小成本算法),基于得到的运动匹配结果,将检测目标与跟踪目标进行匹配,以将检测目标与跟踪目标关联,从而得到跟踪结果。其中,若一个跟踪目标与一个检测目标关联,表示该检测目标即为该跟踪目标。比如,有跟踪目标A、B;检测目标1、2;若跟踪目标A匹配了检测目标2,则表示跟踪目标A与检测目标2是关联的,跟踪目标A与检测目标2是同一个目标。
可选地,可以仅基于所述运动匹配结果,采用任意方式(比如,采用最小成本算法),将检测目标与跟踪目标进行匹配,得到所述跟踪结果。也可以将运动匹配结果与其他信息进行结合,然后将检测目标与跟踪目标进行匹配,得到所述跟踪结果。具体可以根据实际需求确定,在此不进行具体限定。
由此,通过使用动态的由跟踪目标的跟丢次数确定的第一匹配阈值确定运动匹配结果,进而基于运动匹配结果得到跟踪结果,可避免由于忽略位置预测的可靠性与跟丢次数的关系导致的误匹配,从而减少误匹配的情况,提高跟踪的可靠性。
可选地,在本实施例中,所述跟丢次数越多,所述跟丢次数对应的第一匹配阈值越大。在运动匹配度采用马氏距离表示、对应地第一匹配阈值采用马氏距离阈值表示的情况下,则跟丢次数越多,马氏距离阈值越小,其对应关系可以如图3所示,当然可以理解的是,图3仅为示意图,并不是对马氏距离阈值与跟丢次数关系的具体限定。
可针对各跟踪目标,将该跟踪目标与各检测目标的运动匹配度,分别与该跟踪目标对应的第一匹配阈值进行比较。将大于该第一匹配阈值的运动匹配度所对应的检测目标,作为与该跟踪目标的运动信息匹配的检测目标;将不大于该第一匹配阈值的运动匹配度所对应的检测目标,不作为与该跟踪目标的运动信息匹配的检测目标。也即:在该跟踪目标对应的运动匹配度大于该跟踪目标对应的第一匹配阈值的情况下,确定该跟踪目标与该运动匹配度对应的检测目标的运动信息匹配;在该跟踪目标对应的运动匹配度不大于该跟踪目标对应的第一匹配阈值的情况下,确定该跟踪目标与该运动匹配度对应的检测目标的运动信息不匹配。
如此,可根据跟丢次数确定出运动信息匹配的匹配对,其中,每个匹配对中包括一个检测目标及一个跟踪目标。跟踪目标的跟丢次数越多(也即消失时长越长),匹配的要求就越高。
请参照图4,图4为本申请实施例提供的基于不同马氏距离阈值滤波后的运动信息匹配矩阵示意图。马氏距离用于表示运动匹配度。假设基于当前图像,有3个检测目标1、2、3,还有3个跟踪目标A、B、C,3个跟踪目标与3个检测目标之间可能存在的匹配对的马氏距离矩阵如图4中的(1)所示:跟踪目标A与检测目标1、2、3的马氏距离分别为3.3、6.7、9.2;跟踪目标B与检测目标1、2、3的马氏距离分别为4.0、12.5、10.1;跟踪目标C与检测目标1、2、3的马氏距离分别为2.1、13.6、7.1。
假设跟丢次数小于5时,对应的马氏距离阈值为10,则在跟踪目标A、B、C的跟丢次数均小于5的情况下,经过动态马氏距离10过滤后,匹配的矩阵可如图4中的(2)所示,可将跟踪目标B与检测目标2、3的马氏距离、跟踪目标C与检测目标2的马氏距离均修改为10000,以表示跟踪目标B与检测目标2、3、跟踪目标C与检测目标2不是运动信息匹配的匹配对。
再假设跟丢次数小于5时,对应的马氏距离阈值为10;跟丢次数在5~10内时,对应的马氏距离阈值为9,则在跟踪目标A、B、C的跟丢次数均在5~10以内的情况下,经过动态马氏距离9过滤后,匹配的矩阵可如图4中的(3)所示,可将跟踪目标C与检测目标3、跟踪目标B与检测目标2和3的马氏距离、跟踪目标C与检测目标2的马氏距离均修改为10000,以表示跟踪目标A与检测目标3、跟踪目标B与检测目标2和3、跟踪目标C与检测目标2不是运动信息匹配的匹配对。
通过图4可知,使用动态马氏距离阈值可以动态地根据跟踪目标的跟丢次数,来过滤跟踪目标与检测目标之间匹配的可能性,使得消失时间较长的跟踪目标与检测目标匹配上的条件更加苛刻,从而避免由于忽略位置预测的可靠性随着跟丢次数越大而降低的情况,导致匹配错误。
可选地,所述检测信息还可以包括检测目标的第一外观特征,所述跟踪信息包括跟踪目标的第二外观特征。其中,第一外观特征可以是基于当前图像中的检测目标所在的局部图像,通过特征提取得到的外观特征。在检测目标为人是,所述第一外观特征可以是,但不限于,行人重识别(Person Re-identification,简称为ReID)特征。第二外观特征中包括至少一个与跟踪目标匹配上的检测目标的外观特征。
作为一种可选的实施方式,请参照图5,图5为图2中步骤S150包括的子步骤的流程示意图。步骤S150可以包括子步骤S151~子步骤S153。
子步骤S151,根据所述第一外观特征及第二外观特征,计算各跟踪目标与各检测目标的最大外观匹配度。
针对一个跟踪目标及一个检测目标,可计算该检测目标的第一外观特征与该跟踪目标的各第二外观特征的相似度,并将其中的最大相似度作为该跟踪目标与该检测目标的最大外观匹配度。重复上述处理,即可获得各跟踪目标与各检测目标的最大外观匹配度。
可选地,作为一种可选的实时方式,可以采用余弦距离表示上述外观匹配度,可以理解的是,余弦距离约小,外观匹配大越大。可通过以下方式获得用于表示最大外观匹配度的最小余弦距离:
其中,d(2)(i,j)表示第j个检测目标的第一外观特征与第i个跟踪目标的第二外观特征的最小余弦距离,rj表示第j个检测目标的第一外观特征,表示第i个跟踪目标的所有第二外观特征Ri中第k个第二外观特征。
子步骤S152,针对各跟踪目标,根据该跟踪目标对应的最大外观匹配度及第二匹配阈值,获得外观匹配结果。
在获得最大外观匹配度的情况下,可将各最大外观匹配度与第二匹配阈值进行比较,并将大于第二匹配阈值的最大外观匹配度对应的检测目标及跟踪目标,作为外观信息匹配的匹配对。也即,若一个检测目标与一个跟踪目标之间的最大外观匹配度大于第二匹配阈值,则可以确定该检测目标与该跟踪目标的外观信息匹配。反之,若一个检测目标与一个跟踪目标之间的最大外观匹配度不大于第二匹配阈值,则可以确定该检测目标与该跟踪目标的外观信息不匹配。由此,可获得外观匹配结果。一个检测目标与一个跟踪目标的外观匹配结果可以是外观信息匹配,也可以是外观信息不匹配,由具体的跟踪目标及检测目标确定。
子步骤S153,根据所述运动匹配结果及外观匹配结果,将检测目标与跟踪目标进行匹配,得到所述跟踪结果。
可选地,作为一种可选的实施方式,可针对运动信息及外观信息均匹配上的检测目标及跟踪目标,根据该检测目标与该跟踪目标之间的运动匹配度及最大外观匹配度,计算得到该检测目标与该跟踪目标的综合匹配度。可选地,可根据预设的运动匹配度权重、外观匹配度权重、一组运动信息及外观信息均匹配上的检测目标及跟踪目标所对应的运动匹配度及最大外观匹配度,通过加权求和,计算得到该组运动信息及外观信息均匹配上的检测目标及跟踪目标的综合匹配度。重复该加权求和过程,可获得各组运动信息及外观信息均匹配上的检测目标和跟踪目标之间的综合匹配度。
然后,可利用级联匹配机制及最小成本算法,基于所述综合匹配度进行匹配,确定匹配的跟踪目标及检测目标。其中,级联匹配机制表示:在匹配时,先匹配消失时间短(即跟丢次数少)的跟踪目标,再匹配消失时间长的跟踪目标。为便于使用最小成本算法,上述运动匹配度及最大外观匹配度均可以采用距离表示,以便后续可直接使用最小成本算法,无法再对数据进行处理。
可选地,在得到所述跟踪结果之后,针对匹配有检测目标的各跟踪目标,可根据该跟踪目标匹配的检测目标对该跟踪目标的跟踪信息进行更新。其中,一个匹配有检测目标的跟踪目标,表示该跟踪目标与某个检测目标匹配上了。其中,所述更新包括将所述跟丢次数清零及更新所述位置预测信息。
在更新所述位置预测信息时,可以先预测该跟踪目标在下一图像中的位置,然后将预测出的位置信息替换掉当前的位置预测信息。其中,可以通过卡尔曼滤波预测跟踪目标在下一图像中的位置,也可以基于更加高级的运动学模型预测跟踪目标在下一图像中跟踪目标的位置,还可以直接预测跟踪目标在下一图像中的位置和当前图像中一致。然后可以理解的是,上述预测方式仅为举例说明,在此不对预测方式进行具体限定。
在所述跟踪信息包括第二外观特征的情况下,还可以根据与该跟踪目标匹配的检测目标的第一外观特征对已保存的第二外观特征进行更新。可选地,具体更新方式可以是将该检测目标的第一外观特征加入到跟踪信息中,作为跟踪信息中的一条第二外观特征。
可选地,针对未匹配有跟踪目标的各检测目标,可以将该检测目标作为新的跟踪目标,并配置该新的跟踪目标的跟踪信息。也即,在针对下一图像进行跟踪时,会根据该新的跟踪目标进行匹配。可选地,可以将该新的跟踪目标的跟踪信息中的跟丢次数配置为0。
可选地,针对未匹配有检测目标的各跟踪目标,在该跟踪目标的跟丢次数大于次数阈值的情况下,可以停止对该跟踪目标进行跟踪。可以将该跟踪目标的跟踪信息删除,在此处理之后,在针对下一图像进行跟踪时,所针对的跟踪目标不包括该跟踪目标。所述次数阈值可以根据实际需求预先设置。
在该跟踪目标的跟丢次数不大于次数阈值的情况下,可以对该跟踪目标的跟踪信息进行更新。其中,所述更新包括增大所述跟丢次数,比如,对当前的跟踪信息中的跟丢次数进行加1的处理。所述更新还可以包括更新所述位置预测信息。
本申请实施例相当于是对常规的多目标跟踪算法进行了改进,使用的第一匹配阈值是动态的,是根据跟丢次数确定,而不是提前设置好的且应用于所有跟踪目标。随着跟丢次数的变大,第一匹配阈值也变大,使得运动信息的匹配更加苛刻,由此使得在基于运动信息匹配上的检测目标及跟踪目标得到跟踪结果时,可减少预测不准确的影响,进而减少匹配错误的情况。
下面以通过卡尔曼滤波进行位置预测、并且采用马氏距离表示运动匹配度为例,对本方案进行举例说明。
在仅根据运动信息匹配情况确定最终的匹配结果时,由于跟踪目标的跟丢次数(即跟丢时长)越多,预测出的位置的不确定性就越大,也就是卡尔曼滤波的方差越大,进而导致马氏距离越小。在基于马氏距离进行最终的匹配时,在采用最小匹配算法之类的算法的情况下,由于跟丢次数多的跟踪目标的马氏距离小,因此会优先匹配跟丢次数多的跟踪目标。也即,在将一个检测目标与多个跟踪目标进行匹配时,会优先将该检测目标与跟丢次数多的跟踪目标进行匹配。
为了避免上述情况,Deep Sort算法引入了级联匹配机制,使得在将检测目标与跟踪目标进行匹配时,是分级进行匹配的,先匹配跟丢次数为0的跟踪目标,再匹配跟丢次数为1的跟踪目标,直到所有未完全消失的跟踪目标匹配完成。
该方式虽然可以一定程度上解决前述问题,但是级联匹配本质上并没有把位置预测信息的可靠性在跟踪目标的跟丢次数变多时变低这一因素考虑进去。这种方式只是为了解决“由于跟踪目标的跟丢次数越多,卡尔曼滤波的不确定性越大,也就是卡尔曼滤波的方差越大,进而导致马氏距离越小”这个问题导致的误匹配而引入了级联匹配。也就是说,使用了级联匹配,只是将跟丢次数更多的跟踪目标的匹配优先级放到后面,无论跟丢次数达到多大,Deep Sort算法始终认为各个跟踪目标的位置预测信息都是一样可靠的,没有发生改变,即使某个跟踪目标跟丢次数为20,这期间卡尔曼滤波预测的结果已经严重不可靠,但是该跟踪目标与某个及检测目标的马氏距离依然低于阈值,就还是会考虑将它进行匹配。
比如,跟踪目标A的跟丢次数为20,跟踪目标B的跟丢次数为15,两个跟踪目标的消失时间都比较久,两者的位置的预测的可靠性都降低了。有可能在跟踪目标A对应的检测目标1刚开始重新出现后,由于跟踪目标A的预测不是很准确,与检测目标1的马氏距离刚好大于阈值,从而导致跟踪目标A与检测目标1的匹配可能性被排除;而跟踪目标B的预测也不是很准确,但是与检测目标1对应的马氏距离正好满足阈值限制,使得保留了跟踪目标B与检测目标1的匹配可能性;那么就很可能会将跟踪目标B与检测目标1匹配,之后则会根据检测目标1对跟踪目标B的跟踪信息进行更新,进而导致在接下来几帧图像中,会极大概率继续与跟踪器2匹配,也即持续匹配错误。
而本申请通过引入动态的第一匹配阈值,就可以把预测的可靠性也考虑进去,从而避免由于忽略预测的可靠性导致匹配错误。
可以理解的是,只要利用跟踪目标的位置预测信息和检测目标的位置检测信息之间的匹配得到跟踪结果的方式,都可以通过本方案提高跟踪结果的准确性,减少误匹配问题。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种多目标跟踪装置200的实现方式,可选地,该多目标跟踪装置200可以采用上述图1所示的电子设备100的器件结构。进一步地,请参照图6,图6为本申请实施例提供的多目标跟踪装置200的方框示意图之一。需要说明的是,本实施例所提供的多目标跟踪装置200,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。所述多目标跟踪装置200可以包括:检测模块210、确定模块220、计算模块230及匹配模块240。
所述检测模块210,用于对当前图像进行目标检测,获得各检测目标的检测信息。其中,所述检测信息包括检测目标的位置检测信息。
所述确定模块220,用于从各跟踪目标的跟踪信息中获得各跟踪目标的位置预测信息及跟丢次数,并根据所述跟丢次数确定各跟踪目标的第一匹配阈值。
所述计算模块230,用于根据所述位置检测信息及位置预测信息,计算各跟踪目标与各检测目标的运动匹配度。
所述匹配模块240,用于针对各跟踪目标,根据该跟踪目标对应的运动匹配度及第一匹配阈值,获得运动匹配结果。
所述匹配模块240,还用于根据所述运动匹配结果,将检测目标与跟踪目标进行匹配,得到跟踪结果。
请参照图7,图7为本申请实施例提供的多目标跟踪装置200的方框示意图之二。可选地,所述多目标跟踪装置200还可以包括更新模块250。
所述更新模块250,用于针对匹配有检测目标的跟踪目标,根据该跟踪目标匹配的检测目标对该跟踪目标的跟踪信息进行更新。其中,所述更新包括将所述跟丢次数清零及更新所述位置预测信息。
可选地,在本实施例中,所述更新模块250还可以用于针对未匹配有跟踪目标的各检测目标,将该检测目标作为新的跟踪目标,并配置该新的跟踪目标的跟踪信息。
可选地,在本实施例中,所述更新模块250还可以用于:针对未匹配有检测目标的各跟踪目标,在该跟踪目标的跟丢次数大于次数阈值的情况下,停止对该跟踪目标进行跟踪;在该跟踪目标的跟丢次数不大于次数阈值的情况下,对该跟踪目标的跟踪信息进行更新,其中,所述更新包括增大所述跟丢次数及更新所述位置预测信息。
可选地,上述模块可以软件或固件(Firmware)的形式存储于图1所示的存储器110中或固化于电子设备100的操作系统(Operating System,OS)中,并可由图1中的处理器120执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器110中。
本申请实施例还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的多目标跟踪方法。
综上所述,本申请实施例提供一种多目标跟踪方法、装置、电子设备及可读存储介质,通过对当前图像进行目标检测,可获得各检测目标的检测信息,该检测信息包括检测目标的位置检测信息;进而根据位置检测信息及各跟踪目标的跟踪信息中的位置预测信息,计算得到各跟踪目标与各检测目标的运动匹配度;然后,针对各跟踪目标,根据该跟踪目标与各检测目标的运动匹配度、基于该跟踪目标的跟踪信息中的跟丢次数确定的第一匹配阈值,确定运动匹配结果;最后,根据得到的各跟踪目标对应的运动匹配结果,将检测目标与跟踪目标进行匹配,得到跟踪结果。如此,根据跟踪目标的跟丢次数确定该跟踪目标对应的第一匹配阈值,也即,各跟踪目标对应的第一匹配阈值是动态的,进而根据该第一匹配阈值确定该跟踪目标与各检测目标的运动匹配结果,最终得到跟踪结果。由此可避免由于忽略位置预测的可靠性与跟丢次数的关系导致的误匹配,从而减少误匹配的情况,提高跟踪的可靠性。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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。基于这样的理解,本申请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)执行本申请各个实施例所述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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种多目标跟踪方法,其特征在于,包括:
对当前图像进行目标检测,获得各检测目标的检测信息,其中,所述检测信息包括检测目标的位置检测信息;
从各跟踪目标的跟踪信息中获得各跟踪目标的位置预测信息及跟丢次数,并根据所述跟丢次数确定各跟踪目标的第一匹配阈值;
根据所述位置检测信息及位置预测信息,计算各跟踪目标与各检测目标的运动匹配度;
针对各跟踪目标,根据该跟踪目标对应的运动匹配度及第一匹配阈值,获得运动匹配结果;
根据所述运动匹配结果,将检测目标与跟踪目标进行匹配,得到跟踪结果;
其中,所述跟丢次数越多,所述跟丢次数对应的第一匹配阈值越大,所述根据该跟踪目标对应的运动匹配度及第一匹配阈值,获得运动匹配结果,包括:
在该跟踪目标对应的运动匹配度大于该跟踪目标对应的第一匹配阈值的情况下,确定该跟踪目标与该运动匹配度对应的检测目标的运动信息匹配;
在该跟踪目标对应的运动匹配度不大于该跟踪目标对应的第一匹配阈值的情况下,确定该跟踪目标与该运动匹配度对应的检测目标的运动信息不匹配。
2.根据权利要求1所述的方法,其特征在于,所述检测信息还包括检测目标的第一外观特征,所述跟踪信息包括跟踪目标的第二外观特征,所述根据所述运动匹配结果,将检测目标与跟踪目标进行匹配,得到跟踪结果,包括:
根据所述第一外观特征及第二外观特征,计算各跟踪目标与各检测目标的最大外观匹配度;
针对各跟踪目标,根据该跟踪目标对应的最大外观匹配度及第二匹配阈值,获得外观匹配结果;
根据所述运动匹配结果及外观匹配结果,将检测目标与跟踪目标进行匹配,得到所述跟踪结果。
3.根据权利要求2所述的方法,其特征在于,所述外观匹配结果包括外观信息不匹配或外观信息匹配,所述根据所述运动匹配结果及外观匹配结果,将检测目标与跟踪目标进行匹配,得到所述跟踪结果,包括:
针对运动信息及外观信息均匹配上的检测目标及跟踪目标,根据该检测目标与该跟踪目标之间的运动匹配度及最大外观匹配度,计算得到该检测目标与该跟踪目标的综合匹配度;
利用级联匹配机制及最小成本算法,基于所述综合匹配度进行匹配,确定匹配的跟踪目标及检测目标。
4.根据权利要求1-3中任意一项所述的方法,其特征在于,所述方法还包括:
针对匹配有检测目标的各跟踪目标,根据该跟踪目标匹配的检测目标对该跟踪目标的跟踪信息进行更新,其中,所述更新包括将所述跟丢次数清零及更新所述位置预测信息。
5.根据权利要求1-3中任意一项所述的方法,其特征在于,所述方法包括:
针对未匹配有跟踪目标的各检测目标,将该检测目标作为新的跟踪目标,并配置该新的跟踪目标的跟踪信息。
6.根据权利要求1-3中任意一项所述的方法,其特征在于,所述方法还包括:
针对未匹配有检测目标的各跟踪目标,在该跟踪目标的跟丢次数大于次数阈值的情况下,停止对该跟踪目标进行跟踪;
在该跟踪目标的跟丢次数不大于次数阈值的情况下,对该跟踪目标的跟踪信息进行更新,其中,所述更新包括增大所述跟丢次数及更新所述位置预测信息。
7.一种多目标跟踪装置,其特征在于,包括:
检测模块,用于对当前图像进行目标检测,获得各检测目标的检测信息,其中,所述检测信息包括检测目标的位置检测信息;
确定模块,用于从各跟踪目标的跟踪信息中获得各跟踪目标的位置预测信息及跟丢次数,并根据所述跟丢次数确定各跟踪目标的第一匹配阈值;
计算模块,用于根据所述位置检测信息及位置预测信息,计算各跟踪目标与各检测目标的运动匹配度;
匹配模块,用于针对各跟踪目标,根据该跟踪目标对应的运动匹配度及第一匹配阈值,获得运动匹配结果;
所述匹配模块,还用于根据所述运动匹配结果,将检测目标与跟踪目标进行匹配,得到跟踪结果;
其中,所述跟丢次数越多,所述跟丢次数对应的第一匹配阈值越大,所述匹配模块 具体用于:
在该跟踪目标对应的运动匹配度大于该跟踪目标对应的第一匹配阈值的情况下,确定该跟踪目标与该运动匹配度对应的检测目标的运动信息匹配;
在该跟踪目标对应的运动匹配度不大于该跟踪目标对应的第一匹配阈值的情况下,确定该跟踪目标与该运动匹配度对应的检测目标的运动信息不匹配。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现权利要求1-6中任意一项所述的多目标跟踪方法。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的多目标跟踪方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110343336.8A CN112907636B (zh) | 2021-03-30 | 2021-03-30 | 多目标跟踪方法、装置、电子设备及可读存储介质 |
PCT/CN2021/131679 WO2022205936A1 (zh) | 2021-03-30 | 2021-11-19 | 多目标跟踪方法、装置、电子设备及可读存储介质 |
US17/866,574 US20220375106A1 (en) | 2021-03-30 | 2022-07-18 | Multi-target tracking method, device and computer-readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110343336.8A CN112907636B (zh) | 2021-03-30 | 2021-03-30 | 多目标跟踪方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907636A CN112907636A (zh) | 2021-06-04 |
CN112907636B true CN112907636B (zh) | 2023-01-31 |
Family
ID=76109542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110343336.8A Active CN112907636B (zh) | 2021-03-30 | 2021-03-30 | 多目标跟踪方法、装置、电子设备及可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220375106A1 (zh) |
CN (1) | CN112907636B (zh) |
WO (1) | WO2022205936A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907636B (zh) * | 2021-03-30 | 2023-01-31 | 深圳市优必选科技股份有限公司 | 多目标跟踪方法、装置、电子设备及可读存储介质 |
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 |
CN115994928B (zh) * | 2023-03-24 | 2023-06-09 | 知行汽车科技(苏州)股份有限公司 | 一种目标跟踪方法、装置、设备及介质 |
CN116744102B (zh) * | 2023-06-19 | 2024-03-12 | 北京拙河科技有限公司 | 一种基于反馈调节的球机跟踪方法及装置 |
CN117152197B (zh) * | 2023-10-30 | 2024-01-23 | 成都睿芯行科技有限公司 | 一种跟踪对象的确定方法、系统及跟踪方法、系统 |
CN117808848A (zh) * | 2024-03-01 | 2024-04-02 | 杭州穿石物联科技有限责任公司 | 一种识别跟踪方法、装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037247A (zh) * | 2020-08-27 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种目标跟踪的方法、装置及计算机存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783015B (zh) * | 2009-01-19 | 2013-04-24 | 北京中星微电子有限公司 | 一种视频跟踪设备及方法 |
JP5476955B2 (ja) * | 2009-12-04 | 2014-04-23 | ソニー株式会社 | 画像処理装置および画像処理方法、並びにプログラム |
CN106461400B (zh) * | 2014-06-27 | 2019-08-16 | 克朗设备公司 | 使用关联特征对的车辆位置确定或导航 |
JP6768537B2 (ja) * | 2017-01-19 | 2020-10-14 | キヤノン株式会社 | 画像処理装置、画像処理方法、プログラム |
CN107316317A (zh) * | 2017-05-23 | 2017-11-03 | 深圳市深网视界科技有限公司 | 一种行人多目标跟踪方法和装置 |
US20190370551A1 (en) * | 2018-06-01 | 2019-12-05 | Qualcomm Incorporated | Object detection and tracking delay reduction in video analytics |
CN111640140B (zh) * | 2020-05-22 | 2022-11-25 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
CN112907636B (zh) * | 2021-03-30 | 2023-01-31 | 深圳市优必选科技股份有限公司 | 多目标跟踪方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-03-30 CN CN202110343336.8A patent/CN112907636B/zh active Active
- 2021-11-19 WO PCT/CN2021/131679 patent/WO2022205936A1/zh active Application Filing
-
2022
- 2022-07-18 US US17/866,574 patent/US20220375106A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037247A (zh) * | 2020-08-27 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种目标跟踪的方法、装置及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112907636A (zh) | 2021-06-04 |
US20220375106A1 (en) | 2022-11-24 |
WO2022205936A1 (zh) | 2022-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907636B (zh) | 多目标跟踪方法、装置、电子设备及可读存储介质 | |
US10782688B2 (en) | Method, control apparatus, and system for tracking and shooting target | |
CN111127513B (zh) | 一种多目标跟踪方法 | |
CN108229456B (zh) | 目标跟踪方法和装置、电子设备、计算机存储介质 | |
CN110084836B (zh) | 基于深度卷积特征分层响应融合的目标跟踪方法 | |
CN112669349B (zh) | 一种客流统计方法、电子设备及存储介质 | |
CN108470355B (zh) | 融合卷积网络特征和判别式相关滤波器的目标跟踪方法 | |
Jeong et al. | Kalman filter based multiple objects detection-tracking algorithm robust to occlusion | |
CN111626194A (zh) | 一种使用深度关联度量的行人多目标跟踪方法 | |
CN112836676A (zh) | 一种异常行为检测方法、装置、电子设备及存储介质 | |
CN110349188B (zh) | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 | |
CN115546705B (zh) | 目标识别方法、终端设备及存储介质 | |
CN113313053A (zh) | 图像处理方法、装置、设备、介质及程序产品 | |
EP4170561A1 (en) | Method and device for improving performance of data processing model, storage medium and electronic device | |
CN116645396A (zh) | 轨迹确定方法、装置、计算机可读存储介质及电子设备 | |
IL181820A (en) | Method for detecting and tracking punctual targets in an optoelectronic surveillance system | |
CN114169425A (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
Yildirim et al. | Direction‐based modified particle filter for vehicle tracking | |
Ma et al. | Multiple object detection and tracking in complex background | |
CN112927258A (zh) | 一种目标跟踪方法及装置 | |
CN112614154B (zh) | 目标跟踪轨迹的获取方法、装置及计算机设备 | |
CN113569965A (zh) | 一种基于物联网的用户行为分析方法及系统 | |
CN112287846A (zh) | 目标人物跟随方法、装置、可移动机器人及可读存储介质 | |
Askar et al. | Occlusion detection and processing using optical flow and particle filter | |
Narkhede et al. | Color particle filter based object tracking using frame segmentation in CIELab and HSV color spaces |
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 |