CN113191180B - 目标跟踪方法、装置、电子设备及存储介质 - Google Patents

目标跟踪方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113191180B
CN113191180B CN202011639844.2A CN202011639844A CN113191180B CN 113191180 B CN113191180 B CN 113191180B CN 202011639844 A CN202011639844 A CN 202011639844A CN 113191180 B CN113191180 B CN 113191180B
Authority
CN
China
Prior art keywords
target
detection
frame
missed
image
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
CN202011639844.2A
Other languages
English (en)
Other versions
CN113191180A (zh
Inventor
王智卓
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies Co Ltd
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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN202011639844.2A priority Critical patent/CN113191180B/zh
Publication of CN113191180A publication Critical patent/CN113191180A/zh
Priority to PCT/CN2021/114903 priority patent/WO2022142417A1/zh
Application granted granted Critical
Publication of CN113191180B publication Critical patent/CN113191180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种目标跟踪方法，方法包括：提取待处理图像序列中每一帧图像的目标计数信息、目标检测框信息与目标预测框信息；计算待处理图像序列中每个目标的第一跟踪轨迹；判断是否存在第一漏检情况；若存在第一漏检情况，则根据第n帧图像对应的目标预测框信息与第n+1帧图像对应的第一漏检目标点，判断是否存在第二漏检情况；若不存在第二漏检情况，则根据第一漏检目标点，确定第一漏检框信息；若存在第二漏检情况，则根据第二漏检目标点，确定第二漏检框信息；基于第一跟踪轨迹、第一漏检框信息和/或第二漏检框信息，得到目标跟踪轨迹。可以提高多目标跟踪的准确率。

Description

目标跟踪方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种目标跟踪方法、装置、电子设备 及存储介质。
背景技术
多目标跟踪算法是智能摄像头中不可或缺的一种算法，一种鲁棒、高精 度的多目标跟踪算法可以极大的提升整个智能视频监控系统的性能。多目标 跟踪算法包括目标检测算法与目标ID匹配跟踪算法，虽然当前已经有多目标 跟踪网络，但是对于目标检测算法而言，在某些情况下会出现目标漏检的情况。比如，在真实场景中，目标发生遮挡或者受到干扰的情况下，尤其是在 比较拥挤的场景中，漏检率较高，导致目标跟踪的准确率较低。因此，现有 的目标跟踪算法存在目标检测准确率低的问题。
发明内容
本发明实施例提供一种目标跟踪方法，能够降低目标检测的漏检率，进而 提高多目标跟踪的目标检测准确率。
第一方面，本发明实施例提供一种目标跟踪方法，所述方法包括：
提取待处理图像序列中每一帧图像的目标计数信息、目标检测框信息与目 标预测框信息；
根据每一帧图像的目标检测框信息与目标预测框信息，计算待处理图像序 列中每个目标的第一跟踪轨迹；
根据第n+1帧图像对应的目标检测框信息与第n+1帧图像对应的目标计 数信息，判断所述是否存在第一漏检情况，所述第一漏检情况包括第一漏检目 标点；
若存在所述第一漏检情况，则根据第n帧图像对应的目标预测框信息与第n+1帧图像对应的第一漏检目标点，判断是否存在第二漏检情况，所述第二漏 检情况包括第二漏检目标点；
若不存在第二漏检情况，则根据所述第一漏检目标点，确定第一漏检框信 息；
若存在第二漏检情况，则根据所述第二漏检目标点，确定第二漏检框信息；
基于所述第一跟踪轨迹、所述第一漏检框信息和/或所述第二漏检框信息， 得到目标跟踪轨迹。
可选的，所述提取待处理图像序列中每一帧图像的目标计数信息、目标检 测框信息与目标预测框信息，包括：
根据预设的目标计数估计网络计算每帧图像的目标计数信息；
根据预设的检测与重识别网络计算每帧图像的目标检测框信息，所述目标 检测框信息包括目标检测框与目标检测特征；
根据预设的预测网络计算每帧图像的目标预测框信息，所述目标预测框信 息包括目标预测框与目标预测特征。
可选的，所述检测与重识别网络包括公共网络、检测分支网络以及重识别 分支网络，所述检测分支网络的输入连接于所述公共网络的输出，以及所述重 识别分支网络的输入连接于所述公共网络的输出，所述根据预设的检测与重识 别网络计算每帧图像的目标检测框信息，包括：
通过所述公共网络提取每帧图像对于检测分支网络以及重识别分支网络 的公共特征；
通过所述检测分支网络提取所述公共特征中隐含的目标检测框；
通过所述重识别分支网络提取所述公共特征中隐含的目标检测特征。
可选的，所述根据每一帧图像的目标检测框信息与目标预测框信息，计算 待处理图像序列中每个目标的第一跟踪轨迹，包括：
根据所述目标检测框信息与目标预测框信息，为每个目标的目标检测框配 置一个唯一ID；
根据每个目标的唯一ID，得到每个目标的第一跟踪轨迹。
可选的，所述根据所述目标检测框信息与目标预测框信息，为每个目标的 目标检测框配置一个唯一ID，包括：
计算第n+1帧图像各个目标的目标检测框与第n帧图像中各个目标的目标 预测框的交并比；
计算第n+1帧图像各个目标的目标检测特征与第n帧图像中各个目标的目 标预测特征的特征相似度；
基于所述交并比与所述特征相似度，为每个目标的目标检测框配置一个唯 一ID。
可选的，所述目标计数信息包括目标估计数量，所述根据第n+1帧图像对 应的目标检测框信息与第n+1帧图像对应的目标计数信息，判断所述是否存在 第一漏检情况，包括：
根据所述第n+1帧图像对应的目标检测框信息，统计第n+1帧图像中目 标检测框的数量；
判断所述目标检测框的数量是否小于所述目标估计数量；
若所述目标检测框的数量小于所述目标估计数量，则确定存在第一漏检情 况。
可选的，所述根据第n帧图像对应的目标预测框信息与第n+1帧图像对应 的第一漏检目标点，判断是否存在第二漏检情况，包括：
判断所述第一漏检目标点是否位于所述第一目标预测框内；
若第一漏检目标点位于所述第一目标预测框内，则确定存在第二漏检情况。
可选的，所述第一漏检框信息包括第一漏检目标检测框，所述根据所述第 一漏检目标点，确定第一漏检框信息，包括：
将所述第一目标预测框作为所述第一漏检目标点在第n+1帧图像中的第 一漏检目标检测框。
可选的，所述第二漏检框信息包括第二漏检目标检测框，根据所述第二漏 检目标点，确定第二漏检框信息，包括：
根据第n帧图像中的目标预测框的高宽信息，以所述第二漏检目标点为中 心，在第n+1帧图像中为所述第二漏检目标点配置一个第二漏检目标检测框。
可选的，所述基于所述第一跟踪轨迹、所述第一漏检框信息和/或所述第 二漏检框信息，得到目标跟踪轨迹，包括：
根据所述第n+1帧图像中对应的第一漏检框信息与第n帧图像中对应的目 标检测框信息，为所述第n+1帧图像中对应的第一漏检框信息配置一个第一唯 一ID，所述第一唯一ID为所述第一跟踪轨迹对应的一个唯一ID；
根据所述第一漏检框信息的唯一ID，将所述第一漏检框信息加入到具有 相同唯一ID的第一跟踪轨迹；和/或
为所述第n+1帧图像中对应的第二漏检框信息配置一个第二唯一ID，所 述第二唯一ID与所有第一跟踪轨迹对应的唯一ID均不同。
第二方面，本发明实施例还提供一种目标跟踪装置，所述装置包括：
提取模块，用于提取待处理图像序列中每一帧图像的目标计数信息、目标 检测框信息与目标预测框信息；
计算模块，用于根据每一帧图像的目标检测框信息与目标预测框信息，计 算待处理图像序列中每个目标的第一跟踪轨迹；
第一判断模块，用于根据第n+1帧图像对应的目标检测框信息与第n+1 帧图像对应的目标计数信息，判断所述是否存在第一漏检情况，所述第一漏检 情况包括第一漏检目标点；
第二判断模块，用于若存在所述第一漏检情况，则根据第n帧图像对应的 目标预测框信息与第n+1帧图像对应的第一漏检目标点，判断是否存在第二漏 检情况，所述第二漏检情况包括第二漏检目标点；
第一确定模块，用于若不存在第二漏检情况，则根据所述第一漏检目标点， 确定第一漏检框信息；
第二确定模块，用于若存在第二漏检情况，则根据所述第二漏检目标点， 确定第二漏检框信息；
处理模块，用于基于所述第一跟踪轨迹、所述第一漏检框信息和/或所述 第二漏检框信息，得到目标跟踪轨迹。
第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存 储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所 述计算机程序时实现本发明实施例提供的目标跟踪方法中的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读 存储介质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发明实施 例提供的目标跟踪方法中的步骤。
本发明实施例中，提取待处理图像序列中每一帧图像的目标计数信息、目 标检测框信息与目标预测框信息；根据每一帧图像的目标检测框信息与目标预 测框信息，计算待处理图像序列中每个目标的第一跟踪轨迹；根据第n+1帧图 像对应的目标检测框信息与第n+1帧图像对应的目标计数信息，判断所述是否 存在第一漏检情况，所述第一漏检情况包括第一漏检目标点；若存在所述第一 漏检情况，则根据第n帧图像对应的目标预测框信息与第n+1帧图像对应的第 一漏检目标点，判断是否存在第二漏检情况，所述第二漏检情况包括第二漏检目标点；若不存在第二漏检情况，则根据所述第一漏检目标点，确定第一漏检框信息；若存在第二漏检情况，则根据所述第二漏检目标点，确定第二漏检框 信息；基于所述第一跟踪轨迹、所述第一漏检框信息和/或所述第二漏检框信 息，得到目标跟踪轨迹。通过目标检测框信息与目标计数信息，可以判断是否 存在第一漏检情况，通过目标预测框信息与第一漏检目标点，可以判断是否存 在第二漏检情况，进而可以判断漏检的目标为已有目标或是新出现目标，可以 有效降低漏检率，提高多目标跟踪的目标检测准确率，进而使得多目标跟踪的 准确率得到提高。
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，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种目标跟踪方法的流程图；
图1a是本发明实施例提供的一种检测与重识别网络的结构图；
图1b是本发明实施例提供的一种特征映射的热图示意图；
图1c是本发明实施例提供的一种中心点偏置分量的示意图；
图1d是本发明实施例提供的一种检测框大小分量的示意图；
图1e是本发明实施例提供的一种人群计数估计网络的输出示意图；
图2是本发明实施例提供的一种目标跟踪装置的结构示意图；
图3是本发明实施例提供的一种提取模块的结构示意图；
图4是本发明实施例提供的一种第二计算子模块的结构示意图；
图5是本发明实施例提供的一种计算模块的结构示意图；
图6是本发明实施例提供的一种第一配置子模块的结构示意图；
图7是本发明实施例提供的一种第一判断模块的结构示意图；
图8是本发明实施例提供的一种第二判断模块的结构示意图；
图9是本发明实施例提供的一种处理模块的结构示意图；
图10是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅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作出创造 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。
请参见图1，图1是本发明实施例提供的一种目标跟踪方法的流程图，如 图1所示，包括以下步骤：
101、提取待处理图像序列中每一帧图像的目标计数信息、目标检测框信 息与目标预测框信息。
在本发明实施例中，上述待处理图像序列可以是摄像头实时抓拍的视频图 像，比如通过安装在特定监控场景的摄像头实时抓拍该特定监控场景的视频图 像，进一步的，摄像头可以设置在该特定监控场景的一定高度之处，对该特定 监控场景中的目标进行实时抓拍。也可以是用户上传的视频图像，上述图像序 列指的是按时序获取的帧图像。
上述待处理图像序列中包括待跟踪目标，上述待跟踪目标可以是运动目标， 上述的运动目标可以是行人、车辆、动物等可以产生运动轨迹的目标。上述待 跟踪目标可以是一个或多个。
上述的目标检测框信息可以通过目标检测网络来对待跟踪目标进行目标 检测，上述目标检测网络为已经训练好的，上述目标检测网络可以为用户通过 样本目标数据集进行训练得到，也可以是下载获取目标检测网络的网络结构与 参数，通过样本目标数据集进行微调训练后得到。
在本发明实施例中，上述目标检测网络的输入为待处理图像序列中的帧图 像，输出为对应帧图像中待跟踪目标的检测框信息，上述目标检测网络输出的 检测框信息可以包括待跟踪目标在对应帧图像的位置信息和置信度信息。上述 位置信息可以是det(x，y，w，h)格式的信息，其中，上述的x和y表示检 测框在对应帧图像中的中心点坐标，上述w和h分别表示检测框在对应帧图 像中的宽和高。上述的置信度信息用于表示检测框内的图像内容为待跟踪目标的可信程度，置信度越高，则检测框内的图像内容为待跟踪目标的可信程度越 高。上述目标检测网络可以是基于CenterNet目标检测算法进行构建的网络。
进一步的，上述的目标检测网络为检测与重识别网络，上述目标检测框信 息包括目标检测框与目标检测特征。具体的，请参见图1a，图1a是本发明实 施例提供的一种检测与重识别网络的结构图，如图1a所示，检测与重识别网 络包括公共网络、检测分支网络以及重识别分支网络，上述检测分支网络的输 入连接于上述公共网络的输出，以及上述重识别分支网络的输入连接于上述公 共网络的输出。可以通过上述公共网络提取每帧图像对于检测分支网络以及重 识别分支网络的公共特征；通过上述检测分支网络提取公共特征中隐含的目标 检测框；通过上述重识别分支网络提取公共特征中隐含的目标检测特征。
更进一步的，上述本发明实施例还提供一个快速、鲁棒的公共网络，具体 的，公共网络的实现结构如下述表1所示：
Figure SMS_1
Figure SMS_2
表1
其中，上述Conv2d代表二维卷积层，BatchNorm2d代表二维批归一化， ReLU为激活函数，MaxPool2d二维最大上采样，Eps为完整数据集，momentum 为动量更新速度，heatmap为特征映射对应的隐含特征，Size为检测框大小尺 寸对应的隐含特征，center为中心点偏置对应的隐含特征，id为重识别所对应 的隐含特征。
在本发明实施例中，上述检测分支网络可以是基于CenterNet网络进行构 建，可以同时输出不同目标的特征映射、检测框大小和中心点偏置。如图1b、 图1c、图1d所示，其中，图1b是本发明实施例提供的一种特征映射的热图 示意图，图1c是本发明实施例提供的一种中心点偏置分量的示意图，图1d是 本发明实施例提供的一种检测框大小分量的示意图。在图1b中，特征映射的 热图包括目标的中心点；在图1c中，中心点偏置表示目标中心点坐标的偏移 量，该偏移量可以减小由于特征映射的步长所带来的中心点精度影响；在图1d中，检测框大小分量为检测的高和宽偏移量。
上述检测分支网络的训练可以基于深度学习框架进行，比如，可以基于 Pytorch深度学习框架来进行训练。在检测分支网络的训练过程中，所采用的 超参数可以如下述表2所示：
参数名称 默认值 描述
Input_size 1088*608 输入图片大小
lr 0.0001 学习率
epoch 30 迭代次数
batch_size 12 每次训练使用的图片个数
optimizer Adam 优化器
在本发明实施例中，上述的目标预测框信息可以通过目标预测网络来对待 跟踪目标进行目标位置预测，上述目标预测网络为已经训练好的，具体可以是 用户自行训练得到，也可以是下载获取目标检测网络的网络结构与参数，通过 样本目标数据集进行微调训练后得到，上述目标预测网络可以是基于卡尔曼滤 波算法进行构建的网络。
在本发明实施例中，上述目标预测网络的输入为待处理图像序列中的帧图 像，输出为对应帧图像中待跟踪目标在下一帧中的预测框信息，上述目标预测 网络输出的预测框信息可以包括待跟踪目标在下一帧图像的位置信息和置信 度信息。上述位置信息可以是pre(x，y，w，h)格式的信息，其中，上述的 x和y表示检测框在下一帧图像中的中心点坐标，上述w和h分别表示检测框 在下一帧图像中的宽和高。
可以理解的是，通过目标检测网络和目标预测网络，对于第n帧图像作为 输入的情况，会输出第n帧图像对应的目标检测框信息与第n帧图像对应的目 标预测框信息；对于第n+1帧图像作为输入的情况，会输出第n+1帧图像对 应的目标检测框信息与第n+1帧图像对应的目标预测框信息。其中，第n帧图 像对应的目标预测框信息可以理解为是对第n+1帧图像对应的目标检测框信 息的预测，第n+1帧图像对应的目标预测框信息可以理解为是对第n+2帧图像对应的目标检测框信息的预测。
在本发明实施例中，可以根据预设的目标计数估计网络计算每帧图像的目 标计数信息。上述目标计数估计网络可以是基于C-CNN算法或M-CNN算法 的目标计数估计网络。目标计数估计网络的计算结果包括目标计数信息，具体 的，可以参见图1e，图1e是本发明实施例提供的一种人群计数估计网络的输出示意图，在图1e中，GT表示人数标准结果，Pred表示目标计数估计网络的 目标计数估计结果。
102、根据每一帧图像的目标检测框信息与目标预测框信息，计算待处理 图像序列中每个目标的第一跟踪轨迹。
在本发明实施例中，第n帧图像对应的目标预测框信息可以理解为是对第 n+1帧图像对应的目标检测框信息的预测，上述将第n+1帧图像对应的目标检 测框信息与第n帧图像对应的目标预测框信息进行匹配的目的，可以理解为检 测结果是否与预测结果相同或相近，进而判断是否发生误检。上述第一跟踪轨迹可以通过SORT排序算法将目标检测框信息与目标预测框信息进行匹配连 接得到。
进一步的，可以根据目标检测框信息与目标预测框信息，为每个目标的目 标检测框配置一个唯一ID；根据每个目标的唯一ID，得到每个目标的第一跟 踪轨迹，可以将目标检测框信息与目标预测框信息进行匹配，给匹配上的每个 目标检测框设置一个ID，可以对于同一个目标的目标检测框ID，设置为同一个唯一ID。
进一步的，上述目标检测框信息包括目标检测框与目标检测特征，上述目 标预测框信息包括目标预测框与目标预测特征。上述的预测框特征可以根据目 标预测框在对应帧图像中获取对应的目标图像后进行特征提取得到。可以计算 第n+1帧图像各个目标的目标检测框与第n帧图像中各个目标的目标预测框的 交并比；计算第n+1帧图像各个目标的目标检测特征与第n帧图像中各个目标 的目标预测特征的特征相似度；基于交并比与特征相似度，为每个目标的目标 检测框配置一个唯一ID。上述交并比指的是目标检测框与目标预测框的相交 面积比上目标检测框与目标预测框的相并面积，其中，相并面积为目标检测框 面积加上目标预测框面积再减去目标检测框与目标预测框的相交面积。上述交 并比可以理解为运动特征相似度，上述相似度可以理解为外观特征相似度，可 以通过下述式子来得到运动特征相似度与外观特征相似度的总相似度：
S＝λIOU(Di,Tj)+(1-λ)SIM(Di,Tj)
其中，Di和Tj分别表示第i个目标检测框信息和第j个目标预测框信息， IOU表示目标检测框和目标预测框的交并比IOU，SIM表示目标检测特征和目 标预测特征之间的特征相似度，S表示最终的相似度，λ是一个预设的参数， 可以根据用户先验进行调整，当用户更相信外观特征相似度时，则参数λ可以 设置为较小的值，当用户更相信运动特征相似度时，则参数λ可以设置为较大 的值。通过上述式子，可以得到每个目标检测框信息与每个目标预测框信息之 间的相似度S，可以通过一个相似度矩阵IOU_Matrix进行表示，其中，上述相似度矩阵IOU_Matrix＝1–S，相似度矩阵IOU_Matrix，每个单元格的值都表示一个目标检测框信息与一个目标预测框信息之间的相似度。当相似度大于 预测的相似度阈值时，则可以说明目标检测框信息与目标预测框信息匹配，进 一步说明该目标检测框信息与目标预测框信息同属于一个目标，为每个目标对 应的目标检测框信息对应分配一个唯一ID，一个目标对应一个唯一ID，则可以通过该唯一ID，当对应的目标检测框信息加入到对应目标的第一跟踪轨迹 中，若存在目标检测框信息与目标预测框信息不匹配的情况，可以判断是新增 目标、已消失目标或漏检目标。上述新增目标可以理解为，在第n+1帧图像中 存在对应的目标检测框信息，在第n帧图像中不存在对应的目标预测框信息； 上述已消失目标可以理解为，在第n+1帧图像中存在对应的目标检测框信息，在第n+1帧图像中不存在对应的目标预测框信息；上述漏检目标可以理解为， 在第n+1帧图像中不存在对应的目标检测框信息，在第n帧图像中存在对应的 目标预测框信息。
103、根据第n+1帧图像对应的目标检测框信息与第n+1帧图像对应的目 标计数信息，判断是否存在第一漏检情况。
在本发明实施例中，上述第一漏检情况包括第一漏检目标点。上述第一漏 检目标点可以理解为没有对应目标检测框信息的目标。
可选的，目标计数信息包括目标估计数量，上述第n+1帧图像为当前帧， 可以根据第n+1帧图像对应的目标检测框信息，统计第n+1帧图像中目标检 测框的数量；判断目标检测框的数量是否小于所述目标估计数量；若目标检测 框的数量小于目标估计数量，则确定存在第一漏检情况。举例来说，通过检测 分支网络，可以得到第n+1帧图像中m个目标的目标检测框信息，即m个目 标检测框，通过目标计数估计网络，可以得到第n+1帧图像中目标计数信息中目标估计数量k，判断m是否小于k，若m小于k，则说明目标检测框数量小 于目标估计数量，存在第一漏检情况。
104、若存在第一漏检情况，则根据第n帧图像对应的目标预测框信息与 第n+1帧图像对应的第一漏检目标点，判断是否存在第二漏检情况。
在本发明实施例中，上述第二漏检情况包括第二漏检目标点。上述第二漏 检目标点可以理解为没有对应目标预测框信息的目标。
进一步的，可以判断第一漏检目标点是否位于第一目标预测框内；若第一 漏检目标点位于第一目标预测框内，则确定存在第二漏检情况。上述第一目标 预测框指的是第n帧图像中各个目标的目标预测框。当第一漏检目标点位于第 一目标预测框内，则说明该第一漏检目标点为在n帧图像中被预测到的目标， 却在第n+1帧图像中没有被检测到，属于漏检目标。当第一漏检目标点没有位于任何一个第一目标预测框内，则说明目标为是第n+1帧图像中新出现的漏检 目标，第n+1帧图像中新出现的目标在n帧图像中是不会被预测到的。
105、若不存在第二漏检情况，则根据第一漏检目标点，确定第一漏检框 信息。
在本发明实施例中，若不存在第二漏检情况，则说明该第一漏检目标点为 在n帧图像中被预测到的目标，却在第n+1帧图像中没有被检测到，属于漏检 目标。此时，可以将与第一漏检目标点对应的第一目标预测框作为该第一漏检 目标点在第n+1帧图像中的第一漏检目标检测框。另外，还可以对第一漏检目 标检测框标记第一漏检标识。
106、若存在第二漏检情况，则根据第二漏检目标点，确定第二漏检框信 息。
在本发明实施例中，若存在第二漏检情况，则说明目标为是第n+1帧图像 中新出现的漏检目标，第n+1帧图像中新出现的目标在n帧图像中是不会被预 测到的，属于新增漏检目标。此时，可以根据第n帧图像中的目标预测框的高 宽信息，以第二漏检目标点为中心，在第n+1帧图像中为第二漏检目标点配置 一个第二漏检目标检测框。另外，还可以对第二漏检目标检测框标记第二漏检标识。上述第一漏检标识与第二漏检标识用于区分第一漏检目标检测框与第二 漏检目标检测框。
107、基于第一跟踪轨迹、第一漏检框信息和/或第二漏检框信息，得到目 标跟踪轨迹。
在本发明实施例中，上述第一跟踪轨迹包括与目标对应的唯一ID，一个 目标对应一个第一跟踪轨迹，一个第一跟踪轨迹对应一个唯一ID。
可以根据第n+1帧图像中对应的第一漏检框信息与第n帧图像中对应的目 标检测框信息，为第n+1帧图像中对应的第一漏检框配置一个第一唯一ID， 上述第一唯一ID为上述第一跟踪轨迹对应的一个唯一ID；根据所述第一漏检 框的唯一ID，将所述第一漏检框加入到具有相同唯一ID的第一跟踪轨迹；这 样，可以将第一漏检框信息加入到第一跟踪轨迹，补全漏检的跟踪轨迹，得到 目标跟踪轨迹。
为第n+1帧图像中对应的第二漏检框配置一个第二唯一ID，上述第二唯 一ID与所有第一跟踪轨迹对应的唯一ID均不同。由于第二漏检框信息为新增 漏检目标对应的漏检，因此，相当于一个是一个新的目标，需要对这个新目标 分配一个没有被占用的第二唯一ID。
本发明实施例中，提取待处理图像序列中每一帧图像的目标计数信息、目 标检测框信息与目标预测框信息；根据每一帧图像的目标检测框信息与目标预 测框信息，计算待处理图像序列中每个目标的第一跟踪轨迹；根据第n+1帧图 像对应的目标检测框信息与第n+1帧图像对应的目标计数信息，判断所述是否 存在第一漏检情况，所述第一漏检情况包括第一漏检目标点；若存在所述第一 漏检情况，则根据第n帧图像对应的目标预测框信息与第n+1帧图像对应的第 一漏检目标点，判断是否存在第二漏检情况，所述第二漏检情况包括第二漏检 目标点；若不存在第二漏检情况，则根据所述第一漏检目标点，确定第一漏检 框信息；若存在第二漏检情况，则根据所述第二漏检目标点，确定第二漏检框信息；基于所述第一跟踪轨迹、所述第一漏检框信息和/或所述第二漏检框信 息，得到目标跟踪轨迹。通过目标检测框信息与目标计数信息，可以判断是否 存在第一漏检情况，通过目标预测框信息与第一漏检目标点，可以判断是否存 在第二漏检情况，进而可以判断漏检的目标为已有目标或是新出现目标，可以 有效降低漏检率，提高多目标跟踪的目标检测准确率，进而使得多目标跟踪的准确率得到提高。
需要说明的是，本发明实施例提供的目标跟踪方法可以应用于可以进行目 标跟踪的手机、监控器、计算机、服务器等设备。
请参见图2，图2是本发明实施例提供的一种目标跟踪装置的结构示意图， 如图2所示，所述装置包括：
提取模块201，用于提取待处理图像序列中每一帧图像的目标计数信息、 目标检测框信息与目标预测框信息；
计算模块202，用于根据每一帧图像的目标检测框信息与目标预测框信息， 计算待处理图像序列中每个目标的第一跟踪轨迹；
第一判断模块203，用于根据第n+1帧图像对应的目标检测框信息与第 n+1帧图像对应的目标计数信息，判断所述是否存在第一漏检情况，所述第一 漏检情况包括第一漏检目标点；
第二判断模块204，用于若存在所述第一漏检情况，则根据第n帧图像对 应的目标预测框信息与第n+1帧图像对应的第一漏检目标点，判断是否存在第 二漏检情况，所述第二漏检情况包括第二漏检目标点；
第一确定模块205，用于若不存在第二漏检情况，则根据所述第一漏检目 标点，确定第一漏检框信息；
第二确定模块206，用于若存在第二漏检情况，则根据所述第二漏检目标 点，确定第二漏检框信息；
处理模块207，用于基于所述第一跟踪轨迹、所述第一漏检框信息和/或所 述第二漏检框信息，得到目标跟踪轨迹。
可选的，如图3所示，所述提取模块201，包括：
第一计算子模块2011，用于根据预设的目标计数估计网络计算每帧图像 的目标计数信息；
第二计算子模块2012，用于根据预设的检测与重识别网络计算每帧图像 的目标检测框信息，所述目标检测框信息包括目标检测框与目标检测特征；
第二计算子模块2013，用于根据预设的预测网络计算每帧图像的目标预 测框信息，所述目标预测框信息包括目标预测框与目标预测特征。
可选的，如图4所示，所述检测与重识别网络包括公共网络、检测分支网 络以及重识别分支网络，所述检测分支网络的输入连接于所述公共网络的输出， 以及所述重识别分支网络的输入连接于所述公共网络的输出，所述第二计算子 模块2012，包括：
第一提取单元20121，用于通过所述公共网络提取每帧图像对于检测分支 网络以及重识别分支网络的公共特征；
第二提取单元20122，用于通过所述检测分支网络提取所述公共特征中隐 含的目标检测框；
第三提取单元20123，用于通过所述重识别分支网络提取所述公共特征中 隐含的目标检测特征。
可选的，如图5所示，所述计算模块202，包括：
第一配置子模块2021，用于根据所述目标检测框信息与目标预测框信息， 为每个目标的目标检测框配置一个唯一ID；
第一关联子模块2022，用于根据每个目标的唯一ID，得到每个目标的第 一跟踪轨迹。
可选的，如图6所示，所述第一配置子模块2021，包括：
第一计算单元20211，用于计算第n+1帧图像各个目标的目标检测框与第 n帧图像中各个目标的目标预测框的交并比；
第二计算单元20212，用于计算第n+1帧图像各个目标的目标检测特征与 第n帧图像中各个目标的目标预测特征的特征相似度；
配置单元20213，用于基于所述交并比与所述特征相似度，为每个目标的 目标检测框配置一个唯一ID。
可选的，如图7所示，所述目标计数信息包括目标估计数量，所述第一判 断模块203，包括：
统计子模块2031，用于根据所述第n+1帧图像对应的目标检测框信息， 统计第n+1帧图像中目标检测框的数量；
第一判断子模块2032，用于判断所述目标检测框的数量是否小于所述目 标估计数量；
第一确定子模块2033，用于若所述目标检测框的数量小于所述目标估计 数量，则确定存在第一漏检情况。
可选的，如图8所示，所述第二判断模块204，包括：
第二判断子模块2041，用于判断所述第一漏检目标点是否位于所述第一 目标预测框内；
第二确定子模块2042，用于若第一漏检目标点位于所述第一目标预测框 内，则确定存在第二漏检情况。
可选的，所述第一确定模块205还用于将所述第一目标预测框作为所述第 一漏检目标点在第n+1帧图像中的第一漏检目标检测框。
可选的，所述第二确定模块206还用于根据第n帧图像中的目标预测框的 高宽信息，以所述第二漏检目标点为中心，在第n+1帧图像中为所述第二漏检 目标点配置一个第二漏检目标检测框。
可选的，如图9所示，所述处理模块207，包括：
第二配置子模块2071，用于根据所述第n+1帧图像中对应的第一漏检框 信息与第n帧图像中对应的目标检测框信息，为所述第n+1帧图像中对应的第 一漏检框信息配置一个第一唯一ID，所述第一唯一ID为所述第一跟踪轨迹对 应的一个唯一ID；
第二关联子模块2072，用于根据所述第一漏检框信息的唯一ID，将所述 第一漏检框信息加入到具有相同唯一ID的第一跟踪轨迹；和/或
第三配置子模块2073，用于为所述第n+1帧图像中对应的第二漏检框信 息配置一个第二唯一ID，所述第二唯一ID与所有第一跟踪轨迹对应的唯一ID 均不同。
需要说明的是，本发明实施例提供的目标跟踪装置可以应用于可以进行目 标跟踪的手机、监控器、计算机、服务器等设备。
本发明实施例提供的目标跟踪装置能够实现上述方法实施例中目标跟踪 方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘 述。
参见图10，图10是本发明实施例提供的一种电子设备的结构示意图，如 图10所示，包括：存储器1002、处理器1001及存储在所述存储器1002上并 可在所述处理器1001上运行的计算机程序，其中：
处理器1001用于调用存储器1002存储的计算机程序，执行如下步骤：
提取待处理图像序列中每一帧图像的目标计数信息、目标检测框信息与目 标预测框信息；
根据每一帧图像的目标检测框信息与目标预测框信息，计算待处理图像序 列中每个目标的第一跟踪轨迹；
根据第n+1帧图像对应的目标检测框信息与第n+1帧图像对应的目标计 数信息，判断所述是否存在第一漏检情况，所述第一漏检情况包括第一漏检目 标点；
若存在所述第一漏检情况，则根据第n帧图像对应的目标预测框信息与第 n+1帧图像对应的第一漏检目标点，判断是否存在第二漏检情况，所述第二漏 检情况包括第二漏检目标点；
若不存在第二漏检情况，则根据所述第一漏检目标点，确定第一漏检框信 息；
若存在第二漏检情况，则根据所述第二漏检目标点，确定第二漏检框信息；
基于所述第一跟踪轨迹、所述第一漏检框信息和/或所述第二漏检框信息， 得到目标跟踪轨迹。
可选的，处理器1001执行的所述提取待处理图像序列中每一帧图像的目 标计数信息、目标检测框信息与目标预测框信息，包括：
根据预设的目标计数估计网络计算每帧图像的目标计数信息；
根据预设的检测与重识别网络计算每帧图像的目标检测框信息，所述目标 检测框信息包括目标检测框与目标检测特征；
根据预设的预测网络计算每帧图像的目标预测框信息，所述目标预测框信 息包括目标预测框与目标预测特征。
可选的，所述检测与重识别网络包括公共网络、检测分支网络以及重识别 分支网络，所述检测分支网络的输入连接于所述公共网络的输出，以及所述重 识别分支网络的输入连接于所述公共网络的输出，处理器1001执行的所述根 据预设的检测与重识别网络计算每帧图像的目标检测框信息，包括：
通过所述公共网络提取每帧图像对于检测分支网络以及重识别分支网络 的公共特征；
通过所述检测分支网络提取所述公共特征中隐含的目标检测框；
通过所述重识别分支网络提取所述公共特征中隐含的目标检测特征。
可选的，处理器1001执行的所述根据每一帧图像的目标检测框信息与目 标预测框信息，计算待处理图像序列中每个目标的第一跟踪轨迹，包括：
根据所述目标检测框信息与目标预测框信息，为每个目标的目标检测框配 置一个唯一ID；
根据每个目标的唯一ID，得到每个目标的第一跟踪轨迹。
可选的，处理器1001执行的所述根据所述目标检测框信息与目标预测框 信息，为每个目标的目标检测框配置一个唯一ID，包括：
计算第n+1帧图像各个目标的目标检测框与第n帧图像中各个目标的目标 预测框的交并比；
计算第n+1帧图像各个目标的目标检测特征与第n帧图像中各个目标的目 标预测特征的特征相似度；
基于所述交并比与所述特征相似度，为每个目标的目标检测框配置一个唯 一ID。
可选的，所述目标计数信息包括目标估计数量，处理器1001执行的所述 根据第n+1帧图像对应的目标检测框信息与第n+1帧图像对应的目标计数信 息，判断所述是否存在第一漏检情况，包括：
根据所述第n+1帧图像对应的目标检测框信息，统计第n+1帧图像中目 标检测框的数量；
判断所述目标检测框的数量是否小于所述目标估计数量；
若所述目标检测框的数量小于所述目标估计数量，则确定存在第一漏检情 况。
可选的，处理器1001执行的所述根据第n帧图像对应的目标预测框信息 与第n+1帧图像对应的第一漏检目标点，判断是否存在第二漏检情况，包括：
判断所述第一漏检目标点是否位于所述第一目标预测框内；
若第一漏检目标点位于所述第一目标预测框内，则确定存在第二漏检情况。
可选的，处理器1001执行的所述第一漏检框信息包括第一漏检目标检测 框，所述根据所述第一漏检目标点，确定第一漏检框信息，包括：
将所述第一目标预测框作为所述第一漏检目标点在第n+1帧图像中的第 一漏检目标检测框。
可选的，处理器1001执行的所述第二漏检框信息包括第二漏检目标检测 框，根据所述第二漏检目标点，确定第二漏检框信息，包括：
根据第n帧图像中的目标预测框的高宽信息，以所述第二漏检目标点为中 心，在第n+1帧图像中为所述第二漏检目标点配置一个第二漏检目标检测框。
可选的，处理器1001执行的所述基于所述第一跟踪轨迹、所述第一漏检 框信息和/或所述第二漏检框信息，得到目标跟踪轨迹，包括：
根据所述第n+1帧图像中对应的第一漏检框信息与第n帧图像中对应的目 标检测框信息，为所述第n+1帧图像中对应的第一漏检框信息配置一个第一唯 一ID，所述第一唯一ID为所述第一跟踪轨迹对应的一个唯一ID；
根据所述第一漏检框信息的唯一ID，将所述第一漏检框信息加入到具有 相同唯一ID的第一跟踪轨迹；和/或
为所述第n+1帧图像中对应的第二漏检框信息配置一个第二唯一ID，所 述第二唯一ID与所有第一跟踪轨迹对应的唯一ID均不同。
需要说明的是，上述电子设备可以是可以应用于可以进行目标跟踪的手机、 监控器、计算机、服务器等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中目标跟踪方法 实现的各个过程，且可以达到相同的有益效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存 储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的目标 跟踪方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程， 是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算 机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。 其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存取存储器(RandomAccess Memory，简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之 权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (13)

1.一种目标跟踪方法，其特征在于，包括以下步骤：
提取待处理图像序列中每一帧图像的目标计数信息、目标检测框信息与目标预测框信息；
根据每一帧图像的目标检测框信息与目标预测框信息，计算待处理图像序列中每个目标的第一跟踪轨迹；
根据第n+1帧图像对应的目标检测框信息与第n+1帧图像对应的目标计数信息，判断是否存在第一漏检情况，所述第一漏检情况包括第一漏检目标点；
若存在所述第一漏检情况，则根据第n帧图像对应的目标预测框信息与第n+1帧图像对应的第一漏检目标点，判断是否存在第二漏检情况，所述第二漏检情况包括第二漏检目标点；
若不存在第二漏检情况，则根据所述第一漏检目标点，确定第一漏检框信息；
若存在第二漏检情况，则根据所述第二漏检目标点，确定第二漏检框信息；
基于所述第一跟踪轨迹、所述第一漏检框信息和/或所述第二漏检框信息，得到目标跟踪轨迹。
2.如权利要求1所述的方法，其特征在于，所述提取待处理图像序列中每一帧图像的目标计数信息、目标检测框信息与目标预测框信息，包括：
根据预设的目标计数估计网络计算每帧图像的目标计数信息；
根据预设的检测与重识别网络计算每帧图像的目标检测框信息，所述目标检测框信息包括目标检测框与目标检测特征；
根据预设的目标预测网络计算每帧图像的目标预测框信息，所述目标预测框信息包括目标预测框与目标预测特征。
3.如权利要求2所述的方法，其特征在于，所述检测与重识别网络包括公共网络、检测分支网络以及重识别分支网络，所述检测分支网络的输入连接于所述公共网络的输出，以及所述重识别分支网络的输入连接于所述公共网络的输出，所述根据预设的检测与重识别网络计算每帧图像的目标检测框信息，包括：
通过所述公共网络提取每帧图像对于检测分支网络以及重识别分支网络的公共特征；
通过所述检测分支网络提取所述公共特征中隐含的目标检测框；
通过所述重识别分支网络提取所述公共特征中隐含的目标检测特征。
4.如权利要求3所述的方法，其特征在于，所述根据每一帧图像的目标检测框信息与目标预测框信息，计算待处理图像序列中每个目标的第一跟踪轨迹，包括：
根据所述目标检测框信息与目标预测框信息，为每个目标的目标检测框配置一个唯一ID；
根据每个目标的唯一ID，得到每个目标的第一跟踪轨迹。
5.如权利要求4所述的方法，其特征在于，所述根据所述目标检测框信息与目标预测框信息，为每个目标的目标检测框配置一个唯一ID，包括：
计算第n+1帧图像各个目标的目标检测框与第n帧图像中各个目标的目标预测框的交并比；
计算第n+1帧图像各个目标的目标检测特征与第n帧图像中各个目标的目标预测特征的特征相似度；
基于所述交并比与所述特征相似度，为每个目标的目标检测框配置一个唯一ID。
6.如权利要求2至5中任一所述的方法，其特征在于，所述目标计数信息包括目标估计数量，所述根据第n+1帧图像对应的目标检测框信息与第n+1帧图像对应的目标计数信息，判断所述是否存在第一漏检情况，包括：
根据所述第n+1帧图像对应的目标检测框信息，统计第n+1帧图像中目标检测框的数量；
判断所述目标检测框的数量是否小于所述目标估计数量；
若所述目标检测框的数量小于所述目标估计数量，则确定存在第一漏检情况。
7.如权利要求6所述的方法，其特征在于，所述根据第n帧图像对应的目标预测框信息与第n+1帧图像对应的第一漏检目标点，判断是否存在第二漏检情况，包括：
判断所述第一漏检目标点是否位于第一目标预测框内，所述第一目标预测框指的是所述第n帧图像中各个目标对应的目标预测框；
若第一漏检目标点位于所述第一目标预测框内，则确定存在第二漏检情况。
8.如权利要求7所述的方法，其特征在于，所述第一漏检框信息包括第一漏检目标检测框，所述根据所述第一漏检目标点，确定第一漏检框信息，包括：
将所述第一目标预测框作为所述第一漏检目标点在第n+1帧图像中的第一漏检目标检测框。
9.如权利要求8所述的方法，其特征在于，所述第二漏检框信息包括第二漏检目标检测框，所述根据所述第二漏检目标点，确定第二漏检框信息，包括：
根据第n帧图像中的目标预测框的高宽信息，以所述第二漏检目标点为中心，在第n+1帧图像中为所述第二漏检目标点配置一个第二漏检目标检测框。
10.如权利要求9所述的方法，其特征在于，所述基于所述第一跟踪轨迹、所述第一漏检框信息和/或所述第二漏检框信息，得到目标跟踪轨迹，包括：
根据所述第n+1帧图像中对应的第一漏检框信息与第n帧图像中对应的目标检测框信息，为所述第n+1帧图像中对应的第一漏检框信息配置一个第一唯一ID，所述第一唯一ID为所述第一跟踪轨迹对应的一个唯一ID；
根据所述第一漏检框信息的唯一ID，将所述第一漏检框信息加入到具有相同唯一ID的第一跟踪轨迹；和/或
为所述第n+1帧图像中对应的第二漏检框信息配置一个第二唯一ID，所述第二唯一ID与所有第一跟踪轨迹对应的唯一ID均不同。
11.一种目标跟踪装置，其特征在于，所述装置包括：提取模块，用于提取待处理图像序列中每一帧图像的目标计数信息、目标检测框信息与目标预测框信息；
计算模块，用于根据每一帧图像的目标检测框信息与目标预测框信息，计算待处理图像序列中每个目标的第一跟踪轨迹；
第一判断模块，用于根据第n+1帧图像对应的目标检测框信息与第n+1帧图像对应的目标计数信息，判断是否存在第一漏检情况，所述第一漏检情况包括第一漏检目标点；
第二判断模块，用于若存在所述第一漏检情况，则根据第n帧图像对应的目标预测框信息与第n+1帧图像对应的第一漏检目标点，判断是否存在第二漏检情况，所述第二漏检情况包括第二漏检目标点；
第一确定模块，用于若不存在第二漏检情况，则根据所述第一漏检目标点，确定第一漏检框信息；
第二确定模块，用于若存在第二漏检情况，则根据所述第二漏检目标点，确定第二漏检框信息；
处理模块，用于基于所述第一跟踪轨迹、所述第一漏检框信息和/或所述第二漏检框信息，得到目标跟踪轨迹。
12.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至10中任一项所述的目标跟踪方法中的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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权利要求1至10中任一项所述的目标跟踪方法中的步骤。
CN202011639844.2A 2020-12-31 2020-12-31 目标跟踪方法、装置、电子设备及存储介质 Active CN113191180B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011639844.2A CN113191180B (zh) 2020-12-31 2020-12-31 目标跟踪方法、装置、电子设备及存储介质
PCT/CN2021/114903 WO2022142417A1 (zh) 2020-12-31 2021-08-27 目标跟踪方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011639844.2A CN113191180B (zh) 2020-12-31 2020-12-31 目标跟踪方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113191180A CN113191180A (zh) 2021-07-30
CN113191180B true CN113191180B (zh) 2023-05-12

Family

ID=76972799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011639844.2A Active CN113191180B (zh) 2020-12-31 2020-12-31 目标跟踪方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN113191180B (zh)
WO (1) WO2022142417A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191180B (zh) * 2020-12-31 2023-05-12 深圳云天励飞技术股份有限公司 目标跟踪方法、装置、电子设备及存储介质
CN115965657B (zh) * 2023-02-28 2023-06-02 安徽蔚来智驾科技有限公司 目标跟踪方法、电子设备、存储介质及车辆
CN116523970B (zh) * 2023-07-05 2023-10-20 之江实验室 基于二次隐式匹配的动态三维目标跟踪方法及装置
CN116563769B (zh) * 2023-07-07 2023-10-20 南昌工程学院 一种视频目标识别追踪方法、系统、计算机及存储介质
CN117151140B (zh) * 2023-10-27 2024-02-06 安徽容知日新科技股份有限公司 目标物标识码的识别方法、装置及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472594A (zh) * 2019-08-20 2019-11-19 腾讯科技（深圳）有限公司 目标跟踪方法、信息插入方法及设备
CN111179311A (zh) * 2019-12-23 2020-05-19 全球能源互联网研究院有限公司 多目标跟踪方法、装置及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160132728A1 (en) * 2014-11-12 2016-05-12 Nec Laboratories America, Inc. Near Online Multi-Target Tracking with Aggregated Local Flow Descriptor (ALFD)
CN113191180B (zh) * 2020-12-31 2023-05-12 深圳云天励飞技术股份有限公司 目标跟踪方法、装置、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472594A (zh) * 2019-08-20 2019-11-19 腾讯科技（深圳）有限公司 目标跟踪方法、信息插入方法及设备
CN111179311A (zh) * 2019-12-23 2020-05-19 全球能源互联网研究院有限公司 多目标跟踪方法、装置及电子设备

Also Published As

Publication number Publication date
WO2022142417A1 (zh) 2022-07-07
CN113191180A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN113191180B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN113284168B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN110008867B (zh) 一种基于人物异常行为的预警方法、装置及存储介质
CN112669349B (zh) 一种客流统计方法、电子设备及存储介质
WO2021017291A1 (zh) 基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质
CN109035304B (zh) 目标跟踪方法、介质、计算设备和装置
CN111080673B (zh) 一种抗遮挡目标跟踪方法
CN112288770A (zh) 基于深度学习的视频实时多目标检测与跟踪方法和装置
CN110706247B (zh) 一种目标跟踪方法、装置及系统
CN114708300B (zh) 一种可抗遮挡的自适应目标跟踪方法及系统
CN109636828A (zh) 基于视频图像的物体跟踪方法及装置
CN116012949B (zh) 一种复杂场景下的人流量统计识别方法及系统
CN107590431B (zh) 一种基于图像识别的数量统计方法及装置
CN112070035A (zh) 基于视频流的目标跟踪方法、装置及存储介质
CN111476132A (zh) 视频场景识别方法、装置及电子设备、存储介质
CN113256683B (zh) 目标跟踪方法及相关设备
CN106778675B (zh) 一种视频图像中目标对象的识别方法和装置
KR101595334B1 (ko) 농장에서의 움직임 개체의 이동 궤적 트래킹 방법 및 장치
CN111695404A (zh) 行人跌倒检测方法、装置、电子设备及存储介质
CN116523957A (zh) 一种多目标跟踪方法、系统、电子设备及存储介质
CN113569771B (zh) 视频分析方法及装置、电子设备和存储介质
CN112819859B (zh) 一种应用于智慧安防的多目标跟踪方法及装置
CN111898471B (zh) 一种行人跟踪方法和装置
CN115131705A (zh) 目标检测方法、装置、电子设备及存储介质
CN115131691A (zh) 对象匹配方法、装置、电子设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant