CN113192106A - 一种家畜跟踪方法及装置 - Google Patents
一种家畜跟踪方法及装置 Download PDFInfo
- Publication number
- CN113192106A CN113192106A CN202110452091.2A CN202110452091A CN113192106A CN 113192106 A CN113192106 A CN 113192106A CN 202110452091 A CN202110452091 A CN 202110452091A CN 113192106 A CN113192106 A CN 113192106A
- Authority
- CN
- China
- Prior art keywords
- video frame
- current video
- tracking target
- tracking
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/08—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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种家畜跟踪方法及装置。所述家畜跟踪方法,包括步骤:S1、逐帧接收监控视频,并通过目标检测网络对当前视频帧进行目标检测,得到所述当前视频帧的跟踪目标;S2、在所述当前视频帧为初始视频帧时,向所述当前视频帧的跟踪目标分配家畜标号;S3、在所述当前视频帧为中间视频帧时,根据预先定义的多阈值逐级匹配策略将所述当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使所述当前视频帧的跟踪目标继承所述先前视频帧的跟踪目标的家畜标号;S4、重复步骤S1~S3直至所述当前视频帧为终止视频帧。本发明能够充分考虑到实际场景中多只家畜快速运动甚至消失、家畜之间严重粘连的情况,实现稳定准确地跟踪家畜。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种家畜跟踪方法及装置。
背景技术
为了实现生猪等家畜的健康养殖,逐渐应用计算机视觉技术进行家畜的行为识别,以关注家畜的生活状态。目标行为识别的过程可分为目标识别、目标跟踪和行为识别,其中目标跟踪作为一关键环节,具有重要的研究意义。目前提出的较具有代表性的目标跟踪算法是Deepsort算法和IOU-Tracker算法。
Deepsort算法采用了递归的卡尔曼滤波对每个目标的位置进行预测,以及逐帧的数据关联,在目标特征提取方面提取当前帧的图片信息后使用经过ReID训练的残差网络提取目标特征,最后采用了匈牙利算法对检测和追踪框进行匹配。IOU-Tracker算法拥有速度快、算法简单、不需要图片信息等特点,在目标匹配前采用阈值法除去检测置信度较低的目标,然后对比前后帧目标相交的IOU区域进行目标匹配,此外为减少目标的转换,目标跟踪的帧数不少于Tmin,当出现跟踪帧数少于Tmin时,移除目标信息。
对于上述算法,Deepsort算法在跟踪时需要提取目标的图片信息,不适用于体型相近的生猪等家畜,在多只家畜快速运动、家畜之间严重粘连的情况下,容易造成家畜标号互换,且Deepsort算法采用了ReID训练的残差网络提取目标特征,在运行速度上远远低于不需要图片信息的目标跟踪算法;IOU-Tracker算法采用的是单阈值匹配方法,在家畜之间粘连时容易造成匹配错误,且IOU-Tracker算法没有预测目标位置,在家畜移动过快以及家畜丢失时,无法跟踪到家畜。
因此,目前提出的目标跟踪方法尚不能完美适用于家畜目标,难以稳定准确地跟踪家畜。
发明内容
为了克服现有技术的缺陷,本发明提供一种家畜跟踪方法及装置,能够充分考虑到实际场景中多只家畜快速运动甚至消失、家畜之间严重粘连的情况,实现稳定准确地跟踪家畜。
为了解决上述技术问题,第一方面,本发明一实施例提供一种家畜跟踪方法,包括步骤:
S1、逐帧接收监控视频,并通过目标检测网络对当前视频帧进行目标检测,得到所述当前视频帧的跟踪目标;
S2、在所述当前视频帧为初始视频帧时,向所述当前视频帧的跟踪目标分配家畜标号;
S3、在所述当前视频帧为中间视频帧时,根据预先定义的多阈值逐级匹配策略将所述当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使所述当前视频帧的跟踪目标继承所述先前视频帧的跟踪目标的家畜标号;
S4、重复步骤S1~S3直至所述当前视频帧为终止视频帧。
进一步地,所述通过目标检测网络对当前视频帧进行目标检测,得到所述当前视频帧的跟踪目标,具体为:
通过所述目标检测网络对所述当前视频帧进行目标检测,得到所述当前视频帧的若干个初选目标;
从若干个所述初选目标中筛选出置信度大于预设置信度阈值的初选目标作为所述当前视频帧的跟踪目标。
进一步地,所述根据预先定义的多阈值逐级匹配策略将所述当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使所述当前视频帧的跟踪目标继承所述先前视频帧的跟踪目标的家畜标号,包括:
分别计算所述当前视频帧的跟踪目标与上一视频帧的每一跟踪目标的相交面积比例,得到若干个第一相交面积比例,并依序将每一所述第一相交面积比例与第一比例阈值进行比较,在所述第一相交面积比例大于所述第一比例阈值时,使所述当前视频帧的跟踪目标继承所述上一视频帧对应的跟踪目标的家畜标号;
当所述当前视频帧的跟踪目标未匹配成功时,分别计算所述当前视频帧的跟踪目标与所述先前视频帧未匹配的跟踪目标在所述当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一所述第二相交面积比例与第二比例阈值进行比较,在所述第二相交面积比例大于所述第二比例阈值时,使所述当前视频帧的跟踪目标继承所述先前视频帧对应的跟踪目标的家畜标号;
在所述当前视频帧的跟踪目标仍未匹配成功时,向所述当前视频帧的跟踪目标分配新的家畜标号。
进一步地,在所述当所述当前视频帧的跟踪目标未匹配成功时,分别计算所述当前视频帧的跟踪目标与所述先前视频帧未匹配的跟踪目标在所述当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一所述第二相交面积比例与第二比例阈值进行比较,在所述第二相交面积比例大于所述第二比例阈值时,使所述当前视频帧的跟踪目标继承所述先前视频帧对应的跟踪目标的家畜标号之前,还包括:
计算所述当前视频帧与所述先前视频帧的帧序差值,并在所述帧序差值大于预设帧序阈值时,剔除所述先前视频帧未匹配的跟踪目标。
进一步地,所述第一相交面积比例为:
其中,Spre=(rate×lpre)×(rate×wpre),Spre-1=(rate×lpre-1)×(rate×wpre-1),Spre为所述当前视频帧的跟踪目标的面积,lpre为所述当前视频帧的跟踪目标的长度,wpre为所述当前视频帧的跟踪目标的宽度,Spre-1为所述上一视频帧的跟踪目标的面积,lpre-1为所述上一视频帧的跟踪目标的长度,wpre-1为所述上一视频帧的跟踪目标的宽度,rate为以中心点缩放的比例。
进一步地,所述先前视频帧未匹配的跟踪目标在所述当前视频帧的预测位置为:
第二方面,本发明一实施例提供一种家畜跟踪装置,包括:
检测模块,用于逐帧接收监控视频,并通过目标检测网络对当前视频帧进行目标检测,得到所述当前视频帧的跟踪目标;
分配模块,用于在所述当前视频帧为初始视频帧时,向所述当前视频帧的跟踪目标分配家畜标号;
跟踪模块,用于在所述当前视频帧为中间视频帧时,根据预先定义的多阈值逐级匹配策略将所述当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使所述当前视频帧的跟踪目标继承所述先前视频帧的跟踪目标的家畜标号;
驱动模块,用于驱动检测模块执行检测操作、驱动分配模块执行分配操作以及驱动跟踪模块执行跟踪操作直至所述当前视频帧为终止视频帧。
进一步地,所述通过目标检测网络对当前视频帧进行目标检测,得到所述当前视频帧的跟踪目标,具体为:
通过所述目标检测网络对所述当前视频帧进行目标检测,得到所述当前视频帧的若干个初选目标;
从若干个所述初选目标中筛选出置信度大于预设置信度阈值的初选目标作为所述当前视频帧的跟踪目标。
进一步地,所述根据预先定义的多阈值逐级匹配策略将所述当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使所述当前视频帧的跟踪目标继承所述先前视频帧的跟踪目标的家畜标号,包括:
分别计算所述当前视频帧的跟踪目标与上一视频帧的每一跟踪目标的相交面积比例,得到若干个第一相交面积比例,并依序将每一所述第一相交面积比例与第一比例阈值进行比较,在所述第一相交面积比例大于所述第一比例阈值时,使所述当前视频帧的跟踪目标继承所述上一视频帧对应的跟踪目标的家畜标号;
当所述当前视频帧的跟踪目标未匹配成功时,分别计算所述当前视频帧的跟踪目标与所述先前视频帧未匹配的跟踪目标在所述当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一所述第二相交面积比例与第二比例阈值进行比较,在所述第二相交面积比例大于所述第二比例阈值时,使所述当前视频帧的跟踪目标继承所述先前视频帧对应的跟踪目标的家畜标号;
在所述当前视频帧的跟踪目标仍未匹配成功时,向所述当前视频帧的跟踪目标分配新的家畜标号。
进一步地,所述跟踪模块,还用于在所述当所述当前视频帧的跟踪目标未匹配成功时,分别计算所述当前视频帧的跟踪目标与所述先前视频帧未匹配的跟踪目标在所述当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一所述第二相交面积比例与第二比例阈值进行比较,在所述第二相交面积比例大于所述第二比例阈值时,使所述当前视频帧的跟踪目标继承所述先前视频帧对应的跟踪目标的家畜标号之前,
计算所述当前视频帧与所述先前视频帧的帧序差值,并在所述帧序差值大于预设帧序阈值时,剔除所述先前视频帧未匹配的跟踪目标。
本发明的实施例,具有如下有益效果:
通过逐帧接收监控视频,并通过目标检测网络对当前视频帧进行目标检测,得到当前视频帧的跟踪目标,在当前视频帧为初始视频帧时,向当前视频帧的跟踪目标分配家畜标号,在当前视频帧为中间视频帧时,根据预先定义的多阈值逐级匹配策略将当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使当前视频帧的跟踪目标继承先前视频帧的跟踪目标的家畜标号,重复上述操作直至当前视频帧为终止视频帧,完成跟踪家畜。相比于现有技术,本发明的实施例针对中间视频帧,根据预先定义的多阈值逐级匹配策略将当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,能够充分考虑到实际场景中多只家畜快速运动甚至消失、家畜之间严重粘连的情况,实现稳定准确地跟踪家畜。
附图说明
图1为本发明第一实施例中的一种家畜跟踪方法的流程示意图;
图2为本发明第一实施例中训练YOLOv5s网络的流程示意图;
图3为本发明第一实施例中一种家畜跟踪方法的数据流图;
图4为本发明第二实施例中的一种家畜跟踪装置的结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明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。
需要说明的是,文中的步骤编号,仅为了方便具体实施例的解释,不作为限定步骤执行先后顺序的作用。
第一实施例:
如图1所示,第一实施例提供一种家畜跟踪方法,包括步骤S1~S4:
S1、逐帧接收监控视频,并通过目标检测网络对当前视频帧进行目标检测,得到当前视频帧的跟踪目标;
S2、在当前视频帧为初始视频帧时,向当前视频帧的跟踪目标分配家畜标号;
S3、在当前视频帧为中间视频帧时,根据预先定义的多阈值逐级匹配策略将当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使当前视频帧的跟踪目标继承先前视频帧的跟踪目标的家畜标号;
S4、重复步骤S1~S3直至当前视频帧为终止视频帧。
在优选的实施例当中,目标检测网络为YOLOv5s网络。
可以理解的是,在通过YOLOv5s网络对当前视频帧进行目标检测之前,需要训练YOLOv5s网络。
以生猪为例,对采集的生猪图片进行标记,以生猪目标作为正样本,以图片背景作为负样本,将正负样本输入YOLOv5s网络进行训练,得到生猪目标权重,进而将YOLOv5s网络的权重更新为生猪目标权重,从而可通过YOLOv5s网络对当前视频帧进行生猪的目标检测。YOLOv5s网络的训练过程如图2所示。
在优选的实施例当中,所述通过目标检测网络对当前视频帧进行目标检测,得到当前视频帧的跟踪目标,具体为:通过目标检测网络对当前视频帧进行目标检测,得到当前视频帧的若干个初选目标;从若干个初选目标中筛选出置信度大于预设置信度阈值的初选目标作为当前视频帧的跟踪目标。
可以理解的是,通过目标检测网络对当前视频帧进行目标检测,比如采用YOLOv5s网络检测到家畜的感兴趣区域,得到若干个初选目标,分别将每一初选目标的置信度与预设置信度阈值进行比较,从若干个初选目标中剔除置信度不大于预设置信度阈值的初选目标,从若干个初选目标中筛选出置信度大于预设置信度阈值的初选目标作为当前视频帧的跟踪目标。
本实施例通过根据预设置信度阈值从若干个初选目标中筛选出跟踪目标,能够进一步提高目标检测的精度,有效保证得到的跟踪目标为家畜目标。
在优选的实施例当中,根据预先定义的多阈值逐级匹配策略将当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使当前视频帧的跟踪目标继承先前视频帧的跟踪目标的家畜标号,包括:分别计算当前视频帧的跟踪目标与上一视频帧的每一跟踪目标的相交面积比例,得到若干个第一相交面积比例,并依序将每一第一相交面积比例与第一比例阈值进行比较,在第一相交面积比例大于第一比例阈值时,使当前视频帧的跟踪目标继承上一视频帧对应的跟踪目标的家畜标号;当当前视频帧的跟踪目标未匹配成功时,分别计算当前视频帧的跟踪目标与先前视频帧未匹配的跟踪目标在当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一第二相交面积比例与第二比例阈值进行比较,在第二相交面积比例大于第二比例阈值时,使当前视频帧的跟踪目标继承先前视频帧对应的跟踪目标的家畜标号;在当前视频帧的跟踪目标仍未匹配成功时,向当前视频帧的跟踪目标分配新的家畜标号。
在本实施例的一优选实施方式中,在所述在当前视频帧的跟踪目标仍未匹配成功时,向当前视频帧的跟踪目标分配新的家畜标号之后,还包括:在上一视频帧有未匹配的跟踪目标时,根据上一视频帧未匹配的跟踪目标的位置计算当前视频帧的跟踪目标的移动速度。
可以理解的是,在第一级匹配过程中,对于当前视频帧的每一跟踪目标,分别计算当前视频帧的跟踪目标与上一视频帧的每一跟踪目标的相交面积比例,得到若干个第一相交面积比例,并依序、比如按照第一相交面积比例从大到小的顺序将每一第一相交面积比例与第一比例阈值进行比较,在第一相交面积比例大于第一比例阈值时,认为当前视频帧的跟踪目标匹配上一视频帧对应的跟踪目标,使当前视频帧的跟踪目标继承上一视频帧对应的跟踪目标的家畜标号。
在第二级匹配过程中,对于当前视频帧未匹配的每一跟踪目标,分别计算当前视频帧未匹配的跟踪目标与先前视频帧每一未匹配的跟踪目标在当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序、比如按照第二相交面积比例从大到小的顺序将每一第二相交面积比例与第二比例阈值进行比较,在第二相交面积比例大于第二比例阈值时,认为当前视频帧未匹配的跟踪目标匹配先前视频帧对应的跟踪目标,使当前视频帧的跟踪目标继承先前视频帧对应的跟踪目标的家畜标号。
在第三级匹配过程中,对于当前视频帧仍未匹配的每一跟踪目标,向当前视频帧仍未匹配的跟踪目标分配新的家畜标号,并在上一视频帧有未匹配的跟踪目标时,根据上一视频帧未匹配的跟踪目标的位置计算当前视频帧仍未匹配的跟踪目标的移动速度,以与后续视频帧的跟踪目标进行匹配。
本实施例通过根据预先定义的多阈值逐级匹配策略将当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,即首先将当前视频帧的跟踪目标与上一视频帧的跟踪目标进行匹配,接着引入先前视频帧未匹配的跟踪目标在当前视频帧的位置预测思想,将当前视频帧未匹配的跟踪目标与先前视频帧未匹配的跟踪目标进行匹配,最后将当前视频帧仍未匹配的跟踪目标作为新的跟踪目标以与后续视频帧的跟踪目标进行匹配,能够充分考虑到实际场景中多只家畜快速运动甚至消失、家畜之间严重粘连的情况,实现稳定准确地跟踪家畜。
在优选的实施例当中,在所述当当前视频帧的跟踪目标未匹配成功时,分别计算当前视频帧的跟踪目标与先前视频帧未匹配的跟踪目标在当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一第二相交面积比例与第二比例阈值进行比较,在第二相交面积比例大于第二比例阈值时,使当前视频帧的跟踪目标继承先前视频帧对应的跟踪目标的家畜标号之前,还包括:计算当前视频帧与先前视频帧的帧序差值,并在帧序差值大于预设帧序阈值时,剔除先前视频帧未匹配的跟踪目标。
本实施例通过定位与当前视频帧的帧序相差较大的先前视频帧,剔除先前视频帧未匹配的跟踪目标,能够防止当前视频帧的跟踪目标继承到消失已久的跟踪目标的家畜标号,有利于避免出现跟踪目标之间家畜标号转换的问题。
在优选的实施例当中,第一相交面积比例为:
其中,Spre=(rate×lpre)×(rate×wpre),Spre-1=(rate×lpre-1)×(rate×wpre-1),Spre为当前视频帧的跟踪目标的面积,lpre为当前视频帧的跟踪目标的长度,wpre为当前视频帧的跟踪目标的宽度,Spre-1为上一视频帧的跟踪目标的面积,lpre-1为上一视频帧的跟踪目标的长度,wpre-1为上一视频帧的跟踪目标的宽度,rate为以中心点缩放的比例。
本实施例通过在计算第一相交面积比例的过程中,引入以中心点缩放跟踪目标的思想,能够在跟踪目标之间粘连时调整以中心点缩放的比例,有利于避免出现跟踪目标之间粘连以及粘连致使跟踪目标之间家畜标号转换的问题。
在优选的实施例当中,先前视频帧未匹配的跟踪目标在当前视频帧的预测位置为:
可以理解的是,x表示跟踪目标的水平距离,y表示跟踪目标的垂直距离。
如图3所示,作为示例性地,本实施例所述的家畜跟踪方法具体如下:
1、逐帧接收监控视频,并通过YOLOv5s对当前视频帧进行目标检测,得到当前视频帧的若干个初选目标,从若干个初选目标中剔除置信度不大于预设置信度阈值的初选目标,从若干个初选目标中筛选出置信度大于预设置信度阈值的初选目标作为当前视频帧的跟踪目标。
2、在当前视频帧为初始视频帧时,向当前视频帧的跟踪目标分配家畜标号。
3、在当前视频帧为中间视频帧时,首先计算当前视频帧的跟踪目标与上一视频帧的跟踪目标的相交面积比例,即第一相交面积比例当第一相交面积比例R大于第一比例阈值T时,使当前视频帧的跟踪目标继承上一视频帧的跟踪目标的家畜标号,其中Spre=(rate×lpre)×(rate×wpre),rate取0.5,第一比例阈值T含多个取值,分别为0.9、0.6,依次从高阈值到低阈值匹配;
若当前视频帧有未匹配的跟踪目标,则计算先前视频帧未匹配的跟踪目标Si(Si∈S,S={S1,S1,...,Sn})在当前视频帧的预测位置进而计算当前视频帧未匹配的跟踪目标与先前视频帧未匹配的跟踪目标Si的相交面积比例,即第二相交面积比例,当第二相交面积比例大于第二比例阈值时,使当前视频帧未匹配的跟踪目标继承先前视频帧未匹配的跟踪目标Si的家畜标号,其中第二比例阈值取0.3;
在此过程中,若S中存在Si,且fn-fsi大于预设帧序差值Tfmax,则移除Si,其中预设帧序差值Tfmax取120。
4、重复上述操作直至当前视频帧为终止视频帧。
第二实施例:
如图4所示,第二实施例提供一种家畜跟踪装置,包括:检测模块21,用于逐帧接收监控视频,并通过目标检测网络对当前视频帧进行目标检测,得到当前视频帧的跟踪目标;分配模块22,用于在当前视频帧为初始视频帧时,向当前视频帧的跟踪目标分配家畜标号;跟踪模块23,用于在当前视频帧为中间视频帧时,根据预先定义的多阈值逐级匹配策略将当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使当前视频帧的跟踪目标继承先前视频帧的跟踪目标的家畜标号;驱动模块24,用于驱动检测模块21执行检测操作、驱动分配模块22执行分配操作以及驱动跟踪模块23执行跟踪操作直至当前视频帧为终止视频帧。
在优选的实施例当中,目标检测网络为YOLOv5s网络。
可以理解的是,检测模块21在通过YOLOv5s网络对当前视频帧进行目标检测之前,需要训练YOLOv5s网络。
以生猪为例,对采集的生猪图片进行标记,以生猪目标作为正样本,以图片背景作为负样本,将正负样本输入YOLOv5s网络进行训练,得到生猪目标权重,进而将YOLOv5s网络的权重更新为生猪目标权重,从而可通过YOLOv5s网络对当前视频帧进行生猪的目标检测。
在优选的实施例当中,所述通过目标检测网络对当前视频帧进行目标检测,得到当前视频帧的跟踪目标,具体为:通过目标检测网络对当前视频帧进行目标检测,得到当前视频帧的若干个初选目标;从若干个初选目标中筛选出置信度大于预设置信度阈值的初选目标作为当前视频帧的跟踪目标。
可以理解的是,检测模块21通过目标检测网络对当前视频帧进行目标检测,比如采用YOLOv5s网络检测到家畜的感兴趣区域,得到若干个初选目标,分别将每一初选目标的置信度与预设置信度阈值进行比较,从若干个初选目标中剔除置信度不大于预设置信度阈值的初选目标,从若干个初选目标中筛选出置信度大于预设置信度阈值的初选目标作为当前视频帧的跟踪目标。
本实施例通过检测模块21,根据预设置信度阈值从若干个初选目标中筛选出跟踪目标,能够进一步提高目标检测的精度,有效保证得到的跟踪目标为家畜目标。
在优选的实施例当中,所述根据预先定义的多阈值逐级匹配策略将当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使当前视频帧的跟踪目标继承先前视频帧的跟踪目标的家畜标号,包括:分别计算当前视频帧的跟踪目标与上一视频帧的每一跟踪目标的相交面积比例,得到若干个第一相交面积比例,并依序将每一第一相交面积比例与第一比例阈值进行比较,在第一相交面积比例大于第一比例阈值时,使当前视频帧的跟踪目标继承上一视频帧对应的跟踪目标的家畜标号;当当前视频帧的跟踪目标未匹配成功时,分别计算当前视频帧的跟踪目标与先前视频帧未匹配的跟踪目标在当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一第二相交面积比例与第二比例阈值进行比较,在第二相交面积比例大于第二比例阈值时,使当前视频帧的跟踪目标继承先前视频帧对应的跟踪目标的家畜标号;在当前视频帧的跟踪目标仍未匹配成功时,向当前视频帧的跟踪目标分配新的家畜标号。
在本实施例的一优选实施方式中,在所述在当前视频帧的跟踪目标仍未匹配成功时,向当前视频帧的跟踪目标分配新的家畜标号之后,还包括:在上一视频帧有未匹配的跟踪目标时,根据上一视频帧未匹配的跟踪目标的位置计算当前视频帧的跟踪目标的移动速度。
可以理解的是,通过跟踪模块23,在第一级匹配过程中,对于当前视频帧的每一跟踪目标,分别计算当前视频帧的跟踪目标与上一视频帧的每一跟踪目标的相交面积比例,得到若干个第一相交面积比例,并依序、比如按照第一相交面积比例从大到小的顺序将每一第一相交面积比例与第一比例阈值进行比较,在第一相交面积比例大于第一比例阈值时,认为当前视频帧的跟踪目标匹配上一视频帧对应的跟踪目标,使当前视频帧的跟踪目标继承上一视频帧对应的跟踪目标的家畜标号。
在第二级匹配过程中,对于当前视频帧未匹配的每一跟踪目标,分别计算当前视频帧未匹配的跟踪目标与先前视频帧每一未匹配的跟踪目标在当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序、比如按照第二相交面积比例从大到小的顺序将每一第二相交面积比例与第二比例阈值进行比较,在第二相交面积比例大于第二比例阈值时,认为当前视频帧未匹配的跟踪目标匹配先前视频帧对应的跟踪目标,使当前视频帧的跟踪目标继承先前视频帧对应的跟踪目标的家畜标号。
在第三级匹配过程中,对于当前视频帧仍未匹配的每一跟踪目标,向当前视频帧仍未匹配的跟踪目标分配新的家畜标号,并在上一视频帧有未匹配的跟踪目标时,根据上一视频帧未匹配的跟踪目标的位置计算当前视频帧仍未匹配的跟踪目标的移动速度,以与后续视频帧的跟踪目标进行匹配。
本实施例通过跟踪模块23,根据预先定义的多阈值逐级匹配策略将当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,即首先将当前视频帧的跟踪目标与上一视频帧的跟踪目标进行匹配,接着引入先前视频帧未匹配的跟踪目标在当前视频帧的位置预测思想,将当前视频帧未匹配的跟踪目标与先前视频帧未匹配的跟踪目标进行匹配,最后将当前视频帧仍未匹配的跟踪目标作为新的跟踪目标以与后续视频帧的跟踪目标进行匹配,能够充分考虑到实际场景中多只家畜快速运动甚至消失、家畜之间严重粘连的情况,实现稳定准确地跟踪家畜。
在优选的实施例当中,跟踪模块23,还用于在当当前视频帧的跟踪目标未匹配成功时,分别计算当前视频帧的跟踪目标与先前视频帧未匹配的跟踪目标在当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一第二相交面积比例与第二比例阈值进行比较,在第二相交面积比例大于第二比例阈值时,使当前视频帧的跟踪目标继承先前视频帧对应的跟踪目标的家畜标号之前,计算当前视频帧与先前视频帧的帧序差值,并在帧序差值大于预设帧序阈值时,剔除先前视频帧未匹配的跟踪目标。
本实施例通过跟踪模块23,定位与当前视频帧的帧序相差较大的先前视频帧,剔除先前视频帧未匹配的跟踪目标,能够防止当前视频帧的跟踪目标继承到消失已久的跟踪目标的家畜标号,有利于避免出现跟踪目标之间家畜标号转换的问题。
在优选的实施例当中,第一相交面积比例为:
其中,Spre=(rate×lpre)×(rate×wpre),Spre-1=(rate×lpre-1)×(rate×wpre-1),Spre为当前视频帧的跟踪目标的面积,lpre为当前视频帧的跟踪目标的长度,wpre为当前视频帧的跟踪目标的宽度,Spre-1为上一视频帧的跟踪目标的面积,lpre-1为上一视频帧的跟踪目标的长度,wpre-1为上一视频帧的跟踪目标的宽度,rate为以中心点缩放的比例。
本实施例通过跟踪模块23,在计算第一相交面积比例的过程中,引入以中心点缩放跟踪目标的思想,能够在跟踪目标之间粘连时调整以中心点缩放的比例,有利于避免出现跟踪目标之间粘连以及粘连致使跟踪目标之间家畜标号转换的问题。
在优选的实施例当中,先前视频帧未匹配的跟踪目标在当前视频帧的预测位置为:
可以理解的是,x表示跟踪目标的水平距离,y表示跟踪目标的垂直距离。
综上所述,实施本发明的实施例,具有如下有益效果:
通过逐帧接收监控视频,并通过目标检测网络对当前视频帧进行目标检测,得到当前视频帧的跟踪目标,在当前视频帧为初始视频帧时,向当前视频帧的跟踪目标分配家畜标号,在当前视频帧为中间视频帧时,根据预先定义的多阈值逐级匹配策略将当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使当前视频帧的跟踪目标继承先前视频帧的跟踪目标的家畜标号,重复上述操作直至当前视频帧为终止视频帧,完成跟踪家畜。相比于现有技术,本发明的实施例针对中间视频帧,根据预先定义的多阈值逐级匹配策略将当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,能够充分考虑到实际场景中多只家畜快速运动甚至消失、家畜之间严重粘连的情况,实现稳定准确地跟踪家畜。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例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)或随机存储记忆体(Random Access Memory,RAM)等。
Claims (10)
1.一种家畜跟踪方法,其特征在于,包括步骤:
S1、逐帧接收监控视频,并通过目标检测网络对当前视频帧进行目标检测,得到所述当前视频帧的跟踪目标;
S2、在所述当前视频帧为初始视频帧时,向所述当前视频帧的跟踪目标分配家畜标号;
S3、在所述当前视频帧为中间视频帧时,根据预先定义的多阈值逐级匹配策略将所述当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使所述当前视频帧的跟踪目标继承所述先前视频帧的跟踪目标的家畜标号;
S4、重复步骤S1~S3直至所述当前视频帧为终止视频帧。
2.如权利要求1所述的家畜跟踪方法,其特征在于,所述通过目标检测网络对当前视频帧进行目标检测,得到所述当前视频帧的跟踪目标,具体为:
通过所述目标检测网络对所述当前视频帧进行目标检测,得到所述当前视频帧的若干个初选目标;
从若干个所述初选目标中筛选出置信度大于预设置信度阈值的初选目标作为所述当前视频帧的跟踪目标。
3.如权利要求1所述的家畜跟踪方法,其特征在于,所述根据预先定义的多阈值逐级匹配策略将所述当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使所述当前视频帧的跟踪目标继承所述先前视频帧的跟踪目标的家畜标号,包括:
分别计算所述当前视频帧的跟踪目标与上一视频帧的每一跟踪目标的相交面积比例,得到若干个第一相交面积比例,并依序将每一所述第一相交面积比例与第一比例阈值进行比较,在所述第一相交面积比例大于所述第一比例阈值时,使所述当前视频帧的跟踪目标继承所述上一视频帧对应的跟踪目标的家畜标号;
当所述当前视频帧的跟踪目标未匹配成功时,分别计算所述当前视频帧的跟踪目标与所述先前视频帧未匹配的跟踪目标在所述当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一所述第二相交面积比例与第二比例阈值进行比较,在所述第二相交面积比例大于所述第二比例阈值时,使所述当前视频帧的跟踪目标继承所述先前视频帧对应的跟踪目标的家畜标号;
在所述当前视频帧的跟踪目标仍未匹配成功时,向所述当前视频帧的跟踪目标分配新的家畜标号。
4.如权利要求3所述的家畜跟踪方法,其特征在于,在所述当所述当前视频帧的跟踪目标未匹配成功时,分别计算所述当前视频帧的跟踪目标与所述先前视频帧未匹配的跟踪目标在所述当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一所述第二相交面积比例与第二比例阈值进行比较,在所述第二相交面积比例大于所述第二比例阈值时,使所述当前视频帧的跟踪目标继承所述先前视频帧对应的跟踪目标的家畜标号之前,还包括:
计算所述当前视频帧与所述先前视频帧的帧序差值,并在所述帧序差值大于预设帧序阈值时,剔除所述先前视频帧未匹配的跟踪目标。
7.一种家畜跟踪装置,其特征在于,包括:
检测模块,用于逐帧接收监控视频,并通过目标检测网络对当前视频帧进行目标检测,得到所述当前视频帧的跟踪目标;
分配模块,用于在所述当前视频帧为初始视频帧时,向所述当前视频帧的跟踪目标分配家畜标号;
跟踪模块,用于在所述当前视频帧为中间视频帧时,根据预先定义的多阈值逐级匹配策略将所述当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使所述当前视频帧的跟踪目标继承所述先前视频帧的跟踪目标的家畜标号;
驱动模块,用于驱动检测模块执行检测操作、驱动分配模块执行分配操作以及驱动跟踪模块执行跟踪操作直至所述当前视频帧为终止视频帧。
8.如权利要求7所述的家畜跟踪装置,其特征在于,所述通过目标检测网络对当前视频帧进行目标检测,得到所述当前视频帧的跟踪目标,具体为:
通过所述目标检测网络对所述当前视频帧进行目标检测,得到所述当前视频帧的若干个初选目标;
从若干个所述初选目标中筛选出置信度大于预设置信度阈值的初选目标作为所述当前视频帧的跟踪目标。
9.如权利要求7所述的家畜跟踪装置,其特征在于,所述根据预先定义的多阈值逐级匹配策略将所述当前视频帧的跟踪目标与先前视频帧的跟踪目标进行匹配,并在匹配成功时使所述当前视频帧的跟踪目标继承所述先前视频帧的跟踪目标的家畜标号,包括:
分别计算所述当前视频帧的跟踪目标与上一视频帧的每一跟踪目标的相交面积比例,得到若干个第一相交面积比例,并依序将每一所述第一相交面积比例与第一比例阈值进行比较,在所述第一相交面积比例大于所述第一比例阈值时,使所述当前视频帧的跟踪目标继承所述上一视频帧对应的跟踪目标的家畜标号;
当所述当前视频帧的跟踪目标未匹配成功时,分别计算所述当前视频帧的跟踪目标与所述先前视频帧未匹配的跟踪目标在所述当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一所述第二相交面积比例与第二比例阈值进行比较,在所述第二相交面积比例大于所述第二比例阈值时,使所述当前视频帧的跟踪目标继承所述先前视频帧对应的跟踪目标的家畜标号;
在所述当前视频帧的跟踪目标仍未匹配成功时,向所述当前视频帧的跟踪目标分配新的家畜标号。
10.如权利要求9所述的家畜跟踪装置,其特征在于,所述跟踪模块,还用于在所述当所述当前视频帧的跟踪目标未匹配成功时,分别计算所述当前视频帧的跟踪目标与所述先前视频帧未匹配的跟踪目标在所述当前视频帧的预测位置的相交面积比例,得到若干个第二相交面积比例,并依序将每一所述第二相交面积比例与第二比例阈值进行比较,在所述第二相交面积比例大于所述第二比例阈值时,使所述当前视频帧的跟踪目标继承所述先前视频帧对应的跟踪目标的家畜标号之前,
计算所述当前视频帧与所述先前视频帧的帧序差值,并在所述帧序差值大于预设帧序阈值时,剔除所述先前视频帧未匹配的跟踪目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452091.2A CN113192106B (zh) | 2021-04-25 | 2021-04-25 | 一种家畜跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452091.2A CN113192106B (zh) | 2021-04-25 | 2021-04-25 | 一种家畜跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113192106A true CN113192106A (zh) | 2021-07-30 |
CN113192106B CN113192106B (zh) | 2023-05-30 |
Family
ID=76979029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110452091.2A Active CN113192106B (zh) | 2021-04-25 | 2021-04-25 | 一种家畜跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192106B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155275A (zh) * | 2021-11-17 | 2022-03-08 | 深圳职业技术学院 | 一种基于IOU-Tracker的鱼类跟踪方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360226A (zh) * | 2018-10-17 | 2019-02-19 | 武汉大学 | 一种基于时间序列多特征融合的多目标跟踪方法 |
CN110751674A (zh) * | 2018-07-24 | 2020-02-04 | 北京深鉴智能科技有限公司 | 多目标跟踪方法及相应视频分析系统 |
CN111145214A (zh) * | 2019-12-17 | 2020-05-12 | 深圳云天励飞技术有限公司 | 目标跟踪方法、装置、终端设备及介质 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
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 |
-
2021
- 2021-04-25 CN CN202110452091.2A patent/CN113192106B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751674A (zh) * | 2018-07-24 | 2020-02-04 | 北京深鉴智能科技有限公司 | 多目标跟踪方法及相应视频分析系统 |
CN109360226A (zh) * | 2018-10-17 | 2019-02-19 | 武汉大学 | 一种基于时间序列多特征融合的多目标跟踪方法 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN111145214A (zh) * | 2019-12-17 | 2020-05-12 | 深圳云天励飞技术有限公司 | 目标跟踪方法、装置、终端设备及介质 |
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 |
Non-Patent Citations (1)
Title |
---|
黄超: ""基于视频的人体多目标检测与跟踪算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, no. 03, 15 March 2015 (2015-03-15), pages 138 - 2523 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155275A (zh) * | 2021-11-17 | 2022-03-08 | 深圳职业技术学院 | 一种基于IOU-Tracker的鱼类跟踪方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113192106B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7664329B2 (en) | Block-based Gaussian mixture model video motion detection | |
CN112862093B (zh) | 一种图神经网络训练方法及装置 | |
US11640714B2 (en) | Video panoptic segmentation | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN115546705B (zh) | 目标识别方法、终端设备及存储介质 | |
CN112396042A (zh) | 实时更新的目标检测方法及系统、计算机可读存储介质 | |
CN112101156A (zh) | 一种目标识别的方法、装置和电子设备 | |
CN116311063A (zh) | 监控视频下基于人脸识别的人员细粒度跟踪方法及系统 | |
CN111444816A (zh) | 一种基于Faster RCNN的多尺度密集行人检测方法 | |
CN112132892A (zh) | 目标位置标注方法、装置及设备 | |
CN113192106A (zh) | 一种家畜跟踪方法及装置 | |
CN112541372A (zh) | 一种困难样本筛选方法及装置 | |
CN117437186A (zh) | 一种基于深度学习算法的透明件表面缺陷检测方法及系统 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
CN115083004B (zh) | 一种身份识别方法、装置和计算机可读存储介质 | |
CN112149698A (zh) | 一种困难样本数据的筛选方法及装置 | |
CN113723431B (zh) | 图像识别方法、装置以及计算机可读存储介质 | |
CN115661586A (zh) | 模型训练和人流量统计方法、装置及设备 | |
CN112446428B (zh) | 一种图像数据处理方法及装置 | |
CN112733578B (zh) | 车辆重识别方法及系统 | |
CN111860261A (zh) | 一种客流值的统计方法、装置、设备及介质 | |
CN112861652A (zh) | 基于卷积神经网络的视频目标跟踪与分割方法及系统 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN113192108A (zh) | 一种针对视觉跟踪模型的人在回路训练方法及相关装置 | |
CN116630367B (zh) | 目标跟踪方法、装置、电子设备及存储介质 |
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 |