CN113223051A - 轨迹优化方法、装置、设备、存储介质以及程序产品 - Google Patents

轨迹优化方法、装置、设备、存储介质以及程序产品 Download PDF

Info

Publication number
CN113223051A
CN113223051A CN202110516828.2A CN202110516828A CN113223051A CN 113223051 A CN113223051 A CN 113223051A CN 202110516828 A CN202110516828 A CN 202110516828A CN 113223051 A CN113223051 A CN 113223051A
Authority
CN
China
Prior art keywords
frame
detection
prediction
successfully matched
track
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.)
Pending
Application number
CN202110516828.2A
Other languages
English (en)
Inventor
康帅
苏翔博
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110516828.2A priority Critical patent/CN113223051A/zh
Publication of CN113223051A publication Critical patent/CN113223051A/zh
Pending legal-status Critical Current

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Abstract

本公开提供了一种轨迹优化方法、装置、设备、存储介质以及程序产品，涉及人工智能领域，具体为计算机视觉和深度学习技术，可应用于智慧城市场景下。该方法的一具体实施方式包括：将视频中的检测框与轨迹进行匹配，得到匹配成功的检测框与对应的匹配成功的轨迹，以及利用匹配成功的检测框更新对应的匹配成功的轨迹；将匹配成功的检测框对应的帧号保存到对应的匹配成功的轨迹中；顺序查看匹配成功的轨迹中的帧号；若当前帧的帧号与上一帧的帧号不连续，在当前帧与上一帧之间构造预测框序列；基于预测框序列，对匹配成功的轨迹进行填补。该实施方式可以有效缓解跟踪过程中的轨迹闪烁现象。

Description

轨迹优化方法、装置、设备、存储介质以及程序产品
技术领域
本公开涉及人工智能领域，具体为计算机视觉和深度学习技术，可应用于智慧城市场景下。
背景技术
多目标跟踪，即Multiple Object Tracking(MOT)。其主要任务是给定一个图像序列，找到图像序列中运动的物体，并将不同帧的运动物体一一对应ID(Identity，标识)，然后给出不同物体的运动轨迹。这些物体可以是任意的，如行人、车辆、各种动物等等。
目前，在单摄像头多目标跟踪领域中，tracking-by-detection(通过检测跟踪)算法应用极为广泛。tracking by detection主要包括两个阶段：检测阶段和跟踪阶段。在检测阶段中，使用目标检测算法将每帧中感兴趣的目标检测出来；在跟踪阶段中，将检测阶段的检测结果与上一帧中的检测目标一一关联起来。
然而，tracking-by-detection算法严重依赖检测阶段，由于同一目标在不同帧的检测质量参差不齐，因此跟踪阶段中往往会出现轨迹闪烁的问题，不仅干扰可视化效果，而且严重影响跟踪指标。
发明内容
本公开实施例提出了一种轨迹优化方法、装置、设备、存储介质以及程序产品。
第一方面，本公开实施例提出了一种轨迹优化方法，包括：将视频中的检测框与轨迹进行匹配，得到匹配成功的检测框与对应的匹配成功的轨迹，以及利用匹配成功的检测框更新对应的匹配成功的轨迹；将匹配成功的检测框对应的帧号保存到对应的匹配成功的轨迹中；顺序查看匹配成功的轨迹中的帧号；若当前帧的帧号与上一帧的帧号不连续，在当前帧与上一帧之间构造预测框序列；基于预测框序列，对匹配成功的轨迹进行填补。
第二方面，本公开实施例提出了一种轨迹优化装置，包括：更新模块，被配置成将视频中的检测框与轨迹进行匹配，得到匹配成功的检测框与对应的匹配成功的轨迹，以及利用匹配成功的检测框更新对应的匹配成功的轨迹；保存模块，被配置成将匹配成功的检测框对应的帧号保存到对应的匹配成功的轨迹中；查看模块，被配置成顺序查看匹配成功的轨迹中的帧号；构造模块，被配置成若当前帧的帧号与上一帧的帧号不连续，在当前帧与上一帧之间构造预测框序列；填补模块，被配置成基于预测框序列，对匹配成功的轨迹进行填补。
第三方面，本公开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，本公开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。
第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的轨迹优化方法、装置、设备、存储介质以及程序产品，主要对跟踪阶段做特定优化，从而有效缓解检测阶段对跟踪阶段的干扰，保持持续稳定的跟踪效果。通过对轨迹中的缺失片段添加预测框序列，对跟踪结果进行后处理操作，可以有效缓解跟踪过程中的轨迹闪烁现象，进一步提升跟踪指标。
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，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开可以应用于其中的示例性系统架构图；
图2是本公开的轨迹优化方法的一个实施例的流程图；
图3是本公开的轨迹优化方法的又一个实施例的流程图；
图4是本公开的轨迹优化装置的一个实施例的结构示意图；
图5是用来实现本公开实施例的轨迹优化方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本公开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公开。
图1示出了可以应用本公开的轨迹优化方法或轨迹优化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可以包括视频采集设备101，网络102和服务器103。网络102用以在视频采集设备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。
视频采集设备101可以通过网络102与服务器103交互，以接收或发送视频等。
视频采集设备101可以是硬件，也可以是软件。当视频采集设备101为硬件时，可以是各种带有摄像头的电子设备。当视频采集设备101为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以提供各种服务。例如，服务器103可以对从视频采集设备101获取到的视频进行分析等处理，并生成处理结果(例如填补后的轨迹)。
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，本公开实施例所提供的轨迹优化方法一般由服务器103执行，相应地，轨迹优化装置一般设置于服务器103中。
应该理解，图1中的视频采集设备、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视频采集设备、网络和服务器。
继续参考图2，其示出了本公开的轨迹优化方法的一个实施例的流程200。该轨迹优化方法包括以下步骤：
步骤201，将视频中的检测框与轨迹进行匹配，得到匹配成功的检测框与对应的匹配成功的轨迹，以及利用匹配成功的检测框更新对应的匹配成功的轨迹。
在本实施例中，轨迹优化方法的执行主体(例如图1所示的服务器103)可以从视频采集设备(例如图1所示的视频采集设备101)获取视频。随后对视频进行多目标跟踪。
在检测阶段，使用目标检测算法将视频中的每帧中的感兴趣的目标检测出来，得到检测框。其中，检测框可以是目标的边界框。在跟踪阶段，将检测阶段的检测框与轨迹一一关联起来。具体地，将视频中的检测框与轨迹进行匹配，得到匹配成功的检测框与对应的匹配成功的轨迹，以及利用匹配成功的检测框更新对应的匹配成功的轨迹。对于第一帧中的检测框，生成长度为1的轨迹。对于第二帧中的检测框，将其与轨迹进行匹配。对于匹配成功的检测框，将其与对应的匹配成功的轨迹进行关联，即可生成长度为2的轨迹。对于后续帧中的检测框，依次类推，直至最后一帧匹配完毕，即可得到最终的轨迹。
步骤202，将匹配成功的检测框对应的帧号保存到对应的匹配成功的轨迹中。
在本实施例中，上述执行主体可以遍历视频中的轨迹，若该轨迹与检测框匹配成功，将匹配成功的检测框对应的帧号保存到该轨迹中。
步骤203，顺序查看匹配成功的轨迹中的帧号。
在本实施例中，上述执行主体可以遍历视频中的轨迹，顺序查看匹配成功的轨迹中的帧号。从第二帧开始，若当前帧的帧号与上一帧的帧号连续，说明轨迹在当前帧与上一帧之间不存在缺失片段，继续查看帧号。若当前帧的帧号与上一帧的帧号不连续，说明轨迹在当前帧与上一帧之间存在缺失片段，执行步骤204。
步骤204，若当前帧的帧号与上一帧的帧号不连续，在当前帧与上一帧之间构造预测框序列。
在本实施例中，若当前帧的帧号与上一帧的帧号不连续，在当前帧与上一帧之间构造预测框序列。
其中，预测框序列中的预测框数目通常会等于当前帧与上一帧之间缺失的帧数，且一个预测框对应一个缺失帧。由于预测框序列中的预测框处于当前帧与上一帧之间，因此通常是基于当前帧的检测框和上一帧的检测框构建出来的。例如，将当前帧的检测框位置或上一帧的检测框位置直接作为预测框序列中的预测框位置。又例如，将当前帧的检测框位置与上一帧的检测框位置的均值作为预测框序列中的预测框位置。
步骤205，基于预测框序列，对匹配成功的轨迹进行填补。
在本实施例中，上述执行主体可以基于预测框序列，对匹配成功的轨迹进行填补。例如，依次连接预测框序列中的预测框的中心点，生成缺失轨迹片段，将缺失轨迹片段填补到轨迹中的当前帧与上一帧之间。通常，连接预测框的中心点时可以使用曲线，从而使得缺失轨迹片段过渡平滑，更加符合自然界中的物体的运动规律。
本公开实施例提供的轨迹优化方法，主要对跟踪阶段做特定优化，从而有效缓解检测阶段对跟踪阶段的干扰，保持持续稳定的跟踪效果。通过对轨迹中的缺失片段添加预测框序列，对跟踪结果进行后处理操作，可以有效缓解跟踪过程中的轨迹闪烁现象，进一步提升跟踪指标。
进一步参考图3，其示出了根据本公开的轨迹优化方法的又一个实施例的流程300。该轨迹优化方法包括以下步骤：
步骤301，利用外观特征和运动特征对视频中的检测框与轨迹进行级联匹配，得到特征匹配的检测框与对应的特征匹配成功的轨迹，以及利用特征匹配成功的检测框更新对应的特征匹配的轨迹。
在本实施例中，轨迹优化方法的执行主体(例如图1所示的服务器103)可以从视频采集设备(例如图1所示的视频采集设备101)获取视频。随后对视频进行多目标跟踪。
在检测阶段，使用目标检测算法将视频中的每帧中的感兴趣的目标检测出来，得到检测框。其中，检测框可以是目标的边界框。在跟踪阶段，将检测阶段的检测框与轨迹一一关联起来。跟踪阶段可以包括两个匹配阶段，以达到更好的跟踪效果。在第一阶段中，利用外观特征和运动特征对视频中的检测框与轨迹进行级联匹配，得到特征匹配的检测框与对应的特征匹配成功的轨迹，以及利用特征匹配成功的检测框更新对应的特征匹配的轨迹。其中，利用外观特征和运动特征进行级联匹配，可以实现绝大部分目标的匹配。外观特征可以用于表征目标的外表面所具有的特征，包括但不限于形状、纹理、颜色等等。运动特征可以用于表征目标的运动过程所具有的特征，包括但不限于速度、方向等等。在实际应用中，利用外观特征和运动特征可以分别构造检测框与轨迹的代价矩阵，然后使用匈牙利算法对检测框与轨迹的代价矩阵进行匹配，即可得到特征匹配成功的检测框与对应的特征匹配成功的轨迹。其中，匈牙利算法是一种在多项式时间内求解任务分配问题的组合优化算法，并推动了后来的原始对偶方法。
步骤302，利用IOU对长度不大于N的轨迹与特征匹配失败的检测框进行匹配，得到IOU匹配成功的检测框与对应的IOU匹配成功的轨迹，以及利用IOU匹配成功的检测框更新对应的IOU匹配成功的轨迹。
在第二阶段中，利用IOU(Intersection over Union，交并比)对长度不大于N的轨迹与特征匹配失败的检测框进行匹配，得到IOU匹配成功的检测框与对应的IOU匹配成功的轨迹，以及利用IOU匹配成功的检测框更新对应的IOU匹配成功的轨迹。其中，在利用外观特征和运动特征完成绝大部分目标的匹配之后，利用IOU再做一次匹配，可以进一步提升跟踪效果。这里，N为正整数。在实际应用中，N通常为1。利用IOU关联去匹配长度为1的轨迹与特征匹配失败的检测框，可以缓解因为表观突变或者部分遮挡导致的较大变化。
步骤303，将匹配成功的检测框对应的帧号保存到对应的匹配成功的轨迹中。
在本实施例中，上述执行主体可以遍历视频中的轨迹，若该轨迹与检测框匹配成功，将匹配成功的检测框对应的帧号保存到该轨迹中。
此外，对于匹配失败的检测框，上述执行主体可以将其信息保存到集合d中。通常，集合的数目等于视频的帧数，一帧中的匹配失败的检测框的信息保存到一个集合中。也就是说，第i帧匹配失败的检测框的信息保存到集合di中。这里，i为帧号。
步骤304，顺序查看匹配成功的轨迹中的帧号。
在本实施例中，多目标跟踪完成之后，可以得到轨迹t＝{t1，t2，…，tn}。其中，n为轨迹数目。遍历视频中的轨迹，顺序查看匹配成功的轨迹ti中的帧号。这里，i为轨迹号。
步骤305，确定当前帧的帧号与上一帧的帧号是否连续。
在本实施例中，从第二帧开始，上述执行主体可以确定当前帧fi的帧号与上一帧fi-1的帧号是否连续。若当前帧fi的帧号与上一帧fi-1的帧号连续，说明轨迹在当前帧fi与上一帧fi-1之间不存在缺失片段，执行步骤304，继续查看帧号。若当前帧fi的帧号与上一帧fi-1的帧号不连续，说明轨迹在当前帧fi与上一帧fi-1之间存在缺失片段，执行步骤306。
步骤306，基于当前帧的检测框和上一帧的检测框，按照匀速运动模式，构建出预测框序列。
在本实施例中，若当前帧fi的帧号与上一帧fi-1的帧号不连续，上述执行主体可以基于当前帧fi的检测框和上一帧fi-1的检测框，按照匀速运动模式，构建出预测框序列。其中，预测框序列中的预测框数目等于当前帧fi与上一帧fi-1之间缺失的帧数。按照匀速运动模式构建预测框序列，使得构建出的预测框序列更符合真实目标的运动趋势。
例如，上一帧fi-1中的检测框为xi-1,yi-1,wi-1,hi-1，当前帧fi的检测框为xi,yi,wi，hi。按照匀速运动模式，构建出fi-fi-1-1个预测框，对应计算公式如下：
Figure BDA0003062629970000081
Figure BDA0003062629970000082
Figure BDA0003062629970000083
Figure BDA0003062629970000084
其中，j为预测框号，j∈{1,fi-fi-1-1}。
步骤307，计算当前帧与上一帧之间匹配失败的检测框与预测框序列中的预测框的IOU。
在本实施例中，上述执行主体可以计算当前帧fi与上一帧fi-1之间匹配失败的检测框与预测框序列中的预测框的IOU。通常，一帧中的匹配失败的检测框与一个预测框计算IOU。也就是说，当前帧fi与上一帧fi-1之间的第j帧中的匹配失败的检测框与预测框序列中的第j个预测框计算IOU。由于第i帧匹配失败的检测框的信息保存到集合di中，因此可以根据匹配失败的检测框对应的帧号从相应的集合中确定匹配失败的检测框。
步骤308，利用IOU大于预设阈值的检测框替换预测框序列中的IOU大于预设阈值的预测框。
在本实施例中，上述执行主体可以确定步骤307计算出的检测框与预测框的IOU是否大于预设阈值。若IOU不大于预设阈值，保留IOU不大于预设阈值的预测框。若IOU大于预设阈值，利用IOU大于预设阈值的检测框替换IOU大于预设阈值的预测框。预测框是人为构造的虚假框，而检测框是视频中存在的真实框。当IOU大于预设阈值时，说明IOU大于预设阈值的检测框与IOU大于预设阈值的预测框对应同一个目标。这个IOU大于预设阈值的检测框是多目标跟踪时漏掉的检测框。利用IOU大于预设阈值的检测框替换IOU大于预设阈值的预测框进行轨迹填补，可以降低多目标跟踪的FN，使填补后的轨迹更加符合真实情况。其中，FN，即False Negatives，属于多目标跟踪的一种评价指标，代表误判数。
步骤309，依次连接预测框序列中的预测框的中心点，生成缺失轨迹片段。
在本实施例中，依次连接预测框序列中的预测框的中心点，生成缺失轨迹片段。这里，预测框序列中的预测框可以包括IOU大于预设阈值的检测框和IOU不大于预设阈值的预测框。通常，连接预测框的中心点时可以使用曲线，从而使得缺失轨迹片段过渡平滑，更加符合自然界中的物体的运动规律。
步骤310，将缺失轨迹片段填补到轨迹中的当前帧与上一帧之间。
在本实施例中，上述执行主体可以将缺失轨迹片段填补到轨迹中的当前帧与上一帧之间。
此外，在填补之后，对于拼接位置处，可以进行平滑处理，以使轨迹过渡平滑，更加符合自然界中的物体的运动规律。
从图3中可以看出，与图2对应的实施例相比，本实施例中的轨迹优化方法突出了跟踪步骤、预测框序列构建步骤和预存框序列更新步骤。由此，本实施例描述的方案通过两个匹配阶段进行跟踪，以达到更好的跟踪效果。按照匀速运动模式构建预测框序列，使得构建出的预测框序列更符合真实目标的运动趋势。利用IOU大于预设阈值的检测框替换IOU大于预设阈值的预测框进行轨迹填补，可以降低多目标跟踪的FN，使填补后的轨迹更加符合真实情况。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种轨迹优化装置的一个实施例，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4所示，本实施例的轨迹优化装置400可以包括：更新模块401、保存模块402、查看模块403、构造模块404和填补模块405。其中，更新模块401，被配置成将视频中的检测框与轨迹进行匹配，得到匹配成功的检测框与对应的匹配成功的轨迹，以及利用匹配成功的检测框更新对应的匹配成功的轨迹；保存模块402，被配置成将匹配成功的检测框对应的帧号保存到对应的匹配成功的轨迹中；查看模块403，被配置成顺序查看匹配成功的轨迹中的帧号；构造模块404，被配置成若当前帧的帧号与上一帧的帧号不连续，在当前帧与上一帧之间构造预测框序列；填补模块405，被配置成基于预测框序列，对匹配成功的轨迹进行填补。
在本实施例中，轨迹优化装置400中：更新模块401、保存模块402、查看模块403、构造模块404和填补模块405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201-205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，构造模块404进一步被配置成：基于当前帧的检测框和上一帧的检测框，按照匀速运动模式，构建出预测框序列，其中，预测框序列中的预测框数目等于当前帧与上一帧之间缺失的帧数。
在本实施例的一些可选的实现方式中，填补模块405包括：生成子模块，被配置成依次连接预测框序列中的预测框的中心点，生成缺失轨迹片段；填补子模块，被配置成将缺失轨迹片段填补到轨迹中的当前帧与上一帧之间。
在本实施例的一些可选的实现方式中，填补模块405还包括：计算子模块，被配置成计算当前帧与上一帧之间匹配失败的检测框与预测框序列中的预测框的交并比IOU；替换子模块，被配置成利用IOU大于预设阈值的检测框替换预测框序列中的IOU大于预设阈值的预测框。
在本实施例的一些可选的实现方式中，更新模块401进一步被配置成：利用外观特征和运动特征对视频中的检测框与轨迹进行级联匹配，得到特征匹配的检测框与对应的特征匹配成功的轨迹，以及利用特征匹配成功的检测框更新对应的特征匹配的轨迹；利用IOU对长度不大于N的轨迹与特征匹配失败的检测框进行匹配，得到IOU匹配成功的检测框与对应的IOU匹配成功的轨迹，以及利用IOU匹配成功的检测框更新对应的IOU匹配成功的轨迹，其中，N为正整数。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。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/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如轨迹优化方法。例如，在一些实施例中，轨迹优化方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的轨迹优化方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行轨迹优化方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。
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，本公开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，只要能够实现本公开提供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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (13)

1.一种轨迹优化方法，包括：
将视频中的检测框与轨迹进行匹配，得到匹配成功的检测框与对应的匹配成功的轨迹，以及利用所述匹配成功的检测框更新对应的所述匹配成功的轨迹；
将所述匹配成功的检测框对应的帧号保存到对应的所述匹配成功的轨迹中；
顺序查看所述匹配成功的轨迹中的帧号；
若当前帧的帧号与上一帧的帧号不连续，在当前帧与上一帧之间构造预测框序列；
基于所述预测框序列，对所述匹配成功的轨迹进行填补。
2.根据权利要求1所述的方法，其中，所述在当前帧与上一帧之间构造预测框序列，包括：
基于当前帧的检测框和上一帧的检测框，按照匀速运动模式，构建出所述预测框序列，其中，所述预测框序列中的预测框数目等于当前帧与上一帧之间缺失的帧数。
3.根据权利要求1或2所述的方法，其中，所述基于所述预测框序列，对所述匹配成功的轨迹进行填补，包括：
依次连接所述预测框序列中的预测框的中心点，生成缺失轨迹片段；
将所述缺失轨迹片段填补到所述轨迹中的当前帧与上一帧之间。
4.根据权利要求3所述的方法，其中，在所述依次连接所述预测框序列中的预测框的中心点，生成缺失轨迹片段之前，还包括：
计算当前帧与上一帧之间匹配失败的检测框与所述预测框序列中的预测框的交并比IOU；
利用IOU大于预设阈值的检测框替换所述预测框序列中的IOU大于预设阈值的预测框。
5.根据权利要求1-4中任一项所述的方法，其中，所述将视频中的检测框与轨迹进行匹配，得到匹配成功的检测框与对应的匹配成功的轨迹，以及利用所述匹配成功的检测框更新对应的所述匹配成功的轨迹，包括：
利用外观特征和运动特征对所述视频中的检测框与轨迹进行级联匹配，得到特征匹配的检测框与对应的特征匹配成功的轨迹，以及利用所述特征匹配成功的检测框更新对应的所述特征匹配的轨迹；
利用IOU对长度不大于N的轨迹与特征匹配失败的检测框进行匹配，得到IOU匹配成功的检测框与对应的IOU匹配成功的轨迹，以及利用所述IOU匹配成功的检测框更新对应的所述IOU匹配成功的轨迹，其中，N为正整数。
6.一种轨迹优化装置，包括：
更新模块，被配置成将视频中的检测框与轨迹进行匹配，得到匹配成功的检测框与对应的匹配成功的轨迹，以及利用所述匹配成功的检测框更新对应的所述匹配成功的轨迹；
保存模块，被配置成将所述匹配成功的检测框对应的帧号保存到对应的所述匹配成功的轨迹中；
查看模块，被配置成顺序查看所述匹配成功的轨迹中的帧号；
构造模块，被配置成若当前帧的帧号与上一帧的帧号不连续，在当前帧与上一帧之间构造预测框序列；
填补模块，被配置成基于所述预测框序列，对所述匹配成功的轨迹进行填补。
7.根据权利要求6所述的装置，其中，所述构造模块进一步被配置成：
基于当前帧的检测框和上一帧的检测框，按照匀速运动模式，构建出所述预测框序列，其中，所述预测框序列中的预测框数目等于当前帧与上一帧之间缺失的帧数。
8.根据权利要求6或7所述的装置，其中，所述填补模块包括：
生成子模块，被配置成依次连接所述预测框序列中的预测框的中心点，生成缺失轨迹片段；
填补子模块，被配置成将所述缺失轨迹片段填补到所述轨迹中的当前帧与上一帧之间。
9.根据权利要求8所述的装置，其中，所述填补模块还包括：
计算子模块，被配置成计算当前帧与上一帧之间匹配失败的检测框与所述预测框序列中的预测框的交并比IOU；
替换子模块，被配置成利用IOU大于预设阈值的检测框替换所述预测框序列中的IOU大于预设阈值的预测框。
10.根据权利要求6-9中任一项所述的装置，其中，所述更新模块进一步被配置成：
利用外观特征和运动特征对所述视频中的检测框与轨迹进行级联匹配，得到特征匹配的检测框与对应的特征匹配成功的轨迹，以及利用所述特征匹配成功的检测框更新对应的所述特征匹配的轨迹；
利用IOU对长度不大于N的轨迹与特征匹配失败的检测框进行匹配，得到IOU匹配成功的检测框与对应的IOU匹配成功的轨迹，以及利用所述IOU匹配成功的检测框更新对应的所述IOU匹配成功的轨迹，其中，N为正整数。
11.一种电子设备，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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
CN202110516828.2A 2021-05-12 2021-05-12 轨迹优化方法、装置、设备、存储介质以及程序产品 Pending CN113223051A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110516828.2A CN113223051A (zh) 2021-05-12 2021-05-12 轨迹优化方法、装置、设备、存储介质以及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110516828.2A CN113223051A (zh) 2021-05-12 2021-05-12 轨迹优化方法、装置、设备、存储介质以及程序产品

Publications (1)

Publication Number Publication Date
CN113223051A true CN113223051A (zh) 2021-08-06

Family

ID=77095216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110516828.2A Pending CN113223051A (zh) 2021-05-12 2021-05-12 轨迹优化方法、装置、设备、存储介质以及程序产品

Country Status (1)

Country Link
CN (1) CN113223051A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114140726A (zh) * 2021-12-03 2022-03-04 湖北微模式科技发展有限公司 目标正反面展示动作连续性的检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160343146A1 (en) * 2015-05-22 2016-11-24 International Business Machines Corporation Real-time object analysis with occlusion handling
CN110163889A (zh) * 2018-10-15 2019-08-23 腾讯科技（深圳）有限公司 目标跟踪方法、目标跟踪装置、目标跟踪设备
CN111080673A (zh) * 2019-12-10 2020-04-28 清华大学深圳国际研究生院 一种抗遮挡目标跟踪方法
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
CN111209869A (zh) * 2020-01-08 2020-05-29 重庆紫光华山智安科技有限公司 基于视频监控的目标跟随显示方法、系统、设备及介质
CN111709975A (zh) * 2020-06-22 2020-09-25 上海高德威智能交通系统有限公司 多目标跟踪方法、装置、电子设备及存储介质
CN112507949A (zh) * 2020-12-18 2021-03-16 北京百度网讯科技有限公司 目标跟踪方法、装置、路侧设备以及云控平台
CN112634326A (zh) * 2020-12-17 2021-04-09 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
CN112785625A (zh) * 2021-01-20 2021-05-11 北京百度网讯科技有限公司 目标跟踪方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160343146A1 (en) * 2015-05-22 2016-11-24 International Business Machines Corporation Real-time object analysis with occlusion handling
CN110163889A (zh) * 2018-10-15 2019-08-23 腾讯科技（深圳）有限公司 目标跟踪方法、目标跟踪装置、目标跟踪设备
CN111080673A (zh) * 2019-12-10 2020-04-28 清华大学深圳国际研究生院 一种抗遮挡目标跟踪方法
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
CN111209869A (zh) * 2020-01-08 2020-05-29 重庆紫光华山智安科技有限公司 基于视频监控的目标跟随显示方法、系统、设备及介质
CN111709975A (zh) * 2020-06-22 2020-09-25 上海高德威智能交通系统有限公司 多目标跟踪方法、装置、电子设备及存储介质
CN112634326A (zh) * 2020-12-17 2021-04-09 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
CN112507949A (zh) * 2020-12-18 2021-03-16 北京百度网讯科技有限公司 目标跟踪方法、装置、路侧设备以及云控平台
CN112785625A (zh) * 2021-01-20 2021-05-11 北京百度网讯科技有限公司 目标跟踪方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
鄂贵;王永雄;: "基于R-FCN框架的多候选关联在线多目标跟踪", 光电工程, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114140726A (zh) * 2021-12-03 2022-03-04 湖北微模式科技发展有限公司 目标正反面展示动作连续性的检测方法
CN114140726B (zh) * 2021-12-03 2022-06-21 湖北微模式科技发展有限公司 目标正反面展示动作连续性的检测方法

Similar Documents

Publication Publication Date Title
CN113095336B (zh) 关键点检测模型的训练方法和检测目标对象关键点的方法
CN113901909B (zh) 基于视频的目标检测方法、装置、电子设备和存储介质
CN112488060B (zh) 目标检测方法、装置、设备和介质
CN114549612A (zh) 模型训练和图像处理方法、装置、设备及存储介质
CN113691733B (zh) 视频抖动检测方法、装置、电子设备和存储介质
CN113365110A (zh) 模型训练、视频插帧方法，装置，设备以及存储介质
CN114067051A (zh) 三维重建处理方法、装置、电子设备以及存储介质
CN114792355B (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN113902696A (zh) 图像处理方法、装置、电子设备和介质
CN113223051A (zh) 轨迹优化方法、装置、设备、存储介质以及程序产品
CN113205090B (zh) 图片矫正方法、装置、电子设备及计算机可读存储介质
CN114708374A (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN112990046B (zh) 差异信息获取方法、相关装置及计算机程序产品
CN113421335B (zh) 图像处理方法、图像处理装置、电子设备和存储介质
CN113556575A (zh) 用于压缩数据的方法、装置、设备、介质和产品
CN114119990B (zh) 用于图像特征点匹配的方法、装置及计算机程序产品
CN113610856A (zh) 训练图像分割模型和图像分割的方法和装置
CN113112398A (zh) 图像处理方法和装置
CN113223052A (zh) 轨迹优化方法、装置、设备、存储介质以及程序产品
CN113099231B (zh) 确定亚像素插值位置的方法、装置、电子设备和存储介质
CN115860077B (zh) 状态数据的处理方法、装置、设备以及存储介质
CN114463409B (zh) 图像深度信息的确定方法、装置、电子设备和介质
CN115482422B (zh) 深度学习模型的训练方法、图像处理方法和装置
CN114844889B (zh) 视频处理模型的更新方法、装置、电子设备及存储介质
CN114495236B (zh) 图像分割方法、装置、设备、介质及程序产品

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