CN113284165A - 目标跟踪方法、装置、计算机设备和存储介质 - Google Patents
目标跟踪方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113284165A CN113284165A CN202110367066.4A CN202110367066A CN113284165A CN 113284165 A CN113284165 A CN 113284165A CN 202110367066 A CN202110367066 A CN 202110367066A CN 113284165 A CN113284165 A CN 113284165A
- Authority
- CN
- China
- Prior art keywords
- current frame
- feature
- target
- frame image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 252
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 16
- 239000013598 vector Substances 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 15
- 238000013135 deep learning Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 238000005457 optimization Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
- G06V10/757—Matching configurations of points or features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种目标跟踪方法、装置、计算机设备和存储介质。所述方法包括:对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果;基于目标检测结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块;将各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征;获取当前帧图像的前一帧图像对应的前一帧目标特征;将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。采用本方法能够提高目标跟踪效果。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种目标跟踪方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,人工智能的理论和技术日益成熟,应用领域也不断扩大,其涉及的领域包括机器人、语言识别、图像识别、自然语言处理和专家系统等。目标跟踪是计算机视觉研究领域的热点之一,目标跟踪是指对图像序列中的运动目标进行检测、提取、识别和跟踪,获得运动目标的运动参数,实现对运动目标的行为理解,在军事制导、视频监控、机器人视觉导航、人机交互、以及医疗诊断等许多方面有着广泛的应用前景。
目前,传统的目标跟踪处理中,大多采用检测结果中检测框的中心点、长宽等进行目标跟踪,而检测框的中心点、长宽等特征波动性强,导致目标跟踪的效果有限。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高目标跟踪效果的目标跟踪方法、装置、计算机设备和存储介质。
一种目标跟踪方法,所述方法包括:
对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果;
基于目标检测结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块;
将各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征;
获取当前帧图像的前一帧图像对应的前一帧目标特征;
将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。
在其中一个实施例中,基于目标检测结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块,包括:
确定当前帧特征图和当前帧图像之间的几何关系;
基于几何关系将目标检测结果进行缩放处理,得到目标检测结果对应的缩放结果;
按照缩放结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块。
在其中一个实施例中,将各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征,包括:
将各当前帧特征图块进行分割,得到各特征图子块;
将各特征图子块分别进行最大池化处理,得到各特征图子块对应的子块特征;
将各子块特征进行拼接,得到当前帧图像对应的当前帧目标特征。
在其中一个实施例中,将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果,包括:
确定当前帧目标特征和前一帧目标特征之间的特征距离;
基于匹配算法对特征距离进行特征匹配,得到特征匹配结果;
根据特征匹配结果得到当前帧图像的目标跟踪结果。
在其中一个实施例中,根据特征匹配结果得到当前帧图像的目标跟踪结果,包括:
从特征匹配结果中确定匹配成功项和未匹配成功项;
获取匹配成功项和未匹配成功项分别对应的目标检测结果;
将匹配成功项和未匹配成功项分别对应的目标检测结果,作为当前帧图像的目标跟踪结果。
在其中一个实施例中,将匹配成功项和未匹配成功项分别对应的目标检测结果,作为当前帧图像的目标跟踪结果,包括:
将匹配成功项和未匹配成功项分别对应的目标检测结果进行滤波处理,得到滤波后的目标检测结果;
将滤波后的目标检测结果作为当前帧图像的目标跟踪结果。
在其中一个实施例中,对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果包括:
获取当前帧图像,并查询预训练的信号灯检测模型;
通过信号灯检测模型对当前帧图像进行信号灯检测,获得包括当前帧图像中的信号灯检测框的目标检测结果;
获取在信号灯检测过程中当前帧图像对应的当前帧特征图。
一种目标跟踪装置,所述装置包括:
目标检测模块,用于对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果;
特征图分割模块,用于基于目标检测结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块;
当前帧特征获得模块,用于将各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征;
前一帧特征获取模块,用于获取当前帧图像的前一帧图像对应的前一帧目标特征;
跟踪结果获得模块,用于将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果;
基于目标检测结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块;
将各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征;
获取当前帧图像的前一帧图像对应的前一帧目标特征;
将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。
一种计算机可读存储介质,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以下步骤:
对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果;
基于目标检测结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块;
将各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征;
获取当前帧图像的前一帧图像对应的前一帧目标特征;
将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。
上述目标跟踪方法、装置、计算机设备和存储介质,基于当前帧图像的目标检测结果,将当前帧图像对应的当前帧特征图进行分割,将获得的当前帧特征图所对应的各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征,将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。在目标跟踪处理过程中,将图像中特征图所对应的各特征图块进行特征归一化处理获得的目标特征作为目标跟踪的特征,目标特征具备丰富的信息量,鲁棒性强,可以有效提高目标跟踪的效果。
附图说明
图1为一个实施例中目标跟踪方法的应用环境图;
图2为一个实施例中目标跟踪方法的流程示意图;
图3为一个实施例中特征图分割的流程示意图;
图4为一个实施例中目标跟踪装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的目标跟踪方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102采集当前帧图像,并把当前帧图像发送至服务器104,服务器104接收到当前帧图像后,对当前帧图像进行目标检测,得到当前帧图像对应的当前帧特征图和目标检测结果,服务器104基于当前帧图像的目标检测结果,将当前帧图像对应的当前帧特征图进行分割,将获得的当前帧特征图所对应的各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征,将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。进一步地,服务器104还可以将获得的目标跟踪结果返回至终端102。在其他实现中,目标跟踪方法也可以直接由终端102单独实现,如终端102在采集到当前帧图像后,终端102可以直接对当前帧图像进行目标检测,并进行后续的目标跟踪处理,得到目标跟踪结果。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种目标跟踪方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果。
其中,目标跟踪是在给定某视频序列初始帧的目标大小与位置的情况下,预测后续帧中该目标的大小与位置。当前帧图像是当前采集到的需要进行目标跟踪处理的图像帧,目标跟踪需要对图像中的目标进行连续检测跟踪,具体通过连续拍摄多帧图像进行跟踪。目标检测的任务是找出图像中所有感兴趣的目标(物体),确定它们的位置和大小,是机器视觉领域的核心问题之一。由于各类物体有不同的外观、形状、姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是机器视觉领域最具有挑战性的问题。目标检测在人们生活中得到了广泛的应用,如监控安全、自动驾驶等。对当前帧图像进行目标检测可以通过目标检测算法实现,具体如R-CNN(Region Convolutional Neural Networks,区域卷积神经网络)、Fast R-CNN(Fast Region Convolutional Neural Networks,快速区域卷积神经网络)、YOLO(You Only Look Once,只观测一次)、Attention Net(注意力网络)等各种目标检测算法。
当前帧特征图为对当前帧图像进行目标检测过程中,目标检测算法从当前帧图像中识别到的特征图。在目标检测算法识别到多个特征时,例如通过卷积神经网络模型对当前帧图像进行目标检测时,卷积神经网络模型具有多层结果,每一层都可以输出不同的特征图。目标检测结果为目标检测处理得到的检测结果,具体可以包括从当前帧中识别到的目标对象。
具体地,终端将采集到的当前帧图像发送至服务器,服务器对接收的当前帧图像进行目标检测,具体可以通过预设的目标检测算法对当前帧图像进行目标检测,如由服务器通过深度学习模型对当前帧图像进行目标检测,服务器获取深度学习模型在对当前帧图像进行目标检测过程中获得的当前帧特征图,在深度学习模型中具有多层结构时,可以选择特征更为丰富的层结构输出的特征图作为当前帧图像对应的当前帧特征图。而目标检测结果即可以由深度学习模型输出得到。
步骤204,基于目标检测结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块。
其中,当前帧特征图块为对当前帧特征图进行分割后得到各特征图块,各特征图块的大小与目标检测结果的大小对应。具体地,在得到当前帧图像对应的当前帧特征图和目标检测结果后,服务器基于目标检测结果将当前帧特征图进行分割,如可以按照目标检测结果中各目标对象的检测框,对当前帧特征图进行分割,得到与检测框大小相同的各当前帧特征图块。
步骤206,将各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征。
其中,特征归一化处理可以将各当前帧特征图块的特征进行融合,得到能够表征当前帧图像特征的当前帧目标特征。当前帧目标特征由各当前帧特征图块进行特征归一化处理得到,其携带了各当前帧特征图块中的特征,特征信息丰富,可以准确表达当前帧图像的特征,基于当前帧目标特征进行目标跟踪,可以提高目标跟踪的效果。
具体地,得到当前帧特征图所对应的各当前帧特征图块后,服务器将各当前帧特征图块进行特征归一化处理,具体可以由服务器对各当前帧特征图块进行感兴趣区域池化处理,得到各当前帧特征图块的池化特征,并将各当前帧特征图块的池化特征进行拼接,得到当前帧图像对应的当前帧目标特征。
步骤208,获取当前帧图像的前一帧图像对应的前一帧目标特征。
其中,前一帧图像为采集于当前帧图像之前的相邻帧图像,通过对前一帧图像中的目标对象进行跟踪。前一帧目标特征表征前一帧图像的特征,用于目标跟踪处理。在具体应用时,前一帧目标特征通过与当前帧目标特征相同的方式,从前一帧图像中提取得到。具体地,服务器可以获取当前帧图像的前一帧图像,对前一帧图像进行目标检测,获得前一帧图像对应的前一帧特征图和目标检测结果,基于前一帧图像对应的目标检测结果将前一帧特征图进行分割,得到前一帧特征图所对应的各前一帧特征图块,将各前一帧特征图块进行特征归一化处理,得到前一帧图像对应的前一帧目标特征。
步骤210,将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。
得到表征当前帧图像特征的当前帧目标特征和表征前一帧图像特征的前一帧目标特征后,服务器将当前帧目标特征和前一帧目标特征进行特征匹配,具体可以基于匈牙利算法进行特征匹配,得到特征匹配结果得到当前帧图像的目标跟踪结果。在具体应用中,得到当前帧图像的目标跟踪结果后,服务器可以继续获取下一帧图像,并基于目标跟踪方法继续进行目标跟踪处理。
上述目标跟踪方法中,基于当前帧图像的目标检测结果,将当前帧图像对应的当前帧特征图进行分割,将获得的当前帧特征图所对应的各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征,将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。在目标跟踪处理过程中,将图像中特征图所对应的各特征图块进行特征归一化处理获得的目标特征作为目标跟踪的特征,目标特征具备丰富的信息量,鲁棒性强,可以有效提高目标跟踪的效果。
在一个实施例中,如图3所示,特征图分割的处理步骤,即基于目标检测结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块包括:
步骤302,确定当前帧特征图和当前帧图像之间的几何关系。
其中,几何关系为当前帧特征图和当前帧图像之间图像大小的关系,具体可以为几何比例,如可以为当前帧特征图/当前帧图像的图像比例关系。当前帧特征图为对当前帧图像进行目标检测处理过程中的特征图,当前帧特征图在目标检测过程中图像大小也会进行变换,可以通过当前帧特征图和当前帧图像进行几何对比,确定当前帧特征图和当前帧图像之间的几何关系,如确定当前帧特征图和当前帧图像之间的图像比例。
步骤304,基于几何关系将目标检测结果进行缩放处理,得到目标检测结果对应的缩放结果。
得到当前帧特征图和当前帧图像之间的几何关系后,服务器按照该几何关系将目标检测结果进行缩放处理,如几何关系为当前帧特征图/当前帧图像的图像比例时,可以按照该图像比例对目标检测结果进行缩放处理,得到目标检测结果对应的缩放结果。目标检测结果的大小与当前帧图像对应,而目标检测结果对应的缩放结果与当前帧特征图对应。
步骤306,按照缩放结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块。
得到目标检测结果对应的缩放结果后,服务器按照缩放结果将当前帧特征图进行分割,如可以按照的缩放结果中各目标对象的缩放检测框,对当前帧特征图进行分割,得到与缩放检测框大小相同的各当前帧特征图块。
本实施例中,按照当前帧特征图和当前帧图像之间的几何关系将目标检测结果缩放后,通过目标检测结果对应的缩放结果将当前帧特征图进行分割,从而可以按照几何关系,通过目标检测结果对当前帧特征图进行分割,得到携带丰富特征信息的各当前帧特征图块,以便通过各当前帧特征图块进行目标跟踪,提高目标跟踪效果。
在一个实施例中,将各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征,包括:将各当前帧特征图块进行分割,得到各特征图子块;将各特征图子块分别进行最大池化处理,得到各特征图子块对应的子块特征;将各子块特征进行拼接,得到当前帧图像对应的当前帧目标特征。
本实施例中,可以通过感兴趣区域池化(ROI Pooling)处理方式对各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征。ROI Pooling是Pooling层的一种,而且是针对ROI(Region ofInterest)的Pooling,其特点是输入特征图尺寸不固定,但是输出特征图尺寸固定。ROI pooling能实现训练和测试的显著加速,并提高检测准确度。
具体地,在得到各当前帧特征图块后,服务器将各当前帧特征图块进行分割,如可以对每一个当前帧特征图进行4*4的等比例分割,得到各特征图子块。对于各特征图子块,服务器分别进行最大池化处理,即将各特征图子块中的最大像素值作为相应特征图子块的像素值,获得的特征图子块的像素值即为特征图子块的子块特征。服务器将各子块特征进行拼接,得到当前帧图像对应的当前帧目标特征。在具体实现时,可以由服务器对各特征图子块取最大值,作为各特征图子块对应的子块特征,服务器将各特征图子块对应的子块特征按照通道和分割范围进行拼接,得到一维的特征向量,将该一维的特征向量作为当前帧图像对应的当前帧目标特征。
本实施例中,对当前帧特征图块进行分割后,对分割获得的各特征图子块进行最大池化处理,并将获得的各特征图子块对应的子块特征进行拼接,得到当前帧图像对应的当前帧目标特征,从而使得目标检测结果中不同检测框大小对应的当前帧目标特征具有相同的特征维度,当前帧目标特征的数量与目标检测结果中检测框的数量相同,从而能够通过当前帧目标特征准确地表征当前帧图像的特征,有利于提高目标跟踪效果。
在一个实施例中,将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果,包括:确定当前帧目标特征和前一帧目标特征之间的特征距离;基于匹配算法对特征距离进行特征匹配,得到特征匹配结果;根据特征匹配结果得到当前帧图像的目标跟踪结果。
获得当前帧目标特征和前一帧目标特征后,服务器将当前帧目标特征和前一帧目标特征进行特征匹配,具体地,服务器确定当前帧目标特征和前一帧目标特征之间的特征距离,具体实现时可以通过计算当前帧目标特征和前一帧目标特征之间的余弦距离,得到当前帧目标特征和前一帧目标特征之间的特征距离。得到特征距离后,服务器通过预设的匹配算法对特征距离进行特征匹配,如可以通过匈牙利算法对特征距离进行特征匹配,得到特征匹配结果。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,匈牙利算法可以用于解决二部图的匹配问题,如可以用于当前帧目标特征和前一帧目标特征之间的特征匹配。在具体实现时,通过匈牙利算法对特征距离进行特征匹配时,可以设置距离阈值,在特征匹配的距离和大于该距离阈值时,认为特征匹配不成功。
得到特征匹配结果后,服务器基于该特征匹配结果确定当前帧图像的目标跟踪结果,如可以根据特征匹配结果对当前帧图像的目标检测结果与前一帧图像的目标检测结果进行对应,从而实现目标跟踪处理。
本实施例中,通过匹配算法对当前帧目标特征和前一帧目标特征之间的特征距离进行特征匹配,并根据特征匹配结果确定当前帧图像的目标跟踪结果,可以对当前帧图像的目标检测结果与前一帧图像的目标检测结果进行对应,从而实现目标跟踪处理,有利于提高目标跟踪效果。
在一个实施例中,根据特征匹配结果得到当前帧图像的目标跟踪结果,包括:从特征匹配结果中确定匹配成功项和未匹配成功项;获取匹配成功项和未匹配成功项分别对应的目标检测结果;将匹配成功项和未匹配成功项分别对应的目标检测结果,作为当前帧图像的目标跟踪结果。
在确定当前帧图像的目标跟踪结果时,服务器从特征匹配结果中确定匹配成功项和未匹配成功项,具体可以由服务器对特征匹配结果进行划分,划分得到匹配成功项和未匹配成功项。服务器确定匹配成功项和未匹配成功项分别对应的目标检测结果。其中,匹配成功项对应的目标检测结果,表明该目标检测结果在前一帧图像和当前帧图像中均检测命中,可以继续进行跟踪。而未匹配成功项对应的目标检测结果,表明该目标检测结果在前一帧图像或当前帧图像中未检测命中,即该目标检测结果可能存在于前一帧图像中,且当前帧图像中不存在,表明可能存在漏检,则需要将该目标检测结果从前一帧图像中添加到当前帧图像中继续进行目标跟踪;而当该目标检测结果存在于当前帧图像中,且不存于前一帧图像中时,表明该目标检测结果为新增的目标对象,则需要对该目标检测结果继续进行跟踪。
进一步地,服务器将匹配成功项和未匹配成功项分别对应的目标检测结果,作为当前帧图像的目标跟踪结果,即在当前帧图像的目标跟踪结果中,既包括了当前帧图像中与前一帧图像成功匹配的目标检测结果,还包括了当前帧图像中与前一帧图像中未匹配成功的目标检测结果,从而保留了当前帧图像中与前一帧图像中的目标检测结果,可以防止漏检,提高了目标跟踪的效果。
在一个实施例中,将匹配成功项和未匹配成功项分别对应的目标检测结果,作为当前帧图像的目标跟踪结果,包括:将匹配成功项和未匹配成功项分别对应的目标检测结果进行滤波处理,得到滤波后的目标检测结果;将滤波后的目标检测结果作为当前帧图像的目标跟踪结果。
在获得匹配成功项和未匹配成功项分别对应的目标检测结果后,服务器将匹配成功项和未匹配成功项分别对应的目标检测结果进行滤波处理,具体可以通过卡尔曼滤波器对匹配成功项和未匹配成功项分别对应的目标检测结果进行卡尔曼滤波,从而对目标检测结果进行平滑处理,以提高目标检测的效果。服务器将滤波后的目标检测结果作为当前帧图像的目标跟踪结果,通过对匹配成功项和未匹配成功项分别对应的目标检测结果进行滤波处理,可以对目标检测结果进行去噪、平滑处理,有利于平滑目标跟踪位置,提高了目标跟踪的效果。
在一个实施例中,对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果包括:获取当前帧图像,并查询预训练的信号灯检测模型;通过信号灯检测模型对当前帧图像进行信号灯检测,获得包括当前帧图像中的信号灯检测框的目标检测结果;获取在信号灯检测过程中当前帧图像对应的当前帧特征图。
本实施例中,目标跟踪所针对的目标对象为信号灯,如道路中的红绿灯。在对当前帧图像进行目标检测处理时,服务器获取当前帧图像,当前帧图像为在道路中针对信号灯采集的图像,服务器查询预训练的信号灯检测模型,信号灯检测模型可以为基于深度学习算法预先训练的深度学习网络模型。服务器通过信号灯检测模型对当前帧图像进行信号灯检测,具体可以将当前帧图像输入信号灯检测模型中,得到信号灯检测模型输出的包括当前帧图像中的信号灯检测框的目标检测结果。其中,目标检测结果包括信号灯检测框,信号灯检测框即为当前帧图像中信号灯所处范围的检测框。另一方面,服务器获取在信号灯检测过程中当前帧图像对应的当前帧特征图,具体地,服务器可以获取信号灯检测模型对当前帧图像进行信号灯检测的过程中的特征图,作为当前帧图像对应的当前帧特征图。
本实施例中,通过预训练的信号灯检测模型对当前帧图像进行信号灯检测,并获取信号灯检测模型对当前帧图像进行信号灯检测的过程中的当前帧特征图,从而可以通过携带丰富特征信息的当前帧特征图进行目标跟踪,提高信号灯跟踪的效果。
在一个实施例中,本申请提供的目标跟踪方法应用于信号灯的目标跟踪中,具体可以应用于无人驾驶的红绿灯跟踪处理过程中。无人驾驶中,现有红绿灯检测技术大多采用检测结果的二维属性,如检测框的中心点、长宽等作为跟踪的输入特征,再进行卡尔曼滤波更新跟踪目标,但由于这种方法采用单一特征使得跟踪效果不理想,导致在视觉目标检测中当某一帧检测失败时整个检测结果不连续或者检测结果跳变,对整个红绿灯的检测结果不稳定。而本申请提供的目标跟踪方法可以补偿误检及漏检,提高红绿灯跟踪的效果。
具体地,在服务器获得当前帧图像后,通过视觉图像的深度学习模型对当前帧图像进行红绿灯检测,检测结果在当前帧图像中为矩形框形式。由于当前帧图像对应的当前帧特征图,即深度学习特征图与输入图像存在几何等比关系,服务器将检测框的结果按比例ratio进行缩放,其中,ratio=特征图比例/输入图像比例。服务器将当前帧图像中的检测框进行缩放后的缩放矩形框投影至深度学习特征图中,并利用缩放矩形框对深度学习特征图进行裁剪,得到一个个一一对应的当前帧特征图块,当前帧特征图块的数量为C(通道)x H(高)x W(宽)。服务器对裁剪出来的当前帧特征图块进行ROI Pooling,即将每一个当前帧特征图块进行4x4的等比例切割,对每个通道内的切割取最大值,将取得的最大值按通道和切割范围进行拼接,形成一个一维的特征向量,此时所有的裁剪当前帧特征图块的特征向量维数相等,且当前帧特征向量数等于深度学习检测框数。服务器将当前帧图像的特征向量作为跟踪处理的特征进行红绿灯跟踪处理。
进一步地,服务器获取前一帧图像对应的前一帧特征向量,服务器以余弦值作为距离尺度,对前一帧图像的特征向量与当前帧图像的特征向量一一进行余弦距离计算,得到距离矩阵。服务器通过匈牙利算法对该距离矩阵进行匹配处理,并设置距离阈值,基于该距离阈值确定各特征向量的匹配关系。具体地,在匹配的距离和小于该距离阈值时,可以认为匹配成功,而在匹配的距离和大于该距离阈值时,认为匹配不成功。通过匈牙利算法对该距离矩阵进行匹配处理,得到特征匹配结果,特征匹配结果包括匹配矩阵、前一帧未匹配矩阵和当前帧未匹配矩阵。匹配矩阵中包括当前帧图像和前一帧图像中匹配成功的特征向量对应的红绿灯检测框,前一帧未匹配矩阵包括存在于前一帧图像中且不存在于当前帧图像的特征向量对应的红绿灯检测框,当前帧未匹配矩阵包括存在于当前帧图像中且不存在于前一帧图像的特征向量对应的红绿灯检测框。
进一步地,服务器将匹配矩阵中当前帧图像的特征向量输入卡尔曼滤波器,更新卡尔曼滤波器中的参数,特征向量与卡尔曼滤波器一一对应,从而保留匹配矩阵中匹配成功的特征向量对应的红绿灯检测框继续进行红绿灯跟踪。服务器将当前帧未匹配矩阵的特征向量输入卡尔曼滤波器,作为卡尔曼滤波器的初始值,从而对当前帧未匹配矩阵对应的红绿灯检测框进行初始化跟踪。另外,服务器将前一帧未匹配矩阵的特征向量对应的矩形框取出,并根据卡尔曼滤波器预测的结果投影到当前帧中,从而将前一帧未匹配矩阵对应的红绿灯检测框添加至当前帧图像中继续进行红绿灯跟踪。
本实施例中,使用高纬度的深度学习特征作为红绿灯跟踪的特征,深度学习特征携带的特征信息量丰富,增强了目标跟踪的鲁棒性,提高了跟踪匹配效果。同时,使用前一帧检测而当前帧未检测的结果加入当前帧继续进行跟踪,可以提高漏检召回率,进一步增强了红绿灯跟踪效果。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种目标跟踪装置400,包括:目标检测模块402、特征图分割模块404、当前帧特征获得模块406、前一帧特征获取模块408和跟踪结果获得模块410,其中:
目标检测模块402,用于对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果;
特征图分割模块404,用于基于目标检测结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块;
当前帧特征获得模块406,用于将各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征;
前一帧特征获取模块408,用于获取当前帧图像的前一帧图像对应的前一帧目标特征;
跟踪结果获得模块410,用于将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。
在一个实施例中,特征图分割模块404包括几何关系确定模块、缩放处理模块和分割处理模块;其中:几何关系确定模块,用于确定当前帧特征图和当前帧图像之间的几何关系;缩放处理模块,用于基于几何关系将目标检测结果进行缩放处理,得到目标检测结果对应的缩放结果;分割处理模块,用于按照缩放结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块。
在一个实施例中,当前帧特征获得模块406包括图块分割模块、池化处理模块和拼接模块;其中:图块分割模块,用于将各当前帧特征图块进行分割,得到各特征图子块;池化处理模块,用于将各特征图子块分别进行最大池化处理,得到各特征图子块对应的子块特征;拼接模块,用于将各子块特征进行拼接,得到当前帧图像对应的当前帧目标特征。
在一个实施例中,跟踪结果获得模块410包括特征距离确定模块、特征匹配模块和匹配结果处理模块;其中:特征距离确定模块,用于确定当前帧目标特征和前一帧目标特征之间的特征距离;特征匹配模块,用于基于匹配算法对特征距离进行特征匹配,得到特征匹配结果;匹配结果处理模块,用于根据特征匹配结果得到当前帧图像的目标跟踪结果。
在一个实施例中,匹配结果处理模块包括匹配项确定模块、匹配项分析模块和匹配项处理模块;其中:匹配项确定模块,用于从特征匹配结果中确定匹配成功项和未匹配成功项;匹配项分析模块,用于获取匹配成功项和未匹配成功项分别对应的目标检测结果;匹配项处理模块,用于将匹配成功项和未匹配成功项分别对应的目标检测结果,作为当前帧图像的目标跟踪结果。
在一个实施例中,匹配项处理模块,还用于将匹配成功项和未匹配成功项分别对应的目标检测结果进行滤波处理,得到滤波后的目标检测结果;将滤波后的目标检测结果作为当前帧图像的目标跟踪结果。
在一个实施例中,目标检测模块402包括数据获取模块、信号灯检测模块和特征图获取模块;其中:数据获取模块,用于获取当前帧图像,并查询预训练的信号灯检测模型;信号灯检测模块,用于通过信号灯检测模型对当前帧图像进行信号灯检测,获得包括当前帧图像中的信号灯检测框的目标检测结果;特征图获取模块,用于获取在信号灯检测过程中当前帧图像对应的当前帧特征图。
关于目标跟踪装置的具体限定可以参见上文中对于目标跟踪方法的限定,在此不再赘述。上述目标跟踪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标检测算法数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标跟踪方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果;
基于目标检测结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块;
将各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征;
获取当前帧图像的前一帧图像对应的前一帧目标特征;
将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定当前帧特征图和当前帧图像之间的几何关系;基于几何关系将目标检测结果进行缩放处理,得到目标检测结果对应的缩放结果;按照缩放结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将各当前帧特征图块进行分割,得到各特征图子块;将各特征图子块分别进行最大池化处理,得到各特征图子块对应的子块特征;将各子块特征进行拼接,得到当前帧图像对应的当前帧目标特征。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定当前帧目标特征和前一帧目标特征之间的特征距离;基于匹配算法对特征距离进行特征匹配,得到特征匹配结果;根据特征匹配结果得到当前帧图像的目标跟踪结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从特征匹配结果中确定匹配成功项和未匹配成功项;获取匹配成功项和未匹配成功项分别对应的目标检测结果;将匹配成功项和未匹配成功项分别对应的目标检测结果,作为当前帧图像的目标跟踪结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将匹配成功项和未匹配成功项分别对应的目标检测结果进行滤波处理,得到滤波后的目标检测结果;将滤波后的目标检测结果作为当前帧图像的目标跟踪结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取当前帧图像,并查询预训练的信号灯检测模型;通过信号灯检测模型对当前帧图像进行信号灯检测,获得包括当前帧图像中的信号灯检测框的目标检测结果;获取在信号灯检测过程中当前帧图像对应的当前帧特征图。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果;
基于目标检测结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块;
将各当前帧特征图块进行特征归一化处理,得到当前帧图像对应的当前帧目标特征;
获取当前帧图像的前一帧图像对应的前一帧目标特征;
将当前帧目标特征和前一帧目标特征进行特征匹配,根据特征匹配结果得到当前帧图像的目标跟踪结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定当前帧特征图和当前帧图像之间的几何关系;基于几何关系将目标检测结果进行缩放处理,得到目标检测结果对应的缩放结果;按照缩放结果将当前帧特征图进行分割,得到当前帧特征图所对应的各当前帧特征图块。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将各当前帧特征图块进行分割,得到各特征图子块;将各特征图子块分别进行最大池化处理,得到各特征图子块对应的子块特征;将各子块特征进行拼接,得到当前帧图像对应的当前帧目标特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定当前帧目标特征和前一帧目标特征之间的特征距离;基于匹配算法对特征距离进行特征匹配,得到特征匹配结果;根据特征匹配结果得到当前帧图像的目标跟踪结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从特征匹配结果中确定匹配成功项和未匹配成功项;获取匹配成功项和未匹配成功项分别对应的目标检测结果;将匹配成功项和未匹配成功项分别对应的目标检测结果,作为当前帧图像的目标跟踪结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将匹配成功项和未匹配成功项分别对应的目标检测结果进行滤波处理,得到滤波后的目标检测结果;将滤波后的目标检测结果作为当前帧图像的目标跟踪结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取当前帧图像,并查询预训练的信号灯检测模型;通过信号灯检测模型对当前帧图像进行信号灯检测,获得包括当前帧图像中的信号灯检测框的目标检测结果;获取在信号灯检测过程中当前帧图像对应的当前帧特征图。
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,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标跟踪方法,其特征在于,所述方法包括:
对当前帧图像进行目标检测,获得所述当前帧图像对应的当前帧特征图和目标检测结果;
基于所述目标检测结果将所述当前帧特征图进行分割,得到所述当前帧特征图所对应的各当前帧特征图块;
将各所述当前帧特征图块进行特征归一化处理,得到所述当前帧图像对应的当前帧目标特征;
获取所述当前帧图像的前一帧图像对应的前一帧目标特征;
将所述当前帧目标特征和所述前一帧目标特征进行特征匹配,根据特征匹配结果得到所述当前帧图像的目标跟踪结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标检测结果将所述当前帧特征图进行分割,得到所述当前帧特征图所对应的各当前帧特征图块,包括:
确定所述当前帧特征图和所述当前帧图像之间的几何关系;
基于所述几何关系将所述目标检测结果进行缩放处理,得到所述目标检测结果对应的缩放结果;
按照所述缩放结果将所述当前帧特征图进行分割,得到所述当前帧特征图所对应的各当前帧特征图块。
3.根据权利要求1所述的方法,其特征在于,所述将各所述当前帧特征图块进行特征归一化处理,得到所述当前帧图像对应的当前帧目标特征,包括:
将各所述当前帧特征图块进行分割,得到各特征图子块;
将所述各特征图子块分别进行最大池化处理,得到所述各特征图子块对应的子块特征;
将各所述子块特征进行拼接,得到所述当前帧图像对应的当前帧目标特征。
4.根据权利要求1所述的方法,其特征在于,所述将所述当前帧目标特征和所述前一帧目标特征进行特征匹配,根据特征匹配结果得到所述当前帧图像的目标跟踪结果,包括:
确定所述当前帧目标特征和所述前一帧目标特征之间的特征距离;
基于匹配算法对所述特征距离进行特征匹配,得到特征匹配结果;
根据特征匹配结果得到所述当前帧图像的目标跟踪结果。
5.根据权利要求4所述的方法,其特征在于,所述根据特征匹配结果得到所述当前帧图像的目标跟踪结果,包括:
从所述特征匹配结果中确定匹配成功项和未匹配成功项;
获取所述匹配成功项和所述未匹配成功项分别对应的目标检测结果;
将所述匹配成功项和所述未匹配成功项分别对应的目标检测结果,作为所述当前帧图像的目标跟踪结果。
6.根据权利要求5所述的方法,其特征在于,所述将所述匹配成功项和所述未匹配成功项分别对应的目标检测结果,作为所述当前帧图像的目标跟踪结果,包括:
将所述匹配成功项和所述未匹配成功项分别对应的目标检测结果进行滤波处理,得到滤波后的目标检测结果;
将滤波后的目标检测结果作为所述当前帧图像的目标跟踪结果。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述对当前帧图像进行目标检测,获得所述当前帧图像对应的当前帧特征图和目标检测结果包括:
获取当前帧图像,并查询预训练的信号灯检测模型;
通过所述信号灯检测模型对所述当前帧图像进行信号灯检测,获得包括所述当前帧图像中的信号灯检测框的目标检测结果;
获取在所述信号灯检测过程中所述当前帧图像对应的当前帧特征图。
8.一种目标跟踪装置,其特征在于,所述装置包括:
目标检测模块,用于对当前帧图像进行目标检测,获得当前帧图像对应的当前帧特征图和目标检测结果;
特征图分割模块,用于基于所述目标检测结果将所述当前帧特征图进行分割,得到所述当前帧特征图所对应的各当前帧特征图块;
当前帧特征获得模块,用于将各所述当前帧特征图块进行特征归一化处理,得到所述当前帧图像对应的当前帧目标特征;
前一帧特征获取模块,用于获取所述当前帧图像的前一帧图像对应的前一帧目标特征;
跟踪结果获得模块,用于将所述当前帧目标特征和所述前一帧目标特征进行特征匹配,根据特征匹配结果得到所述当前帧图像的目标跟踪结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367066.4A CN113284165A (zh) | 2021-04-06 | 2021-04-06 | 目标跟踪方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367066.4A CN113284165A (zh) | 2021-04-06 | 2021-04-06 | 目标跟踪方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113284165A true CN113284165A (zh) | 2021-08-20 |
Family
ID=77276249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110367066.4A Pending CN113284165A (zh) | 2021-04-06 | 2021-04-06 | 目标跟踪方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284165A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822279A (zh) * | 2021-11-22 | 2021-12-21 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于多特征融合的红外目标检测方法、装置、设备及介质 |
-
2021
- 2021-04-06 CN CN202110367066.4A patent/CN113284165A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822279A (zh) * | 2021-11-22 | 2021-12-21 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于多特征融合的红外目标检测方法、装置、设备及介质 |
CN113822279B (zh) * | 2021-11-22 | 2022-02-11 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于多特征融合的红外目标检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985162B (zh) | 目标实时跟踪方法、装置、计算机设备及存储介质 | |
CN112750140B (zh) | 基于信息挖掘的伪装目标图像分割方法 | |
CN109035304B (zh) | 目标跟踪方法、介质、计算设备和装置 | |
CN112597941B (zh) | 一种人脸识别方法、装置及电子设备 | |
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 | |
CN110569721A (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN112801008B (zh) | 行人重识别方法、装置、电子设备及可读存储介质 | |
CN109035295B (zh) | 多目标跟踪方法、装置、计算机设备和存储介质 | |
WO2021104124A1 (zh) | 圈养栏信息的确定方法、装置及系统、存储介质 | |
CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
CN110992378B (zh) | 基于旋翼飞行机器人的动态更新视觉跟踪航拍方法及系统 | |
CN111401196A (zh) | 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质 | |
CN111445442B (zh) | 基于神经网络的人群计数方法、装置、服务器及存储介质 | |
CN113034514A (zh) | 天空区域分割方法、装置、计算机设备和存储介质 | |
CN111353385A (zh) | 一种基于掩膜对齐与注意力机制的行人再识别方法和装置 | |
CN113284165A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
CN111444875B (zh) | 一种人脸跟踪方法、装置、设备和计算机可读存储介质 | |
CN110211150B (zh) | 一种具有尺度协调机制的实时视觉目标识别方法 | |
CN114092850A (zh) | 重识别方法、装置、计算机设备和存储介质 | |
CN116721288A (zh) | 一种基于YOLOv5的安全帽检测方法及系统 | |
CN115830342A (zh) | 检测框的确定方法、装置、存储介质及电子装置 | |
CN112215205B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN115359091A (zh) | 一种用于移动机器人的装甲板检测跟踪方法 | |
CN114821441A (zh) | 联合ads-b信息的基于深度学习的机场场面运动目标识别方法 | |
CN113673362A (zh) | 对象的运动状态确定方法、装置、计算机设备和存储介质 |
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 |