CN113554683A - 一种基于视频分析和物体检测的特征追踪方法 - Google Patents
一种基于视频分析和物体检测的特征追踪方法 Download PDFInfo
- Publication number
- CN113554683A CN113554683A CN202111103607.9A CN202111103607A CN113554683A CN 113554683 A CN113554683 A CN 113554683A CN 202111103607 A CN202111103607 A CN 202111103607A CN 113554683 A CN113554683 A CN 113554683A
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- cache
- library
- maximum similarity
- 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
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
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频分析和物体检测的特征追踪方法,涉及视频分析中的物体追踪技术领域,目的是解决现有视频中物体追踪技术技术产生重复数据并浪费资源的问题,包括以下步骤:从视频流中提取一帧作为当前图片;对当前图片进行目标检测,得到多个目标;对每个目标分别提取一个目标特征,得到多个目标特征;将每个目标特征分别与缓存特征库中的每个缓存特征进行对比,为新增添的目标建立id并添加到缓存特征库得到更新后的缓存特征库;将更新后的缓存特征库中的每个缓存特征依次与当前图片中的每个目标特征进行对比,删除已消失的缓存特征且删除其id;重复以上步骤直到视频流处理完毕;本发明实现了节约资源的追踪方法。
Description
技术领域
本发明涉及视频分析中的物体追踪技术领域,具体涉及一种基于视频分析和物体检测的特征追踪方法。
背景技术
随着社会发展,通过视频进行的目标追踪技术应用范围越来越广,其重要性也是与日俱增,给许多领域带来了极大的方便,例如在道路监控、目标查询等方面。
通常的目标追踪,常常以初始帧给出的目标为准进行跟踪。现有视频分析时对物体的追踪技术是采用间隔抽帧,做单图片处理,这样的处理方式会产生大量重复数据,造成资源浪费且工作量大,连续帧的处理中还会消耗大量的时间。
通过视频流检测后再做特征追踪,即在视频流检测中及时根据特征相似度判断新增添的目标和已消失的目标,可以解决产生大量重复数据且工作量巨大的问题。
发明内容
本发明公开了一种基于视频分析和物体检测的特征追踪方法,目的是解决现有视频中物体追踪技术技术产生重复数据并浪费资源的问题。
为了解决上述目的,本发明采用以下技术方案:
一种基于视频分析和物体检测的特征追踪方法,包括以下步骤:
步骤S1:从视频流中提取一帧作为当前图片;
步骤S2:对当前图片进行目标检测,得到多个目标;
步骤S3:对每个目标分别提取一个目标特征,得到多个目标特征;
步骤S4:将每个目标特征分别与缓存特征库中的每个缓存特征进行对比,判断该目标特征所对应的目标是否为已存在的目标,若不是,则判断该目标为新增添的目标,为新增添的目标建立一个id,然后将新增添的目标的目标特征添加到缓存特征库得到更新后的缓存特征库,若是,则不做添加;
步骤S5:将更新后的缓存特征库中的每个缓存特征依次与当前图片中的每个目标特征进行对比,判断该缓存特征对应的目标是否已消失,若该缓存特征对应的目标已消失,在缓存特征库中删除该缓存特征且删除消失目标的id,若没消失,则不做删除;
步骤S6:若视频流还未处理完毕则返回步骤1,直到视频流处理完毕。
优选地,所述步骤S4具体包括以下步骤:
步骤S401:分别计算所述目标特征与每个所述缓存特征的相似度;
步骤S402:选取最大的相似度为顺向最大相似度;
步骤S403:若顺向最大相似度超过或等于设定阈值,则该目标被判断为已存在的目标;若顺向最大相似度低于设定阈值,则判断该目标为新增加的目标并将新增加的目标的目标特征增加到缓存特征库,得到更新后的缓存特征库。
优选地,所述步骤S401中,计算所述目标特征与每个所述缓存特征相似度的方法为矩阵乘法法。
优选地,步骤S5具体包括以下步骤:
步骤S501:用乘法矩阵法分别计算更新后的缓存特征库中的每个缓存特征与当前图片中的每个目标特征的相似度;
步骤S502:选取最大的相似度为逆向最大相似度;
步骤S503:若逆向最大相似度超过或等于设定阈值,则判断该缓存特征对应的目标存在于当前图片;若逆向最大相似度小于设定阈值,则判断该缓存特征对应的目标已消失。
优选地,所述步骤S503中,若所述逆向最大相似度小于设定阈值,则判断所述缓存特征对应的目标为可能消失;若所述缓存特征对应的目标在处理连续多帧的当前图片时均被判断为可能消失,则判断所述缓存特征对应的目标已消失。
优选地,连续多帧判断时,帧数为5帧。
本发明的有益效果是:本发明对采集的每一帧都进行目标特征判断,识别目标是否为缓存特征库中已经存在的目标,若不是则进行添加追踪,避免了大量的数据重复;同时也监测缓存特征库中的目标是否已经消失,及时筛选出消失目标,避免了资源浪费;在检测目标是否消失的过程中,目标连续多帧未出现才会被判定为消失,避免了相机抖动等因素产生的误差造成的误判;为所有目标建立id,方便后续工作的处理,每一帧处理后只需要对新增添的目标建立id,数据操作简单。
附图说明
图1为实施例1的一种基于视频分析和物体检测的特征追踪方法流程示意图。
具体实施方式
实施例1
一种基于视频分析和物体检测的特征追踪方法,其方法流程图参阅图1,按时序对等待处理的帧进行处理,包括以下步骤:
步骤S1:从视频流中提取一帧作为当前图片;
步骤S2:对当前图片进行目标检测,得到多个目标;
步骤S3:对每个目标分别提取一个目标特征,得到多个目标特征;
步骤S4:将每个目标特征分别与缓存特征库中的每个缓存特征进行对比,判断该目标特征所对应的目标是否为已存在的目标,若不是,则判断该目标为新增添的目标,为新增添的目标建立一个id,然后将新增添的目标的目标特征添加到缓存特征库得到更新后的缓存特征库,若是,则不做添加;
步骤S5:将更新后的缓存特征库中的每个缓存特征依次与当前图片中的每个目标特征进行对比,判断该缓存特征对应的目标是否已消失,若该缓存特征对应的目标已消失,在缓存特征库中删除该缓存特征且删除消失目标的id,若没消失,则不做删除;
步骤S6:若视频流还未处理完毕则返回步骤1,直到视频流处理完毕。
具体地,通过步骤S4可以实现新增添的目标的检测和及时添加,本实施例中,步骤S4可以通过以下步骤实现:
步骤S401:分别计算所述目标特征与每个所述缓存特征的相似度;
步骤S402:选取最大的相似度为顺向最大相似度;
步骤S403:若顺向最大相似度超过或等于设定阈值,则该目标被判断为已存在的目标;若顺向最大相似度低于设定阈值,则判断该目标为新增加的目标并将新增加的目标的目标特征增加到缓存特征库,得到更新后的缓存特征库。
进一步地,通过步骤S5可以实现已消失的目标的检测判断和及时删除已经消失的目标以避免资源浪费,作为本实施例的优选方案,步骤S5可以包括以下步骤:
步骤S501:用乘法矩阵法分别计算更新后的缓存特征库中的每个缓存特征与当前图片中的每个目标特征的相似度;
步骤S502:选取最大的相似度为逆向最大相似度;
步骤S503:若逆向最大相似度超过或等于设定阈值,则判断该缓存特征对应的目标存在于当前图片;若逆向最大相似度小于设定阈值,则判断该缓存特征对应的目标已消失。
特别说明的是,为了防止相机抖动等因素产生误差造成误判,在本实施例中一个目标连续多帧不存在才会被判断为目标已经消失,即在所述步骤S503中,若所述最大相似度小于设定阈值,则判断所述缓存特征对应的目标为可能消失;若所述缓存特征对应的目标在处理连续多帧的当前图片时均被判断为可能消失,则判断所述缓存特征对应的目标已消失;一般来说,具体连续几帧目标未出现被判定为目标已消失由相机性能等因素决定,在本实施例的方案中,作为一种优选方案,所述若所述缓存特征对应的目标在处理连续多帧的当前图片时均被判断为可能消失一步中,作为本实施例的最佳方案所述多帧选取为5帧。
采用该方法后,及时添加新增加的目标和删除已消失的目标,每一帧的处理都可以得到已消失的目标、新增的目标和当前存在的所有目标,方便了后续处理工作,实现了资源节约,避免了数据浪费。
Claims (6)
1.一种基于视频分析和物体检测的特征追踪方法,其特征在于,包括以下步骤:
步骤S1:从视频流中提取一帧作为当前图片;
步骤S2:对当前图片进行目标检测,得到多个目标;
步骤S3:对每个目标分别提取一个目标特征,得到多个目标特征;
步骤S4:将每个目标特征分别与缓存特征库中的每个缓存特征进行对比,判断该目标特征所对应的目标是否为已存在的目标,若不是,则判断该目标为新增添的目标,为新增添的目标建立一个id,然后将新增添的目标的目标特征添加到缓存特征库得到更新后的缓存特征库,若是,则不做添加;
步骤S5:将更新后的缓存特征库中的每个缓存特征依次与当前图片中的每个目标特征进行对比,判断该缓存特征对应的目标是否已消失,若该缓存特征对应的目标已消失,在缓存特征库中删除该缓存特征且删除消失目标的id,若没消失,则不做删除;
步骤S6:若视频流还未处理完毕则返回步骤1,直到视频流处理完毕。
2.根据权利要求1所述的一种基于视频分析和物体检测的特征追踪方法,其特征在于,所述步骤S4具体包括以下步骤:
步骤S401:分别计算所述目标特征与每个所述缓存特征的相似度;
步骤S402:选取最大的相似度为顺向最大相似度;
步骤S403:若顺向最大相似度超过或等于设定阈值,则该目标被判断为已存在的目标;若顺向最大相似度低于设定阈值,则判断该目标为新增加的目标并将新增加的目标的目标特征增加到缓存特征库,得到更新后的缓存特征库。
3.根据权利要求2所述的一种基于视频分析和物体检测的特征追踪方法,其特征在于:所述步骤S401中,计算所述目标特征与每个所述缓存特征相似度的方法为矩阵乘法。
4.根据权利要求1所述的一种基于视频分析和物体检测的特征追踪方法,其特征在于,步骤S5具体包括以下步骤:
步骤S501:用乘法矩阵法分别计算更新后的缓存特征库中的每个缓存特征与当前图片中的每个目标特征的相似度;
步骤S502:选取最大的相似度为逆向最大相似度;
步骤S503:若逆向最大相似度超过或等于设定阈值,则判断该缓存特征对应的目标存在于当前图片;若逆向最大相似度小于设定阈值,则判断该缓存特征对应的目标已消失。
5.根据权利要求4所述的一种基于视频分析和物体检测的特征追踪方法,其特征在于,所述步骤S503中,若所述逆向最大相似度小于设定阈值,则判断所述缓存特征对应的目标为可能消失;若所述缓存特征对应的目标在处理连续多帧的当前图片时均被判断为可能消失,则判断所述缓存特征对应的目标已消失。
6.根据权利要求5所述的一种基于视频分析和物体检测的特征追踪方法,其特征在于,连续多帧判断时,帧数为5帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111103607.9A CN113554683A (zh) | 2021-09-22 | 2021-09-22 | 一种基于视频分析和物体检测的特征追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111103607.9A CN113554683A (zh) | 2021-09-22 | 2021-09-22 | 一种基于视频分析和物体检测的特征追踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113554683A true CN113554683A (zh) | 2021-10-26 |
Family
ID=78106620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111103607.9A Pending CN113554683A (zh) | 2021-09-22 | 2021-09-22 | 一种基于视频分析和物体检测的特征追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554683A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1738426A (zh) * | 2005-09-09 | 2006-02-22 | 南京大学 | 一种视频运动目标分割与跟踪方法 |
CN102063725A (zh) * | 2010-12-30 | 2011-05-18 | Tcl集团股份有限公司 | 一种基于深度信息的多目标跟踪方法 |
US20150009323A1 (en) * | 2013-07-03 | 2015-01-08 | Zmodo Technology Shenzhen Corp. Ltd | Multi-target tracking method for video surveillance |
CN104794731A (zh) * | 2015-05-12 | 2015-07-22 | 成都新舟锐视科技有限公司 | 用于球机控制策略的多目标检测跟踪方法 |
CN106910203A (zh) * | 2016-11-28 | 2017-06-30 | 江苏东大金智信息系统有限公司 | 一种视频监测中运动目标的快速检测方法 |
CN108416258A (zh) * | 2018-01-23 | 2018-08-17 | 华侨大学 | 一种基于人体部位模型的多人体跟踪方法 |
CN110378195A (zh) * | 2019-05-27 | 2019-10-25 | 浙江工业大学 | 基于直方图缓存法的多目标跟踪方法 |
CN111192296A (zh) * | 2019-12-30 | 2020-05-22 | 长沙品先信息技术有限公司 | 一种基于视频监控的行人多目标检测与跟踪方法 |
CN112073748A (zh) * | 2019-06-10 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 全景视频的处理方法、装置及存储介质 |
CN112287846A (zh) * | 2020-10-30 | 2021-01-29 | 深圳市优必选科技股份有限公司 | 目标人物跟随方法、装置、可移动机器人及可读存储介质 |
CN112700475A (zh) * | 2020-12-31 | 2021-04-23 | 荆门汇易佳信息科技有限公司 | 不同场景下自适应的多目标视频追踪系统 |
-
2021
- 2021-09-22 CN CN202111103607.9A patent/CN113554683A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1738426A (zh) * | 2005-09-09 | 2006-02-22 | 南京大学 | 一种视频运动目标分割与跟踪方法 |
CN102063725A (zh) * | 2010-12-30 | 2011-05-18 | Tcl集团股份有限公司 | 一种基于深度信息的多目标跟踪方法 |
US20150009323A1 (en) * | 2013-07-03 | 2015-01-08 | Zmodo Technology Shenzhen Corp. Ltd | Multi-target tracking method for video surveillance |
CN104794731A (zh) * | 2015-05-12 | 2015-07-22 | 成都新舟锐视科技有限公司 | 用于球机控制策略的多目标检测跟踪方法 |
CN106910203A (zh) * | 2016-11-28 | 2017-06-30 | 江苏东大金智信息系统有限公司 | 一种视频监测中运动目标的快速检测方法 |
CN108416258A (zh) * | 2018-01-23 | 2018-08-17 | 华侨大学 | 一种基于人体部位模型的多人体跟踪方法 |
CN110378195A (zh) * | 2019-05-27 | 2019-10-25 | 浙江工业大学 | 基于直方图缓存法的多目标跟踪方法 |
CN112073748A (zh) * | 2019-06-10 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 全景视频的处理方法、装置及存储介质 |
CN111192296A (zh) * | 2019-12-30 | 2020-05-22 | 长沙品先信息技术有限公司 | 一种基于视频监控的行人多目标检测与跟踪方法 |
CN112287846A (zh) * | 2020-10-30 | 2021-01-29 | 深圳市优必选科技股份有限公司 | 目标人物跟随方法、装置、可移动机器人及可读存储介质 |
CN112700475A (zh) * | 2020-12-31 | 2021-04-23 | 荆门汇易佳信息科技有限公司 | 不同场景下自适应的多目标视频追踪系统 |
Non-Patent Citations (2)
Title |
---|
ZHENDI GE 等: "Multi-target tracking based on Kalman filtering and optical flow histogram", 《2017 CHINESE AUTOMATION CONGRESS》 * |
焦珊珊等: "多目标跨摄像头跟踪技术", 《国防科技》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079670B (zh) | 人脸识别方法、装置、终端和介质 | |
CN107832694B (zh) | 一种视频关键帧提取方法 | |
JP2015536094A (ja) | ビデオシーン検出 | |
WO2018152088A1 (en) | Generating and reviewing motion metadata | |
WO2020211253A1 (zh) | 分布式系统中主机数量弹性伸缩方法、装置和计算机设备 | |
CN108961316A (zh) | 图像处理方法、装置及服务器 | |
CN111797104A (zh) | 数据变更情况的获取方法、装置及电子设备 | |
CN113554683A (zh) | 一种基于视频分析和物体检测的特征追踪方法 | |
CN111696134B (zh) | 一种目标检测方法、装置以及电子设备 | |
CN103425958A (zh) | 一种视频中不动物检测的方法 | |
CN112468509A (zh) | 一种基于深度学习技术的流量数据自动检测方法及装置 | |
CN104935802A (zh) | 图像处理方法、电子设备和系统 | |
CN116527399A (zh) | 基于不可靠伪标签半监督学习的恶意流量分类方法和设备 | |
CN104754248B (zh) | 一种获取目标快照的方法及装置 | |
CN113079176B (zh) | 一种适用于海量数据的高速网络流量异常检测系统 | |
CN107992474B (zh) | 一种流式数据主题挖掘方法及其系统 | |
CN112347996A (zh) | 一种场景状态判断方法、装置、设备及存储介质 | |
Gao et al. | Accelerating shot boundary detection by reducing spatial and temporal redundant information | |
CN109547290B (zh) | 云平台垃圾数据检测处理方法、装置、设备及存储介质 | |
Lu et al. | Shot boundary detection using unsupervised clustering and hypothesis testing | |
CN115205555B (zh) | 确定相似图像的方法、训练方法、信息确定方法及设备 | |
CN112700657B (zh) | 用于生成检测信息的方法、装置、路侧设备和云控平台 | |
CN117395071B (zh) | 一种异常检测方法、装置、设备及存储介质 | |
CN110991296B (zh) | 视频标注方法、装置、电子设备及计算机可读存储介质 | |
CN114511525A (zh) | 一种用于加快视频分析的方法、系统及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211026 |