CN113920169A - 目标跟踪、事件检测方法及装置、电子设备和存储介质 - Google Patents
目标跟踪、事件检测方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113920169A CN113920169A CN202111405723.6A CN202111405723A CN113920169A CN 113920169 A CN113920169 A CN 113920169A CN 202111405723 A CN202111405723 A CN 202111405723A CN 113920169 A CN113920169 A CN 113920169A
- Authority
- CN
- China
- Prior art keywords
- tracking
- tracked
- face
- determining
- feature information
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000008859 change Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 239000003795 chemical substances by application Substances 0.000 claims description 13
- 230000001815 facial effect Effects 0.000 claims 4
- 230000000875 corresponding effect Effects 0.000 description 83
- 238000010586 diagram Methods 0.000 description 30
- 238000012545 processing Methods 0.000 description 21
- 238000000605 extraction Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
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
本公开涉及一种目标跟踪、事件检测方法及装置、电子设备和存储介质,其中,所述目标跟踪方法包括:对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象,以及确定待跟踪对象的待跟踪标识;确定目标库中是否包括待跟踪标识,其中,目标库中包括参考跟踪对象的跟踪标识以及参考跟踪对象的人脸特征信息;在目标库中不包括待跟踪标识的情况下,基于提取到的待跟踪对象的人脸特征信息与参考跟踪对象的人脸特征信息进行特征匹配;在待跟踪对象的人脸特征信息与参考跟踪对象的人脸特征信息匹配成功的情况下,对待跟踪对象与特征匹配成功的参考跟踪对象进行关联跟踪,关联跟踪用于将待跟踪对象与特征匹配成功的参考跟踪对象的跟踪数据进行关联。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种目标跟踪、事件检测方法及装置、电子设备和存储介质。
背景技术
人脸识别广泛应用在很多的不同领域,例如,安防监控,人脸门禁,互联网娱乐等等。此外,基于人脸识别,可以实现对目标对象的持续跟踪。然而,人脸识别需要满足一定的光照条件,和/或,需要跟踪对象满足一定的姿态条件,才能达到令人满意的识别率。在跟踪对象出现侧身或者低头等脸部大面积不可见的情况下,人脸识别将会中断,跟踪对象丢失,导致无法满足长时间持续跟踪的需求。
发明内容
本公开提出了一种目标跟踪、事件检测方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面,提供了一种目标跟踪方法,包括:对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象,以及确定所述待跟踪对象的待跟踪标识;确定目标库中是否包括所述待跟踪标识,其中,所述目标库中包括参考跟踪对象的跟踪标识以及所述参考跟踪对象的人脸特征信息;在所述目标库中不包括所述待跟踪标识的情况下,基于提取到的所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息进行特征匹配;在所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息匹配成功的情况下,对所述待跟踪对象与特征匹配成功的所述参考跟踪对象进行关联跟踪,所述关联跟踪用于将所述待跟踪对象与特征匹配成功的所述参考跟踪对象的跟踪数据进行关联。
在一种可能的实现方式中,所述方法还包括:在所述目标库中包括所述待跟踪标识的情况下,将所述待跟踪对象与所述待跟踪标识对应的所述参考跟踪对象进行关联跟踪。
在一种可能的实现方式中,所述方法还包括:在所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息匹配失败的情况下,根据所述待跟踪标识和所述待跟踪对象的人脸特征信息,更新所述目标库。
在一种可能的实现方式中,所述对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象,以及确定所述待跟踪对象的待跟踪标识,包括:对所述视频流中的对象进行人脸识别,确定所述视频流的每个图像帧中的人脸感兴趣区域ROI,其中,所述每个图像帧中的人脸ROI用于指示所述每个图像帧中的所述待跟踪对象;根据所述视频流中的第i个图像帧中的人脸ROI,以及第i+1个图像帧中的人脸ROI,确定所述第i+1个图像帧中的人脸ROI对应的所述待跟踪对象的待跟踪标识。
在一种可能的实现方式中,所述根据所述视频流中的第i个图像帧中的人脸ROI,以及第i+1个图像帧中的人脸ROI,确定所述第i+1个图像帧中的人脸ROI对应的所述待跟踪对象的待跟踪标识,包括:确定所述第i个图像帧中的人脸ROI和所述第i+1个图像帧中的人脸ROI之间的位置变化距离;在所述位置变化距离小于预设距离阈值的情况下,根据所述第i个图像帧中的人脸ROI对应的所述待跟踪对象的所述待跟踪标识,确定所述第i+1个图像帧中的人脸ROI对应的所述待跟踪对象的所述待跟踪标识。
在一种可能的实现方式中,所述方法还包括:在所述位置变化距离大于或等于所述预设距离阈值的情况下,为所述第i+1个图像帧中的人脸ROI对应的所述待跟踪对象,生成所述待跟踪标识。
在一种可能的实现方式中,所述在所述目标库中不包括所述待跟踪标识的情况下,基于提取到的所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息进行特征匹配,包括:根据所述待跟踪对象的人脸特征信息,确定第一人脸特征向量;根据所述参考跟踪对象的人脸特征信息,确定第二人脸特征向量;根据所述第一人脸特征向量和所述第二人脸特征向量之间的内积,确定所述待跟踪对象的人脸特征信息和所述参考跟踪对象的人脸特征信息之间的相似度;在所述相似度大于预设相似度阈值的情况下,确定所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息匹配成功。
在一种可能的实现方式中,所述根据所述第一人脸特征向量和所述第二人脸特征向量之间的内积,确定所述待跟踪对象的人脸特征信息和所述参考跟踪对象的人脸特征信息之间的相似度,包括:根据预设拉伸因子,对所述内积进行拉伸处理,得到所述相似度。
在一种可能的实现方式中,所述方法还包括:确定所述参考跟踪对象的人脸特征信息在所述目标库中的存储时长,从所述目标库中删除所述存储时长大于预设存储时长阈值的所述人脸特征信息;或,确定所述参考跟踪对象对应的跟踪结束时刻与当前时刻之间的时间间隔,在所述时间间隔大于预设时间间隔阈值的情况下,从所述目标库中删除所述参考跟踪对象的跟踪标识以及所述参考跟踪对象的人脸特征信息。
根据本公开的一方面,提供了一种事件检测方法,包括:基于目标跟踪方法,对视频流中的对象进行跟踪,得到跟踪结果;根据所述跟踪结果,检测是否出现持续未佩戴口罩事件;其中,所述目标跟踪方法为上述目标跟踪方法。
在一种可能的实现方式中,所述基于目标跟踪方法,对视频流中的对象进行跟踪,得到跟踪结果,包括:基于所述目标跟踪方法,对所述视频流中的对象进行跟踪,确定所述视频流中的跟踪对象、所述跟踪对象对应的用户标识,以及所述跟踪对象的跟踪数据;将所述用户标识以及所述跟踪数据,确定为所述跟踪对象的跟踪结果。
在一种可能的实现方式中,所述根据所述跟踪结果,检测是否出现持续未佩戴口罩事件,包括:基于所述跟踪数据,检测所述跟踪对象是否佩戴口罩,得到所述跟踪对象对应的口罩佩戴状态,其中,所述口罩佩戴状态包括所述跟踪对象未佩戴口罩的时间信息;根据所述跟踪对象未佩戴口罩的时间信息,确定所述跟踪对象持续未佩戴口罩的时长;在所述跟踪对象持续未佩戴口罩的时长大于或等于预设时长阈值的情况下,确定出现所述持续未佩戴口罩事件。
在一种可能的实现方式中,所述方法还包括:将出现所述持续未佩戴口罩事件的所述跟踪对象,确定为所述持续未佩戴口罩事件对应的目标行为人对象;根据出现所述持续未佩戴口罩事件的所述跟踪对象对应的所述用户标识,确定所述目标行为人对象的身份信息。
在一种可能的实现方式中,所述方法还包括:根据所述目标行为人对象的身份信息,生成告警信息。
根据本公开的一方面,提供了一种目标跟踪装置,包括:第一确定模块,用于对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象,以及确定所述待跟踪对象的待跟踪标识;第二确定模块,用于确定目标库中是否包括所述待跟踪标识,其中,所述目标库中包括参考跟踪对象的跟踪标识以及所述参考跟踪对象的人脸特征信息;特征匹配模块,用于在所述目标库中不包括所述待跟踪标识的情况下,基于提取到的所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息进行特征匹配;关联跟踪模块,用于在所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息匹配成功的情况下,对所述待跟踪对象与特征匹配成功的所述参考跟踪对象进行关联跟踪,所述关联跟踪用于将所述待跟踪对象与特征匹配成功的所述参考跟踪对象的跟踪数据进行关联。
根据本公开的一方面,提供了一种事件检测装置,包括:跟踪模块,用于基于目标跟踪方法,对视频流中的对象进行跟踪,得到跟踪结果;检测模块,用于根据所述跟踪结果,检测是否出现持续未佩戴口罩事件;其中,所述目标跟踪方法为上述目标跟踪方法。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述目标跟踪方法或上述事件检测方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述目标跟踪方法或上述事件检测方法。
在本公开实施例中,通过对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象和待跟踪对象的待跟踪标识,以及确定目标库中是否包括待跟踪标识,进而在目标库中不包括待跟踪标识的情况下,基于提取到的待跟踪对象的人脸特征信息,与目标库中包括的参考跟踪对象的人脸特征信息进行特征匹配,在匹配成功的情况下,可以对待跟踪对象与特征匹配成功的参考跟踪对象进行关联跟踪,通过跟踪标识和人脸特征信息的双重验证,可以有效提高基于人脸识别进行长时间跟踪的跟踪精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种目标跟踪方法的流程图;
图2示出根据本公开实施例的视频流中第1个图像帧的示意图;
图3示出根据本公开实施例的图2中第1个图像帧之后的第2个图像帧的示意图;
图4示出根据本公开实施例的图3中第2个图像帧之后的第3个图像帧的示意图;
图5示出根据本公开实施例的图4中第3个图像帧之后的第4个图像帧的示意图;
图6示出根据本公开实施例的一种事件检测方法的流程图;
图7示出根据本公开实施例的一种目标跟踪装置的框图;
图8示出根据本公开实施例的一种事件检测装置的框图;
图9示出根据本公开实施例的一种电子设备的框图;
图10示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
基于人脸识别的目标跟踪在疫情控制等公共领域起到了很大的作用。通过人脸识别进行目标跟踪,以确定人脸口罩佩戴情况,使得体育场馆等公共场所的主办方、负责人,可以及时对长时间未佩戴口罩的人员进行提醒或采取相应的措施,从而可以在一定程度上降低疫情带来的风险,避免疫情的大规模传播。一般来说,人脸识别需要满足一定的光照和人体姿态的条件才能达到令人满意的识别准确率。然而,在佩戴口罩的情况下基于人脸识别进行目标跟踪存在着很多的问题,比如,当人员侧身或者低头等脸部大面积不可见的情况下,人脸识别容易识别失败,导致丢失被跟踪对象。如此一来,基于人脸识别进行目标跟踪来对某个人未佩戴口罩时长进行统计,会出现非常大的误差,甚至是完全错误的结果。相关技术中,可以通过提升视觉算法的精度,来满足对基于人脸识别进行目标跟踪的跟踪精度的需求。例如,通过对画面中所有人员使用特征比对来实现目标追踪。但是,这种方案对系统的计算量要求相当高,当场景中存在大量人员的时候,这种方案需要进行非常多的对比计算,因而时间将成几何级数上升,难以满足目标跟踪现场的时延要求。
本公开实施例提供了一种目标跟踪方法,可以应用于商场、体育场、交通工具等公共场景中,通过对场景中采集的视频流中的对象进行人脸识别,确定视频流中的待跟踪对象和待跟踪对象的待跟踪标识。针对视频流中的当前图像帧,确定当前图像帧中的待跟踪对象及其待跟踪标识,进而查询包括参考跟踪对象的跟踪标识以及参考跟踪对象的人脸特征信息的目标库,确定目标库中是否包含待跟踪标识。其中,参考跟踪对象可以指的是在视频流中当前图像帧之前出现过的跟踪对象。
在目标库中不包括待跟踪标识的情况下,基于提取到的待跟踪对象的人脸特征信息,与目标库中的参考跟踪对象的人脸特征信息进行特征匹配,在匹配成功的情况下,可以将待跟踪对象与特征匹配成功的参考跟踪对象的跟踪数据进行关联跟踪。在跟踪对象脸部大面积不可见,人脸识别失败,导致丢失跟踪对象的情况下,通过跟踪标识和人脸特征信息进行双重验证,可以有效提高基于人脸识别进行长时间跟踪的跟踪精度。
图1示出根据本公开实施例的一种目标跟踪方法的流程图。该目标跟踪方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,该目标跟踪方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行该目标跟踪方法。如图1所示,该目标跟踪方法可以包括:
在步骤S11中,对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象,以及确定待跟踪对象的待跟踪标识。
这里的视频流可以是图像采集设备(例如,摄像头)采集到的实时视频流,举例来说,可以在当前跟踪场景中设置图像采集设备,通过图像采集设备对相应的空间范围进行图像采集,以获得实时视频流;视频流也可以是预先存储在电子设备上的视频流,本公开对此不作具体限定。其中,视频流可以包括多个图像帧,本公开对图像帧数量不作具体限定。
通过对视频流中的图像帧进行人脸识别,可以确定视频流中的待跟踪对象,以及待跟踪对象的待跟踪标识。后文会结合本公开可能的实现方式,对视频流的人脸识别过程进行详细描述,此处不作赘述。
在步骤S12中,确定目标库中是否包括该待跟踪标识,其中,目标库中包括参考跟踪对象的跟踪标识以及参考跟踪对象的人脸特征信息。
针对视频流中的当前图像帧,在确定当前图像帧中的待跟踪对象以及待跟踪对象的待跟踪标识之后,通过确定目标库中是否包括该待跟踪标识,可以确定当前图像帧中的待跟踪对象是否为视频流中当前图像帧之前已经出现过的跟踪对象。
在步骤S13中,在目标库中不包括该待跟踪标识的情况下,基于提取到的待跟踪对象的人脸特征信息与参考跟踪对象的人脸特征信息进行特征匹配。
在目标库中不包括当前图像帧中的待跟踪对象的待跟踪标识的情况下,基于提取到的当前图像帧中的待跟踪对象的人脸特征信息,与目标库中包括的参考跟踪对象的人脸特征信息进行特征匹配,从而可以确定当前图像帧中的待跟踪对象是否为视频流中当前图像帧之前短暂跟踪丢失后又再次重新出现的跟踪对象。后文会结合本公开可能的实现方式,对特征匹配过程进行详细描述,此处不作赘述。
在步骤S14中,在待跟踪对象的人脸特征信息与参考跟踪对象的人脸特征信息匹配成功的情况下,对待跟踪对象与特征匹配成功的参考跟踪对象进行关联跟踪,关联跟踪用于将待跟踪对象与特征匹配成功的参考跟踪对象的跟踪数据进行关联。
在当前图像帧中的待跟踪对象的人脸特征信息与目标库中包括的参考跟踪对象的人脸特征信息匹配成功的情况下,可以确定当前图像帧中的待跟踪对象是视频流中当前图像帧之前短暂跟踪丢失后又再次重新出现的跟踪对象,因此,对当前图像帧中的待跟踪对象与特征匹配成功的参考跟踪对象进行关联跟踪,从而可以实现对跟踪对象的长时间跟踪,以及提高长时间跟踪的跟踪精度。
在本公开实施例中,通过对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象和待跟踪对象的待跟踪标识,以及确定目标库中是否包括待跟踪标识,进而在目标库中不包括待跟踪标识的情况下,基于提取到的待跟踪对象的人脸特征信息,与目标库中包括的参考跟踪对象的人脸特征信息进行特征匹配,在匹配成功的情况下,可以对待跟踪对象与特征匹配成功的参考跟踪对象进行关联跟踪,通过跟踪标识和人脸特征信息的双重验证,可以有效提高基于人脸识别进行长时间跟踪的跟踪精度。
在一种可能的实现方式中,对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象,以及确定待跟踪对象的待跟踪标识,包括:对视频流中的对象进行人脸识别,确定视频流的每个图像帧中的人脸感兴趣区域ROI,其中,每个图像帧中的人脸ROI用于指示每个图像帧中的待跟踪对象;根据视频流中的第i个图像帧中的人脸ROI,以及第i+1个图像帧中的人脸ROI,确定第i+1个图像帧中的人脸ROI对应的待跟踪对象的待跟踪标识。
对视频流中的每个图像帧进行人脸识别,确定每个图像帧中的人脸检测框。将每个图像帧中人脸检测框所在的区域,确定为人脸感兴趣区域(ROI,Region of Interest),简称为人脸ROI。针对任一个图像帧,该图像帧中的一个人脸ROI,用于指示该图像帧中的一个待跟踪对象。例如,一个ROI用于指示该图像帧中一个需要进行跟踪的人员。
在确定图像帧中的待跟踪对象之后,确定用于在该图像帧中唯一指示待跟踪对象的待跟踪标识。其中,在同一个图像帧中,不同待跟踪对象对应不同的待跟踪标识。
在一种可能的实现方式中,在i=1的情况下,为第1个图像帧中的人脸ROI对应的待跟踪对象,生成待跟踪标识。
针对视频流中的第1个图像帧,在第1个图像帧中确定的人脸ROI,对应视频流中首次出现的待跟踪对象,因此,可以为第1个图像帧中的每个人脸ROI对应的待跟踪对象,生成一个待跟踪标识,用于在视频流的后续图像帧中对待跟踪对象进行跟踪。
由于相邻帧之间的时间间隔较小,使得同一对象在相邻帧之间的位置变化也较小,因此,可以基于相邻帧之间人脸ROI的位置变化距离,来判断相邻帧之间是否存在相同的待跟踪对象;以及通过人脸特征比对,确认在相邻帧之间存在相同的待跟踪对象的情况下,根据前一帧中待跟踪对象的待跟踪标识,快速确定后一帧中相同待跟踪对象的待跟踪标识。
在一种可能的实现方式中,根据视频流中的第i个图像帧中的人脸ROI,以及第i+1个图像帧中的人脸ROI,确定第i+1个图像帧中的人脸ROI对应的待跟踪对象的待跟踪标识,包括:确定第i个图像帧中的人脸ROI和第i+1个图像帧中的人脸ROI之间的位置变化距离;在位置变化距离小于预设距离阈值的情况下,根据第i个图像帧中的人脸ROI对应的待跟踪对象的待跟踪标识,确定第i+1个图像帧中的人脸ROI对应的待跟踪对象的待跟踪标识。
第i个图像帧中的人脸ROI和第i+1个图像帧中的人脸ROI之间的位置变化距离小于预设距离阈值,可以表明第i个图像帧中的人脸ROI和第i+1个图像帧中的人脸ROI对应的是相同的待跟踪对象,具有相同的待跟踪标识,因此,可以将第i个图像帧中的人脸ROI对应的待跟踪对象的待跟踪标识,确定为第i+1个图像帧中的人脸ROI对应的待跟踪对象的待跟踪标识。
图2示出根据本公开实施例的视频流中第1个图像帧的示意图。如图2所示,视频流中第1个图像帧中包括第一人脸ROI,为第一人脸ROI对应的第一待跟踪对象生成待跟踪标识id=1。
在一种可能的实现方式中,该目标跟踪方法还包括:构建目标库。
对视频流中的第1个图像帧中的第一人脸ROI进行特征提取,得到第一待跟踪对象的人脸特征信息。将第一待跟踪对象确定为第一参考跟踪对象,进而,将第一参考跟踪对象的跟踪标识id=1,以及第一参考跟踪对象的人脸特征信息,存储于目标库。
针对视频流中第1个图像帧之后的后续图像帧,例如,针对第i+1个图像帧,i是大于或等于1的整数,可以根据第i个图像帧中的人脸ROI对应的待跟踪对象的待跟踪标识,以及第i+1个图像帧和相邻的第i个图像帧中的人脸ROI之间的位置变化距离,来确定第i+1个图像帧中的人脸ROI对应的待跟踪对象的待跟踪标识。
图3示出根据本公开实施例的图2中第1个图像帧之后的第2个图像帧的示意图。如图3所示,在视频流的第2个图像帧中包括第二人脸ROI。确定图3所示的第二人脸ROI和图2所示的第一人脸ROI之间的位置变化距离,在第二人脸ROI和第一人脸ROI之间的位置变化距离小于预设距离阈值的情况下,可以确定第2个图像帧中的第二人脸ROI对应的第二待跟踪对象,与第1个图像帧中待跟踪标识id=1对应的第一待跟踪对象(第一人脸ROI),是相同的待跟踪对象,具有相同的待跟踪标识,因此,确定第二人脸ROI对应的第二待跟踪对象的待跟踪标识是id=1。
其中,预设距离阈值的具体取值可以根据实际情况灵活设置,本公开对此不作具体限定。
仍以上述图2、图3为例,如图2、图3所示,对待跟踪标识id=1对应的跟踪对象(第1个图像帧中的第一待跟踪对象,以及第2个图像帧中的第二待跟踪对象)进行了持续跟踪。
在一种可能的实现方式中,该目标跟踪方法还包括:在位置变化距离大于或等于预设距离阈值的情况下,为第i+1个图像帧中的人脸ROI对应的待跟踪对象,生成待跟踪标识。
第i个图像帧中的人脸ROI和第i+1个图像帧中的人脸ROI之间的位置变化距离大于或等于预设距离阈值,可以表明第i个图像帧中的人脸ROI和第i+1个图像帧中的人脸ROI对应的是不同的待跟踪对象,第i+1个图像帧中的人脸ROI对应的待跟踪对象是相对于第i个图像帧新出现的待跟踪对象,此时,为第i+1个图像帧中的人脸ROI对应的待跟踪对象生成新的待跟踪标识。
仍以上述图3为例,如图3所示,在视频流的第2个图像帧中还包括第三人脸ROI。确定图3所示的第三人脸ROI和图2所示的第一人脸ROI之间的位置变化距离,在第三人脸ROI和第一人脸ROI之间的位置变化距离大于或等于预设距离阈值的情况下,可以确定第2个图像帧中的第三人脸ROI对应的第三待跟踪对象,与第1个图像帧中待跟踪标识id=1对应的第一待跟踪对象(第一人脸ROI),为不同的待跟踪对象,即第三人脸ROI对应的第三待跟踪对象是第2个图像帧中新出现的待跟踪对象,此时,为第2个图像帧中的第三人脸ROI对应的第三待跟踪对象生成新的待跟踪标识id=2。
对视频流中的第2个图像帧中的第三人脸ROI进行特征提取,得到第三待跟踪对象的人脸特征信息。将第三待跟踪对象确定为第二参考跟踪对象,进而,将第二参考跟踪对象的跟踪标识id=2,以及第二参考跟踪对象的人脸特征信息,存储于目标库。
以此类推,可以基于相邻帧之间ROI的位置变化距离,确定视频流中每个图像帧中的待跟踪对象,以及待跟踪对象的待跟踪标识。此外,还可以根据视频流中当前图像帧之前已经出现过的跟踪对象(参考跟踪对象)的跟踪标识,以及人脸特征信息,构建得到目标库。
图4示出根据本公开实施例的图3中第2个图像帧之后的第3个图像帧的示意图。如图4所示,在视频流的第3个图像帧中包括第四人脸ROI。确定图4所示的第三人脸ROI和图3所示的第三人脸ROI之间的位置变化距离,在第四人脸ROI和第三人脸ROI之间的位置变化距离小于预设距离阈值的情况下,可以确定第3个图像帧中的第四人脸ROI对应的第四待跟踪对象,与第2个图像帧中待跟踪标识id=2对应的第三待跟踪对象(第三人脸ROI),是相同的待跟踪对象,具有相同的待跟踪标识,因此,确定第四人脸ROI对应的第四待跟踪对象的待跟踪标识是id=2。
仍以上述图3、图4为例,如图3、图4所示,对待跟踪标识id=2对应的待跟踪对象(第2个图像帧中的第三待跟踪对象,以及第3个图像帧中的第四待跟踪对象)进行了持续跟踪。
在一示例中,可以利用哈希表数据结构,将参考跟踪对象的跟踪标识作为键(key),将参考跟踪对象的人脸特征信息作为值(value),进而,以键值对(key-value)的形式,将参考跟踪对象的跟踪标识以及人脸特征信息,存储在目标库中。
具体地,将参考跟踪对象的跟踪标识以及人脸特征信息存储到目标库的方式可以包括以下至少三种:
方式一:针对视频流中的参考跟踪对象,在出现参考跟踪对象的每个图像帧中均进行特征提取,得到参考跟踪对象的多个人脸特征信息;将参考跟踪对象的跟踪标识作为键(key),将参考跟踪对象的多个人脸特征信息作为值(value),进而,以键值对(key-value)的形式,将参考跟踪对象的跟踪标识以及多个人脸特征信息,存储在目标库中。
仍以上述图2、图3为例,针对视频流中的第一参考跟踪对象(id=1的跟踪对象),分别对第1个图像帧中的第一人脸ROI以及对第2个图像帧中的第二人脸ROI进行特征提取,得到第一参考跟踪对象对应的两个人脸特征信息;将第一参考跟踪对象的跟踪标识id=1作为键(key1),将第一参考跟踪对象的两个人脸特征信息作为值(value1),进而,以键值对(key1-value1)的形式,将第一参考跟踪对象的跟踪标识id=1以及两个人脸特征信息,存储在目标库中。
方式二:针对视频流中的参考跟踪对象,在最新出现参考跟踪对象的图像帧中进行特征提取,得到参考跟踪对象的人脸特征信息;将参考跟踪对象的跟踪标识作为键,将参考跟踪对象的人脸特征信息作为值,进而,以键值对的形式,将参考跟踪对象的跟踪标识以及人脸特征信息,存储在目标库中。
仍以上述图3、图4为例,针对视频流中的第二参考跟踪对象(id=2的跟踪对象),对最新出现第二参考跟踪对象的第3个图像帧中的第四人脸ROI进行特征提取,得到第二参考跟踪对象对应的人脸特征信息;将第二参考跟踪对象的跟踪标识id=2作为键(key2),将根据第3个图像帧提取得到的第二参考跟踪对象的人脸特征信息作为值(value2),进而,以键值对(key2-value2)的形式,将第二参考跟踪对象的跟踪标识id=2以及人脸特征信息,存储在目标库中。
假设在图4中第3个图像帧之后的第4个图像帧中,仍然跟踪到第二参考跟踪对象,则对最新出现第二参考跟踪对象的第4个图像帧进行特征提取,得到第二参考跟踪对象的最新人脸特征信息,并根据第4个图像帧中得到的第二参考跟踪对象的最新人脸特征信息,更新目标库中的第二参考跟踪对象的人脸特征信息(value2)。
方式三:针对视频流中的参考跟踪对象,在首次出现参考跟踪对象的图像帧中进行特征提取,得到参考跟踪对象的人脸特征信息;将参考跟踪对象的跟踪标识作为键,将参考跟踪对象的人脸特征信息作为值,进而,以键值对的形式,将参考跟踪对象的跟踪标识以及人脸特征信息,存储在目标库中。
仍以上述图3、图4为例,针对视频流中的第二参考跟踪对象,对首次出现第二参考跟踪对象的第2个图像帧中的第三人脸ROI(第三待跟踪对象)进行特征提取,得到第二参考跟踪对象对应的人脸特征信息;将第二参考跟踪对象的跟踪标识id=2作为键(key2),将根据第2个图像帧提取得到的第二参考跟踪对象的人脸特征信息作为值(value2),进而,以键值对(key2-value2)的形式,将第二参考跟踪对象的跟踪标识id=2以及人脸特征信息,存储在目标库中。对再次出现第二参考跟踪对象的第3个图像帧中的第四人脸ROI(第四待跟踪对象),不再进行上述特征提取及存储过程。
图5示出根据本公开实施例的图4中第3个图像帧之后的第4个图像帧的示意图。如图5所示,在视频流的第4个图像帧中包括第五人脸ROI。确定图5所示的第五人脸ROI和图4所示的第四人脸ROI之间的位置变化距离,在第五人脸ROI和第四人脸ROI之间的位置变化距离小于预设距离阈值的情况下,可以确定第4个图像帧中的第五人脸ROI对应的第五待跟踪对象,与第3个图像帧中待跟踪标识id=2对应的第四待跟踪对象(第四人脸ROI),为相同的待跟踪对象,具有相同的待跟踪标识,因此,确定第五人脸ROI对应的第五待跟踪对象的待跟踪标识是id=2。
在一种可能的实现方式中,该目标跟踪方法还包括:在目标库中包括待跟踪标识的情况下,将待跟踪对象与待跟踪标识对应的参考跟踪对象进行关联跟踪。
针对当前图像帧中的待跟踪对象,在目标库中包括当前图像帧中的待跟踪对象的待跟踪标识的情况下,可以确定当前图像帧中的待跟踪对象是在视频流中当前图像帧之前出现过的跟踪对象,因此,将当前图像帧中的待跟踪对象与目标库中对应相同跟踪标识的参考跟踪对象进行关联跟踪,以降低跟踪丢失的概率,实现对跟踪对象的长时间跟踪。
仍以上述图5为例,在第4个图像帧为当前图像帧,且确定第4个图像帧中第五待跟踪对象的待跟踪标识是id=2的情况下,查询目标库,确定目标库中包括跟踪标识id=2,此时,可以确定待跟踪标识id=2对应的第五待跟踪对象,与目标库中包括的跟踪标识id=2对应的第二参考跟踪对象,是相同的跟踪对象,因此,将待跟踪标识id=2对应的第五待跟踪对象,与跟踪标识id=2对应的第二参考跟踪对象进行关联跟踪。
仍以上述图5为例,如图5所示,在第4个图像帧中还包括第六人脸ROI。确定图5所示的第六人脸ROI和图4所示的第四人脸ROI之间的位置变化距离,在第六人脸ROI和第四人脸ROI之间的位置变化距离大于或等于预设距离阈值的情况下,可以确定第4个图像帧中的第六人脸ROI对应的第六待跟踪对象,与第3个图像帧中待跟踪标识id=2对应的第四待跟踪对象(第四人脸ROI),为不同的待跟踪对象,即第六人脸ROI对应的第六待跟踪对象是第4个图像帧中新出现的待跟踪对象,此时,为第4个图像帧中的第六人脸ROI对应的第六待跟踪对象生成新的待跟踪标识id=3。
在第4个图像帧为当前图像帧,且确定第4个图像帧中第六待跟踪对象的待跟踪标识是id=3的情况下,查询目标库,确定目标库中不包括跟踪标识id=3,此时,为了提高跟踪精度,可以基于目标库中包括的参考跟踪对象的人脸特征信息,进一步验证第六待跟踪对象是否是在视频流中第3个图像帧以前出现过的跟踪对象,只是在第3个图像帧中出现短暂跟踪丢失。
在一种可能的实现方式中,在目标库中不包括待跟踪标识的情况下,基于提取到的待跟踪对象的人脸特征信息与参考跟踪对象的人脸特征信息进行特征匹配,包括:根据待跟踪对象的人脸特征信息,确定第一人脸特征向量;根据参考跟踪对象的人脸特征信息,确定第二人脸特征向量;根据第一人脸特征向量和第二人脸特征向量之间的内积,确定待跟踪对象的人脸特征信息和参考跟踪对象的人脸特征信息之间的相似度;在相似度大于预设相似度阈值的情况下,确定待跟踪对象的人脸特征信息与参考跟踪对象的人脸特征信息匹配成功。
利用特征向量之间的内积,可以确定待跟踪对象的人脸特征信息和参考跟踪对象的人脸特征信息之间的相似度,进而利用预设相似度阈值,可以在确定待跟踪对象的人脸特征信息和参考跟踪对象的人脸特征信息是否匹配成功。
仍以上述图5为例,在确定目标库中不包括待跟踪标识id=3的情况下,可以对第4个图像帧中的第六ROI进行特征提取,得到待跟踪标识id=3对应的第六待跟踪对象的人脸特征信息,进而,将第六待跟踪对象的人脸特征信息,与目标库中包括的第一参考跟踪对象(id=1的跟踪对象)和第二参考跟踪对象(id=2的跟踪对象)的人脸特征信息进行特征匹配。
下面将以第一参考跟踪对象为例,详细介绍特征匹配过程。
将第六待跟踪对象的人脸特征信息作为第一人脸特征向量,获取目标库中存储的第一参考跟踪对象的人脸特征信息作为第二人脸特征向量。对第一人脸特征向量和第二人脸特征向量进行归一化,进而根据归一化第一人脸特征向量和归一化后的第二人脸特征向量之间的内积,确定第六待跟踪对象的人脸特征信息和第一参考跟踪对象的人脸特征信息之间的相似度。在第六待跟踪对象的人脸特征信息与第一参考跟踪对象的人脸特征信息之间的相似度大于预设相似度阈值的情况下,可以确定第六待跟踪对象的人脸特征信息与第一参考跟踪对象的人脸特征信息匹配成功。
在第六待跟踪对象的人脸特征信息与第一参考跟踪对象的人脸特征信息匹配成功的情况下,可以确定第4个图像帧中出现的第六待跟踪对象,是视频流中第3个图像帧以前出现过的第一参考跟踪对象,只是在第3个图像帧中出现短暂跟踪丢失。因此,将待跟踪标识id=3的第六待跟踪对象,与第一参考跟踪对象进行关联跟踪。
在第六待跟踪对象的人脸特征信息与第一参考跟踪对象的人脸特征信息匹配成功的情况下,无需对第六待跟踪对象的人脸特征信息与第二参考跟踪对象的人脸特征信息进行特征匹配。在第六待跟踪对象的人脸特征信息与第一参考跟踪对象的人脸特征信息匹配失败的情况下,进一步对第六待跟踪对象的人脸特征信息与第二参考跟踪对象的人脸特征信息进行特征匹配,具体过程与上述第六待跟踪对象的人脸特征信息与第一参考跟踪对象的人脸特征信息进行特征匹配的过程类似,此处不作赘述。
在一种可能的实现方式中,根据第一人脸特征向量和第二人脸特征向量之间的内积,确定待跟踪对象的人脸特征信息和参考跟踪对象的人脸特征信息之间的相似度,包括:根据预设拉伸因子,对内积进行拉伸处理,得到相似度。
由于确定人脸特征信息的人脸检测算法可以有多种,在不同人脸检测算法下得到的人脸特征信息可能对应不同尺度信息,也使得不同人脸检测算法下得到第一人脸特征向量和第二人脸特征向量之间的内积对应不同尺度信息,因此,基于预设拉伸因子,对内积进行拉伸处理,以使得拉伸处理之后确定得到的相似度,可以与预设相似度阈值在相同尺度信息下进行比较。其中,不同人脸检测算法对应不同的预设拉伸因子,本公开对此不作具体限定。
在一种可能的实现方式中,该目标跟踪方法还包括:根据待跟踪对象的跟踪数据,以及与待跟踪对象进行关联跟踪的参考跟踪对象的跟踪数据,确定待跟踪对象的跟踪结果。
仍以上述图5为例,在对第六待跟踪对象,与第一参考跟踪对象进行关联跟踪之后,根据第六待跟踪对象的跟踪数据,以及第一参考跟踪对象的跟踪数据,确定id=1的跟踪对象的跟踪结果。
其中,跟踪数据可以包括跟踪对象在图像帧中的位置、姿态、行为等信息,本公开对此不作具体限定。
在一种可能的实现方式中,该目标跟踪方法还包括:在待跟踪对象的人脸特征信息与参考跟踪对象的人脸特征信息匹配失败的情况下,根据待跟踪标识和待跟踪对象的人脸特征信息,更新目标库。
仍以上述图5为例,在第4个图像帧是当前图像帧,确定目标库中不包括待跟踪标识id=3,以及第六待跟踪对象的人脸特征信息,与目标库中包括的第一参考跟踪对象和第二参考跟踪对象的人脸特征信息,均匹配失败的情况下,可以确定第六待跟踪对象不是视频流中以前出现过的跟踪对象,而是第4个图像帧中新出现的待跟踪对象。此时,在视频流第4个图像帧的后续图像帧中对第六待跟踪对象进行跟踪,得到跟踪结果。
此外,确定第六待跟踪对象的人脸特征信息,将第六待跟踪对象确定为第三参考跟踪对象,进而,将第三参考跟踪对象的跟踪标识id=3,以及第三参考跟踪对象的人脸特征信息存储于目标库。
在一种可能的实现方式中,该目标跟踪方法还包括:确定参考跟踪对象的人脸特征信息在目标库中的存储时长,从目标库中删除存储时长大于预设存储时长阈值的人脸特征信息。
当采用上述方式一对目标库进行数据存储的情况下,针对视频流中的参考跟踪对象,由于在出现参考跟踪对象的每个图像帧中均进行特征提取,以及对提取得到的人脸特征信息进行存储,使得目标库中的数据量快速上升。一方面,目标库中的数据量快速上升,会导致目标库对内存的占用较大,对硬件要求较高;一方面,由于同一参考跟踪对象在目标库中存储有大量的人脸特征信息,会导致后续特征匹配效率较低,进而影响目标跟踪效率。
因此,利用预设存储时长阈值,对目标库进行清理,以降低目标库中存储的数据量,既可以降低目标库对内存的占用,又可以提高后续特征匹配效率,进而有效提高目标跟踪效率。
例如,针对上述第一参考跟踪对象(id=1的跟踪对象),确定第一参考跟踪对象的每个人脸特征信息在目标库中的存储时长,并对目标库中第一参考跟踪对象对应的存储时长大于预设存储时长阈值的人脸特征信息进行删除。也就是说,删除键值对(key2-value2)的value2中包括的存储时长大于预设存储时长阈值的人脸特征信息。
其中,预设存储阈值的具体取值可以根据实际情况灵活设置,本公开对此不作具体限定。
在一种可能的实现方式中,该目标跟踪方法还包括:确定参考跟踪对象对应的跟踪结束时刻与当前时刻之间的时间间隔,在时间间隔大于预设时间间隔阈值的情况下,从目标库中删除参考跟踪对象的跟踪标识以及参考跟踪对象的人脸特征信息。
在参考跟踪对象对应的跟踪结束时刻与当前时刻之间的时间间隔大于预设时间间隔的情况下,可以指示对参考跟踪对象已经真正结束跟踪,而不是短暂跟踪丢失。此时,目标库中的参考跟踪对象的跟踪标识以及参考跟踪对象的人脸特征信息,成为无效数据,对该无效数据进行删除,可以降低目标库对内存的占用,提高内存利用率。
例如,针对上述第二参考跟踪对象(id=2的跟踪对象),确定第二参考跟踪对象的跟踪结束时刻与当前时刻之间的时间间隔,在时间间隔大于预设时间间隔阈值的情况下,对目标库中第二参考跟踪对象的跟踪标识id=2,以及第二参考跟踪对象的人脸特征信息进行删除。也就是说,删除键值对(key2-value2)。
在一示例中,可以利用LRU算法(Least recently used,最近最少使用)确定预设时间间隔阈值,还可以根据实际情况对预设时间间隔阈值的具体取值进行灵活设置,本公开对此不作具体限定。
在一种可能的实现方式中,该目标跟踪方法还包括:确定待跟踪对象对应的跟踪结果;根据跟踪结果,确定待跟踪对象是否出现异常事件;在待跟踪对象出现异常事件的情况下,生成告警信息。
其中,确定待跟踪对象对应的跟踪结果的方式可以参考上述,根据待跟踪对象的跟踪数据以及与待跟踪对象进行关联跟踪的参考跟踪对象的跟踪数据,确定待跟踪对象的跟踪结果的具体方式,此处不作赘述。
跟踪结果可以反映待跟踪对象在跟踪过程中的行为,因此,可以根据跟踪结果,确定待跟踪对象在跟踪过程中的行为是否出现异常事件,以及在待跟踪对象出现异常事件的情况下,生成告警信息,以对待跟踪对象出现的异常事件进行提醒或制止。
其中,异常事件可以是违法违规事件(例如,持续未佩戴口罩),可以是不文明事件,还可以根据实际情况灵活设置,本公开对此不作具体限定。
利用本公开实施例的目标跟踪方法,可以实现对异常事件进行事件检测。
图6示出根据本公开实施例的一种事件检测方法的流程图。该事件检测方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,该目标跟踪方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行该目标跟踪方法。如图6所示,该事件检测方法可以包括:
步骤S61,基于目标跟踪方法,对视频流中的对象进行跟踪,得到跟踪结果;
步骤S62,根据跟踪结果,检测是否出现持续未佩戴口罩事件;
其中,目标跟踪方法可以为上述实施例中的目标跟踪方法,目标跟踪方法的具体跟踪过程可以参考上述实施例的相关描述,此处不作赘述。
在本公开实施例中,通过目标跟踪方法,对视频流中的对象进行跟踪,得到跟踪结果,进而根据跟踪结果,检测是否出现持续未佩戴口罩事件,从而可以对持续未佩戴口罩事件进行有效检测,有效提高持续未佩戴口罩事件的检测效率。
在一种可能的实现方式中,基于目标跟踪方法,对视频流中的对象进行跟踪,得到跟踪结果,包括:基于目标跟踪方法,对视频流中的对象进行跟踪,确定视频流中的跟踪对象、跟踪对象对应的用户标识,以及跟踪对象的跟踪数据;将用户标识以及跟踪数据,确定为跟踪对象的跟踪结果。
其中,视频流中的跟踪对象以及跟踪对象对应的用户标识(跟踪标识id)可以是通过上述实施例中的目标跟踪方法确定的,具体跟踪过程可以参考上述实施例的相关描述此处不作赘述。
在确定视频流中的跟踪对象之后,可以确定跟踪对象对应的跟踪标识,进而确定跟踪对象对应的跟踪数据。综合跟踪对象对应的跟踪数据和跟踪对象的用户标识,得到跟踪对象的跟踪结果。
其中,跟踪数据可以包括跟踪对象在图像帧中的位置、姿态、行为等信息,本公开对此不作具体限定。
在一种可能的实现方式中,根据跟踪结果,检测是否出现持续未佩戴口罩事件,包括:基于跟踪数据,检测跟踪对象是否佩戴口罩,得到跟踪对象对应的口罩佩戴状态,其中,口罩佩戴状态包括跟踪对象未佩戴口罩的时间信息;根据跟踪对象未佩戴口罩的时间信息,确定跟踪对象持续未佩戴口罩的时长;在跟踪对象持续未佩戴口罩的时长大于或等于预设时长阈值的情况下,确定出现持续未佩戴口罩事件。
在跟踪数据包括跟踪对象在图像帧中行为信息时,根据跟踪对象的跟踪数据,可以检测该跟踪对象是否佩戴口罩,进而得到跟踪对象对应的口罩佩戴状态,口罩佩戴状态中包括的跟踪对象未佩戴口罩的时间信息,可以反映跟踪对象未佩戴口罩的具体时刻,因此,通过统计跟踪对象未佩戴口罩的时间信息,可以确定跟踪对象持续未佩戴口罩的时长。在跟踪对象持续未佩戴口罩的时长大于或等于预设时长阈值的情况下,可以确定跟踪对象出现持续未佩戴口罩事件。
其中,预设时长阈值的具体取值可以根据实际情况灵活设置,本公开对此不作具体限定。
在一种可能的实现方式中,该事件检测方法还包括:将出现持续未佩戴口罩事件的跟踪对象,确定为持续未佩戴口罩事件对应的目标行为人对象;根据出现持续未佩戴口罩事件的跟踪对象对应的用户标识,确定目标行为人对象的身份信息。
在确定跟踪对象出现持续未佩戴口罩事件的情况下,可以将出现持续未佩戴口罩事件的跟踪对象确定为持续未佩戴口罩事件对应的目标行为人对象,进而根据跟踪过程中确定的该跟踪对象的用户标识(跟踪标识id),确定出现持续未佩戴口罩事件对应的目标行为人对象的身份信息,有效实现对出现持续未佩戴口罩事件对应的目标行为人对象的身份定位。
在一种可能的实现方式中,该事件检测方法还包括:根据目标行为人对象的身份信息,生成告警信息。
在对出现持续未佩戴口罩事件对应的目标行为人对象实现身份定位之后,可以根据出现持续未佩戴口罩事件对应的目标行为人对象的身份信息,生成告警信息。
进而,可以将告警信息发送至相关管理部门,以使得相关管理部门根据目标行为人对象的身份信息,快速定位到出现持续未佩戴口罩事件对应的目标行为人,进而对目标行为人的持续未佩戴口罩事件进行提醒、制止或相应处罚,从而有效提高持续未佩戴口罩事件的检测以及处理效率,在一定程度上降低疫情带来的风险,避免疫情的大规模传播。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了目标跟踪、事件检测装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种目标跟踪、事件检测方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图7示出根据本公开实施例的一种目标跟踪装置的框图。如图7所示,装置70包括:
第一确定模块71,用于对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象,以及确定待跟踪对象的待跟踪标识;
第二确定模块72,用于确定目标库中是否包括待跟踪标识,其中,目标库中包括参考跟踪对象的跟踪标识以及参考跟踪对象的人脸特征信息;
特征匹配模块73,用于在目标库中不包括待跟踪标识的情况下,基于提取到的待跟踪对象的人脸特征信息与参考跟踪对象的人脸特征信息进行特征匹配;
关联跟踪模块74,用于在待跟踪对象的人脸特征信息与参考跟踪对象的人脸特征信息匹配成功的情况下,对待跟踪对象与特征匹配成功的参考跟踪对象进行关联跟踪,关联跟踪用于将待跟踪对象与特征匹配成功的参考跟踪对象的跟踪数据进行关联。
在一种可能的实现方式中,关联跟踪模块74,还用于:
在目标库中包括待跟踪标识的情况下,将待跟踪对象与待跟踪标识对应的参考跟踪对象进行关联跟踪。
在一种可能的实现方式中,装置70还包括:
更新模块,用于在待跟踪对象的人脸特征信息与参考跟踪对象的人脸特征信息匹配失败的情况下,根据待跟踪标识和待跟踪对象的人脸特征信息,更新目标库。
在一种可能的实现方式中,第一确定模块71,包括:
人脸识别子模块,用于对视频流中的对象进行人脸识别,确定视频流的每个图像帧中的人脸感兴趣区域ROI,其中,每个图像帧中的人脸ROI用于指示每个图像帧中的待跟踪对象;
待跟踪标识确定子模块,用于根据视频流中的第i个图像帧中的人脸ROI,以及第i+1个图像帧中的人脸ROI,确定第i+1个图像帧中的人脸ROI对应的待跟踪对象的待跟踪标识。
在一种可能的实现方式中,待跟踪标识确定子模块,包括:
位置变化距离确定单元,用于确定第i个图像帧中的人脸ROI和第i+1个图像帧中的人脸ROI之间的位置变化距离;
待跟踪标识确定单元,用于在位置变化距离小于预设距离阈值的情况下,根据第i个图像帧中的人脸ROI对应的待跟踪对象的待跟踪标识,确定第i+1个图像帧中的人脸ROI对应的待跟踪对象的待跟踪标识。
在一种可能的实现方式中,待跟踪标识确定子模块,还包括:
待跟踪标识生成单元,在位置变化距离大于或等于预设距离阈值的情况下,为第i+1个图像帧中的人脸ROI对应的待跟踪对象,生成待跟踪标识。
在一种可能的实现方式中,特征匹配模块73,包括:
第一确定子模块,用于根据待跟踪对象的人脸特征信息,确定第一人脸特征向量;
第二确定子模块,用于根据参考跟踪对象的人脸特征信息,确定第二人脸特征向量;
相似度确定子模块,用于根据第一人脸特征向量和第二人脸特征向量之间的内积,确定待跟踪对象的人脸特征信息和参考跟踪对象的人脸特征信息之间的相似度;
第三确定子模块,用于在相似度大于预设相似度阈值的情况下,确定待跟踪对象的人脸特征信息与参考跟踪对象的人脸特征信息匹配成功。
在一种可能的实现方式中,相似度确定子模块,具体用于:
根据预设拉伸因子,对内积进行拉伸处理,得到相似度。
在一种可能的实现方式中,装置70还包括:删除模块,具体用于:
确定参考跟踪对象的人脸特征信息在目标库中的存储时长,从目标库中删除存储时长大于预设存储时长阈值的人脸特征信息;或,
确定参考跟踪对象对应的跟踪结束时刻与当前时刻之间的时间间隔,在时间间隔大于预设时间间隔阈值的情况下,从目标库中删除参考跟踪对象的跟踪标识以及参考跟踪对象的人脸特征信息。
图8示出根据本公开实施例的一种事件检测装置的框图。如图8所示,装置80包括:
跟踪模块81,用于基于目标跟踪方法,对视频流中的对象进行跟踪,得到跟踪结果;
检测模块82,用于根据跟踪结果,检测是否出现持续未佩戴口罩事件;
其中,目标跟踪方法为上述实施例中的目标跟踪方法。
在一种可能的实现方式中,跟踪模块81,具体用于:
基于目标跟踪方法,对视频流中的对象进行跟踪,确定视频流中的跟踪对象、跟踪对象对应的用户标识,以及跟踪对象的跟踪数据;
将用户标识以及跟踪数据,确定为跟踪对象的跟踪结果。
在一种可能的实现方式中,检测模块82,具体用于:
基于跟踪数据,检测跟踪对象是否佩戴口罩,得到跟踪对象对应的口罩佩戴状态,其中,口罩佩戴状态包括跟踪对象未佩戴口罩的时间信息;
根据跟踪对象未佩戴口罩的时间信息,确定跟踪对象持续未佩戴口罩的时长;
在跟踪对象持续未佩戴口罩的时长大于或等于预设时长阈值的情况下,确定出现持续未佩戴口罩事件。
在一种可能的实现方式中,装置80还包括:身份信息确认模块,用于:
将出现持续未佩戴口罩事件的跟踪对象,确定为持续未佩戴口罩事件对应的目标行为人对象;
根据出现持续未佩戴口罩事件的跟踪对象对应的用户标识,确定目标行为人对象的身份信息。
在一种可能的实现方式中,装置80还包括:告警信息生成模块,用于:
根据目标行为人对象的身份信息,生成告警信息。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图9示出根据本公开实施例的一种电子设备的框图。如图9所示,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图9,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
本公开涉及增强现实领域,通过获取现实环境中的目标对象的图像信息,进而借助各类视觉相关算法实现对目标对象的相关特征、状态及属性进行检测或识别处理,从而得到与具体应用匹配的虚拟与现实相结合的AR效果。示例性的,目标对象可涉及与人体相关的脸部、肢体、手势、动作等,或者与物体相关的标识物、标志物,或者与场馆或场所相关的沙盘、展示区域或展示物品等。视觉相关算法可涉及视觉定位、SLAM、三维重建、图像注册、背景分割、对象的关键点提取及跟踪、对象的位姿或深度检测等。具体应用不仅可以涉及跟真实场景或物品相关的导览、导航、讲解、重建、虚拟效果叠加展示等交互场景,还可以涉及与人相关的特效处理,比如妆容美化、肢体美化、特效展示、虚拟模型展示等交互场景。可通过卷积神经网络,实现对目标对象的相关特征、状态及属性进行检测或识别处理。上述卷积神经网络是基于深度学习框架进行模型训练而得到的网络模型。
图10示出根据本公开实施例的一种电子设备的框图。如图10所示,电子设备1900可以被提供为一服务器。参照图10,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (17)
1.一种目标跟踪方法,其特征在于,包括:
对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象,以及确定所述待跟踪对象的待跟踪标识;
确定目标库中是否包括所述待跟踪标识,其中,所述目标库中包括参考跟踪对象的跟踪标识以及所述参考跟踪对象的人脸特征信息;
在所述目标库中不包括所述待跟踪标识的情况下,基于提取到的所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息进行特征匹配;
在所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息匹配成功的情况下,对所述待跟踪对象与特征匹配成功的所述参考跟踪对象进行关联跟踪,所述关联跟踪用于将所述待跟踪对象与特征匹配成功的所述参考跟踪对象的跟踪数据进行关联。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述目标库中包括所述待跟踪标识的情况下,将所述待跟踪对象与所述待跟踪标识对应的所述参考跟踪对象进行关联跟踪。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息匹配失败的情况下,根据所述待跟踪标识和所述待跟踪对象的人脸特征信息,更新所述目标库。
4.根据权利要求1所述的方法,其特征在于,所述对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象,以及确定所述待跟踪对象的待跟踪标识,包括:
对所述视频流中的对象进行人脸识别,确定所述视频流的每个图像帧中的人脸感兴趣区域ROI,其中,所述每个图像帧中的人脸ROI用于指示所述每个图像帧中的所述待跟踪对象;
根据所述视频流中的第i个图像帧中的人脸ROI,以及第i+1个图像帧中的人脸ROI,确定所述第i+1个图像帧中的人脸ROI对应的所述待跟踪对象的待跟踪标识。
5.根据权利要求4所述的方法,其特征在于,所述根据所述视频流中的第i个图像帧中的人脸ROI,以及第i+1个图像帧中的人脸ROI,确定所述第i+1个图像帧中的人脸ROI对应的所述待跟踪对象的待跟踪标识,包括:
确定所述第i个图像帧中的人脸ROI和所述第i+1个图像帧中的人脸ROI之间的位置变化距离;
在所述位置变化距离小于预设距离阈值的情况下,根据所述第i个图像帧中的人脸ROI对应的所述待跟踪对象的所述待跟踪标识,确定所述第i+1个图像帧中的人脸ROI对应的所述待跟踪对象的所述待跟踪标识。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在所述位置变化距离大于或等于所述预设距离阈值的情况下,为所述第i+1个图像帧中的人脸ROI对应的所述待跟踪对象,生成所述待跟踪标识。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述在所述目标库中不包括所述待跟踪标识的情况下,基于提取到的所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息进行特征匹配,包括:
根据所述待跟踪对象的人脸特征信息,确定第一人脸特征向量;
根据所述参考跟踪对象的人脸特征信息,确定第二人脸特征向量;
根据所述第一人脸特征向量和所述第二人脸特征向量之间的内积,确定所述待跟踪对象的人脸特征信息和所述参考跟踪对象的人脸特征信息之间的相似度;
在所述相似度大于预设相似度阈值的情况下,确定所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息匹配成功。
8.根据权利要求7所述的方法,其特征在于,所述根据所述第一人脸特征向量和所述第二人脸特征向量之间的内积,确定所述待跟踪对象的人脸特征信息和所述参考跟踪对象的人脸特征信息之间的相似度,包括:
根据预设拉伸因子,对所述内积进行拉伸处理,得到所述相似度。
9.根据权利要求1至8任意一项所述的方法,其特征在于,所述方法还包括:
确定所述参考跟踪对象的人脸特征信息在所述目标库中的存储时长,从所述目标库中删除所述存储时长大于预设存储时长阈值的所述人脸特征信息;或,
确定所述参考跟踪对象对应的跟踪结束时刻与当前时刻之间的时间间隔,在所述时间间隔大于预设时间间隔阈值的情况下,从所述目标库中删除所述参考跟踪对象的跟踪标识以及所述参考跟踪对象的人脸特征信息。
10.一种事件检测方法,其特征在于,包括:
基于目标跟踪方法,对视频流中的对象进行跟踪,得到跟踪结果;
根据所述跟踪结果,检测是否出现持续未佩戴口罩事件;
其中,所述目标跟踪方法为权利要求1至9中任意一项所述的目标跟踪方法。
11.根据权利要求10所述的方法,其特征在于,所述基于目标跟踪方法,对视频流中的对象进行跟踪,得到跟踪结果,包括:
基于所述目标跟踪方法,对所述视频流中的对象进行跟踪,确定所述视频流中的跟踪对象、所述跟踪对象对应的用户标识,以及所述跟踪对象的跟踪数据;
将所述用户标识以及所述跟踪数据,确定为所述跟踪对象的跟踪结果。
12.根据权利要求11所述的方法,其特征在于,所述根据所述跟踪结果,检测是否出现持续未佩戴口罩事件,包括:
基于所述跟踪数据,检测所述跟踪对象是否佩戴口罩,得到所述跟踪对象对应的口罩佩戴状态,其中,所述口罩佩戴状态包括所述跟踪对象未佩戴口罩的时间信息;
根据所述跟踪对象未佩戴口罩的时间信息,确定所述跟踪对象持续未佩戴口罩的时长;
在所述跟踪对象持续未佩戴口罩的时长大于或等于预设时长阈值的情况下,确定出现所述持续未佩戴口罩事件。
13.根据权利要求11或12所述的方法,其特征在于,所述方法还包括:
将出现所述持续未佩戴口罩事件的所述跟踪对象,确定为所述持续未佩戴口罩事件对应的目标行为人对象;
根据出现所述持续未佩戴口罩事件的所述跟踪对象对应的所述用户标识,确定所述目标行为人对象的身份信息;
根据所述目标行为人对象的身份信息,生成告警信息。
14.一种目标跟踪装置,其特征在于,包括:
第一确定模块,用于对视频流中的对象进行人脸识别,确定视频流中的待跟踪对象,以及确定所述待跟踪对象的待跟踪标识;
第二确定模块,用于确定目标库中是否包括所述待跟踪标识,其中,所述目标库中包括参考跟踪对象的跟踪标识以及所述参考跟踪对象的人脸特征信息;
特征匹配模块,用于在所述目标库中不包括所述待跟踪标识的情况下,基于提取到的所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息进行特征匹配;
关联跟踪模块,用于在所述待跟踪对象的人脸特征信息与所述参考跟踪对象的人脸特征信息匹配成功的情况下,对所述待跟踪对象与特征匹配成功的所述参考跟踪对象进行关联跟踪,所述关联跟踪用于将所述待跟踪对象与特征匹配成功的所述参考跟踪对象的跟踪数据进行关联。
15.一种事件检测装置,其特征在于,包括:
跟踪模块,用于基于目标跟踪方法,对视频流中的对象进行跟踪,得到跟踪结果;
检测模块,用于根据所述跟踪结果,检测是否出现持续未佩戴口罩事件;
其中,所述目标跟踪方法为权利要求1至9中任意一项所述的目标跟踪方法。
16.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至9中任意一项所述的方法,或者,以执行权利要求10至13中任意一项所述的方法。
17.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法,或者,实现权利要求10至13中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405723.6A CN113920169A (zh) | 2021-11-24 | 2021-11-24 | 目标跟踪、事件检测方法及装置、电子设备和存储介质 |
PCT/IB2022/055050 WO2023094894A1 (zh) | 2021-11-24 | 2022-05-30 | 目标跟踪、事件检测方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405723.6A CN113920169A (zh) | 2021-11-24 | 2021-11-24 | 目标跟踪、事件检测方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113920169A true CN113920169A (zh) | 2022-01-11 |
Family
ID=79248197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111405723.6A Withdrawn CN113920169A (zh) | 2021-11-24 | 2021-11-24 | 目标跟踪、事件检测方法及装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113920169A (zh) |
WO (1) | WO2023094894A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576164B (zh) * | 2023-12-14 | 2024-05-03 | 中国人民解放军海军航空大学 | 基于特征联合学习的遥感视频海陆运动目标跟踪方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845385A (zh) * | 2017-01-17 | 2017-06-13 | 腾讯科技(上海)有限公司 | 视频目标跟踪的方法和装置 |
CN107644204B (zh) * | 2017-09-12 | 2020-11-10 | 南京凌深信息科技有限公司 | 一种用于安防系统的人体识别与跟踪方法 |
CN109359625A (zh) * | 2018-11-16 | 2019-02-19 | 南京甄视智能科技有限公司 | 基于头肩检测和人脸识别技术判断顾客身份的方法和系统 |
CN112862859B (zh) * | 2020-08-21 | 2023-10-31 | 海信视像科技股份有限公司 | 一种人脸特征值创建方法、人物锁定追踪方法及显示设备 |
CN113674318A (zh) * | 2021-08-16 | 2021-11-19 | 支付宝(杭州)信息技术有限公司 | 一种目标跟踪方法、装置及设备 |
-
2021
- 2021-11-24 CN CN202111405723.6A patent/CN113920169A/zh not_active Withdrawn
-
2022
- 2022-05-30 WO PCT/IB2022/055050 patent/WO2023094894A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023094894A1 (zh) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569777B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
TW202105199A (zh) | 資料更新方法、電子設備和儲存介質 | |
CN110942036B (zh) | 人员识别方法及装置、电子设备和存储介质 | |
CN110991327A (zh) | 交互方法及装置、电子设备和存储介质 | |
CN109543536B (zh) | 图像标识方法及装置、电子设备和存储介质 | |
CN110889382A (zh) | 虚拟形象渲染方法及装置、电子设备和存储介质 | |
CN111553864A (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN111241887A (zh) | 目标对象关键点识别方法及装置、电子设备和存储介质 | |
CN110928627A (zh) | 界面展示方法及装置、电子设备和存储介质 | |
CN113688729B (zh) | 一种行为识别方法及装置、电子设备和存储介质 | |
JP7482326B2 (ja) | 身元認証方法および装置、電子機器並びに記憶媒体 | |
CN109241875B (zh) | 姿态检测方法及装置、电子设备和存储介质 | |
CN111860373B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN110909203A (zh) | 视频分析方法及装置、电子设备和存储介质 | |
CN111310664B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN114187498A (zh) | 遮挡检测方法及装置、电子设备和存储介质 | |
CN113011291A (zh) | 事件检测方法及装置、电子设备和存储介质 | |
CN111625671A (zh) | 数据处理方法及装置、电子设备及存储介质 | |
CN114581525A (zh) | 姿态确定方法及装置、电子设备和存储介质 | |
CN113920169A (zh) | 目标跟踪、事件检测方法及装置、电子设备和存储介质 | |
CN114550398A (zh) | 一种防拆目标设备 | |
CN112767541A (zh) | 三维重建方法及装置、电子设备和存储介质 | |
CN110826045B (zh) | 认证方法及装置、电子设备和存储介质 | |
CN113822216A (zh) | 事件检测方法及装置、系统、电子设备和存储介质 | |
CN112949568A (zh) | 人脸和人体匹配的方法及装置、电子设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40064992 Country of ref document: HK |
|
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220111 |