CN114004861A - 目标跟踪方法及相关系统、存储介质、智能驾驶车辆 - Google Patents

目标跟踪方法及相关系统、存储介质、智能驾驶车辆 Download PDF

Info

Publication number
CN114004861A
CN114004861A CN202010739727.7A CN202010739727A CN114004861A CN 114004861 A CN114004861 A CN 114004861A CN 202010739727 A CN202010739727 A CN 202010739727A CN 114004861 A CN114004861 A CN 114004861A
Authority
CN
China
Prior art keywords
objects
image
frame
predicted position
relative position
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010739727.7A
Other languages
English (en)
Other versions
CN114004861B (zh
Inventor
余大蒙
杨臻
李志刚
汤奇荣
张敬涛
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.)
Tongji University
Huawei Technologies Co Ltd
Original Assignee
Tongji University
Huawei Technologies 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 Tongji University, Huawei Technologies Co Ltd filed Critical Tongji University
Priority to CN202010739727.7A priority Critical patent/CN114004861B/zh
Priority to PCT/CN2021/084784 priority patent/WO2022021924A1/zh
Publication of CN114004861A publication Critical patent/CN114004861A/zh
Application granted granted Critical
Publication of CN114004861B publication Critical patent/CN114004861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种目标跟踪方法及相关系统、存储介质、智能驾驶车辆，包括：获取第i帧图像中N个对象的帧内相对位置关系，并获取M帧图像中每帧图像中所述N个对象中至少一个对象的目标位置，获取在第一图像中对象A的第一预测位置；根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置；根据所述对象A的第一预测位置和第二预测位置确定所述第一图像中所述对象A的预测位置。采用该手段，基于在时间获取上较前的图像中各对象的帧内相对位置关系得到各对象在当前帧图像中的预测位置，可有效抑制跟踪漂移的问题，提升了目标跟踪的稳定性。

Description

目标跟踪方法及相关系统、存储介质、智能驾驶车辆
技术领域
本申请涉及计算机视觉技术领域，尤其涉及一种目标跟踪方法及相关系统、存储介质、智能驾驶车辆。
背景技术
视觉目标跟踪是指视频序列在给定当前帧目标位置的前提下，在后续的帧中找到对应目标位置的技术。
基于视频图像序列的多目标跟踪是自动驾驶系统中重要任务之一。现有技术在给定首帧图片以及目标的初始位置时，在接下来的各帧中跟踪器可给出目标的位置。然而由于遮挡、运动模糊、光照变化、目标表观变化、背景疑似目标、尺度变化等因素的影响，跟踪过程中容易出现漂移现象，即跟踪器跟踪失败。例如对于被部分遮挡的车辆目标，由于发生跟踪漂移，容易发生错误的位置预测。
视觉目标跟踪是计算机视觉的基础问题，在实际生活中有着广泛的应用，如无人驾驶，交通管理，智能视频监控AR/VR等。因此抑制目标跟踪漂移问题的意义和价值重大。
由于多目标跟踪过程中存在目标遮挡，运动模糊、光照变化、目标表观变化、背景疑似目标、尺度变化等困难场景，现有技术在进行目标跟踪时，常常无法判别该轨迹是因遮挡等原因暂时消失还是离开检测区域停止跟踪，造成一部分被遮挡的轨迹因为误判终止跟踪。在原跟踪的目标再次出现时，若原跟踪轨迹已停止跟踪，会导致目标的ID发生跳变。一些现有方法虽然尝试使用了多帧图像之间时序特征，然而在复杂场景中，仍容易对某个困难目标出现跟踪失败。
发明内容
本申请公开了一种目标跟踪方法及相关系统、存储介质、智能驾驶车辆，可以实现目标位置的准确预测。
第一方面，本申请实施例提供一种目标跟踪方法，包括：获取第i帧图像中N个对象的帧内相对位置关系，并获取M帧图像中每帧图像中所述N个对象中至少一个对象的位置，且所述第i帧图像为所述M帧中在时间上最后获取的图像，所述M、N、i均为正整数；对于N个对象中的任一个对象A，根据M’个位置获取在第一图像中所述对象A的第一预测位置，所述M’个位置为所述M帧图像中包含所述对象A的M’帧图像中所述对象A的位置，M’为不大于M的正整数，所述第一图像为时间上在所述第i帧之后获取的图像；根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置；根据所述对象A的第一预测位置和第二预测位置确定所述第一图像中所述对象A的预测位置。
通过本申请实施例，通过获取第i帧图像之后的第一图像中各对象的第一预测位置，然后基于第i帧中各对象的帧内相对位置关系得到第一图像中各对象的第二预测位置，进而基于所得第一图像中各对象的第一预测位置和第二预测位置得到所述第一图像中各对象的预测位置。采用该手段，基于前帧图像中各对象的帧内相对位置关系得到各对象在后续帧图像中的预测位置，可在存在目标被遮挡、存在相似物体等挑战性因素的场景中有效抑制跟踪漂移的问题，减少了目标跟踪过程中的误跟踪率，提升了目标跟踪的稳定性，可以使跟踪器长时间有效运行。其中，该第一图像可以是第i+1帧图像，也可以是第i+2帧图像、第i+3帧图像等。
其中，所述根据所述对象A的第一预测位置和第二预测位置确定所述第一图像中所述对象A的预测位置，包括：若所述对象A的第一预测位置与第二预测位置之间的距离大于预设阈值，根据平均滑动滤波算法获取所述第一图像中所述对象A的预测位置。
其中，所述根据所述对象A的第一预测位置和第二预测位置确定所述第一图像中所述对象A的预测位置，包括：若所述对象A的第一预测位置与第二预测位置之间的距离不大于预设阈值，则根据所述对象A的第一预测位置得到所述对象A的预测位置；或者，根据所述对象A的第二预测位置得到所述对象A的预测位置；或者，根据所述对象A的第一预测位置和第二预测位置得到所述对象A的预测位置。
其中，所述根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置，包括：将对象E作为第一父节点，其中，所述对象E为所述第一图像中置信度最高的对象；获取所述第i帧图像中N个对象的帧内相对位置关系中所述第一父节点与子节点之间的帧内相对位置；根据所述第一父节点与子节点之间的帧内相对位置以及所述第一父节点的第一预测位置得到所述子节点的第二预测位置；将所述子节点作为第二父节点，获取所述第i帧图像中N个对象的帧内相对位置关系中所述第二父节点与子节点之间的帧内相对位置；根据所述第二父节点与子节点之间的帧内相对位置以及所述第二父节点的第二预测位置得到所述子节点的第二预测位置；以此类推，直到得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述对象E的第二预测位置与第一预测位置相同。
该实施例提供以最小生成树等树状结构来表示帧内相对位置关系。
其中，所述根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置，包括：根据所述第i帧图像中N个对象的帧内相对位置关系以及对象E的第一预测位置得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述N个对象的帧内相对位置关系包括N-1个对象中每个对象相对于所述对象E的帧内相对位置，所述对象E为所述N个对象中的任一个对象，所述N-1个对象为所述N个对象中除所述对象E之外的对象，其中，所述对象E的第二预测位置与第一预测位置相同。
该实施例提供的帧内相对位置关系包括N-1个对象中每个对象相对于对象E的帧内相对位置。
其中，所述获取第i帧图像中N个对象的帧内相对位置关系，包括：获取第二图像中W个对象的帧内相对位置关系，并获取所述第i帧图像中N个对象的位置，其中，W为正整数，所述N个对象中包含所述W个对象中的至少一个对象，所述第二图像为时间上在所述第i帧之前获取的图像；根据所述第i帧图像中N个对象的位置得到所述第i帧图像中N个对象的位置之间的相对位置关系；根据所述N个对象的位置之间的相对位置关系和所述第二图像中W个对象的帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系。
其中，若所述N个对象不包含所述W个对象中的对象C，所述根据所述N个对象的位置之间的相对位置关系和所述第二图像中W个对象的帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系，包括：删除所述第二图像中W个对象的帧内相对位置关系中各对象与所述对象C的相对位置关系，以得到所述第i帧图像的参考帧内相对位置关系；根据所述N个对象的位置之间的相对位置关系以及所述第i帧图像的参考帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系。
其中，所述方法还包括：根据所述对象A的预测位置确定第一图像中所述对象A的位置；其中，所述根据所述对象A的预测位置确定第一图像中所述对象A的位置，包括：获取第一图像，根据所述第一图像得到所述第一图像中Q个对象的检测位置，Q为正整数；若所述Q个对象中包括所述对象A，则根据所述对象A的预测位置和所述对象A的检测位置，确定所述第一图像中所述对象A的位置。
若所述Q个对象不包括所述N个对象中的对象A，则确认所述第一图像中所述对象A消失。
其中，若所述Q个对象包括对象B，所述对象B与所述N个对象中的任一个对象A均不匹配，则根据所述对象B的检测位置确定所述第一图像中所述对象B的位置。
第二方面，本申请提供了一种目标跟踪系统，包括：位置获取模块，用于获取第i帧图像中N个对象的帧内相对位置关系，并获取M帧图像中每帧图像中所述N个对象中至少一个对象的位置，且所述第i帧图像为所述M帧中在时间上最后获取的图像，所述M、N、i均为正整数；第一预测模块，用于对于N个对象中的任一个对象A，根据M’个位置获取在第一图像中所述对象A的第一预测位置，所述M’个位置为所述M帧图像中包含所述对象A的M’帧图像中所述对象A的位置，M’为不大于M的正整数，所述第一图像为时间上在所述第i帧之后获取的图像；第二预测模块，用于根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置；目标预测模块，用于根据所述对象A的第一预测位置和第二预测位置确定所述第一图像中所述对象A的预测位置。
其中，所述目标预测模块，具体用于：若所述对象A的第一预测位置与第二预测位置之间的距离大于预设阈值，根据平均滑动滤波算法获取所述第一图像中所述对象A的预测位置。
所述目标预测模块，还具体用于：若所述对象A的第一预测位置与第二预测位置之间的距离不大于预设阈值，则根据所述对象A的第一预测位置得到所述对象A的预测位置；或者，根据所述对象A的第二预测位置得到所述对象A的预测位置；或者，根据所述对象A的第一预测位置和第二预测位置得到所述对象A的预测位置。
其中，所述第二预测模块具体用于：将对象E作为第一父节点，其中，所述对象E为所述第一图像中置信度最高的对象；获取所述第i帧图像中N个对象的帧内相对位置关系中所述第一父节点与子节点之间的帧内相对位置；根据所述第一父节点与子节点之间的帧内相对位置以及所述第一父节点的第一预测位置得到所述子节点的第二预测位置；将所述子节点作为第二父节点，获取所述第i帧图像中N个对象的帧内相对位置关系中所述第二父节点与子节点之间的帧内相对位置；根据所述第二父节点与子节点之间的帧内相对位置以及所述第二父节点的第二预测位置得到所述子节点的第二预测位置；以此类推，直到得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述对象E的第二预测位置与第一预测位置相同。
其中，所述第二预测模块具体用于：根据所述第i帧图像中N个对象的帧内相对位置关系以及对象E的第一预测位置得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述N个对象的帧内相对位置关系包括N-1个对象中每个对象相对于所述对象E的帧内相对位置，所述对象E为所述N个对象中的任一个对象，所述N-1个对象为所述N个对象中除所述对象E之外的对象，其中，所述对象E的第二预测位置与第一预测位置相同。
其中，所述位置获取模块在获取第i帧图像中N个对象的帧内相对位置关系时，具体用于：获取第二图像中W个对象的帧内相对位置关系，并获取所述第i帧图像中N个对象的位置，其中，W为正整数，所述N个对象中包含所述W个对象中的至少一个对象，所述第二图像为时间上在所述第i帧之前获取的图像；根据所述第i帧图像中N个对象的位置得到所述第i帧图像中N个对象的位置之间的相对位置关系；根据所述N个对象的位置之间的相对位置关系和所述第二图像中W个对象的帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系。
其中，若所述N个对象不包含所述W个对象中的对象C，所述位置获取模块还用于：删除所述第二图像中W个对象的帧内相对位置关系中各对象与所述对象C的相对位置关系，以得到所述第i帧图像的参考帧内相对位置关系；根据所述N个对象的位置之间的相对位置关系以及所述第i帧图像的参考帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系。
所述系统还包括目标位置获取模块，用于：根据所述对象A的预测位置确定第一图像中所述对象A的位置；其中，所述根据所述对象A的预测位置确定第一图像中所述对象A的位置，包括：获取第一图像，根据所述第一图像得到所述第一图像中Q个对象的检测位置，Q为正整数；若所述Q个对象中包括所述对象A，则根据所述对象A的预测位置和所述对象A的检测位置，确定所述第一图像中所述对象A的位置。
若所述Q个对象不包括所述N个对象中的对象A，则确认所述第一图像中所述对象A消失。
其中，若所述Q个对象包括对象B，所述对象B与所述N个对象中的任一个对象A均不匹配，则根据所述对象B的检测位置确定所述第一图像中所述对象B的位置。
第三方面，本申请提供了一种计算机存储介质，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如第一方面任一种可能的实施方法。
第四方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一种可能的实施方式。
第五方面，本申请实施例提供一种智能驾驶车辆，包括行进系统、传感系统、控制系统和计算机系统，其中，所述计算机系统用于执行如第一方面任一种可能的实施方式。
可以理解地，上述提供的第二方面所述的系统、第三方面所述的计算机存储介质或者第四方面所述的计算机程序产品、第五方面所述的智能驾驶车辆均用于执行第一方面中任一所提供的方法。因此，其所能达到的有益效果可参考对应方法中的有益效果，此处不再赘述。
附图说明
下面对本申请实施例用到的附图进行介绍。
图1是本申请实施例提供的一种目标跟踪方法适用的一应用场景示意图；
图2是本申请实施例提供的一种目标跟踪方法适用的又一应用场景示意图；
图3是本申请实施例提供的一种目标跟踪方法的流程示意图；
图4a是本申请实施例提供的一种帧内相对位置关系示意图；
图4b是本申请实施例提供的另一种帧内相对位置关系示意图；
图5是本申请实施例提供的一种目标跟踪方法的一应用示意图；
图6是本申请实施例提供的一种目标跟踪方法的又一应用示意图；
图7是本申请实施例提供的一种目标位置预测系统的结构示意图；
图8是本申请实施例提供的一种目标跟踪装置的结构示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。
基于在目标跟踪过程中存在目标遮挡，运动模糊、光照变化、目标表观变化、背景疑似目标、尺度变化等困难场景，容易对某个困难目标出现跟踪失败。为此，本申请提供一种目标跟踪方法，其中，通过基于上一帧图像中各对象的帧内相对位置关系来得到各对象在当前帧图像中的目标预测位置，可在存在目标被遮挡、存在相似物体等挑战性因素的场景中有效抑制跟踪漂移的问题，减少了目标跟踪过程中的误跟踪率，提升了目标跟踪的稳定性，可以使跟踪器长时间有效运行。
其中，如图1所示，本申请实施例可以广泛应用于无人驾驶系统的目标跟踪部分。其中，目标跟踪可以弥补目标检测速度的不足，且可以平滑检测结果。因此目标跟踪是视觉感知模块非常重要的一部分。常用的跟踪器有CT、STC、CSK、KCF等。跟踪器的速度一般可以达到30～60FPS。有的甚至高达200～300FPS。但是在真实跟踪场景中，很多跟踪器无法自检跟踪准确性，一旦跟踪器发生漂移，那么会输出错误的位置。在无人驾驶中，输出错误的位置意味着在没车的地方输出有车，直接影响规控做出合理的决策。因此，抑制跟踪漂移非常重要。本方案可用于改进无人驾驶视觉感知部分，提高输出结果的准确性。
如图2所示，本申请实施例还可以广泛应用于智能视频监控系统的目标跟踪部分。目前银行、电力、交通、安检以及军事设施等领域对安全防范和现场记录报警系统的需求与日俱增，要求越来越高，视频监控在生产生活各方面得到了非常广泛的应用。智能视频监控系统己经广泛地存在于银行、商场、车站和交通路口等公共场所。智能视频监控的主要任务是检测采集到的图片中的运动目标，并对其进行分类，找到感兴趣类别的运动目标并予以跟踪。在跟踪过程中对其行为进行识别。一旦检测到危险行为促发报警，制止危险行为的进一步恶化。目标跟踪可以弥补目标检测速度的不足、以及在连续帧中将同一个目标串联起来，便于进一步分析。本方案可用于改进视频监控中的目标跟踪部分，使感知结果准确的输送到下一处理模块，如身份识别或异常检测等。
下面具体介绍本申请实施例提供的目标跟踪方法。参照图3所示，为本申请实施例提供的一种目标跟踪方法的流程示意图。该方法包括步骤301-304，具体如下：
301、获取第i帧图像中N个对象的帧内相对位置关系，并获取M帧图像中每帧图像中所述N个对象中至少一个对象的位置，且所述第i帧图像为所述M帧中在时间上最后获取的图像，所述M、N、i均为正整数；
上述对象可以是指人、物体等，如车辆、行人、障碍物等。
上述帧内相对位置关系，可以是基于图像坐标系中各对象的相对位置向量得到的。本方案仅以帧内相对位置关系进行说明，其还可以是其他帧内相对关系，如帧内对象的相对速度等，此处不做具体限定。
上述M帧图像是至少包括上述N个对象中的至少一个对象的图像。上述当前预测如第i+1帧图像中各对象的预测位置。如当前预测第6帧图像中各对象的目标预测位置，其中，按照时间顺序获取的第2帧、第4帧、第5帧中均包含有上述N个对象中的至少一个对象，则该M帧图像如可以是第2帧、第4帧、第5帧。当然，其也可以只获取第4帧、第5帧，或者仅获取第5帧。此处不做具体限定。
其中，其可以预测所述第i帧之后的任意一帧的图像，如在时间上间隔3min之内的图像等，当然，此处并不限定该时间。具体地，其还可以根据第i帧预测第i+2帧、第i+3帧等。
其中，如跟踪器用于目标位置预测，其中，跟踪器可先获取第i帧图像中N个对象的帧内相对位置关系，以及获取M帧图像中每帧图像中所述N个对象中至少一个对象的位置。
上述位置可以是对象在图像坐标系中的位置，也可以是对象在世界坐标系中的位置，本方案对此不作具体限定。其中，该位置即为跟踪器输出的对象的最终位置。
其中，获取第i帧图像中N个对象的帧内相对位置关系，可包括S3011-S3013，具体如下：
S3011、获取第i-1帧图像中W个对象的帧内相对位置关系，并获取所述第i帧图像中N个对象的位置，其中，W为正整数，i不小于2，所述N个对象中包含所述W个对象中的至少一个对象；
作为一种可选的实现方式，其中，可通过分别获取图像中任意两个对象之间的相对位置关系，即可得到该帧图像中各对象的帧内相对位置关系。如该帧包含对象1、对象2对象3和对象4，则可获取对象1和对象2之间的帧内相对位置关系对象1-2、对象1和对象3之间的帧内相对位置关系对象1-3、对象1和对象4之间的帧内相对位置关系对象1-4、对象2和对象3之间的帧内相对位置关系对象2-3、对象2和对象4之间的帧内相对位置关系对象2-4和对象3和对象4之间的帧内相对位置关系对象3-4。如图4a所示。
作为另一种可选的实现方式，对于第一帧图像中的各对象，通过获取各对象的置信度，其中，可通过检测器进行检测得到各对象的置信度，然后选取其中置信度最大的对象作为父节点，然后从父节点出发，以目标在图像坐标系中的欧式距离大小为权重，在所有目标所形成的图中，使用kruskal算法或prim算法建立最小生成树，如图4b所示，从而建立帧内目标结构模型，形成帧内目标数据关联，并得到帧内相对位置关系。其中，该第一帧图像可以是在时间上获取的任意一帧图像，其也可以是出现特定对象时所对应的图像，此处不做具体限定。
然后，在对第2帧进行预测并获取到第2帧中各对象的目标位置后，则对第1帧的帧内相对位置关系进行更新，以得到第2帧的帧内相对位置关系。以此类推。进而可得到第i-1帧图像中W个对象的帧内相对位置关系。
S3012、根据所述第i帧图像中N个对象的目标位置得到所述第i帧图像中N个对象的目标位置之间的相对位置关系；
其中，根据第i帧图像中N个对象的目标位置，可分别获取任意两个对象的位置之间的相对位置，进而得到所述第i帧图像中N个对象的位置之间的相对位置关系。
S3013、根据所述N个对象的目标位置之间的相对位置关系和所述第i-1帧图像中W个对象的帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系。
其中，可根据所述N个对象的目标位置之间的相对位置和所述第i-1帧图像中W个对象的帧内相对位置的平均值，得到所述第i帧图像中N个对象的帧内相对位置关系。
具体地，当所述第i-1帧图像中的W个对象和所述第i帧图像中的N个对象中的一部分对象匹配时，则对于匹配的该部分对象的帧内相对位置关系即采用所述第i-1帧图像中各对象的帧内相对位置关系与对应的所述第i帧图像中的该各对象的目标位置之间的相对位置关系之和进行平均后得到。
对于所述第i-1帧图像中的W个对象和所述第i帧图像中的N个对象中未匹配上的对象，包含两种情况，1)若所述第i-1帧图像中的对象C与所述第i帧图像中的N个对象均未匹配上，则说明第i-1帧图像中的对象C在第i帧中消失，即删除第i-1帧图像中的对象C的帧内相对位置关系。也就是说，第i帧图像中N个对象的帧内相对位置关系中不包括所述对象C的帧内相对位置关系。2)若所述第i帧图像中的对象D与所述第i-1帧图像中的W个对象均未匹配上，则说明第i帧图像中的对象D是新出现的，则所述第i帧图像中的对象D的帧内相对位置关系即为所述第i帧图像中的各对象的目标位置与对象D的目标位置之间的相对位置关系。
302、对于N个对象中的任一个对象A，根据M’个位置获取在第一图像中所述对象A的第一预测位置，所述M’个位置为所述M帧图像中包含所述对象A的M’帧图像中所述对象A的位置，M’为不大于M的正整数，所述第一图像为时间上在所述第i帧之后获取的图像；
其中，上述获取的M帧图像中，对于任一帧中可能包含所述N个对象中的至少一个对象，因此对于任一对象可得到M’个目标位置，其中，M’不小于1，且不大于M。
其中，所述对象A的第一预测位置是基于上述M’个位置得到的。如所述对象A的第一预测位置可以是上述对象A的M’个位置进行平均得到的，或者按照预设权重计算得到，如越接近第一图像的权重越大。
本方案可以预测所述第i帧之后的任意一帧的图像，如在时间上间隔3min之内的图像等，当然，此处并不限定该时间。具体地，其可以根据第i帧预测第i+1帧或者第i+2帧或者第i+3帧等。即上述第一图像可以是第i+1帧图像、第i+2帧图像或者第i+3帧图像等。
303、根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置；
基于步骤301获取的第i帧图像中N个对象的帧内相对位置关系，以及步骤302中得到的N个对象的第一预测位置，得到所述第一图像中N个对象中每个对象的第二预测位置。
具体地，如可选取N个对象中的任一个对象A，基于该对象A的第一预测位置，以及第i帧图像中各对象与该对象A的帧内相对位置关系，则可得到第i+1帧图像中N个对象中每个对象的第二预测位置。其中，对于对象A，其第二预测位置即与其第一预测位置相同。可选的，上述对象A，可以是置信度最高的对象。
进一步地，还可以选取多个对象，基于多个对象的第一预测位置来得到所述第一图像中N个对象中每个对象的第二预测位置。
示例性地，参阅图4a，其中，所述根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置，包括：
根据所述第i帧图像中N个对象的帧内相对位置关系以及对象E的第一预测位置得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述N个对象的帧内相对位置关系包括N-1个对象中每个对象相对于所述对象E的帧内相对位置，所述对象E为所述N个对象中的任一个对象，所述N-1个对象为所述N个对象中除所述对象E之外的对象，其中，所述对象E的第二预测位置与第一预测位置相同。
可替代地，参阅图4b，其中，所述根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置，包括：
将对象E作为第一父节点，其中，所述对象E为所述第一图像中置信度最高的对象；
获取所述第i帧图像中N个对象的帧内相对位置关系中所述第一父节点与子节点之间的帧内相对位置；
根据所述第一父节点与子节点之间的帧内相对位置以及所述第一父节点的第一预测位置得到所述子节点的第二预测位置；
将所述子节点作为第二父节点，获取所述第i帧图像中N个对象的帧内相对位置关系中所述第二父节点与子节点之间的帧内相对位置；
根据所述第二父节点与子节点之间的帧内相对位置以及所述第二父节点的第二预测位置得到所述子节点的第二预测位置；
以此类推，直到得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述对象E的第二预测位置与第一预测位置相同。
304、根据所述对象A的第一预测位置和第二预测位置确定所述第一图像中所述对象A的预测位置。
也就是说，本方案中各对象的预测位置是基于各对象的第一预测位置和第二预测位置得到的。
具体地，其中，若所述对象A的第一预测位置与第二预测位置之间的距离大于预设阈值，则根据平均滑动滤波算法获取所述第一图像中所述对象A的预测位置。
其中，根据平均滑动滤波算法获取所述第一图像中所述对象A的预测位置，即为根据所述对象A在第一图像之前的至少一帧中的位置得到。如可以是第i-1帧、第i帧中对象A的位置的平均值等。
上述仅以平均滑动滤波算法作为一种示例，其中还可以是其他任意算法，此处不做具体限定。
其中，若所述对象A的第一预测位置与第二预测位置之间的距离不大于预设阈值，则根据所述对象A的第一预测位置和/或第二预测位置获取所述对象A的预测位置。
其中，根据所述对象A的第一预测位置和/或第二预测位置获取所述对象A的预测位置，如可以是将对象A的第一预测位置作为所述对象A的预测位置；或者将对象A的第二预测位置作为所述对象A的预测位置；其还可以是根据所述对象A的第一预测位置和第二预测位置得到所述对象A的预测位置，如可以是对象A的第一预测位置和第二预测位置的平均等。此处不做具体限定。
进一步地，在上述位置预测完后，本方案还可包括：
根据所述对象A的预测位置确定第一图像中所述对象A的位置。
其中，所述根据所述对象A的目标预测位置确定第i+1帧图像中所述对象A的目标位置，具体可包括：
获取第i+1帧图像，根据所述第i+1帧图像得到所述第i+1帧图像中Q个对象的检测位置，Q为正整数；
若所述Q个对象中包括所述对象A，则根据所述对象A的目标预测位置和所述对象A的检测位置，确定所述第i+1帧图像中所述对象A的目标位置。
其中，若所述Q个对象不包括所述N个对象中的对象A，则确认所述第i+1帧图像中所述对象A消失。
若所述Q个对象包括对象B，所述对象B与所述N个对象中的任一个对象A均不匹配，则根据所述对象B的检测位置确定所述第i+1帧图像中所述对象B的目标位置。
其中，上述Q个对象的检测位置可以是基于检测器获得的，当然其也可以是其他形式获得的。对于检测器和跟踪器能够匹配上的对象，则该对象的目标位置可基于两者结果综合确定。对于检测器和跟踪器无法匹配的对象，若该对象对于检测器来说是新出现的，则以检测器的结果为准；若检测器未检测到该对象，则表明该对象消失。
通过本申请实施例，通过获取第i帧图像之后的第一图像中各对象的第一预测位置，然后基于第i帧中各对象的帧内相对位置关系得到第一图像中各对象的第二预测位置，进而基于所得第一图像中各对象的第一预测位置和第二预测位置得到所述第一图像中各对象的预测位置。采用该手段，基于前帧图像中各对象的帧内相对位置关系得到各对象在后续帧图像中的预测位置，可在存在目标被遮挡、存在相似物体等挑战性因素的场景中有效抑制跟踪漂移的问题，减少了目标跟踪过程中的误跟踪率，提升了目标跟踪的稳定性，可以使跟踪器长时间有效运行。其中，该第一图像可以是第i+1帧图像，也可以是第i+2帧图像、第i+3帧图像等。
下面以一具体实施例对本方案进行说明。本申请实施例提供一种目标跟踪方法。其中，初始阶段，对于第一帧图像，通过检测器可得到各个对象的置信度，其中，选取置信度最大的目标作为父节点，然后从父节点出发，以目标在图像坐标系中的欧式距离大小为权重，在所有目标所形成的图中，使用kruskal算法或prim算法生成最小生成树。如图4b所示。从而建立帧内目标结构模型，形成帧内目标数据关联。
举例说明，首先，定义图像中第i个目标Oi的中心位置在图像坐标系中的坐标pi＝(xi,yi)，置信度为confi。帧内目标之间的相对位置关系可由相对位置向量vij＝pj-pi＝(xj-xi,yj-yi)表示。求出该帧中所有目标之间的相对位置向量，可得到位置向量集V＝{vij}。
然后，选取置信度最大的目标为父节点，即Or＝max{confi}。由根节点出发，以目标在图像坐标系中的欧式距离大小为权重，在所有目标所形成的图形G中，使用kruskal算法或prim算法建立最小生成树T，即T(G)＝min∑i,j∈G‖v‖。
然后，对于第二帧图像，如假设第一帧中出现4个对象。可采用任意跟踪算法对第二帧的4个对象的位置进行预测，其中假设上述4个对象均会出现。如可以基于第一帧图像中各个对象的位置得到第二帧图像中各个对象对应的第一预测位置。
从上述得到的第二帧图像中各个目标对应的第一预测位置中选取出置信度最高的目标作为新的父节点。从该父节点对应的第一预测位置出发，利用上述得到的帧内树状结构的相对位置向量集，可推测出其他节点的第二预测位置，即得到其他目标的第二预测位置。其中，父节点对应的第二预测位置与其第一预测位置相同。此处仅以最小生成树为例进行说明。
具体地，其中，对象的第一预测位置pi被跟踪器预测为
Figure BDA0002606357290000101
其中，前述根节点目标Or被跟踪器预测的位置为
Figure BDA0002606357290000102
可从此根节点出发，根据前述的位置向量集V，可推出其他节点的第二预测位置，
Figure BDA0002606357290000103
对于任何非根节点的目标i，计算被跟踪器预测
Figure BDA0002606357290000104
和上述计算出的位置
Figure BDA0002606357290000105
的欧式距离
Figure BDA0002606357290000106
若di大于设定的阈值dth，说明该多目标跟踪器估计的位置使得树的形状发生较大改变，不满足稳定的帧内结构，此时选择使用平均滑动滤波算法得出的位置作为目标预测位置
Figure BDA0002606357290000107
反之则满足帧内结构关系，采用该多目标跟踪器的预测位置
Figure BDA0002606357290000108
上述帧内结构推理位置
Figure BDA0002606357290000109
或结合两者得到一个目标预测位置。
基于上述得到的第二帧图像中各个目标对应的第一预测位置和第二帧图像中各个目标对应的第二预测位置，获取各个目标对应的第一预测位置与第二预测位置之间的距离。然后确认各个目标对应的第一预测位置与第二预测位置之间的距离是否大于预设阈值。如果两者的距离大于预设阈值，说明采用多目标跟踪器估计的位置使得树的形状发生较大改变，不满足稳定的帧内结构，此时选择使用平均滑动滤波算法得到各目标的位置作为预测位置。如果两者的距离不大于预设阈值，则满足帧内结构关系，可采用第二帧图像中各个目标对应的第一预测位置作为各目标的目标预测位置，或者采用第二帧图像中各个目标对应的第二预测位置作为各目标的预测位置，或者也可以基于第二帧图像中各个目标对应的第一预测位置和第二预测位置进行加权处理等得到各目标的预测位置。此处不做具体限定。
上述平均滑动滤波算法，可以是基于多帧图像中该目标的位置得到当前帧图像中该目标对应的预测位置。此处仅以平均滑动滤波算法为例进行说明，其中上述还可以是其他算法来替代平均滑动滤波算法，此处不做具体限制。
其中，在基于上述方法得到上述第二帧图像中各个目标对应的预测位置后，可结合检测器得到的对象的检测位置进而得到第二帧图像中各对象的位置。
得到各对象的位置之后，可对上述帧内相对位置关系进行更新得到当前帧的帧内相对位置关系。其中，根据第二帧图像中各个对象对应的目标位置获取第二帧图像中各目标位置之间的相对位置关系，然后结合第一帧图像的帧内相对位置关系，进而得到第二帧图像的帧内相对位置关系。
基于此，重复循环上述步骤可实现对任一帧图像的跟踪预测。
上述实施例对于对象的位置的预测方法进行了详细介绍。如图5所示，图5为本申请实施例提供的一种目标跟踪方法的应用示意图。其中，在输入图像后，如跟踪器确认该帧图像相较于上一帧图像是否有新的对象出现。若有新的对象出现，则跟踪器初始化该对象的跟踪轨迹。然后，确认该帧图像相较于上一帧图像是否有对象消失。若有对象消失，则跟踪器终止该对象的跟踪轨迹。然后，通过采用如图3所述的目标位置的预测方法对该帧图像中的各对象进行位置预测，并输出跟踪结果。当该帧图像不是最后一帧时，则输入下一帧图像，并重复上述步骤。
本申请实施例提供的目标跟踪方法可以用于任意现有的视觉多目标跟踪器上。如图6所示，为本申请实施例提供的目标跟踪方法应用于KCF和LSTM的联合跟踪器上。其中，KCF是一种快速的跟踪器，可用来跟踪目标的位置响应中心。LSTM考虑了时序信息，可以用来对目标进行尺度估计。
其中，该改进方案实例首先通过KCF快速跟踪每个对象的最大响应位置。具体地，根据各对象在上一帧图像中的位置，按比例提取各对象的图像块。针对所述各对象的图像块，采用循环矩阵获取所述各对象的训练样本集，利用岭回归训练模型，获得各个独立的相关滤波器，作为多对象的多个轨迹。利用KCF对当前帧进行检测，通过响应分布预测各节点在当前帧的位置。然后根据这些位置，考虑时序信息，利用CNN提取目标图像序列的表观特征，进而采用LSTM提取目标运动特征，进行目标尺度估计；并采用一个共用表观特征的全连接分支进行各目标置信度估计。本申请实施例所提供的方法应用在KCF和LSTM的联合跟踪器上后，可明显提升该跟踪器的性能。
本方案通过基于图像中各对象的帧内结构数据关联如帧内相对位置关系来预测图像中对象的位置，可在存在目标被遮挡、存在相似物体等挑战性因素的场景中有效抑制跟踪漂移的问题，减少了目标跟踪过程中的误跟踪率，提升了目标跟踪的稳定性，可以使跟踪器长时间有效运行。
参照图7所示，本申请实施例还提供一种目标跟踪系统，包括位置获取模块701、第一预测模块702、第二预测模块703和目标预测模块704，具体如下：
位置获取模块701，用于获取第i帧图像中N个对象的帧内相对位置关系，并获取M帧图像中每帧图像中所述N个对象中至少一个对象的位置，且所述第i帧图像为所述M帧中在时间上最后获取的图像，所述M、N、i均为正整数；
第一预测模块702，用于对于N个对象中的任一个对象A，根据M’个位置获取在第一图像中所述对象A的第一预测位置，所述M’个位置为所述M帧图像中包含所述对象A的M’帧图像中所述对象A的位置，M’为不大于M的正整数，所述第一图像为时间上在所述第i帧之后获取的图像；
第二预测模块703，用于根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置；
目标预测模块704，用于根据所述对象A的第一预测位置和第二预测位置确定所述第一图像中所述对象A的预测位置。
其中，所述目标预测模块704，具体用于：若所述对象A的第一预测位置与第二预测位置之间的距离大于预设阈值，根据平均滑动滤波算法获取所述第一图像中所述对象A的预测位置。
其中，所述目标预测模块704，还具体用于：
若所述对象A的第一预测位置与第二预测位置之间的距离不大于预设阈值，则根据所述对象A的第一预测位置得到所述对象A的预测位置；
或者，根据所述对象A的第二预测位置得到所述对象A的预测位置；
或者，根据所述对象A的第一预测位置和第二预测位置得到所述对象A的预测位置。
所述第二预测模块703具体用于：
将对象E作为第一父节点，其中，所述对象E为所述第一图像中置信度最高的对象；
获取所述第i帧图像中N个对象的帧内相对位置关系中所述第一父节点与子节点之间的帧内相对位置；
根据所述第一父节点与子节点之间的帧内相对位置以及所述第一父节点的第一预测位置得到所述子节点的第二预测位置；
将所述子节点作为第二父节点，获取所述第i帧图像中N个对象的帧内相对位置关系中所述第二父节点与子节点之间的帧内相对位置；
根据所述第二父节点与子节点之间的帧内相对位置以及所述第二父节点的第二预测位置得到所述子节点的第二预测位置；
以此类推，直到得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述对象E的第二预测位置与第一预测位置相同。
可替代的，所述第二预测模块703具体用于：根据所述第i帧图像中N个对象的帧内相对位置关系以及对象E的第一预测位置得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述N个对象的帧内相对位置关系包括N-1个对象中每个对象相对于所述对象E的帧内相对位置，所述对象E为所述N个对象中的任一个对象，所述N-1个对象为所述N个对象中除所述对象E之外的对象，其中，所述对象E的第二预测位置与第一预测位置相同。
其中，所述位置获取模块701在获取第i帧图像中N个对象的帧内相对位置关系时，具体用于：
获取第二图像中W个对象的帧内相对位置关系，并获取所述第i帧图像中N个对象的位置，其中，W为正整数，所述N个对象中包含所述W个对象中的至少一个对象，所述第二图像为时间上在所述第i帧之前获取的图像；
根据所述第i帧图像中N个对象的位置得到所述第i帧图像中N个对象的位置之间的相对位置关系；
根据所述N个对象的位置之间的相对位置关系和所述第二图像中W个对象的帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系。
其中，若所述N个对象不包含所述W个对象中的对象C，所述位置获取模块701还具体用于：
删除所述第二图像中W个对象的帧内相对位置关系中各对象与所述对象C的相对位置关系，以得到所述第i帧图像的参考帧内相对位置关系；
根据所述N个对象的位置之间的相对位置关系以及所述第i帧图像的参考帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系。
其中，所述系统还包括目标位置获取模块，用于：根据所述对象A的预测位置确定第一图像中所述对象A的位置；
其中，所述根据所述对象A的预测位置确定第一图像中所述对象A的位置，包括：
获取第一图像，根据所述第一图像得到所述第一图像中Q个对象的检测位置，Q为正整数；
若所述Q个对象中包括所述对象A，则根据所述对象A的预测位置和所述对象A的检测位置，确定所述第一图像中所述对象A的位置。
其中，若所述Q个对象不包括所述N个对象中的对象A，则确认所述第一图像中所述对象A消失。
其中，若所述Q个对象包括对象B，所述对象B与所述N个对象中的任一个对象A均不匹配，则根据所述对象B的检测位置确定所述第一图像中所述对象B的位置。
如图8所示，是本申请实施例提供的一种目标跟踪装置的结构示意图。该目标跟踪装置8000包括至少一个处理器8001，至少一个存储器8002以及至少一个通信接口8003。所述处理器8001、所述存储器8002和所述通信接口8003通过所述通信总线连接并完成相互间的通信。
处理器8001可以是通用中央处理器(CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制以上方案程序执行的集成电路。
通信接口8003，用于与其他设备或通信网络通信，如以太网，无线接入网(RAN)，无线局域网(Wireless Local Area Networks，WLAN)等。
存储器8002可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中，所述存储器8002用于存储执行以上方案的应用程序代码，并由处理器8001来控制执行。所述处理器8001用于执行所述存储器8002中存储的应用程序代码。
存储器8002存储的代码可执行以上提供的一种目标跟踪方法。
本申请实施例还提供一种智能驾驶车辆，包括行进系统、传感系统、控制系统和计算机系统，其中，所述计算机系统用于执行所述的方法。
本申请实施例还提供一种芯片系统，所述芯片系统应用于电子设备；所述芯片系统包括一个或多个接口电路，以及一个或多个处理器；所述接口电路和所述处理器通过线路互联；所述接口电路用于从所述电子设备的存储器接收信号，并向所述处理器发送所述信号，所述信号包括所述存储器中存储的计算机指令；当所述处理器执行所述计算机指令时，所述电子设备执行所述方法。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述任一个方法中的一个或多个步骤。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机或处理器上运行时，使得计算机或处理器执行上述任一个方法中的一个或多个步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
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，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
以上所述，仅为本申请实施例的具体实施方式，但本申请实施例的保护范围并不局限于此，任何在本申请实施例揭露的技术范围内的变化或替换，都应涵盖在本申请实施例的保护范围之内。因此，本申请实施例的保护范围应以所述权利要求的保护范围为准。

Claims (23)

1.一种目标跟踪方法，其特征在于，包括：
获取第i帧图像中N个对象的帧内相对位置关系，并获取M帧图像中每帧图像中所述N个对象中至少一个对象的位置，且所述第i帧图像为所述M帧中在时间上最后获取的图像，所述M、N、i均为正整数；
对于N个对象中的任一个对象A，根据M’个位置获取在第一图像中所述对象A的第一预测位置，所述M’个位置为所述M帧图像中包含所述对象A的M’帧图像中所述对象A的位置，M’为不大于M的正整数，所述第一图像为时间上在所述第i帧之后获取的图像；
根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置；
根据所述对象A的第一预测位置和第二预测位置确定所述第一图像中所述对象A的预测位置。
2.根据权利要求1所述的方法，其特征在于，所述根据所述对象A的第一预测位置和第二预测位置确定所述第一图像中所述对象A的预测位置，包括：
若所述对象A的第一预测位置与第二预测位置之间的距离大于预设阈值，根据平均滑动滤波算法获取所述第一图像中所述对象A的预测位置。
3.根据权利要求1所述的方法，其特征在于，所述根据所述对象A的第一预测位置和第二预测位置确定所述第一图像中所述对象A的预测位置，包括：
若所述对象A的第一预测位置与第二预测位置之间的距离不大于预设阈值，则根据所述对象A的第一预测位置得到所述对象A的预测位置；
或者，根据所述对象A的第二预测位置得到所述对象A的预测位置；
或者，根据所述对象A的第一预测位置和第二预测位置得到所述对象A的预测位置。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置，包括：
将对象E作为第一父节点，其中，所述对象E为所述第一图像中置信度最高的对象；
获取所述第i帧图像中N个对象的帧内相对位置关系中所述第一父节点与子节点之间的帧内相对位置；
根据所述第一父节点与子节点之间的帧内相对位置以及所述第一父节点的第一预测位置得到所述子节点的第二预测位置；
将所述子节点作为第二父节点，获取所述第i帧图像中N个对象的帧内相对位置关系中所述第二父节点与子节点之间的帧内相对位置；
根据所述第二父节点与子节点之间的帧内相对位置以及所述第二父节点的第二预测位置得到所述子节点的第二预测位置；
以此类推，直到得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述对象E的第二预测位置与第一预测位置相同。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置，包括：
根据所述第i帧图像中N个对象的帧内相对位置关系以及对象E的第一预测位置得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述N个对象的帧内相对位置关系包括N-1个对象中每个对象相对于所述对象E的帧内相对位置，所述对象E为所述N个对象中的任一个对象，所述N-1个对象为所述N个对象中除所述对象E之外的对象，其中，所述对象E的第二预测位置与第一预测位置相同。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述获取第i帧图像中N个对象的帧内相对位置关系，包括：
获取第二图像中W个对象的帧内相对位置关系，并获取所述第i帧图像中N个对象的位置，其中，W为正整数，所述N个对象中包含所述W个对象中的至少一个对象，所述第二图像为时间上在所述第i帧之前获取的图像；
根据所述第i帧图像中N个对象的位置得到所述第i帧图像中N个对象的位置之间的相对位置关系；
根据所述N个对象的位置之间的相对位置关系和所述第二图像中W个对象的帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系。
7.根据权利要求6所述的方法，其特征在于，若所述N个对象不包含所述W个对象中的对象C，所述根据所述N个对象的位置之间的相对位置关系和所述第二图像中W个对象的帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系，包括：
删除所述第二图像中W个对象的帧内相对位置关系中各对象与所述对象C的相对位置关系，以得到所述第i帧图像的参考帧内相对位置关系；
根据所述N个对象的位置之间的相对位置关系以及所述第i帧图像的参考帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述方法还包括：根据所述对象A的预测位置确定第一图像中所述对象A的位置；
其中，所述根据所述对象A的预测位置确定第一图像中所述对象A的位置，包括：
获取第一图像，根据所述第一图像得到所述第一图像中Q个对象的检测位置，Q为正整数；
若所述Q个对象中包括所述对象A，则根据所述对象A的预测位置和所述对象A的检测位置，确定所述第一图像中所述对象A的位置。
9.根据权利要求8所述的方法，其特征在于，若所述Q个对象不包括所述N个对象中的对象A，则确认所述第一图像中所述对象A消失。
10.根据权利要求8或9所述的方法，其特征在于，若所述Q个对象包括对象B，所述对象B与所述N个对象中的任一个对象A均不匹配，则根据所述对象B的检测位置确定所述第一图像中所述对象B的位置。
11.一种目标跟踪系统，其特征在于，包括：
位置获取模块，用于获取第i帧图像中N个对象的帧内相对位置关系，并获取M帧图像中每帧图像中所述N个对象中至少一个对象的位置，且所述第i帧图像为所述M帧中在时间上最后获取的图像，所述M、N、i均为正整数；
第一预测模块，用于对于N个对象中的任一个对象A，根据M’个位置获取在第一图像中所述对象A的第一预测位置，所述M’个位置为所述M帧图像中包含所述对象A的M’帧图像中所述对象A的位置，M’为不大于M的正整数，所述第一图像为时间上在所述第i帧之后获取的图像；
第二预测模块，用于根据所述第i帧图像中N个对象的帧内相对位置关系得到所述第一图像中N个对象中每个对象的第二预测位置；
目标预测模块，用于根据所述对象A的第一预测位置和第二预测位置确定所述第一图像中所述对象A的预测位置。
12.根据权利要求11所述的系统，其特征在于，所述目标预测模块，具体用于：
若所述对象A的第一预测位置与第二预测位置之间的距离大于预设阈值，根据平均滑动滤波算法获取所述第一图像中所述对象A的预测位置。
13.根据权利要求11所述的系统，其特征在于，所述目标预测模块，具体用于：
若所述对象A的第一预测位置与第二预测位置之间的距离不大于预设阈值，则根据所述对象A的第一预测位置得到所述对象A的预测位置；
或者，根据所述对象A的第二预测位置得到所述对象A的预测位置；
或者，根据所述对象A的第一预测位置和第二预测位置得到所述对象A的预测位置。
14.根据权利要求11至13任一项所述的系统，其特征在于，所述第二预测模块具体用于：
将对象E作为第一父节点，其中，所述对象E为所述第一图像中置信度最高的对象；
获取所述第i帧图像中N个对象的帧内相对位置关系中所述第一父节点与子节点之间的帧内相对位置；
根据所述第一父节点与子节点之间的帧内相对位置以及所述第一父节点的第一预测位置得到所述子节点的第二预测位置；
将所述子节点作为第二父节点，获取所述第i帧图像中N个对象的帧内相对位置关系中所述第二父节点与子节点之间的帧内相对位置；
根据所述第二父节点与子节点之间的帧内相对位置以及所述第二父节点的第二预测位置得到所述子节点的第二预测位置；
以此类推，直到得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述对象E的第二预测位置与第一预测位置相同。
15.根据权利要求11至13任一项所述的系统，其特征在于，所述第二预测模块具体用于：根据所述第i帧图像中N个对象的帧内相对位置关系以及对象E的第一预测位置得到所述第一图像中N个对象中每个对象的第二预测位置，其中，所述N个对象的帧内相对位置关系包括N-1个对象中每个对象相对于所述对象E的帧内相对位置，所述对象E为所述N个对象中的任一个对象，所述N-1个对象为所述N个对象中除所述对象E之外的对象，其中，所述对象E的第二预测位置与第一预测位置相同。
16.根据权利要求11至15任一项所述的系统，其特征在于，所述位置获取模块在获取第i帧图像中N个对象的帧内相对位置关系时，具体用于：
获取第二图像中W个对象的帧内相对位置关系，并获取所述第i帧图像中N个对象的位置，其中，W为正整数，所述N个对象中包含所述W个对象中的至少一个对象，所述第二图像为时间上在所述第i帧之前获取的图像；
根据所述第i帧图像中N个对象的位置得到所述第i帧图像中N个对象的位置之间的相对位置关系；
根据所述N个对象的位置之间的相对位置关系和所述第二图像中W个对象的帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系。
17.根据权利要求16所述的系统，其特征在于，若所述N个对象不包含所述W个对象中的对象C，所述位置获取模块还用于：
删除所述第二图像中W个对象的帧内相对位置关系中各对象与所述对象C的相对位置关系，以得到所述第i帧图像的参考帧内相对位置关系；
根据所述N个对象的位置之间的相对位置关系以及所述第i帧图像的参考帧内相对位置关系，得到所述第i帧图像中N个对象的帧内相对位置关系。
18.根据权利要求11至17任一项所述的系统，其特征在于，所述系统还包括目标位置获取模块，用于：根据所述对象A的预测位置确定第一图像中所述对象A的位置；
其中，所述根据所述对象A的预测位置确定第一图像中所述对象A的位置，包括：
获取第一图像，根据所述第一图像得到所述第一图像中Q个对象的检测位置，Q为正整数；
若所述Q个对象中包括所述对象A，则根据所述对象A的预测位置和所述对象A的检测位置，确定所述第一图像中所述对象A的位置。
19.根据权利要求18所述的系统，其特征在于，若所述Q个对象不包括所述N个对象中的对象A，则确认所述第一图像中所述对象A消失。
20.根据权利要求18或19所述的系统，其特征在于，若所述Q个对象包括对象B，所述对象B与所述N个对象中的任一个对象A均不匹配，则根据所述对象B的检测位置确定所述第一图像中所述对象B的位置。
21.一种芯片系统，其特征在于，所述芯片系统应用于电子设备；所述芯片系统包括一个或多个接口电路，以及一个或多个处理器；所述接口电路和所述处理器通过线路互联；所述接口电路用于从所述电子设备的存储器接收信号，并向所述处理器发送所述信号，所述信号包括所述存储器中存储的计算机指令；当所述处理器执行所述计算机指令时，所述电子设备执行如权利要求1-10中任意一项所述方法。
22.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-10任一项所述的方法。
23.一种智能驾驶车辆，其特征在于，包括行进系统、传感系统、控制系统和计算机系统，其中，所述计算机系统用于执行如权利要求1-10任一项所述的方法。
CN202010739727.7A 2020-07-28 2020-07-28 目标跟踪方法及相关系统、存储介质、智能驾驶车辆 Active CN114004861B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010739727.7A CN114004861B (zh) 2020-07-28 2020-07-28 目标跟踪方法及相关系统、存储介质、智能驾驶车辆
PCT/CN2021/084784 WO2022021924A1 (zh) 2020-07-28 2021-03-31 目标跟踪方法及相关系统、存储介质、智能驾驶车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010739727.7A CN114004861B (zh) 2020-07-28 2020-07-28 目标跟踪方法及相关系统、存储介质、智能驾驶车辆

Publications (2)

Publication Number Publication Date
CN114004861A true CN114004861A (zh) 2022-02-01
CN114004861B CN114004861B (zh) 2023-04-07

Family

ID=79920649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010739727.7A Active CN114004861B (zh) 2020-07-28 2020-07-28 目标跟踪方法及相关系统、存储介质、智能驾驶车辆

Country Status (2)

Country Link
CN (1) CN114004861B (zh)
WO (1) WO2022021924A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019172645A1 (ko) * 2018-03-08 2019-09-12 삼성전자 주식회사 차량의 주행을 보조하는 전자 장치 및 방법
CN110264495A (zh) * 2017-12-29 2019-09-20 华为技术有限公司 一种目标跟踪方法及装置
CN110276783A (zh) * 2019-04-23 2019-09-24 上海高重信息科技有限公司 一种多目标跟踪方法、装置及计算机系统
CN110751674A (zh) * 2018-07-24 2020-02-04 北京深鉴智能科技有限公司 多目标跟踪方法及相应视频分析系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10607084B1 (en) * 2019-10-24 2020-03-31 Capital One Services, Llc Visual inspection support using extended reality
CN111292355B (zh) * 2020-02-12 2023-06-16 江南大学 一种融合运动信息的核相关滤波多目标跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264495A (zh) * 2017-12-29 2019-09-20 华为技术有限公司 一种目标跟踪方法及装置
WO2019172645A1 (ko) * 2018-03-08 2019-09-12 삼성전자 주식회사 차량의 주행을 보조하는 전자 장치 및 방법
CN110751674A (zh) * 2018-07-24 2020-02-04 北京深鉴智能科技有限公司 多目标跟踪方法及相应视频分析系统
CN110276783A (zh) * 2019-04-23 2019-09-24 上海高重信息科技有限公司 一种多目标跟踪方法、装置及计算机系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱文杰等: "空时自适应混合高斯模型复杂背景运动目标检测", 《北京理工大学学报》 *
汤奇荣等: "基于指数趋近滑模控制的水下机器人-机械手系统轨迹跟踪", 《舰船科学技术》 *

Also Published As

Publication number Publication date
WO2022021924A1 (zh) 2022-02-03
CN114004861B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
JP6944598B2 (ja) 目標追跡方法及び装置、記憶媒体
US10497143B2 (en) Advanced driver-assistance system using accurate object proposals by tracking detections
Snidaro et al. Video security for ambient intelligence
CN106295594B (zh) 一种基于动态路径树的跨摄像头目标跟踪方法及装置
CN112883819A (zh) 多目标跟踪方法、装置、系统及计算机可读存储介质
AU2007327875B2 (en) A multiple target tracking system incorporating merge, split and reacquisition hypotheses
US20110142283A1 (en) Apparatus and method for moving object detection
CN111292352B (zh) 多目标跟踪方法、装置、设备及存储介质
Bhaskar et al. Autonomous detection and tracking under illumination changes, occlusions and moving camera
Jeong et al. Kalman filter based multiple objects detection-tracking algorithm robust to occlusion
CN114049382B (zh) 一种智能网联环境下目标融合跟踪方法、系统和介质
CN112528927B (zh) 基于轨迹分析的置信度确定方法、路侧设备及云控平台
CN105374049B (zh) 一种基于稀疏光流法的多角点跟踪方法及装置
Ait Abdelali et al. An adaptive object tracking using Kalman filter and probability product kernel
Yang et al. Network flow labeling for extended target tracking PHD filters
CN117670939B (zh) 多相机的多目标跟踪方法、装置、存储介质及电子设备
Liu et al. Multi-camera vehicle tracking based on occlusion-aware and inter-vehicle information
CN113792697A (zh) 目标检测方法、装置、电子设备及可读存储介质
KR100994722B1 (ko) 카메라 핸드오프를 이용한 다중 카메라상의 연속적인 물체추적 방법
Wang et al. Tracking objects through occlusions using improved Kalman filter
Vignarca et al. Improved person counting performance using kalman filter based on image detection and tracking
CN114004861B (zh) 目标跟踪方法及相关系统、存储介质、智能驾驶车辆
CN115100565B (zh) 一种基于空间相关性与光流配准的多目标跟踪方法
CN111428626A (zh) 一种移动物体的识别方法、装置、及存储介质
Messoussi et al. Vehicle detection and tracking from surveillance cameras in urban scenes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant