CN114119676A - 基于多特征信息融合的目标检测跟踪识别方法和系统 - Google Patents
基于多特征信息融合的目标检测跟踪识别方法和系统 Download PDFInfo
- Publication number
- CN114119676A CN114119676A CN202210076558.2A CN202210076558A CN114119676A CN 114119676 A CN114119676 A CN 114119676A CN 202210076558 A CN202210076558 A CN 202210076558A CN 114119676 A CN114119676 A CN 114119676A
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- suspected
- screening
- video
- 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
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
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及光电跟踪识别技术领域,公开了一种基于多特征信息融合的目标检测跟踪识别方法和系统,所述方法包括:获取实时光电追踪视频;基于帧差法提取光电追踪视频中的运动目标集合;基于特征筛选算法筛选出运动目标集合中的疑似目标;将疑似目标输入目标识别模型中进行识别,得到第一识别结果;若第一识别结果表明疑似目标是预定目标,则将疑似目标作为跟踪目标,并基于跟踪目标的位置信息对跟踪算法进行初始化,再启动跟踪算法对跟踪目标进行跟踪;若第一识别结果表明疑似目标不是预定目标,则转至获取实时光电追踪视频的步骤。本发明有效排除了目标检测跟踪识别时,其他运动目标对跟踪目标的干扰,提高了目标检测跟踪识别的准确性。
Description
技术领域
本发明涉及光电跟踪识别技术领域,具体是指一种基于多特征信息融合的目标检测跟踪识别方法和系统。
背景技术
在光电跟踪系统中,需要保持跟踪目标在光电系统的视野之中,并不断调整光电系统的视野使其跟随跟踪目标活动,同时还会通过跟踪算法在光电系统的追踪视频图像上标示出跟踪框,用以指示正在跟踪的目标。但是,现有光电系统在目标跟踪时,如果目标周围有其他目标干扰,常常会导致光电跟踪系统目标跟踪错误。
以无人机举例来说,伴随无人机技术的不断成熟和成本的降低,各种类型的无人机在实际生活中应用更加广泛。无人机在带来生活便利的同时也给人们的生活带来了威胁,实际中无人机滥用和违规飞行现象日趋严重,利用无人机进行偷拍、侵犯个人隐私的事件层出不穷。面对此类威胁,目前常会采用光电跟踪的方式对无人机进行跟踪识别,以配合无人机反制系统对违规无人机进行处置。
但是,由于无人机目标尺寸小、飞行速度易变、飞行环境复杂,因此需要无人机反制系统对目标的检测和跟踪识别方法性能有很高的要求。基于无人机的运动特性,对视频中的运动目标进行检测,这种方法能有效的检测出无人机,但是当视频中有多个运动目标时,检测到的运动目标不一定就都是无人机,可能有鸟、民航、风筝等不同的飞行物。由于鸟的飞行轨迹不像无人机那样在一定时间内有一定的稳定性和固定性,因此基于运行轨迹的方法能有效的将鸟的误检去除,但是对于民航和风筝等非无人机的飞行物的干扰仍然存在,无法有效的剔除。在此情形下,采用光电系统对无人机进行跟踪,就容易出现跟踪目标错误的问题。
发明内容
基于以上技术问题,本发明提供了一种基于多特征信息融合的目标检测跟踪识别方法和系统,有效排除了目标检测跟踪识别时,其他运动目标对跟踪目标的干扰,提高了目标检测跟踪识别的准确性。
为解决以上技术问题,本发明采用的技术方案如下:
一种基于多特征信息融合的目标检测跟踪识别方法,包括:
获取实时光电追踪视频;
基于帧差法提取光电追踪视频中的运动目标集合;
基于特征筛选算法筛选出运动目标集合中的疑似目标;
将疑似目标输入目标识别模型中进行识别,得到第一识别结果;
若第一识别结果表明疑似目标是预定目标,则将疑似目标作为跟踪目标,并基于跟踪目标的位置信息对跟踪算法进行初始化,再启动跟踪算法对跟踪目标进行跟踪;
若第一识别结果表明疑似目标不是预定目标,则转至获取实时光电追踪视频的步骤。
一种基于多特征信息融合的目标检测跟踪识别系统,包括:
视频数据获取模块,视频数据获取模块用于获取实时光电追踪视频;
运动目标获取模块,运动目标获取模块用于基于帧差法提取光电追踪视频中的运动目标集合;
疑似目标筛选模块,疑似目标筛选模块用于基于特征筛选算法筛选出运动目标集合中的疑似目标;
预定目标识别模块,预定目标识别模块用于将疑似目标输入目标识别模型中进行识别,得到第一识别结果;
其中,若第一识别结果表明疑似目标是预定目标,则将疑似目标作为跟踪目标,并基于跟踪目标的位置信息对跟踪算法进行初始化,再启动跟踪算法对跟踪目标进行跟踪;若第一识别结果表明疑似目标不是预定目标,则转至获取实时光电追踪视频的步骤。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述基于多特征信息融合的目标检测跟踪识别方法的步骤。
一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述基于多特征信息融合的目标检测跟踪识别方法的步骤。
与现有技术相比,本发明的有益效果是:
本发明通过特征筛选算法和目标识别模型对运动目标进行双重检测识别,以提高从运动目标中识别出真正预定跟踪目标的概率,有效排除非预定目标对预定目标检测跟踪识别的干扰,减低了目标检测跟踪识别时的误检率,提升了目标检测跟踪识别的准确率,同时还具有良好的实时性。
此外,目标识别模型作为神经网络模型,其运行需要耗费大量运算资源,在利用目标识别模型进行检测识别之前,利用特征筛选算法对运动目标进行初步筛选,可以排除部分非预定目标,减少目标识别模型的检测数量,节约运算资源,减少检测时间,提高目标检测跟踪识别的整体效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。其中:
图1为基于多特征信息融合的目标检测跟踪识别方法流程示意图。
图2为基于轨迹筛选算法对初选目标集合进行筛选,获得疑似目标流程示意图。
图3为基于多特征信息融合的目标检测跟踪识别方法检测跟踪效果示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例的附图,对本申请实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于所描述的本申请的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另外定义,本申请使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
参阅图1,在一些实施例中,一种基于多特征信息融合的目标检测跟踪识别方法,包括:
S101,获取实时光电追踪视频;
其中,在光电跟踪初始时,操作人员会根据目标的出现区域,调整光电系统指向拟跟踪区域,以对目标进行后续跟踪识别。
具体的,实时的光电追踪视频可以通过光电系统进行采集。
S102,基于帧差法提取光电追踪视频中的运动目标集合;
其中,对于帧差法,其是一种运动目标检测方法,主要原理是在图像序列相邻两帧或三帧间采用基于像素的时间差分通过阈值化来提取出图像中的运动区域。首先,将相邻帧的图像对应像素值相减得到差分图像,然后对差分图像二值化,在环境亮度变化不大的情况下,如果对应像素值变化小于事先确定的阈值时,可以认为此处为背景像素:如果图像区域的像素值变化很大,可以认为这是由于图像中运动物体引起的,将这些区域标记为前景像素,利用标记的像素区域可以确定运动目标在图像中的位置。由于相邻两帧间的时间间隔非常短,用前一帧图像作为当前帧的背景模型具有较好的实时性,其背景不积累,且更新速度快、算法简单、计算量小。
其中,对于光电追踪视频中的视频图像的提取,采用常见视频处理软件便可完成。
优选的,对于帧差法中使用的视频图像,为使视频图像中运动目标的特征更加明显,可以对视频图像进行预处理,主要包括图像平滑、图像增强、图像滤波等处理方法。
优选的,选取光电追踪视频最后一帧(即当前时刻的当前帧)分割提取运动目标。为方便后续对视频图像中的运动目标进行分割,对预处理后的视频图像进行阈值分割,并结合适当的形态学操作,使阈值后的二值图中的运动目标尽量完整独立无空洞。
S103,基于特征筛选算法筛选出运动目标集合中的疑似目标;
其中,通过特征筛选算法对疑似目标进行初步筛选。
优选的,在特征筛选算法中也会应用到光电追踪视频中提取的视频图像,因此,帧差法中提取、处理的视频图像也可以转到特征筛选算法中进行使用。
S104,将疑似目标输入目标识别模型中进行识别,得到第一识别结果;
其中,通过目标识别模型对疑似目标进行再次确认,以保证对疑似目标的正确识别。具体的,对于目标识别模型,可以采用Faster R-CNN、SSD或YOLO模型。
S105,若第一识别结果表明疑似目标是预定目标,则将疑似目标作为跟踪目标,并基于跟踪目标的位置信息对跟踪算法进行初始化,再启动跟踪算法对跟踪目标进行跟踪;
其中,确认疑似目标为预定目标后,便可启动跟踪算法对当前疑似目标进行跟踪。具体的,跟踪算法采用基于HOG特征的KCF跟踪算法或者STC跟踪算法对疑似目标进行跟踪,其具有良好的效果,同时具有实时性,实际系统应用效果良好。
具体的,一般而言,跟踪算法会在光电系统追踪视频上标记出一个框选当前跟踪目标的跟踪框,以提示操作人员此时正在跟踪的目标。同时,光电系统也会根据跟踪框的位置进行调整,以保持跟踪框在光电系统的视野图像之内。
S106,若第一识别结果表明疑似目标不是预定目标,则转至获取实时光电追踪视频的步骤。
其中,确认疑似目标不是预定目标后,则重新采集光电追踪视频再次进行检测识别,直至确认光电系统初步跟踪的目标为预定目标。
具体的,一般当重新转至获取实时光电追踪视频的步骤,操作人员会跟据目视搜索预定目标,并调整光电系统的视野对其进行视频采集。由于目视搜索的不准确性,所以需要对光电系统视野区域的目标进行识别判定。
参阅图3可知,以无人机的跟踪识别为例,通过基于多特征信息融合的目标检测跟踪识别方法,可以有效排除非无人机目标对检测跟踪识别的干扰,减低了无人机目标检测跟踪识别时的误检率,提升了无人机目标检测跟踪识别的准确率。
在一些实施例中,基于特征筛选算法筛选出运动目标集合中的疑似目标包括:
首先,基于外形特征筛选算法对运动目标集合进行筛选,获得初选目标集合;
其中,对于外形特征筛选算法而言,其主要是依据预定目标的外形特征对采集到的运动目标进行筛选,具体的外形特征包括外形轮廓、面积大小、长宽比等外形特征筛选条件。由此,通过事先对预定目标的外形特征进行提取,并依据预定目标的外形特征构建的外形特征筛选算法便可对运动目标进行初步筛选,将满足预定目标基本外形特征条件的运动目标进行保留,并进行下一步筛选。
然后,判断是否具有雷达提供的跟踪目标方位信息;
若存在雷达提供的跟踪目标方位信息,则根据方位信息对初选目标集合进行筛选,获得疑似目标;
其中,如果有雷达跟踪的目标方位信息,那么便可以直接利用雷达的跟踪方位信息对初选目标集合进行筛选。
由于雷达仅能提供目标的方位信息,如果预定目标与其他目标相隔太近,雷达也不能对目标进行区分,因此仅能通过雷达跟踪的方位信息,对初选目标进行筛选,筛选出的疑似目标再输入目标识别模型中进行识别,以确认其是否为要跟踪的预定目标。
若不存在雷达提供的跟踪目标方位信息,则基于轨迹筛选算法对初选目标集合进行筛选,获得疑似目标。
参阅图2,具体的,基于轨迹筛选算法对初选目标集合进行筛选,获得疑似目标包括:
S201,基于光电追踪视频提取连续帧的视频图像集合,视频图像集合中包括当前帧图像;
S202,从初选目标集合中依次选择初选目标与视频图像集合进行同一目标筛选,并将同一初选目标的位置信息进行保存;
优选的,同一目标筛选包括:
位置信息筛选,根据初选目标在前后两帧视频图像中的移动距离判断是否是同一目标;
其中,根据疑似目标在前后两帧的位置信息:初选目标在前一帧和后一帧的移动距离在预设的范围内即判断为同一个目标,否则非同一个目标。
相似度特征筛选,根据初选目标在前后两帧视频图像中的相似度判断是否是同一目标;
其中,前一帧目标和后一帧同一个目标的相似度要比与后一帧非同一个目标的相似度特征值大,且相似度特征在预设的范围内,则判断为同一个目标,否则非同一个目标。
具体的,对于相似度的计算方法,可以采用直方图相似度、方差相似度或者哈希相似度作为判断依据。
运动方向特征筛选,根据初选目标在至少连续三帧中的运动方向判断是否是同一目标。
其中,保存了至少连续三帧的目标信息后,使用已经保存的前面三帧的目标位置信息,计算出所有保存的同类目标的运动方向信息,如果下一帧目标的运动方向和前面位置信息计算得到的运动方向一致,则认为是同一个目标,否则非同一个目标。
通过上述三层同一目标筛选方法筛选后,可以显著降低前后目标位置接近但是并非同一类目标的概率,降低了不同目标保存在同一个目标位置的概率,增加并提高了用于轨迹拟合的目标位置信息为同一目标的概率,保证了拟合轨迹的准确性。
S203,从初选目标集合中依次选择初选目标的位置信息进行轨迹拟合,获得初选目标的运动轨迹;
其中,轨迹拟合采用最小二乘原理,遵循公式如下:
S204,从初选目标集合中依次选择初选目标的运动轨迹,计算运动轨迹与当前帧图像中心的间距;
其中,根据光电系统跟踪的基本原则,云台总是尽最大可能把跟踪的目标拉近光电视野的中心位置,基于点和直线的距离公式:
其中,d表示间距,A、B、C表示常数。
S205,选择间距最小的运动轨迹对应的初选目标作为疑似目标。
此外,如果疑似目标有雷达跟踪的方位信息,也可以根据雷达提供的信息进行目标筛选。
在一些实施例中,启动跟踪算法对跟踪目标进行跟踪之后,还包括:
获取跟踪算法输出的目标跟踪结果位置;
计算跟踪目标的运动轨迹与目标跟踪结果位置的距离;
若距离超出预设范围,则判定当前跟踪目标为非预定目标,转至获取实时光电追踪视频的步骤。
优选的,若距离未超出预设范围,则判定当前跟踪目标为预定目标,并根据目标跟踪结果位置跟踪目标,在当前帧的光电追踪视频图像中提取跟踪目标区域图像;
其中,对于跟踪算法而言,其输出的目标跟踪结果位置在视频图像中的具体展现形式便是生成一个跟踪框,跟踪框会对当前跟踪目标进行框选,以方便对跟踪目标进行跟踪监视。所以,通过目标跟踪结果位置便可以得到跟踪框,依据跟踪框便可以在光电追踪视频图像中提取跟踪目标的区域图像,以用于后续识别。
将跟踪目标区域图像输入目标识别模型进行识别,得到第二识别结果;
若第二识别结果表明是预定目标,则将目标识别模型识别的目标类型与概率信息进行保存;
若第二识别结果表明不是预定目标,则将目标识别模型识别的目标识别信息与位置信息进行保存。
优选的,对至少连续五帧视频图像的第二识别结果进行统计,获得统计结果,统计结果包括第一统计项和第二统计项;
其中,第一统计项为第二识别结果表示是预定目标且识别概率信息大于第一预设值的个数,第二统计项为识别结果表示不是预定目标的连续识别个数;
具体的,第一预设值可依据不同的项目需求进行设定,一般在75%到95%之间。由于目标识别模型输出的是一个判断目标类型的概率,以第一预设值为90%为例,则识别概率信息大于第一预设值具体表示,目标识别模型识别是预定目标的概率大于90%。
若第一统计项的个数大于第二预设值,则输出目标类型和位置信息;
具体的,在对连续五帧视频图像的第二识别结果进行统计的条件下,第二预设值具体为3。则第一统计项的个数大于第二预设值具体表示,在五帧视频图像的第二识别结果中,识别是预定目标的视频图像数量大于3。
若第一统计项的个数小于第二预设值,则输出位置信息;
其中,通过统计连续多帧的第一统计项结果,需要连续多帧目标识别模型均输出当前跟踪目标被识别为预定目标且识别的概率信息大于第一预设值的情况下,才会输出当前跟踪目标的目标类型和位置信息,否则只输出当前跟踪目标的位置信息。其目的在于增加目标识别模型输出的当前跟踪目标的目标类型的准确率,降低单次目标识别模型输出目标类型的误识别率。
若第二统计项的个数大于第三预设值,则转至获取实时光电追踪视频的步骤;
具体的,在对连续五帧视频图像的第二识别结果进行统计的条件下,第三预设值具体为3。则第二统计项的个数大于第三预设值具体表示,在五帧视频图像的第二识别结果中,连续识别不是预定目标的视频图像数量大于3。
若第二统计项的个数小于第三预设值,则输出位置信息。
其中,通过统计连续多帧的第二统计项结果,需要连续多帧目标识别模型均输出当前跟踪目标被识别为非预定目标的情况下,才会判断当前跟踪目标跟踪错误或丢失,整个目标检测跟踪识别方法回转到获取实时光电追踪视频的步骤,重新进行预定目标的检测跟踪识别,否则只输出当前跟踪目标的位置信息,目标检测跟踪识别方法继续执行目标跟踪。其目的在于增加判定目标检测跟踪识别方法跟踪目标丢失的准确率,降低单次目标检测跟踪识别方法误识别跟踪目标丢失的误识别率。
在一些实施例中,还公开了一种基于多特征信息融合的目标检测跟踪识别系统,包括:
视频数据获取模块,视频数据获取模块用于获取实时光电追踪视频;
运动目标获取模块,运动目标获取模块用于基于帧差法提取光电追踪视频中的运动目标集合;
疑似目标筛选模块,疑似目标筛选模块用于基于特征筛选算法筛选出运动目标集合中的疑似目标;
预定目标识别模块,预定目标识别模块用于将疑似目标输入目标识别模型中进行识别,得到第一识别结果;
其中,若第一识别结果表明疑似目标是预定目标,则将疑似目标作为跟踪目标,并基于跟踪目标的位置信息对跟踪算法进行初始化,再启动跟踪算法对跟踪目标进行跟踪;若第一识别结果表明疑似目标不是预定目标,则转至获取实时光电追踪视频的步骤。
在一些实施例中,还公开了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述基于多特征信息融合的目标检测跟踪识别方法的步骤。
其中,所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器可以是所述计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,所述存储器也可以是所述计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器还可以既包括所述计算机设备的内部存储单元也包括其外部存储设备。本实施例中,所述存储器常用于存储安装于所述计算机设备的操作系统和各类应用软件,例如所述基于多特征信息融合的目标检测跟踪识别方法的程序代码等。此外,所述存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制所述计算机设备的总体操作。本实施例中,所述处理器用于运行所述存储器中存储的程序代码或者处理数据,例如运行所述基于多特征信息融合的目标检测跟踪识别方法的程序代码。
在一些实施例中,还公开了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述基于多特征信息融合的目标检测跟踪识别方法的步骤。
其中,所述计算机可读存储介质存储有界面显示程序,所述界面显示程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于多特征信息融合的目标检测跟踪识别方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器或者网络设备等)执行本申请各个实施例所述的方法。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明的验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (10)
1.基于多特征信息融合的目标检测跟踪识别方法,其特征在于,包括:
获取实时光电追踪视频;
基于帧差法提取所述光电追踪视频中的运动目标集合;
基于特征筛选算法筛选出所述运动目标集合中的疑似目标;
将所述疑似目标输入目标识别模型中进行识别,得到第一识别结果;
若所述第一识别结果表明所述疑似目标是预定目标,则将所述疑似目标作为跟踪目标,并基于所述跟踪目标的位置信息对跟踪算法进行初始化,再启动所述跟踪算法对所述跟踪目标进行跟踪;
若所述第一识别结果表明所述疑似目标不是预定目标,则转至获取实时光电追踪视频的步骤。
2.根据权利要求1所述的基于多特征信息融合的目标检测跟踪识别方法,其特征在于,基于特征筛选算法筛选出所述运动目标集合中的疑似目标包括:
基于外形特征筛选算法对所述运动目标集合进行筛选,获得初选目标集合;
判断是否具有雷达提供的跟踪目标方位信息;
若存在雷达提供的跟踪目标方位信息,则根据方位信息对所述初选目标集合进行筛选,获得疑似目标;
若不存在雷达提供的跟踪目标方位信息,则基于轨迹筛选算法对所述初选目标集合进行筛选,获得疑似目标。
3.根据权利要求2所述的基于多特征信息融合的目标检测跟踪识别方法,其特征在于,基于轨迹筛选算法对所述初选目标集合进行筛选,获得疑似目标包括:
基于所述光电追踪视频提取连续帧的视频图像集合,所述视频图像集合中包括当前帧图像;
从所述初选目标集合中依次选择初选目标与所述视频图像集合进行同一目标筛选,并将同一初选目标的位置信息进行保存;
从所述初选目标集合中依次选择初选目标的位置信息进行轨迹拟合,获得所述初选目标的运动轨迹;
从所述初选目标集合中依次选择初选目标的运动轨迹,计算所述运动轨迹与当前帧图像中心的间距;
选择间距最小的运动轨迹对应的初选目标作为疑似目标。
4.根据权利要求3所述的基于多特征信息融合的目标检测跟踪识别方法,其特征在于,所述同一目标筛选包括:
位置信息筛选,根据所述初选目标在前后两帧视频图像中的移动距离判断是否是同一目标;
相似度特征筛选,根据所述初选目标在前后两帧视频图像中的相似度判断是否是同一目标;
运动方向特征筛选,根据所述初选目标在至少连续三帧中的运动方向判断是否是同一目标。
5.根据权利要求1所述的基于多特征信息融合的目标检测跟踪识别方法,其特征在于,启动所述跟踪算法对所述跟踪目标进行跟踪之后,还包括:
获取所述跟踪算法输出的目标跟踪结果位置;
计算所述跟踪目标的运动轨迹与所述目标跟踪结果位置的距离;
若距离超出预设范围,则判定当前跟踪目标为非预定目标,转至获取实时光电追踪视频的步骤。
6.根据权利要求5所述的基于多特征信息融合的目标检测跟踪识别方法,其特征在于:
若距离未超出预设范围,则判定当前跟踪目标为预定目标,并根据跟踪目标所述目标跟踪结果位置,在当前帧的光电追踪视频图像中提取跟踪目标区域图像;
将所述跟踪目标区域图像输入所述目标识别模型进行识别,得到第二识别结果;
若所述第二识别结果表明是预定目标,则将所述目标识别模型识别的目标类型与概率信息进行保存;
若所述第二识别结果表明不是预定目标,则将所述目标识别模型识别的目标识别信息与位置信息进行保存。
7.根据权利要求6所述的基于多特征信息融合的目标检测跟踪识别方法,其特征在于:
对至少连续五帧视频图像的第二识别结果进行统计,获得统计结果,所述统计结果包括第一统计项和第二统计项;
其中,所述第一统计项为所述第二识别结果表示是预定目标且识别概率信息大于第一预设值的个数,所述第二统计项为所述识别结果表示不是预定目标的连续识别个数;
若所述第一统计项的个数大于第二预设值,则输出目标类型和位置信息;
若所述第一统计项的个数小于第二预设值,则输出位置信息;
若所述第二统计项的个数大于第三预设值,则转至获取实时光电追踪视频的步骤;
若所述第二统计项的个数小于第三预设值,则输出位置信息。
8.基于多特征信息融合的目标检测跟踪识别系统,其特征在于,包括:
视频数据获取模块,所述视频数据获取模块用于获取实时光电追踪视频;
运动目标获取模块,所述运动目标获取模块用于基于帧差法提取所述光电追踪视频中的运动目标集合;
疑似目标筛选模块,所述疑似目标筛选模块用于基于特征筛选算法筛选出所述运动目标集合中的疑似目标;
预定目标识别模块,所述预定目标识别模块用于将所述疑似目标输入目标识别模型中进行识别,得到第一识别结果;
其中,若第一识别结果表明疑似目标是预定目标,则将疑似目标作为跟踪目标,并基于跟踪目标的位置信息对跟踪算法进行初始化,再启动跟踪算法对跟踪目标进行跟踪;若所述第一识别结果表明所述疑似目标不是预定目标,则转至获取实时光电追踪视频的步骤。
9.一种计算机设备,其特征在于:包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的基于多特征信息融合的目标检测跟踪识别方法的步骤。
10.一种计算机可读存储介质,其特征在于:存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的基于多特征信息融合的目标检测跟踪识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076558.2A CN114119676B (zh) | 2022-01-24 | 2022-01-24 | 基于多特征信息融合的目标检测跟踪识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076558.2A CN114119676B (zh) | 2022-01-24 | 2022-01-24 | 基于多特征信息融合的目标检测跟踪识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114119676A true CN114119676A (zh) | 2022-03-01 |
CN114119676B CN114119676B (zh) | 2022-08-09 |
Family
ID=80361238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210076558.2A Active CN114119676B (zh) | 2022-01-24 | 2022-01-24 | 基于多特征信息融合的目标检测跟踪识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119676B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332744A (zh) * | 2022-03-10 | 2022-04-12 | 成都诺比侃科技有限公司 | 一种基于机器视觉的变电站自适应安防方法及系统 |
CN115205327A (zh) * | 2022-05-18 | 2022-10-18 | 哈尔滨工业大学 | 一种融合历史库信息的红外小目标跟踪方法 |
CN115220005A (zh) * | 2022-07-20 | 2022-10-21 | 中国科学院长春光学精密机械与物理研究所 | 基于多源信息融合的光电跟踪设备自动目标识别方法 |
CN115266681A (zh) * | 2022-09-27 | 2022-11-01 | 南京诺源医疗器械有限公司 | 一种医用拉曼光谱成像的高精度扫描快速标记方法 |
CN115493598A (zh) * | 2022-11-15 | 2022-12-20 | 西安羚控电子科技有限公司 | 运动过程中的目标定位方法、装置及存储介质 |
CN116385948A (zh) * | 2023-06-07 | 2023-07-04 | 成都考拉悠然科技有限公司 | 一种预警铁路边坡异常的系统和方法 |
CN117237418A (zh) * | 2023-11-15 | 2023-12-15 | 成都航空职业技术学院 | 一种基于深度学习的运动目标检测方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110051808A1 (en) * | 2009-08-31 | 2011-03-03 | iAd Gesellschaft fur informatik, Automatisierung und Datenverarbeitung | Method and system for transcoding regions of interests in video surveillance |
CN102538759A (zh) * | 2011-12-29 | 2012-07-04 | 中国科学院紫金山天文台 | 近地和中高轨空间目标实时全自动捕获方法 |
CN105389830A (zh) * | 2015-10-13 | 2016-03-09 | 西北工业大学 | 基于多层检测模型和群体行为模型的车辆跟踪方法 |
CN106707296A (zh) * | 2017-01-09 | 2017-05-24 | 华中科技大学 | 一种基于双孔径光电成像系统的无人机检测与识别方法 |
CN107633226A (zh) * | 2017-09-19 | 2018-01-26 | 北京师范大学珠海分校 | 一种人体动作跟踪识别方法及系统 |
CN109816694A (zh) * | 2019-01-28 | 2019-05-28 | 北京旷视科技有限公司 | 目标跟踪方法、装置及电子设备 |
CN110632589A (zh) * | 2019-10-17 | 2019-12-31 | 安徽大学 | 一种雷达光电信息融合技术 |
CN112686921A (zh) * | 2021-01-08 | 2021-04-20 | 西安羚控电子科技有限公司 | 一种基于轨迹特征的多干扰无人机检测跟踪方法 |
-
2022
- 2022-01-24 CN CN202210076558.2A patent/CN114119676B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110051808A1 (en) * | 2009-08-31 | 2011-03-03 | iAd Gesellschaft fur informatik, Automatisierung und Datenverarbeitung | Method and system for transcoding regions of interests in video surveillance |
CN102538759A (zh) * | 2011-12-29 | 2012-07-04 | 中国科学院紫金山天文台 | 近地和中高轨空间目标实时全自动捕获方法 |
CN105389830A (zh) * | 2015-10-13 | 2016-03-09 | 西北工业大学 | 基于多层检测模型和群体行为模型的车辆跟踪方法 |
CN106707296A (zh) * | 2017-01-09 | 2017-05-24 | 华中科技大学 | 一种基于双孔径光电成像系统的无人机检测与识别方法 |
CN107633226A (zh) * | 2017-09-19 | 2018-01-26 | 北京师范大学珠海分校 | 一种人体动作跟踪识别方法及系统 |
CN109816694A (zh) * | 2019-01-28 | 2019-05-28 | 北京旷视科技有限公司 | 目标跟踪方法、装置及电子设备 |
CN110632589A (zh) * | 2019-10-17 | 2019-12-31 | 安徽大学 | 一种雷达光电信息融合技术 |
CN112686921A (zh) * | 2021-01-08 | 2021-04-20 | 西安羚控电子科技有限公司 | 一种基于轨迹特征的多干扰无人机检测跟踪方法 |
Non-Patent Citations (2)
Title |
---|
CANG LIANG: "UAV Detection Using Continuous Wave Radar", 《2018 IEEE INTERNATIONAL CONFERENCE ON INFORMATION COMMUNICATION AND SIGNAL PROCESSING (ICICSP)》 * |
沈梦舟: "小型无人机系统下基于视频处理的特定目标检测技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332744A (zh) * | 2022-03-10 | 2022-04-12 | 成都诺比侃科技有限公司 | 一种基于机器视觉的变电站自适应安防方法及系统 |
CN115205327A (zh) * | 2022-05-18 | 2022-10-18 | 哈尔滨工业大学 | 一种融合历史库信息的红外小目标跟踪方法 |
CN115205327B (zh) * | 2022-05-18 | 2023-04-11 | 哈尔滨工业大学 | 一种融合历史库信息的红外小目标跟踪方法 |
CN115220005A (zh) * | 2022-07-20 | 2022-10-21 | 中国科学院长春光学精密机械与物理研究所 | 基于多源信息融合的光电跟踪设备自动目标识别方法 |
CN115266681A (zh) * | 2022-09-27 | 2022-11-01 | 南京诺源医疗器械有限公司 | 一种医用拉曼光谱成像的高精度扫描快速标记方法 |
CN115266681B (zh) * | 2022-09-27 | 2022-12-16 | 南京诺源医疗器械有限公司 | 一种医用拉曼光谱成像的高精度扫描快速标记方法 |
CN115493598A (zh) * | 2022-11-15 | 2022-12-20 | 西安羚控电子科技有限公司 | 运动过程中的目标定位方法、装置及存储介质 |
CN115493598B (zh) * | 2022-11-15 | 2023-03-10 | 西安羚控电子科技有限公司 | 运动过程中的目标定位方法、装置及存储介质 |
CN116385948A (zh) * | 2023-06-07 | 2023-07-04 | 成都考拉悠然科技有限公司 | 一种预警铁路边坡异常的系统和方法 |
CN116385948B (zh) * | 2023-06-07 | 2023-09-15 | 成都考拉悠然科技有限公司 | 一种预警铁路边坡异常的系统和方法 |
CN117237418A (zh) * | 2023-11-15 | 2023-12-15 | 成都航空职业技术学院 | 一种基于深度学习的运动目标检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114119676B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114119676B (zh) | 基于多特征信息融合的目标检测跟踪识别方法和系统 | |
CN108229322B (zh) | 基于视频的人脸识别方法、装置、电子设备及存储介质 | |
CN110427905B (zh) | 行人跟踪方法、装置以及终端 | |
CN109325964B (zh) | 一种人脸追踪方法、装置及终端 | |
CN107153817B (zh) | 行人重识别数据标注方法和装置 | |
US8983200B2 (en) | Object segmentation at a self-checkout | |
CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
CN108229297B (zh) | 人脸识别方法和装置、电子设备、计算机存储介质 | |
CN103208004A (zh) | 票据信息区域自动识别和提取方法及设备 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
WO2023273010A1 (zh) | 高空抛物检测方法和装置、设备,及计算机存储介质 | |
CN110502977B (zh) | 一种建筑物变化分类检测方法、系统、装置及存储介质 | |
CN111275040A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
CN115049954B (zh) | 目标识别方法、装置、电子设备和介质 | |
CN111950345A (zh) | 摄像头的识别方法、装置、电子设备和存储介质 | |
CN113378837A (zh) | 车牌遮挡识别方法、装置、电子设备和存储介质 | |
CN111950507B (zh) | 数据处理和模型训练方法、装置、设备及介质 | |
CN113887391A (zh) | 用于识别路面标识的方法、装置以及自动驾驶车辆 | |
CN113313733A (zh) | 基于共享卷积的分级无人机目标跟踪方法 | |
CN106886796A (zh) | 图标位置识别方法、装置及终端设备 | |
CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
CN115410153A (zh) | 一种门开关状态的判定方法、装置、电子终端及存储介质 | |
CN115908831A (zh) | 一种图像检测方法及装置 | |
CN115601728A (zh) | 一种车辆识别方法、装置、设备以及存储介质 | |
Zhu et al. | Detection and recognition of abnormal running behavior in surveillance video |
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 |