CN114882066B - 目标跟踪方法及相关装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了一种目标跟踪方法及相关装置、电子设备和存储介质，其中，目标跟踪方法包括：基于对若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹；选择不同摄像器件视野内运动轨迹，分别作为第一轨迹和第二轨迹；基于第一轨迹和第二轨迹之间的轨迹相似度，确定第一轨迹和第二轨迹是否属于相同目标对象。上述方案，能够准确地进行目标跟踪。

Description

目标跟踪方法及相关装置、电子设备和存储介质

技术领域

本申请涉及视频处理技术领域，特别是涉及一种目标跟踪方法及相关装置、电子设备和存储介质。

背景技术

近年来，随着视频采集技术的不断发展，各类摄像器件在工作生活中大量应用，利用这些摄像器件的数据进行目标自动跟踪已然成为视频分析工作中的重要课题。以交通领域为例，大到城市，小到乡镇等各种目标场景，通过在目标场景内沿途布置摄像头，可以对目标场景中诸如车辆、行人等目标进行跟踪。在此基础上，基于目标跟踪结果，可以开发实现多种下游任务，如基于一段时间内的目标跟踪结果，可以分析并预测目标场景中各路段的交通情况（如，是否拥堵，以及拥堵程度）。

目前，常规的目标自动跟踪技术依赖于目标对象的外观轮廓，容易受到摄像器件安装的角度、环境光线、目标障碍物遮挡等情况的影响，降低跟踪的效果。有鉴于此，如何准确地进行目标跟踪，成为亟需解决的问题。

发明内容

本申请主要解决的技术问题是提供一种目标跟踪方法及相关装置、电子设备和存储介质，能够准确地进行目标跟踪。

为了解决上述技术问题，本申请第一方面提供了一种目标跟踪方法，包括：基于对若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹；选择不同摄像器件视野内运动轨迹，分别作为第一轨迹和第二轨迹；基于第一轨迹和第二轨迹之间的轨迹相似度，确定第一轨迹和第二轨迹是否属于相同目标对象。

为了解决上述技术问题，本申请第二方面提供了一种目标跟踪装置，包括：运动轨迹获取模块、运动轨迹选择模块和目标对象确认模块。其中，运动轨迹获取模块用于基于对若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹；运动轨迹选择模块用于选择不同摄像器件视野内运动轨迹，分别作为第一轨迹和第二轨迹；目标对象确认模块用于基于第一轨迹和第二轨迹之间的轨迹相似度，确定第一轨迹和第二轨迹是否属于相同目标对象。

为了解决上述技术问题，本申请第三方面提供了一种电子设备，包括处理器和存储器，存储器和处理器相互耦接，处理器用于执行存储器存储的程序指令，以实现上述第一方面中的目标跟踪方法。

为了解决上述技术问题，本申请第四方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面中的目标跟踪方法。

上述方案中，根据若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹，并从中选择不同的运动轨迹进行轨迹相似度计算，最终根据轨迹相似度确定不同的运动轨迹是否属于相同的目标对象。一方面，轨迹相似度无需考虑目标对象的外观轮廓，可以根据轨迹点进行便捷、精准地计算；另一方面，轨迹相似度反映了时空上对目标对象的约束，因此根据两个轨迹的轨迹相似度进而确定为相同的目标对象具有较高的准确度，最终可以实现对目标对象的准确跟踪。

附图说明

图1是本申请目标跟踪方法一实施例的流程示意图；

图2是基于视频数据构建三维场景地图示意图；

图3是本申请目标跟踪方法另一实施例的流程示意图；

图4是赋予运动轨迹第一标识和第二标识一实施例的流程示意图；

图5是本申请目标跟踪方法又一实施例的流程示意图；

图6是本申请目标跟踪装置一实施例的框架示意图；

图7是本申请电子设备一实施例的框架示意图；

图8是本申请计算机可读存储介质一实施例的框架示意图。

具体实施方式

下面结合说明书附图，对本申请实施例的方案进行详细说明。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。

本文中术语“系统”和“网络”在本文中常被可互换使用。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，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。

请参阅图1，图1是本申请目标跟踪方法一实施例的流程示意图。具体而言，本实施例中的目标跟踪方法可以包括如下步骤：

步骤S11：基于对若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹。

本实施例中，若干摄像器件可以设置于目标场景，以对目标场景中各个目标对象进行跨相机跟踪。需要说明的是，目标场景中各目标对象可以是相同类型的对象，如目标场景中的目标对象可以均为行人，或者目标场景中目标对象可以均为车辆。当然，目标场景中可以包含不同类型的目标对象，如目标场景中既可以包含行人，也可以包含车辆，在此不做具体限制。

在一个实施场景中，基于不同目标场景，目标场景中目标对象的类型也可以不同。例如，在目标场景为办公楼的情况下，目标对象可以均为行人；或者，在目标场景为工业园区的情况下，目标对象可以既包括行人也包括车辆。其他场景可以以此类推，在此不再一一举例。

在一个实施场景中，目标检测结果包括目标对象在当前摄像器件拍摄的视频数据中的身份标识信息以及目标对象在目标场景中的相对位置，当然，为了便于辨别运动轨迹，目标检测结果还可以包括摄像器件的身份标识信息。

进一步地，为了准确获取目标对象的运动轨迹，可以根据若干摄像器件拍摄的视频数据构建三维场景地图，对若干摄像器件分别拍摄的视频数据进行目标检测，确定目标对象的轨迹点，并将轨迹点映射到三维场景地图，得到目标对象的轨迹点坐标，最后根据轨迹点坐标，构建得到若干摄像器件视野内不同目标对象的运动轨迹。例如，可以将摄像器件视野内相同目标对象的轨迹坐标点的集合，作为其运动轨迹。具体地，A={a1，a2，……，a10}表示运动轨迹A中包括a1，a2……a10合计10个轨迹点坐标。因此，通过构建三维场景地图，将目标对象的轨迹点坐标统一至相同的坐标系下，便于后续计算分析，能够有效提高目标跟踪的准确性。

当然，单独摄像器件视野内相同目标对象是根据传统的目标跟踪算法实现的，例如可以采用诸如KCF等算法实现单相机目标跟踪。

在一个具体的实施场景中，请参阅图2，图2是基于视频数据构建三维场景地图示意图。如图2所示，左侧为视频数据，右侧为三维场景地图，可以将视频画面中的目标对象的轨迹点A，映射到三维场景地图中，因此可以将A点在三维场景地图中的坐标作为目标对象的轨迹点坐标。

在另一个具体的实施场景中，存在目标对象较大，无法直接在视频画面中以轨迹点的形式进行表征的情况。针对这种情况，可以将目标对象的下边框的中心点、上边框的中心点或者目标对象的几何中心点作为轨迹点，便于后续轨迹点坐标的获取，具体采用何种方式确认轨迹点，在此不做具体限制。

步骤S12：选择不同摄像器件视野内运动轨迹，分别作为第一轨迹和第二轨迹。

需要说明的是，相同摄像器件视野内的运动轨迹可以直接基于目标识别技术进行检测，即可确认是否为相同目标对象。故而，选择不同摄像器件视野内运动轨迹，分别作为第一轨迹和第二轨迹，进行后续轨迹相似度分析。

在一个实施场景中，可以对不同摄像器件视野内的运动轨迹进行遍历，将任一运动轨迹依次与其他运动轨迹组合为第一轨迹和第二轨迹进行后续分析。

在另一个实施场景中，为了优化目标跟踪的效率，可以根据摄像器件的位置关系，对运动轨迹进行筛选配对。例如，存在三个摄像器件A、B、C，摄像器件A与摄像器件B相邻，摄像器件C与摄像器件A和摄像器件B的距离均超过摄像器件的最大拍摄距离，此时只需要在摄像器件A对应的运动轨迹和摄像器件B对应的运动轨迹中进行选择，得到第一轨迹和第二轨迹，无需考虑摄像器件C对应的运动轨迹。

步骤S13：基于第一轨迹和第二轨迹之间的轨迹相似度，确定第一轨迹和第二轨迹是否属于相同目标对象。

本实施例中，轨迹相似度基于第一相似度和和第二相似度得到，其中，轨迹相似度为第一相似度、第二相似度中的较大值，且第一相似度表示以第二轨迹为参照对象时第一轨迹与第二轨迹之间的相似度，第二相似度表示以第一轨迹为参照对象时第二轨迹与第一轨迹之间的相似度。进一步地，第一相似度基于第一轨迹中第一轨迹点的第一数量和各第一轨迹点分别至第二轨迹的第一距离得到，第二相似度基于第二轨迹中第二轨迹点的第二数量和各第二轨迹点分别至第一轨迹的第二距离得到。因此，轨迹相似度统筹考虑了第一轨迹和第二轨迹中轨迹点的数量、全部轨迹点到对应轨迹的距离，故而轨迹相似度更加全面地反映了第一轨迹和第二轨迹的相似程度，并且尽可能降低了出现大幅偏差的可能性。

在一个实施场景中，第一距离可以是各第一轨迹点分别至第二轨迹的最短距离，也可以是各第一轨迹点分别至第二轨迹的最大距离，在此不作限制。

在另一个实施场景中，类似地，第二距离可以是各第二轨迹点分别至第一轨迹的最短距离，也可以是各第二轨迹点分别至第一轨迹的最大距离，在此不作限制。

进一步地，在一个实施场景中，第一相似度为最大第一距离与第一数量的比值，第二相似度为最大第二距离与第二数量的比值。因此，通过距离与数量进行比值，一方面降低了轨迹点数量对第一相似度和第二相似度的影响，另一方面降低了部分异常轨迹点对第一相似度和第二相似度的影响，使得第一相似度和第二相似度更加稳定、可靠。

在一个具体的实施场景中，可以将第一相似度和第二相似度中的较大值，作为轨迹相似度。为了便于理解，可以用公式（1）表示轨迹相似度。

H(A,B)=max[h（A，B），h（B，A）]……（1）

其中，A表示第一轨迹，B表示第二轨迹，H(A,B)表示第一轨迹和第二轨迹的轨迹相似度，h（A，B）表示第一相似度，h（B，A）表示第二相似度。

在另一个具体的实施场景中，可以将第一相似度和第二相似度的平均值，作为轨迹相似度。

需要说明的是，基于第一相似度和第二相似度得到轨迹相似度还有其他的具体实施方式，在此不做具体限制。

在一个实施场景中，可以设置轨迹相似度阈值，根据轨迹相似度阈值与第一轨迹和第二轨迹之间的轨迹相似度的大小关系，确定第一轨迹和第二轨迹是否属于相同目标对象。更为具体地，响应于轨迹相似度小于轨迹相似度阈值，确定第一轨迹和第二轨迹属于相同目标对象；响应于轨迹相似度大于等于轨迹相似度阈值，确定第一轨迹和第二轨迹不属于相同目标对象。

进一步地，在步骤S13执行完毕之后，目标跟踪方法还可以返回执行步骤S12及其后续步骤，重新选择新的第一轨迹和新的第二轨迹，其中，新的第一轨迹和新的第二轨迹之间并未基于轨迹相似度确定两者是否属于相同目标对象。因此，通过上述方法对运动轨迹进行遍历，尽可能地确定出每条运动轨迹所属的目标对象，从而尽可能地得到每个目标对象在目标场景中完整的运动轨迹。便于理解的是，可以将相同目标对象的全部运动轨迹按照时间顺序进行排列，进而构成集合，作为目标对象的运动轨迹。

上述方案中，根据若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹，并从中选择不同的运动轨迹进行轨迹相似度计算，最终根据轨迹相似度确定不同的运动轨迹是否属于相同的目标对象。一方面，轨迹相似度无需考虑目标对象的外观轮廓，可以根据轨迹点进行便捷、精准地计算；另一方面，轨迹相似度反映了时空上对目标对象的约束，因此根据两个轨迹的轨迹相似度进而确定为相同的目标对象具有较高的准确度，最终可以实现对目标对象的准确跟踪。

请参阅图3，图3是本申请目标跟踪方法另一实施例的流程示意图。具体而言，本实施例中的目标跟踪方法可以包括如下步骤：

步骤S21：基于对若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹。

具体实施方式可以参考前述实施例中步骤S11，在此不再赘述。

步骤S22：将目标器件视野内轨迹方向满足预设条件的运动轨迹，作为目标轨迹，并为属于不同目标对象的目标轨迹赋予不同第一标识；其中，目标器件之外的摄像器件视野内各运动轨迹均赋予第二标识。

本实施例中，为了便于判断目标对象的运动轨迹在目标场景中的出入情况，可以将若干摄像器件布置于目标场景，且布置于目标场景出入口处的摄像器件作为目标器件。

在一个实施场景中，预设条件包括轨迹方向为进入目标场景的方向。因此，通过将轨迹方向为进入目标场景的方向赋予第一标识，能够快速、有效筛选出进入目标场景的运动轨迹。

在另一个实施场景中，预设条件还包括轨迹方向为一种指定的方向，例如从出入口径直进入目标场景或者经过出入口立刻右拐等等，在此不做具体限制。

在一个实施场景中，可以为属于不同目标对象的目标轨迹赋予不同第一标识，例如第一标识都是字母类别，包括：A、B、C等等；第一标识也可以是数字类别，包括1、2、3等等，在此不做具体限制。

在一个实施场景中，目标器件之外的摄像器件视野内各运动轨迹均赋予第二标识，为了显著区别第一标识和第二标识，第一标识和第二标识的类别可以完全不同，例如当第一标识时字母类别时，第二标识可以是数字类别，反之亦可。当然，第一标识和第二标识也可以是同一类别，例如，第一标识和第二标识均为数字类别时，可以固定第二类别为零值，第一类别为非零整数，等等，在此不做具体限制。

请参阅图4，以第一标识和第二标识均为数字类别为例，图4是赋予运动轨迹第一标识和第二标识一实施例的流程示意图。需要说明的是，由于第一标识和第二标识均为数字类别，为了便于描述，故而使用同一个标识gid进行表征。具体而言，可以包括如下步骤：

步骤S201：将gid初始化为零值，并赋予全部运动轨迹。

初始化设置gid为零值，并将零值作为全部目标轨迹的标识信息。

步骤S202：判断摄像器件是否为目标器件，若是，则执行步骤S203，否则执行步骤S205。

判断运动轨迹对应的摄像器件是否为布置于目标场景出入口处的目标器件。

步骤S203：判断目标器件视野内的运动轨迹是否满足预设条件，若是，则执行步骤S204，否则执行步骤S205。

判断目标器件视野内的运动轨迹是否满足预设条件，预设条件的设置可以参照前述实施例，在此不再赘述。

步骤S204：将gid加一，赋予当前运动轨迹，并将当前gid计入下一次循环。

将gid加一，赋予当前运动轨迹，此时当前运动轨迹的标识信息为非零值，即为第一标识。将加一后的gid计入下一次循环保证各个第一标识不相同。

步骤S205：gid保持不变，并将当前gid计入下一次循环。

此时确定运动轨迹应为第二标识，故而无需调整其标识信息，将gid保持不变，计入下一次循环。

步骤S206：判断全部运动轨迹是否遍历执行完毕，若是，结束流程，否则执行步骤S207。

遍历全部运动轨迹，带执行完毕后结束流程，否则执行步骤S207。

步骤S207：返回执行步骤S202及其后续步骤。

返回执行步骤S202及其后续步骤，对未进行分析的运动轨迹进行分析处理，直至全部目标对象执行完毕。

步骤S23：选择赋予第一标识的运动轨迹作为第一轨迹，并选择赋予第二标识的运动轨迹作为第二轨迹。

由于已经将运动轨迹赋予了不同的第一标识和第二标识，此时可以选择赋予第一标识的运动轨迹作为第一轨迹，并选择赋予第二标识的运动轨迹作为第二轨迹。

步骤S24：基于第一轨迹和第二轨迹之间的轨迹相似度，确定第一轨迹和第二轨迹是否属于相同目标对象。

具体实施方式可以参照前述实施例中步骤S13，在此不再赘述。

进一步地，在步骤S24执行完毕之后，还可以基于第一轨迹和第二轨迹是否属于相同目标对象，确定是否将第二轨迹的第二标识替换为第一轨迹的第一标识。

在一个实施场景中，当第一轨迹和第二轨迹属于相同目标对象时，可以第二轨迹的第二标识替换为第一轨迹的第一标识。类似地，当第一轨迹和第二轨迹不属于相同目标对象时，无需调整第二轨迹的第二标识和第一轨迹的第一标识。

进一步地，在步骤S24执行完毕之后，目标跟踪方法还可以返回执行步骤S23及其后续步骤，重新选择新的第一轨迹和新的第二轨迹，其中，新的第一轨迹和新的第二轨迹之间并未基于轨迹相似度确定两者是否属于相同目标对象。因此，通过上述方法对运动轨迹进行遍历，尽可能地确定出每条运动轨迹所属的目标对象，从而尽可能地得到每个目标对象在目标场景中完整的运动轨迹。便于理解的是，可以将相同目标对象的全部运动轨迹按照时间顺序进行排列，进而构成集合，作为目标对象的运动轨迹。

区别于前述实施例，本实施例通过布置于目标场景出入口处的目标器件及目标器件视野内运动轨迹的轨迹方向与预设条件进行比对，进而将运动轨迹赋予不同的第一标识和第二标识，并将相同的目标对象赋予相同的第一标识，故而在目标跟踪方法执行完毕后，可以直观的通过第一标识识别出全部属于相同目标对象的运动轨迹。

请参阅图5，图5是本申请目标跟踪方法又一实施例的流程示意图。具体而言，本实施例中的目标跟踪方法可以包括如下步骤：

步骤S31：基于对若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹。

具体实施方式可以参考前述实施例中步骤S11，在此不再赘述。

步骤S32：选择不同摄像器件视野内运动轨迹，分别作为第一轨迹和第二轨迹。

具体实施方式可以参照前述实施例中的步骤S12、步骤S22和步骤S23，在此不再赘述。

步骤S33：将第一轨迹和第二轨迹分别对应的摄像器件的组合，作为目标组合，并将目标组合对应的参考相似度，作为目标相似度。

在一个实施场景中，可以基于测试对象在不同摄像器件视野内测试轨迹之间的相似度，得到由不同摄像器件组成的器件组合对应的参考相似度。需要说明的是，本实施例中，第一轨迹和第二轨迹分别对应的摄像器件视野重叠，且两个摄像器件之间测试轨迹一般存在多条轨迹。

进一步地，可以将视野重叠的两个摄像器件，作为器件组合，并将测试对象在器件组合下测试轨迹之间相似度的平均值，作为器件组合对应的参考相似度，进而确定目标相似度。测试轨迹之间相似度的计算可以参照前述实施例中轨迹相似度的计算方法，在此不再赘述。因此，通过计算测试对象在器件组合下测试轨迹之间相似度的平均值得到器件组合对应的参考相似度，统筹考虑了两个摄像器件之间的多条轨迹，可以尽可能准确地反应两个摄像器件由于摄像器件标定不准确、图形畸变给轨迹相似度计算带来的影响。

在一个具体的实施场景中，可以默认邻接的摄像器件的视野是重叠的，在此情况下可以构建摄像器件位置关系矩阵，进而直观的看出那些摄像器件的视野是重叠的。假设有三个摄像器件，构建摄像器件位置关系矩阵如下：

T（i，j）表示摄像器件i和摄像器件j的邻接情况，T（i，j）=1，表示摄像器件i和摄像器件j两者邻接，否则，反之，T（i，j）=0。需要理解的是，此处的i、j可以是前述实施例中摄像器件自身的标识信息。

步骤S34：基于第一轨迹和第二轨迹之间的轨迹相似度和目标相似度，确定第一轨迹和第二轨迹是否属于相同目标对象。

第一轨迹和第二轨迹之间的轨迹相似度可以参照前述实施例，在此不再赘述。

在一个实施场景中，基于目标相似度对轨迹相似度进行校准，得到校准相似度。因此，通过目标相似度对轨迹相似度进行校准，尽可能减轻了由于摄像器件标定不准确、图形畸变给轨迹相似度计算带来的影响，使得对第一轨迹和第二轨迹是否属于相同目标对象的判断更加准确。

在一个具体的实施场景中，校准相似度可以是目标相似度和轨迹相似度差的绝对值，也可以是目标相似度和轨迹相似度差的平方，在此不做具体限制。例如，可以用H（A，B）表示第一轨迹和第二轨迹的轨迹相似度，用K（A，B）表示第一轨迹和第二轨迹对应的摄像器件之间的目标相似度，此时校准相似度可以用| H（A，B）- K（A，B）|或者[H（A，B）- K（A，B）]²来进行表征。

在一个实施场景中，可以基于校准相似度与预设阈值之间的大小关系，确定第一轨迹和第二轨迹是否属于相同目标对象。具体地，校准相似度小于预设阈值，则确定第一轨迹和第二轨迹属于相同目标对象，校准相似度大于等于预设阈值，则确定第一轨迹和第二轨迹不属于相同目标对象。

进一步地，在步骤S34执行完毕之后，目标跟踪方法还可以返回执行步骤S32及其后续步骤，重新选择新的第一轨迹和新的第二轨迹，其中，新的第一轨迹和新的第二轨迹之间并未基于轨迹相似度确定两者是否属于相同目标对象。因此，通过上述方法对运动轨迹进行遍历，尽可能地确定出每条运动轨迹所属的目标对象，从而尽可能地得到每个目标对象在目标场景中完整的运动轨迹。便于理解的是，可以将相同目标对象的全部运动轨迹按照时间顺序进行排列，进而构成集合，作为目标对象的运动轨迹。

在一个具体的实施场景中，重新选择新的第一轨迹和新的第二轨迹时，可以选择视野重叠的两个摄像器件对应的运动轨迹作为新的第一轨迹和新的第二轨迹。

区别于前述实施例，本实施例通过测试对象在第一轨迹和第二轨迹对应的摄像器件下测试轨迹之间相似度的平均值，作为目标相似度，反映了摄像器件本身诸如相机标定、图像畸变对轨迹相似度计算的影响，进而通过目标相似度对轨迹相似度进行校准，尽可能减小摄像器件本身性能的影响，使得对第一轨迹和第二轨迹是否属于相同目标对象的判断更加准确。

请参阅图6，图6是本申请目标跟踪装置60一实施例的框架示意图。具体而言，目标跟踪装置60包括运动轨迹获取模块61、运动轨迹选择模块62、目标对象确认模块63。进一步地，运动轨迹获取模块61用于基于对若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹；运动轨迹选择模块62用于选择不同摄像器件视野内运动轨迹，分别作为第一轨迹和第二轨迹；目标对象确认模块63用于基于第一轨迹和第二轨迹之间的轨迹相似度，确定第一轨迹和第二轨迹是否属于相同目标对象。

上述方案中，根据若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹，并从中选择不同的运动轨迹进行轨迹相似度计算，最终根据轨迹相似度确定不同的运动轨迹是否属于相同的目标对象。一方面，轨迹相似度无需考虑目标对象的外观轮廓，可以根据轨迹点进行便捷、精准地计算；另一方面，轨迹相似度反映了时空上对目标对象的约束，因此根据两个轨迹的轨迹相似度进而确定为相同的目标对象具有较高的准确度，最终可以实现对目标对象的准确跟踪。

在一些公开实施例中，轨迹相似度基于第一相似度和第二相似度得到，目标对象确认模块63还包括第一相似度获取单元和第二相似度获取单元，第一相似度获取单元用于基于第一轨迹中第一轨迹点的第一数量和各第一轨迹点分别至第二轨迹的第一距离得到第一相似度，第二相似度获取单元用于基于第二轨迹中第二轨迹点的第二数量和各第二轨迹点分别至第一轨迹的第二距离得到第二相似度。

因此，轨迹相似度统筹考虑了第一轨迹和第二轨迹中轨迹点的数量、全部轨迹点到对应轨迹的距离，故而轨迹相似度更加全面地反映了第一轨迹和第二轨迹的相似程度，并且尽可能降低了出现大幅偏差的可能性。

在一些公开实施例中，第一相似度为最大第一距离与第一数量的比值，第二相似度为最大第二距离与第二数量的比值，且轨迹相似度为第一相似度、第二相似度中的较大值。

因此，通过距离与数量进行比值，一方面降低了轨迹点数量对第一相似度和第二相似度的影响，另一方面降低了部分异常轨迹点对第一相似度和第二相似度的影响，使得第一相似度和第二相似度更加稳定、可靠。

在一些公开实施例中，若干摄像器件布置于目标场景，且布置于目标场景出入口处的摄像器件作为目标器件。目标跟踪装置60还包括标识赋予模块用于将目标器件视野内轨迹方向满足预设条件的运动轨迹，作为目标轨迹，并为属于不同目标对象的目标轨迹赋予不同第一标识；其中，目标器件之外的摄像器件视野内各运动轨迹均赋予第二标识。运动轨迹选择模块62还用于选择赋予第一标识的运动轨迹作为第一轨迹，并选择赋予第二标识的运动轨迹作为第二轨迹。目标跟踪装置60还包括标识调整模块，用于基于第一轨迹和第二轨迹是否属于相同目标对象，确定是否将第二轨迹的第二标识替换为第一轨迹的第一标识。

因此，通过布置于目标场景出入口处的目标器件及目标器件视野内运动轨迹的轨迹方向与预设条件进行比对，进而将运动轨迹赋予不同的第一标识和第二标识，并将相同的目标对象赋予相同的第一标识，故而在目标跟踪方法执行完毕后，可以直观的通过第一标识识别出全部属于相同目标对象的运动轨迹。

在一些公开实施例中，预设条件包括：轨迹方向为进入目标场景的方向。

因此，通过将轨迹方向为进入目标场景的方向赋予第一标识，能够快速、有效筛选出进入目标场景的运动轨迹。

在一些公开实施例中，目标跟踪装置60还包括参考相似度计算模块，用于基于测试对象在不同摄像器件视野内测试轨迹之间的相似度，得到由不同摄像器件组成的器件组合对应的参考相似度。目标跟踪装置60还包括目标相似度获取模块，用于将第一轨迹和第二轨迹分别对应的摄像器件的组合，作为目标组合，并将目标组合对应的参考相似度，作为目标相似度。目标对象确认模块63还用于基于目标相似度和轨迹相似度，确定第一轨迹和第二轨迹是否属于相同目标对象。

因此，通过测试对象在第一轨迹和第二轨迹对应的摄像器件下测试轨迹之间相似度的平均值，作为目标相似度，反映了摄像器件本身诸如相机标定、图像畸变对轨迹相似度计算的影响，进而通过目标相似度对轨迹相似度进行校准，尽可能减小摄像器件本身性能的影响，使得对第一轨迹和第二轨迹是否属于相同目标对象的判断更加准确。

在一些公开实施例中，第一轨迹和第二轨迹分别对应的摄像器件视野重叠，参考相似度计算模块包括器件组合单元和相似度计算单元，其中器件组合单元用于将视野重叠的两个摄像器件，作为器件组合；相似度计算单元用于将测试对象在器件组合下测试轨迹之间相似度的平均值，作为器件组合对应的参考相似度。

因此，通过计算测试对象在器件组合下测试轨迹之间相似度的平均值得到器件组合对应的参考相似度，统筹考虑了两个摄像器件之间的多条轨迹，可以尽可能准确地反应两个摄像器件由于摄像器件标定不准确、图形畸变给轨迹相似度计算带来的影响。

在一些公开实施例中，目标对象确认模块63还包括校准相似度计算单元，用于基于目标相似度对轨迹相似度进行校准，得到校准相似度。目标对象确认模块63还用于基于校准相似度与预设阈值之间的大小关系，确定第一轨迹和第二轨迹是否属于相同目标对象。

因此，通过目标相似度对轨迹相似度进行校准，尽可能减轻了由于摄像器件标定不准确、图形畸变给轨迹相似度计算带来的影响，使得对第一轨迹和第二轨迹是否属于相同目标对象的判断更加准确。

在一些公开实施例中，运动轨迹获取模块61包括目标检测单元、三维场景地图构建单元、轨迹点坐标获取单元、运动轨迹构建单元。其中，目标检测单元用于对若干摄像器件分别拍摄的视频数据进行目标检测，确定目标对象的轨迹点；三维场景地图构建单元用于基于若干摄像器件拍摄的视频数据构建得到三维场景地图；轨迹点坐标获取单元用于将轨迹点映射到三维场景地图，得到目标对象的轨迹点坐标；运动轨迹构建单元用于基于轨迹点坐标，构建得到若干摄像器件视野内不同目标对象的运动轨迹。

因此，通过构建三维场景地图，将目标对象的轨迹点坐标统一至相同的坐标系下，便于后续计算分析，能够有效提高目标跟踪的准确性。

请参阅图7，图7是本申请电子设备70一实施例的框架示意图。具体而言，电子设备70包括处理器701和存储器702，存储器702与处理器701耦接，处理器701用于执行存储器702存储的程序指令，以实现目标跟踪方法任一实施例中的步骤。电子设备70可以包括但不限于：智能手机、平板电脑、服务器等，在此不做限定。

具体地，处理器701还可以称为CPU（Central Processing Unit，中央处理单元）。处理器701可能是一种集成电路芯片，具有信号的处理能力。处理器701还可以是通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（ApplicationSpecific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable GateArray，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器701可以由多个成电路芯片共同实现。

上述方案中，根据若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹，并从中选择不同的运动轨迹进行轨迹相似度计算，最终根据轨迹相似度确定不同的运动轨迹是否属于相同的目标对象。一方面，轨迹相似度无需考虑目标对象的外观轮廓，可以根据轨迹点进行便捷、精准地计算；另一方面，轨迹相似度反映了时空上对目标对象的约束，因此根据两个轨迹的轨迹相似度进而确定为相同的目标对象具有较高的准确度，最终可以实现对目标对象的准确跟踪。

请参阅图8，图8是本申请计算机可读存储介质80一实施例的框架示意图。本实施例中，该计算机可读存储介质80存储有处理器可运行的程序指令801，该程序指令801用于执行上述目标跟踪方法实施例中的步骤。

该计算机可读存储介质80具体可以为U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等可以存储程序指令的介质，或者也可以为存储有该程序指令的服务器，该服务器可将存储的程序指令发送给其他设备运行，或者也可以自运行该存储的程序指令。

上述方案中，根据若干摄像器件分别拍摄的视频数据的目标检测结果，得到若干摄像器件视野内不同目标对象的运动轨迹，并从中选择不同的运动轨迹进行轨迹相似度计算，最终根据轨迹相似度确定不同的运动轨迹是否属于相同的目标对象。一方面，轨迹相似度无需考虑目标对象的外观轮廓，可以根据轨迹点进行便捷、精准地计算；另一方面，轨迹相似度反映了时空上对目标对象的约束，因此根据两个轨迹的轨迹相似度进而确定为相同的目标对象具有较高的准确度，最终可以实现对目标对象的准确跟踪。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。

Claims (11)

1.一种目标跟踪方法，其特征在于，包括：

基于对若干摄像器件分别拍摄的视频数据的目标检测结果，得到所述若干摄像器件视野内不同目标对象的运动轨迹；

选择不同所述摄像器件视野内所述运动轨迹，分别作为第一轨迹和第二轨迹；

基于所述第一轨迹和所述第二轨迹之间的轨迹相似度，确定所述第一轨迹和所述第二轨迹是否属于相同所述目标对象；

其中，所述轨迹相似度通过对第一相似度和第二相似度取平均值或较大值得到，所述第一相似度为所述第一轨迹中各第一轨迹点分别至所述第二轨迹的第一距离的最大值与所述第一轨迹点的第一数量的比值，所述第二相似度为所述第二轨迹中各第二轨迹点分别至所述第一轨迹的第二距离的最大值与所述第二轨迹点的第二数量的比值。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第一轨迹和所述第二轨迹之间的轨迹相似度，确定所述第一轨迹和所述第二轨迹是否属于相同所述目标对象，包括：响应于所述轨迹相似度小于轨迹相似度阈值，确定所述第一轨迹和所述第二轨迹属于相同所述目标对象；响应于所述轨迹相似度大于等于所述轨迹相似度阈值，确定所述第一轨迹和所述第二轨迹不属于相同所述目标对象。

3.根据权利要求1所述的方法，其特征在于，所述若干摄像器件布置于目标场景，且布置于所述目标场景出入口处的摄像器件作为目标器件，所述选择不同所述摄像器件视野内所述运动轨迹，分别作为第一轨迹和第二轨迹之前，所述方法还包括：

将所述目标器件视野内轨迹方向满足预设条件的运动轨迹，作为目标轨迹，并为属于不同目标对象的目标轨迹赋予不同第一标识；其中，所述目标器件之外的摄像器件视野内各所述运动轨迹均赋予第二标识；

所述选择不同所述摄像器件视野内所述运动轨迹，分别作为第一轨迹和第二轨迹，包括：

选择赋予所述第一标识的运动轨迹作为所述第一轨迹，并选择赋予所述第二标识的运动轨迹作为所述第二轨迹；

所述基于所述第一轨迹和所述第二轨迹之间的轨迹相似度，确定所述第一轨迹和所述第二轨迹是否属于相同所述目标对象之后，所述方法还包括：

基于所述第一轨迹和所述第二轨迹是否属于相同所述目标对象，确定是否将所述第二轨迹的第二标识替换为所述第一轨迹的第一标识。

4.根据权利要求3所述的方法，其特征在于，所述预设条件包括：所述轨迹方向为进入所述目标场景的方向。

5.根据权利要求1所述的方法，其特征在于，在所述基于所述第一轨迹和所述第二轨迹之间的轨迹相似度，确定所述第一轨迹和所述第二轨迹是否属于相同所述目标对象之前，所述方法还包括：

基于测试对象在不同所述摄像器件视野内测试轨迹之间的相似度，得到由不同所述摄像器件组成的器件组合对应的参考相似度；

所述基于所述第一轨迹和所述第二轨迹之间的轨迹相似度，确定所述第一轨迹和所述第二轨迹是否属于相同所述目标对象，包括：

将所述第一轨迹和所述第二轨迹分别对应的摄像器件的组合，作为目标组合，并将所述目标组合对应的参考相似度，作为目标相似度；

基于所述目标相似度和所述轨迹相似度，确定所述第一轨迹和所述第二轨迹是否属于相同所述目标对象。

6.根据权利要求5所述的方法，其特征在于，所述第一轨迹和所述第二轨迹分别对应的摄像器件视野重叠；所述基于测试对象在不同所述摄像器件视野内测试轨迹之间的相似度，得到由不同所述摄像器件组成的器件组合对应的参考相似度，包括：

将视野重叠的两个所述摄像器件，作为所述器件组合；

将所述测试对象在所述器件组合下测试轨迹之间所述相似度的平均值，作为所述器件组合对应的参考相似度。

7.根据权利要求5所述的方法，其特征在于，所述基于所述目标相似度和所述轨迹相似度，确定所述第一轨迹和所述第二轨迹是否属于相同所述目标对象，包括：

基于所述目标相似度对所述轨迹相似度进行校准，得到校准相似度；

基于所述校准相似度与预设阈值之间的大小关系，确定所述第一轨迹和所述第二轨迹是否属于相同所述目标对象。

8.根据权利要求1所述的方法，其特征在于，所述基于对若干摄像器件分别拍摄的视频数据的目标检测结果，得到所述若干摄像器件视野内不同目标对象的运动轨迹，包括：

对所述若干摄像器件分别拍摄的视频数据进行目标检测，确定所述目标对象的轨迹点，并将所述轨迹点映射到三维场景地图，得到所述目标对象的轨迹点坐标；其中，所述三维场景地图基于所述若干摄像器件拍摄的视频数据构建得到；

基于所述轨迹点坐标，构建得到所述若干摄像器件视野内不同目标对象的运动轨迹。

9.一种目标跟踪装置，其特征在于，包括：

运动轨迹获取模块，用于基于对若干摄像器件分别拍摄的视频数据的目标检测结果，得到所述若干摄像器件视野内不同目标对象的运动轨迹；

运动轨迹选择模块，用于选择不同所述摄像器件视野内所述运动轨迹，分别作为第一轨迹和第二轨迹；

目标对象确认模块，用于基于所述第一轨迹和所述第二轨迹之间的轨迹相似度，确定所述第一轨迹和所述第二轨迹是否属于相同所述目标对象；

其中，所述轨迹相似度通过对第一相似度和第二相似度取平均值或较大值得到，所述第一相似度为所述第一轨迹中各第一轨迹点分别至所述第二轨迹的第一距离的最大值与所述第一轨迹点的第一数量的比值，所述第二相似度为所述第二轨迹中各第二轨迹点分别至所述第一轨迹的第二距离的最大值与所述第二轨迹点的第二数量的比值。

10.一种电子设备，其特征在于，包括处理器和存储器，所述存储器与所述处理器相互耦接，所述处理器用于执行所述存储器存储的程序指令，以实现权利要求1-8任一项所述的目标跟踪方法。

11.一种计算机可读存储介质，其特征在于，存储有能够被处理器运行的程序指令，所述程序指令用于实现权利要求1-8任一项所述的目标跟踪方法。

Images