CN115565135A - 目标跟踪方法、装置及电子设备 - Google Patents
目标跟踪方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115565135A CN115565135A CN202211255237.5A CN202211255237A CN115565135A CN 115565135 A CN115565135 A CN 115565135A CN 202211255237 A CN202211255237 A CN 202211255237A CN 115565135 A CN115565135 A CN 115565135A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- target
- determining
- target tracking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 claims abstract description 105
- 238000012545 processing Methods 0.000 claims abstract description 27
- 239000002245 particle Substances 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 239000003245 coal Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提出一种目标跟踪方法、装置及电子设备。具体方案为：获取待处理视频的当前帧图像，并基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像，再采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像，以及根据待检测图像和预测图像，确定目标跟踪结果，由于是联合粒子滤波算法测目标检测框在下一帧图像中所对应的预测图像，确定目标跟踪结果，从而能够有效地降低目标遮挡等其他因素对目标跟踪所产生的影响，有效地提升目标跟踪效果，有效地提升目标跟踪方法在实际业务场景中的适用性。
Description
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种目标跟踪方法、装置及电子设备。
背景技术
在实际业务场景中(例如，煤矿安全生产业务场景中)，视频人员标准化作业行为监管系统日益成为煤矿系统的必要需求，通过多维度、多角度的视频识别、分析及统计，可及时发现隐患，保障煤矿安全生产制度落实，显著提升煤矿安全生产水平，为安全生产提供决策支撑，而视频人员标准化作业行为监管的主要工作是对行人目标进行有效跟踪，且由于井下光线不足，对行人目标进行准确跟踪成了亟需解决的重点问题。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本公开的目的在于提出一种目标跟踪方法、装置、电子设备及存储介质，由于是联合粒子滤波算法测目标检测框在下一帧图像中所对应的预测图像，确定目标跟踪结果，从而能够有效地降低目标遮挡等其他因素对目标跟踪所产生的影响，有效地提升目标跟踪效果，有效地提升目标跟踪方法在实际业务场景中的适用性。
本公开第一方面实施例提出的目标跟踪方法，包括：获取待处理视频的当前帧图像；基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像；采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像；根据待检测图像和预测图像，确定目标跟踪结果。
本公开第一方面实施例提出的目标跟踪方法，通过获取待处理视频的当前帧图像，并基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像，再采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像，以及根据待检测图像和预测图像，确定目标跟踪结果，由于是联合粒子滤波算法测目标检测框在下一帧图像中所对应的预测图像，确定目标跟踪结果，从而能够有效地降低目标遮挡等其他因素对目标跟踪所产生的影响，有效地提升目标跟踪效果，有效地提升目标跟踪方法在实际业务场景中的适用性。
本公开第二方面实施例提出的目标跟踪装置，包括：获取模块，用于获取待处理视频的当前帧图像；检测模块，用于基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像；处理模块，用于采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像；确定模块，用于根据待检测图像和预测图像，确定目标跟踪结果。
本公开第二方面实施例提出的目标跟踪装置，通过获取待处理视频的当前帧图像，并基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像，再采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像，以及根据待检测图像和预测图像，确定目标跟踪结果，由于是联合粒子滤波算法测目标检测框在下一帧图像中所对应的预测图像，确定目标跟踪结果，从而能够有效地降低目标遮挡等其他因素对目标跟踪所产生的影响，有效地提升目标跟踪效果，有效地提升目标跟踪方法在实际业务场景中的适用性。
本公开第三方面实施例提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本公开第一方面实施例提出的目标跟踪方法。
本公开第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开第一方面实施例提出的目标跟踪方法。
本公开第五方面实施例提出了一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本公开第一方面实施例提出的目标跟踪方法。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本公开一实施例提出的目标跟踪方法的流程示意图；
图2是本公开另一实施例提出的目标跟踪方法的流程示意图；
图3是本公开另一实施例提出的目标跟踪方法的流程示意图；
图4是本公开一实施例提出的目标跟踪装置的结构示意图；
图5示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本公开，而不能理解为对本公开的限制。相反，本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本公开一实施例提出的目标跟踪方法的流程示意图。
其中，需要说明的是，本实施例的目标跟踪方法的执行主体为目标跟踪装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
如图1所示，该目标跟踪方法，包括：
S101：获取待处理视频的当前帧图像。
其中，在目标跟踪方法执行阶段获取得到的当前待对其进行处理的视频，即可以被称为待处理视频，该待处理视频可以是采用录像装置对实际业务场景(例如，煤矿安全生产场景，对此不做限制)采集到的视频，或者，该待处理视频还可以是实际业务场景中预先设置的监控装置实时采集的监控视频，对此不做限制。
其中，待处理视频可以是由多帧视频帧组成，多帧视频帧中可以确定任一视频帧作为当前对其进行处理的当前帧图像，对此不做限制。
也即是说，本公开实施例中，可以是采用摄像装置采集某一业务场景的视频作为待处理视频，或者是获取监控装置实时捕获的业务场景的监控视频作为待处理商品，而后可以从待处理视频中提取任一视频帧图像作为待处理图像，而后，可以基于待处理图像执行后续的目标跟踪方法，具体可以参见后续实施例，在此不再赘述。
S102：基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像。
其中，目标检测框可以支持对图像中的跟踪目标进行检测，该目标检测框可以例如是YOLO检测框，SSD目标检测框等，对此不做限制。
本公开实施例中，可以是采用目标检测框对当前帧图像进行目标检测，以从当前帧图像中识别出跟踪目标对应的区域图像，该区域图像即可以被称为待检测图像，对此不做限制。
S103：采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像。
本公开实施例中，在获取得到待处理视频中的当前帧图像后，可以采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的区域图像，该区域图像即可以被称为预测图像。
S104：根据待检测图像和预测图像，确定目标跟踪结果。
本公开实施例在基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像，并采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像之后，可以根据待检测图像和预测图像，确定相应的目标跟踪结果。
一些实施例中，根据待检测图像和预测图像，确定目标跟踪结果，可以是将待检测图像和预测图像一并输入至预先训练的深度学习模型之中，以得到深度学习模型输入的目标跟踪结果，或者，根据待检测图像和预测图像，确定目标跟踪结果，还可以是采用相应的目标跟踪算法对待检测图像和预测图像进行处理，以获取目标跟踪结果，对此不做限制。
本实施例中，通过获取待处理视频的当前帧图像，并基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像，再采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像，以及根据待检测图像和预测图像，确定目标跟踪结果，由于是联合粒子滤波算法测目标检测框在下一帧图像中所对应的预测图像，确定目标跟踪结果，从而能够有效地降低目标遮挡等其他因素对目标跟踪所产生的影响，有效地提升目标跟踪效果，有效地提升目标跟踪方法在实际业务场景中的适用性。
图2是本公开另一实施例提出的目标跟踪方法的流程示意图。
如图2所示，该目标跟踪方法，包括：
S201：获取待处理视频的当前帧图像。
S201的描述说明可以具体参见上述实施例，在此不再赘述。
S202：基于第一检测框从当前帧图像中确定第一待检测图像，并基于第二检测框从当前帧图像中确定第二待检测图像。
本公开实施例中，标检测框包括：第一检测框和第二检测框，第一检测框对应的第一置信度阈值大于第二检测框对应的第二置信度阈值。
由此，可以基于第一检测框从当前帧图像中确定跟踪目标对应的区域图像，该区域图像即可以被称为第一待检测图像，并基于第二检测框从当前帧图像中确定跟踪目标对应的区域图像，该区域图像即可以被称为第二待检测图像。
S203：将第一待检测图像和第二待检测图像共同作为待检测图像。
本公开实施例在基于第一检测框从当前帧图像中确定第一待检测图像，并基于第二检测框从当前帧图像中确定第二待检测图像之后，可以将第一待检测图像和第二待检测图像共同作为待检测图像，由于是采用低置信度阈值的第二检测框从当前帧图像中确定第二待检测图像，从而可以尽可能降低漏检，同时也可以把目标跟踪过程中出现的交叉，碰撞，遮挡等等的目标都检测出来，并采用高置信度阈值的第一检测框从当前帧图像中确定第一待检测图像，从而可以有效地避免误检，从而在将第一待检测图像和第二待检测图像共同作为待检测图像时，能够有效地避免漏检和误检事态的发生。
S204：采用粒子滤波算法对当前帧图像进行处理，以获取第一检测框在下一帧图像中所对应的第一预测图像，并获取第二检测框在下一帧图像中所对应的第二预测图像。
本公开实施例中，可以是采用粒子滤波算法对当前帧图像进行处理，以获取第一检测框在下一帧图像中所对应的区域图像，该区域图像即可以被称为第一预测图像，并获取第二检测框在在下一帧图像中所对应的区域图像，该区域图像即可以被称为第二预测图像，对此不做限制。
S205：将第一预测图像和第二预测图像共同作为预测图像。
本公开实施例在采用粒子滤波算法对当前帧图像进行处理，以获取第一检测框在下一帧图像中所对应的第一预测图像，并获取第二检测框在下一帧图像中所对应的第二预测图像之后，可以将第一预测图像和第二预测图像共同作为预测图像，由此，使得预测得到的第一预测图像和第二预测图像可以和待检测图像相对应，从而能够保障后续目标跟踪方法执行过程中的图像处理需求，从而保障目标跟踪方法的顺利执行。
S206：从待检测图像中提取得到待检测图像特征，并从预测图像中提取得到预测图像特征。
本公开实施例中，在获取得到待检测图像和预测图像后，可以从待检测图像中提取得到相应的图像特征，该图像特征即可以被称为是待检测图像特征，并从预测图像中提取得到相应的图像特征，该图像特征即可以被称为预测图像特征。
本公开实施例中，可以是采用方向梯度直方图(Histogram of OrientedGradient，HOG)特征提取方法，从待检测图像中提取得到待检测图像特征，并从预测图像中提取得到预测图像特征。
其中，HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它对图像几何的和光学的形变都能保持良好的不变性，对容易产生形变的物体跟踪具有很好的鲁棒性。
S207：根据待检测图像特征和预测图像特征，确定目标跟踪结果。
本公开实施例中，在从待检测图像中提取得到待检测图像特征，并从预测图像中提取得到预测图像特征之后，可以根据待检测图像特征和预测图像特征，确定目标跟踪结果。
一些实施例中，根据待检测图像特征和预测图像特征，确定目标跟踪结果，可以是将待检测图像特征和预测图像特征一并输入至预先训练的深度学习模型之中，由深度学习模型根据待检测图像特征和预测图像特征，对目标进行跟踪，并输出相应的目标跟踪结果，对此不做限制。
本公开实施例中，通过获取待处理视频的当前帧图像，并基于第一检测框从当前帧图像中确定第一待检测图像，并基于第二检测框从当前帧图像中确定第二待检测图像之后，可以将第一待检测图像和第二待检测图像共同作为待检测图像，由于是采用低置信度阈值的第二检测框从当前帧图像中确定第二待检测图像，从而可以尽可能降低漏检，同时也可以把目标跟踪过程中出现的交叉，碰撞，遮挡等等的目标都检测出来，并采用高置信度阈值的第一检测框从当前帧图像中确定第一待检测图像，从而可以有效地避免误检，从而在将第一待检测图像和第二待检测图像共同作为待检测图像时，能够有效地避免漏检和误检事态的发生，再采用粒子滤波算法对当前帧图像进行处理，以获取第一检测框在下一帧图像中所对应的第一预测图像，并获取第二检测框在下一帧图像中所对应的第二预测图像之后，可以将第一预测图像和第二预测图像共同作为预测图像，由此，使得预测得到的第一预测图像和第二预测图像可以和待检测图像相对应，从而能够保障后续目标跟踪方法执行过程中的图像处理需求，从而保障目标跟踪方法的顺利执行，并从待检测图像中提取得到待检测图像特征，并从预测图像中提取得到预测图像特征，再根据待检测图像特征和预测图像特征，确定目标跟踪结果，能够有效地提升目标跟踪效果，有效地提升目标跟踪方法在实际业务场景中的适用性。
图3是本公开另一实施例提出的目标跟踪方法的流程示意图。
如图3所示，该目标跟踪方法，包括：
S301：获取待处理视频的当前帧图像。
S302：基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像。
S303：采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像。
S304：从待检测图像中提取得到待检测图像特征，并从预测图像中提取得到预测图像特征。
S301-S304的描述说明可以具体参见上述实施例，在此不再赘述。
S305：确定待检测图像特征和预测图像特征之间的交并比。
本公开实施例中，在从待检测图像中提取得到待检测图像特征，并从预测图像中提取得到预测图像特征之后，可以确定待检测图像特征和预测图像特征之间的交并比。
也即是说，本公开实施例中，在从待检测图像中提取得到待检测图像特征，并从预测图像中提取得到预测图像特征之后，可以采用交并比算法，计算待检测图像特征和预测图像特征之间的交并比，而后，可以基于待检测图像特征和预测图像特征之间的交并比，触发执行后续的目标跟踪方法，具体可以参见后续实施例，在此不再赘述。
S306：根据多个交并比，待检测图像特征和预测图像特征，生成目标矩阵。
本公开实施例在确定待检测图像特征和预测图像特征之间的交并比之后，可以根据多个交并比，待检测图像特征和预测图像特征，生成目标矩阵。
其中，目标矩阵包括多个行和多个列，行的主题对应描述待检测图像特征，列的主题对应描述预测图像特征，目标矩阵中的元素对应描述交并比，元素具有对应的行的主题和列的主题。
也即是说，本公开实施例中，在确定待检测图像特征和预测图像特征之间的交并比之后，可以以待检测图像特征为矩阵的行，以获取图像特征为矩阵的行列，以交并比为矩阵相应行和相应列的元素，从而构建得到目标矩阵，而后，可以基于目标矩阵执行后续的目标跟踪方法，对此不做限制。
S307：采用KM算法对目标矩阵中的元素进行匹配处理，以得到目标匹配结果。
本公开实施例在根据多个交并比，待检测图像特征和预测图像特征，生成目标矩阵之后，可以采用KM算法对目标矩阵中的元素进行两两匹配处理，以得到相应的匹配结果，该匹配结果即可以被称为目标匹配结果。
S308：根据目标匹配结果，确定目标跟踪结果。
本公开实施例在采用KM算法对目标矩阵中的元素进行匹配处理，以得到目标匹配结果之后，可以根据目标匹配结果，确定目标跟踪结果。
可选地，一些实施例中，根据目标匹配结果，确定目标跟踪结果，可以是在目标匹配结果指示：待检测图像特征和预测图像特征相匹配，则确定待检测图像特征描述的对象的目标跟踪结果是继续跟踪，或者还可以是在目标匹配结果指示：待检测图像特征和预测图像特征不匹配时，根据待检测图像特征，及相应交并比，确定目标跟踪结果。
也即是说，本公开实施例中，如果采用KM算法在目标矩阵中，匹配到存在与待检测图像特征相匹配的预测图像特征时，这可以确定待检测图像特征描述的对象的目标跟踪结果是继续跟踪，即可以对相应对象继续执行目标跟踪操作。
本公开实施例中，如果采用KM算法在目标矩阵中，未匹配到存在与待检测图像特征相匹配的预测图像特征时，则可以根据待检测图像特征，及相应交并比，确定目标跟踪结果。
可选地，一些实施例中，根据待检测图像特征，及相应交并比，确定目标跟踪结果，可以是在待检测图像特征相应的图像是第一待检测图像时，确定待检测图像特征描述的对象的目标跟踪结果是跟踪结束，在如果待检测图像特征相应的图像是第二待检测图像时，根据待检测图像，即相应的交并比，确定目标跟踪结果。
也即是说，本公开实施例中，如果采用KM算法在目标矩阵中，未匹配到存在与待检测图像特征相匹配的预测图像特征时，可以是在待检测图像特征相应的图像是第一待检测图像所属的图像特征时，确定待检测图像特征描述的对象的目标跟踪结果是跟踪结束，即可以对相应对象结束执行目标跟踪操作。
本公开实施例中，如果采用KM算法在目标矩阵中，未匹配到存在与待检测图像特征相匹配的预测图像特征时，且待检测图像特征相应的图像是第二待检测图像时，根据待检测图像，即相应的交并比，确定目标跟踪结果。
可选地，一些实施例中，根据待检测图像，即相应的交并比，确定目标跟踪结果，可以是在交并比大于或等于交并比阈值时，确定目标跟踪结果是待检测图像特征描述的对象是新目标对象；或者在交并比小于交并比阈值时，确定目标跟踪结果是待检测图像特征描述的对象为假目标对象。
也即是说，本公开实施例中，可以是将待检测图像特征和预测图像特征之间的交并比与预先确定的交并比阈值进行比对，并在交并比大于或等于交并比阈值时，确定目标跟踪结果是待检测图像特征描述的对象是新目标对象；或者在交并比小于交并比阈值时，确定目标跟踪结果是待检测图像特征描述的对象为假目标对象，对此不做限制。
本公开实施例中，通过获取待处理视频的当前帧图像，并基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像，再采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像，再从待检测图像中提取得到待检测图像特征，并从预测图像中提取得到预测图像特征，再确定待检测图像特征和预测图像特征之间的交并比，并根据多个交并比，待检测图像特征和预测图像特征，生成目标矩阵，再采用KM算法对目标矩阵中的元素进行匹配处理，以得到目标匹配结果，并根据目标匹配结果，确定目标跟踪结果，由于是联合粒子滤波算法测目标检测框在下一帧图像中所对应的预测图像，确定目标跟踪结果，从而能够有效地降低目标遮挡等其他因素对目标跟踪所产生的影响，有效地提升目标跟踪效果，有效地提升目标跟踪方法在实际业务场景中的适用性。
图4是本公开一实施例提出的目标跟踪装置的结构示意图。
如图4所示，该目标跟踪装置40，包括：
获取模块401，用于获取待处理视频的当前帧图像；
检测模块402，用于基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像；
处理模块403，用于采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像；
确定模块404，用于根据待检测图像和预测图像，确定目标跟踪结果。
在本公开的一些实施例中，目标检测框包括：第一检测框和第二检测框，第一检测框对应的第一置信度阈值大于第二检测框对应的第二置信度阈值；
其中，检测模块402，还用于：
基于第一检测框从当前帧图像中确定第一待检测图像，并基于第二检测框从当前帧图像中确定第二待检测图像；
将第一待检测图像和第二待检测图像共同作为待检测图像。
在本公开的一些实施例中，处理模块403：
采用粒子滤波算法对当前帧图像进行处理，以获取第一检测框在下一帧图像中所对应的第一预测图像，并获取第二检测框在下一帧图像中所对应的第二预测图像；
将第一预测图像和第二预测图像共同作为预测图像。
在本公开的一些实施例中，确定模块404，还用于：
从待检测图像中提取得到待检测图像特征，并从预测图像中提取得到预测图像特征；
根据待检测图像特征和预测图像特征，确定目标跟踪结果。
在本公开的一些实施例中，确定模块404，还用于：
确定待检测图像特征和预测图像特征之间的交并比；
根据多个交并比，待检测图像特征和预测图像特征，生成目标矩阵，目标矩阵包括多个行和多个列，行的主题对应描述待检测图像特征，列的主题对应描述预测图像特征，目标矩阵中的元素对应描述交并比，元素具有对应的行的主题和列的主题；
采用KM算法对目标矩阵中的元素进行匹配处理，以得到目标匹配结果；
根据目标匹配结果，确定目标跟踪结果。
在本公开的一些实施例中，确定模块404，还用于：
如果目标匹配结果指示：待检测图像特征和预测图像特征相匹配，则确定待检测图像特征描述的对象的目标跟踪结果是继续跟踪；或者
如果目标匹配结果指示：待检测图像特征和预测图像特征不匹配，则根据待检测图像特征，及相应交并比，确定目标跟踪结果。
在本公开的一些实施例中，确定模块404，还用于：
如果待检测图像特征相应的图像是第一待检测图像时，则确定待检测图像特征描述的对象的目标跟踪结果是跟踪结束；
如果待检测图像特征相应的图像是第二待检测图像时，则根据待检测图像，即相应的交并比，确定目标跟踪结果。
在本公开的一些实施例中，确定模块404，还用于：
如果交并比大于或等于交并比阈值，则确定目标跟踪结果是待检测图像特征描述的对象是新目标对象；或者
如果交并比小于交并比阈值，则确定目标跟踪结果是待检测图像特征描述的对象为假目标对象。
与上述图1至图3实施例提供的目标跟踪方法相对应，本公开还提供一种目标跟踪装置，由于本公开实施例提供的目标跟踪装置与上述图1至图3实施例提供的目标跟踪方法相对应，因此在目标跟踪方法的实施方式也适用于本公开实施例提供的目标跟踪装置，在本公开实施例中不再详细描述。
本实施例中，通过获取待处理视频的当前帧图像，并基于目标检测框对当前帧图像进行目标检测，以从当前帧图像中确定待检测图像，再采用粒子滤波算法对当前帧图像进行处理，以获取目标检测框在下一帧图像中所对应的预测图像，以及根据待检测图像和预测图像，确定目标跟踪结果，由于是联合粒子滤波算法测目标检测框在下一帧图像中所对应的预测图像，确定目标跟踪结果，从而能够有效地降低目标遮挡等其他因素对目标跟踪所产生的影响，有效地提升目标跟踪效果，有效地提升目标跟踪方法在实际业务场景中的适用性。
为了实现上述实施例，本公开还提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本公开前述实施例提出的目标跟踪方法。
为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开前述实施例提出的目标跟踪方法。
为了实现上述实施例，本公开还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本公开前述实施例提出的目标跟踪方法。
图5示出了适于用来实现本公开实施方式的示例性电子设备的框图。图5显示的电子设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其他可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。
尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其他程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其他模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的目标跟踪方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
需要说明的是，在本公开的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种目标跟踪方法，其特征在于，包括：
获取待处理视频的当前帧图像；
基于目标检测框对所述当前帧图像进行目标检测，以从所述当前帧图像中确定待检测图像；
采用粒子滤波算法对所述当前帧图像进行处理，以获取所述目标检测框在下一帧图像中所对应的预测图像；
根据所述待检测图像和所述预测图像，确定目标跟踪结果。
2.如权利要求1所述的方法，其特征在于，所述目标检测框包括：第一检测框和第二检测框，所述第一检测框对应的第一置信度阈值大于所述第二检测框对应的第二置信度阈值；
其中，所述基于目标检测框对所述当前帧图像进行目标检测，以从所述当前帧图像中确定待检测图像，包括：
基于所述第一检测框从所述当前帧图像中确定第一待检测图像，并基于所述第二检测框从所述当前帧图像中确定第二待检测图像；
将所述第一待检测图像和所述第二待检测图像共同作为所述待检测图像。
3.如权利要求2所述的方法，其特征在于，所述采用粒子滤波算法对所述当前帧图像进行处理，以获取所述目标检测框在下一帧图像中所对应的预测图像，包括：
采用粒子滤波算法对所述当前帧图像进行处理，以获取所述第一检测框在所述下一帧图像中所对应的第一预测图像，并获取所述第二检测框在所述下一帧图像中所对应的第二预测图像；
将所述第一预测图像和所述第二预测图像共同作为所述预测图像。
4.如权利要求3所述的方法，其特征在于，所述根据所述待检测图像和所述预测图像，确定所述目标跟踪结果，包括：
从所述待检测图像中提取得到待检测图像特征，并从所述预测图像中提取得到所述预测图像特征；
根据所述待检测图像特征和所述预测图像特征，确定所述目标跟踪结果。
5.如权利要求4所述的方法，其特征在于，所述根据所述待检测图像特征和所述预测图像特征，确定所述目标跟踪结果，包括：
确定所述待检测图像特征和所述预测图像特征之间的交并比；
根据所述多个交并比，所述待检测图像特征和所述预测图像特征，生成目标矩阵，所述目标矩阵包括多个行和多个列，所述行的主题对应描述所述待检测图像特征，所述列的主题对应描述所述预测图像特征，所述目标矩阵中的元素对应描述所述交并比，所述元素具有对应的所述行的主题和所述列的主题；
采用KM算法对所述目标矩阵中的所述元素进行匹配处理，以得到目标匹配结果；
根据所述目标匹配结果，确定所述目标跟踪结果。
6.如权利要求4所述的方法，其特征在于，所述根据所述目标匹配结果，确定所述目标跟踪结果，包括：
如果所述目标匹配结果指示：所述待检测图像特征和所述预测图像特征相匹配，则确定所述待检测图像特征描述的对象的所述目标跟踪结果是继续跟踪；或者
如果所述目标匹配结果指示：所述待检测图像特征和所述预测图像特征不匹配，则根据待检测图像特征，及相应所述交并比，确定所述目标跟踪结果。
7.如权利要求6所述的方法，其特征在于，所述根据待检测图像特征，及相应所述交并比，确定所述目标跟踪结果，包括：
如果所述待检测图像特征相应的图像是所述第一待检测图像时，则确定所述待检测图像特征描述的对象的所述目标跟踪结果是跟踪结束；
如果所述待检测图像特征相应的图像是所述第二待检测图像时，则根据所述待检测图像，即相应所述交并比，确定所述目标跟踪结果。
8.如权利要求7所述的方法，其特征在于，所述根据所述待检测图像，即相应的所述交并比，确定所述目标跟踪结果，包括：
如果所述交并比大于或等于交并比阈值，则确定所述目标跟踪结果是所述待检测图像特征描述的对象是新目标对象；或者
如果所述交并比小于所述交并比阈值，则确定所述目标跟踪结果是所述待检测图像特征描述的对象为假目标对象。
9.一种目标跟踪装置，其特征在于，包括：
获取模块，用于获取待处理视频的当前帧图像；
检测模块，用于基于目标检测框对所述当前帧图像进行目标检测，以从所述当前帧图像中确定待检测图像；
处理模块，用于采用粒子滤波算法对所述当前帧图像进行处理，以获取所述目标检测框在下一帧图像中所对应的预测图像；
确定模块，用于根据所述待检测图像和所述预测图像，确定目标跟踪结果。
10.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211255237.5A CN115565135A (zh) | 2022-10-13 | 2022-10-13 | 目标跟踪方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211255237.5A CN115565135A (zh) | 2022-10-13 | 2022-10-13 | 目标跟踪方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115565135A true CN115565135A (zh) | 2023-01-03 |
Family
ID=84744170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211255237.5A Pending CN115565135A (zh) | 2022-10-13 | 2022-10-13 | 目标跟踪方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115565135A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118212596A (zh) * | 2024-05-22 | 2024-06-18 | 深圳天海宸光科技有限公司 | 一种检测背景自适应更新的遗留物检测跟踪方法及装置 |
-
2022
- 2022-10-13 CN CN202211255237.5A patent/CN115565135A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118212596A (zh) * | 2024-05-22 | 2024-06-18 | 深圳天海宸光科技有限公司 | 一种检测背景自适应更新的遗留物检测跟踪方法及装置 |
| CN118212596B (zh) * | 2024-05-22 | 2024-08-06 | 深圳天海宸光科技有限公司 | 一种检测背景自适应更新的遗留物检测跟踪方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112669344B (zh) | 一种运动物体的定位方法、装置、电子设备及存储介质 | |
| EP2660753B1 (en) | Image processing method and apparatus | |
| US9811755B2 (en) | Object monitoring system, object monitoring method, and monitoring target extraction program | |
| CN112669349A (zh) | 一种客流统计方法、电子设备及存储介质 | |
| CN111738240A (zh) | 区域监测方法、装置、设备及存储介质 | |
| US20150078618A1 (en) | System for tracking dangerous situation in cooperation with mobile device and method thereof | |
| US20130208943A1 (en) | Devices and methods for tracking moving objects | |
| GB2501224A (en) | Generating and comparing video signatures using sets of image features | |
| US20220301317A1 (en) | Method and device for constructing object motion trajectory, and computer storage medium | |
| CN104680504A (zh) | 场景变化检测方法及其装置 | |
| CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
| CN113657434A (zh) | 人脸人体关联方法、系统以及计算机可读存储介质 | |
| CN114708537A (zh) | 一种基于多视角的复杂场所异常行为分析系统及分析方法 | |
| CN115565135A (zh) | 目标跟踪方法、装置及电子设备 | |
| CN114332672A (zh) | 视频分析方法、装置、电子设备及存储介质 | |
| CN104504733A (zh) | 一种基于运动目标检测的视频摘要方法和系统 | |
| US10783365B2 (en) | Image processing device and image processing system | |
| US11132778B2 (en) | Image analysis apparatus, image analysis method, and recording medium | |
| US20200394802A1 (en) | Real-time object detection method for multiple camera images using frame segmentation and intelligent detection pool | |
| CN111597889B (zh) | 一种视频中目标移动的检测方法、装置及系统 | |
| CN113570622A (zh) | 一种障碍物确定方法、装置、电子设备以及存储介质 | |
| US10916016B2 (en) | Image processing apparatus and method and monitoring system | |
| US10872423B2 (en) | Image detection device, image detection method and storage medium storing program | |
| JP2011087144A (ja) | テロップ文字領域検出方法，テロップ文字領域検出装置およびテロップ文字領域検出プログラム | |
| CN108334811B (zh) | 一种人脸图像处理方法及装置 |
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 |