CN117671296A - 目标跟踪法、装置、计算机设备和存储介质 - Google Patents
目标跟踪法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117671296A CN117671296A CN202311752502.5A CN202311752502A CN117671296A CN 117671296 A CN117671296 A CN 117671296A CN 202311752502 A CN202311752502 A CN 202311752502A CN 117671296 A CN117671296 A CN 117671296A
- Authority
- CN
- China
- Prior art keywords
- image frame
- current image
- matching
- detection result
- result
- 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 49
- 238000001514 detection method Methods 0.000 claims abstract description 315
- 238000004590 computer program Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 230000000875 corresponding effect Effects 0.000 description 134
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种目标跟踪方法、装置、计算机设备和存储介质。方法包括:对当前图像帧的检测结果和当前图像帧对应的跟踪结果进行匹配,得到当前图像帧对应的匹配结果;当前图像帧的检测结果用于表征从当前图像帧中检测的目标;当前图像帧对应的跟踪结果用于表征跟踪器对当前图像帧预测的目标;在当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据当前图像帧的检测结果对跟踪器进行更新;在当前图像帧对应的匹配结果不满足匹配成功条件的情况下,若当前图像帧的检测结果满足检测准确条件,针对目标创建新的跟踪器;若当前图像帧的检测结果不满足检测准确条件,丢弃当前图像帧的检测结果。采用本方法能够提升目标跟踪效果。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种目标跟踪方法、装置、计算机设备和存储介质。
背景技术
随着图像处理技术的发展,出现了目标跟踪技术,能够在多帧图像中自动识别和跟踪特定目标的位置和运动,广泛应用于视频监控、自动驾驶和增强现实等领域。
传统技术中,通过目标检测技术在图像中检测的目标对跟踪器进行更新。但是,在复杂的实际场景中,受到遮挡以及光线变化等因素影响,目标检测技术检测的目标未必准确,影响到跟踪器的更新,导致跟踪效果不好。
发明内容
基于此,有必要针对上述技术问题,提供一种跟踪效果更好的目标跟踪方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种目标跟踪方法,包括:
对当前图像帧的检测结果和所述当前图像帧对应的跟踪结果进行匹配,得到所述当前图像帧对应的匹配结果;所述当前图像帧的检测结果用于表征从所述当前图像帧中检测的目标;所述当前图像帧对应的跟踪结果用于表征跟踪器对所述当前图像帧预测的所述目标;
在所述当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据所述当前图像帧的检测结果对所述跟踪器进行更新;
在所述当前图像帧对应的匹配结果不满足匹配成功条件的情况下,若所述当前图像帧的检测结果满足检测准确条件,针对所述目标创建新的跟踪器;
若所述当前图像帧的检测结果不满足检测准确条件,丢弃所述当前图像帧的检测结果。
第二方面,本申请还提供了一种目标跟踪装置,包括:
匹配模块,用于对当前图像帧的检测结果和所述当前图像帧对应的跟踪结果进行匹配,得到所述当前图像帧对应的匹配结果;所述当前图像帧的检测结果用于表征从所述当前图像帧中检测的目标;所述当前图像帧对应的跟踪结果用于表征跟踪器对所述当前图像帧预测的所述目标;
更新模块,用于在所述当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据所述当前图像帧的检测结果对所述跟踪器进行更新;
创建模块,用于在所述当前图像帧对应的匹配结果不满足匹配成功条件的情况下,若所述当前图像帧的检测结果满足检测准确条件,针对所述目标创建新的跟踪器;若所述当前图像帧的检测结果不满足检测准确条件,丢弃所述当前图像帧的检测结果。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法中的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法中的步骤。
上述目标跟踪方法、装置、计算机设备、存储介质和计算机程序产品,对当前图像帧的检测结果和当前图像帧对应的跟踪结果进行匹配,得到当前图像帧对应的匹配结果;当前图像帧的检测结果用于表征从当前图像帧中检测的目标;当前图像帧对应的跟踪结果用于表征跟踪器对当前图像帧预测的目标。由于目标检测会收到复杂场景中多种因素的影响,检测结果未必能够满足检测准确条件,仅仅使用满足检测准确条件的检测结果更新跟踪器,无法充分利用目标检测的检测结果,存在目标漏检的问题,这种目标漏检的问题会进一步造成跟踪丢失问题。在当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据当前图像帧的检测结果对跟踪器进行更新,结合当前图像帧对应的跟踪结果决定是否保留当前图像帧的检测结果,能够有效避免目标漏检的问题,提升跟踪效果。而在当前图像帧对应的匹配结果不满足匹配成功条件的情况下,若当前图像帧的检测结果满足检测准确条件,代表检测结果是准确的而与之不匹配的跟踪结果是不准确的,跟踪器的预测不准确,此时,为了保证跟踪的准确性,针对目标创建新的跟踪器。若当前图像帧的检测结果不满足检测准确条件,代表检测结果不够准确那么与之不匹配的跟踪结果未必不准确,此时,丢弃当前图像帧的检测结果,不使用当前图像帧的检测结果处理跟踪器,能够有效提升目标跟踪的效果。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种目标跟踪方法的流程示意图;
图2为本申请实施例提供的一种目标跟踪方法的简易流程示意图;
图3为本申请实施例提供的一种对跟踪器对应的图像特征进行更新的流程示意图;
图4为本申请实施例提供的一种第一方向和第二方向的示意图;
图5为本申请实施例提供的一种目标跟踪装置的结构框图;
图6为本申请实施例提供的一种计算机设备的内部结构图;
图7为本申请实施例提供的另一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一些实施例中,如图1所示,提供了一种目标跟踪方法,以该方法应用于计算机设备为例进行说明,包括以下步骤102至步骤108。其中:
步骤102,对当前图像帧的检测结果和当前图像帧对应的跟踪结果进行匹配,得到当前图像帧对应的匹配结果;当前图像帧的检测结果用于表征从当前图像帧中检测的目标;当前图像帧对应的跟踪结果用于表征跟踪器对当前图像帧预测的目标。
其中,跟踪器用于跟踪序列图像中的目标。序列图像包括多个图像帧。跟踪器可以根据在先图像帧的检测结果预测当前图像帧对应的跟踪结果。在先图像帧对应的时序,相较于当前图像帧对应的时序更早。
示例性地,计算机设备可以对当前图像帧进行目标检测得到当前图像帧的检测结果。通过跟踪器对当前图像帧中的目标进行预测得到当前图像帧对应的跟踪结果。检测结果可以包括目标对应的检测框。跟踪结果可以包括目标对应的跟踪框。计算机设备可以对检测框和跟踪框进行匹配得到当前图像帧对应的匹配结果。
在一些实施例中,计算机设备可以根据当前图像帧的检测结果和相应的跟踪结果之间的差异确定匹配结果。
在一些实施例中,计算机设备可以对当前图像帧的检测结果和相应的跟踪结果进行相似度分析匹配,得到匹配结果。可以理解,匹配结果可以表征跟踪结果表征的目标与检测结果表征的目标之间的相似度。
在一些实施例中,计算机设备可以根据当前图像帧的检测结果和相应的跟踪结果之间的交并比确定匹配结果。
在一些实施例中,计算机设备可以根据当前图像帧的检测结果和相应的跟踪结果之间的差异确定第一匹配结果。计算机设备可以根据在先图像帧的检测结果与当前图像帧的检测结果之间的差异确定第二匹配结果。对第二匹配结果和第一匹配结果进行加权融合得到当前图像帧对应的匹配结果。可以理解,将在先图像帧的检测结果与当前图像帧的检测结果匹配,能够确定当前图像帧中的目标与跟踪器跟踪的目标是否是同一个目标,将检测结果和相应的跟踪结果进行匹配,能够确定跟踪结果是否准确。
在一些实施例中,计算机设备可以包括终端或服务器中的至少一种。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
步骤104,在当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据当前图像帧的检测结果对跟踪器进行更新。
其中,匹配成功条件是指用于判断当前图像帧的检测结果和当前图像帧对应的跟踪结果是否匹配成功的条件。
示例性地,计算机设备可以在当前图像帧对应的匹配结果达到匹配阈值的情况下,确定当前图像帧对应的匹配结果满足匹配成功条件。此时,当前图像帧的检测结果被用于跟踪器的更新。
在一些实施例中,在匹配结果表征的相似度不小于匹配阈值的情况下,该匹配结果满足匹配成功条件。匹配阈值可以是预设的,也可以是根据目标的跟踪情况确定的。可以理解,每个图像帧的检测结果和相应的跟踪结果之间的匹配结果,未必都满足匹配成功条件,即,存在跟踪器丢失目标的情况,那么再次跟踪上目标或者刚开始跟踪目标时匹配阈值应该更小。比如,从刚开始跟踪目标或者跟踪丢失后重关联目标起,匹配阈值逐渐升高,在连续跟踪预设帧数的目标之后,匹配阈值固定。
在一些实施例中,在匹配结果表征的相似度处于预设匹配范围的情况下,该匹配结果满足匹配成功条件。
在一些实施例中,计算机设备可以根据当前图像帧的检测结果对跟踪器中的卡尔曼滤波器进行更新。
步骤106,在当前图像帧对应的匹配结果不满足匹配成功条件的情况下,若当前图像帧的检测结果满足检测准确条件,针对目标创建新的跟踪器。
其中,检测准确条件是指用于判断检测结果是否准确的条件。
示例性地,计算机设备可以在当前图像帧对应的匹配结果未达到匹配阈值的情况下,确定当前图像帧对应的匹配结果不满足匹配成功条件。此时,若当前图像帧的检测结果满足检测准确条件,代表检测结果是准确的,而跟踪结果是不准确的,针对当前图像帧的检测结果表征的目标创建新的跟踪器,不再使用当前图像帧的检测结果更新跟踪器。
在一些实施例中,计算机设备可以确定高可信度阈值。在当前图像帧的检测结果的置信度达到高可信度阈值的情况下,当前图像帧的检测结果满足检测准确条件。可以理解,计算机设备对当前图像帧的目标检测会输出检测结果和该检测结果的置信度。
在一些实施例中,计算机设备可以确定高可信度范围。在当前图像帧的检测结果的置信度处于高可信度范围内的情况下,当前图像帧的检测结果满足检测准确条件。
在一些实施例中,在当前图像帧的检测结果的置信度不小于高可信度阈值的情况下,当前图像帧的检测结果满足检测准确条件。
步骤108,若当前图像帧的检测结果不满足检测准确条件,丢弃当前图像帧的检测结果。
可以理解,若当前图像帧的检测结果不满足检测准确条件,代表检测结果是不准确的,即使跟踪结果与检测结果不匹配也无法代表跟踪结果是不准确的,此时,直接丢弃当前图像帧的检测结果。
在一些实施例中,在当前图像帧的检测结果的置信度未达到高可信度阈值的情况下,当前图像帧的检测结果不满足检测准确条件。
上述目标跟踪方法中,对当前图像帧的检测结果和当前图像帧对应的跟踪结果进行匹配,得到当前图像帧对应的匹配结果;当前图像帧的检测结果用于表征从当前图像帧中检测的目标;当前图像帧对应的跟踪结果用于表征跟踪器对当前图像帧预测的目标。由于目标检测会收到复杂场景中多种因素的影响,检测结果未必能够满足检测准确条件,仅仅使用满足检测准确条件的检测结果更新跟踪器,无法充分利用目标检测的检测结果,存在目标漏检的问题,这种目标漏检的问题会进一步造成跟踪丢失问题。在当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据当前图像帧的检测结果对跟踪器进行更新,结合当前图像帧对应的跟踪结果决定是否保留当前图像帧的检测结果,能够有效避免目标漏检的问题,提升跟踪效果。而在当前图像帧对应的匹配结果不满足匹配成功条件的情况下,若当前图像帧的检测结果满足检测准确条件,代表检测结果是准确的而与之不匹配的跟踪结果是不准确的,跟踪器的预测不准确,此时,为了保证跟踪的准确性,针对目标创建新的跟踪器。若当前图像帧的检测结果不满足检测准确条件,代表检测结果不够准确那么与之不匹配的跟踪结果未必不准确,此时,丢弃当前图像帧的检测结果,不使用当前图像帧的检测结果处理跟踪器,能够有效提升目标跟踪的效果。
在一些实施例中,对当前图像帧的检测结果和当前图像帧对应的跟踪结果进行匹配,得到当前图像帧对应的匹配结果,包括:在当前图像帧的检测结果满足检测失真条件的情况下,丢弃当前图像帧的检测结果;在当前图像帧的检测结果不满足检测失真条件的情况下,对当前图像帧的检测结果和当前图像帧对应的跟踪结果进行匹配,得到当前图像帧对应的匹配结果。
其中,检测失真条件是指用于判断检测结果是否失真的条件。
示例性地,计算机设备可以确定当前图像帧的检测结果的置信度是否小于低可信度阈值,在检测结果的置信度小于低可信度阈值的情况下,当前图像帧的检测结果满足检测失真条件,不再将当前图像帧的检测结果与相应的跟踪结果进行匹配,而是直接丢弃当前图像帧的检测结果。在检测结果的置信度不小于低可信度阈值的情况下,当前图像帧的检测结果不满足检测失真条件,此时无论检测结果是否满足检测准确条件,都将当前图像帧的检测结果和相应的跟踪结果进行匹配,得到相应的匹配结果。
可以理解,由于跟踪过程中出现的复杂情况,目标可能存在被遮挡之类的问题,相应的检测结果的置信度相对来说比较低,但是未必就说明没有检测到目标,故而为了避免漏检以及检测失真的结果造成不利影响,设置一个检测失真条件过滤失真的检测结果并将未失真的检测结果与跟踪结果匹配。
在一些实施例中,低可信度阈值小于高可信度阈值。
在一些实施例中,计算机设备可以确定当前图像帧的检测结果的置信度是否处于低可信度范围内,在检测结果的置信度处于低可信度范围内的情况下,当前图像帧的检测结果满足检测失真条件,在检测结果的置信度未处于低可信度范围内的情况下,当前图像帧的检测结果不满足检测失真条件。
在一些实施例中,如图2所示,提供了目标跟踪方法的简易流程示意图。当前图像帧被输入至目标检测模型中,目标检测模型输出当前图像帧的检测框。对检测框进行双阈值处理,在检测框的置信度大于高可信度阈值时,将当前图像帧的检测框确定为高可信度检测框,匹配检测框和跟踪框,若匹配不成功则创建新的跟踪器,若匹配成功则更新跟踪器;在检测框的置信度小于高可信度阈值且大于低可信度阈值时,将当前图像帧的检测框确定为低可信度检测框,匹配检测框和跟踪框,若匹配不成功则丢弃检测框,若匹配成功则更新跟踪器;在检测框的置信度小于低可信度阈值时,将当前图像帧的检测框确定为不可信度检测框,丢弃检测框。
在一些实施例中,目标检测模型可以但不限于是神经网络模型。
在一些实施例中,检测框的置信度位于[0,1]这个区间,假设高可信度阈值为0.5,低可信度阈值为0.1,那么1>置信度>0.5的检测框为高可信度检测框,0.5>置信度>0.1的检测框为低可信度检测框,置信度<0.1的检测框为不可信度检测框。
本实施例中,为避免漏检和错检的问题,通过设置检测失真条件确定检测结果是否失真,直接丢弃失真的检测结果,对于未失真的检测结果,将检测结果与相应的跟踪结果进行匹配得到匹配结果,能够保证目标检测和目标跟踪的效果。
在一些实施例中,对当前图像帧的检测结果和当前图像帧对应的跟踪结果进行匹配,得到当前图像帧对应的匹配结果,包括:根据当前图像帧的检测结果和当前图像帧对应的跟踪结果之间的差异确定当前图像帧对应的第一匹配结果;根据在先图像帧的检测结果与当前图像帧的检测结果之间的差异确定当前图像帧对应的第二匹配结果;根据当前图像帧的检测结果确定当前图像帧中目标的尺寸;根据目标的尺寸对第二匹配结果和第一匹配结果进行加权融合,得到当前图像帧对应的匹配结果。
可以理解,当前图像帧中目标的尺寸越大的情况下,跟踪框和检测框之间的重叠程度受到目标尺寸的影响较大,使得跟踪框与检测框之间的重叠程度越无法满足匹配要求,但是此时的第二匹配特征结果却可以更好的满足匹配的要求,因此需要根据目标的尺寸适应性地调整第二匹配结果和第一匹配结果对应的权重。第二匹配结果和第一匹配结果分别对应的权重与当前图像帧中目标的尺寸息息相关。
示例性地,计算机设备可以对在先图像帧的检测结果进行特征提取得到在先图像特征,以及对当前图像帧的检测结果进行特征提取得到当前图像特征,根据在先图像特征与当前图像特征之间的相似度确定当前图像帧对应的第二匹配结果。
计算机设备可以将当前图像帧的检测结果和相应的跟踪结果之间的交并比作为当前图像帧对应的第一匹配结果。将当前图像帧的检测结果中的检测框的尺寸作为当前图像帧中目标的尺寸。根据目标的尺寸确定第二匹配结果对应的第二权重以及第一匹配结果对应的第一权重。根据第二权重和第一权重对第二匹配结果和第一匹配结果进行加权求和,得到当前图像帧对应的匹配结果。
在一些实施例中,计算机设备可以将在先图像特征与当前图像特征之间的欧式距离作为匹配结果。可以理解,相似度的计算不局限于欧氏距离这一种,还可以是余弦相似度、曼哈顿距离或马氏距离等中的任一种。
在一些实施例中,计算机设备可以基于密集尺度不变特征变换(Dense SIFT)方法对在先图像帧提取出在先图像特征,基于密集尺度不变特征变换方法对当前图像帧提取出当前图像特征。
在一些实施例中,计算机设备可以确定相应的匹配结果满足匹配成功条件的每个在先图像帧,根据各在先图像帧的检测结果分别与当前图像帧的检测结果之间的差异确定当前图像帧对应的第二匹配结果。
在一些实施例中,在每一图像帧对应的匹配结果满足匹配成功条件的情况下,将该图像帧的图像特征确定为跟踪器对应的图像特征。此时,跟踪器对应的图像特征属于在先图像帧的在先图像特征。计算机设备可以根据跟踪器对应的图像特征和当前图像帧的当前图像特征之间差异确定第二匹配结果。可以理解,在当前图像帧对应的匹配结果满足匹配成功条件的情况下,将跟踪器对应的图像特征更新为当前图像特征。
在一些实施例中,如图3所示,提供了对跟踪器对应的图像特征进行更新的流程示意图,包括步骤302-步骤320。其中:
步骤302,获取当前图像帧的检测框以及当前图像特征。
步骤304,判断当前图像帧是否为第一帧。
其中,若当前图像帧为第一帧则执行步骤306;否则执行步骤318。
步骤306,计算检测框与相应跟踪框的交并比,得到第一匹配结果。
步骤308,计算跟踪器对应的图像特征与当前图像特征之间的欧氏距离,得到第二匹配结果。
步骤310,基于检测框的大小计算第二匹配结果对应的第二权重以及第一匹配结果对应的第一权重。
步骤312,判断对第二匹配结果和第一匹配结果加权求和得到的匹配结果是否大于匹配阈值。
其中,若匹配结果大于匹配阈值则执行步骤314;否则执行步骤318。
步骤314,确定跟踪器匹配成功。
步骤316,更新跟踪器对应的图像特征。
步骤318,分配新的跟踪器。
步骤320,保持跟踪器对应的图像特征,不作更新。
在一些实施例中,在目标的尺寸不满足权重调整条件的情况下,将预设第一初始权重作为第二匹配结果对应的第二权重,将预设第二初始权重作为第一匹配结果对应的第一权重。比如,在目标的尺寸较小的情况下,第二权重和第一权重可以都是0.5。
在一些实施例中,第二权重随着目标尺寸的增加呈现曲线递增的变化。
在一些实施例中,在目标的尺寸不满足权重调整条件的情况下,第二权重和第一权重保持稳定。在目标的尺寸满足权重调整条件的情况下,第二权重随着目标尺寸的增加而增加,即,第二权重与目标的尺寸正相关。其中,第二权重和第一权重的总和与预设总权重是一致的。
本实施例中,根据在先图像帧的检测结果和当前图像帧的检测结果之间的差异确定第二匹配结果,第二匹配结果能够表征跟踪器前后跟踪的目标是否一致,根据当前图像帧的检测结果和当前图像帧对应的跟踪结果之间的差异确定第一匹配结果,第一匹配结果能够表征跟踪器预测的目标是否与当前图像帧检测的目标一致,第二匹配结果和第一匹配结果表征的匹配程度的准确性与当前图像帧中目标的尺寸息息相关,通过根据目标的尺寸对第二匹配结果和第一匹配结果进行加权融合得到的匹配结果,能够准确表征检测结果和相应的跟踪结果之间的匹配程度。
在一些实施例中,根据目标的尺寸对第二匹配结果和第一匹配结果进行加权融合,得到当前图像帧对应的匹配结果,包括:在目标的尺寸满足权重调整条件的情况下,根据目标的尺寸和权重调整函数确定第二匹配结果对应的第二权重;根据第二权重确定第一匹配结果对应的第一权重;基于第二权重和第一权重对第二匹配结果和第一匹配结果进行加权求和,得到当前图像帧对应的匹配结果。
其中,权重调整条件是指用于判断是否对第二匹配结果和第一匹配结果的权重进行调整的条件。
示例性地,在目标的尺寸不小于权重调整阈值的情况下,将目标的尺寸作为权重调整函数的输入得到第二匹配结果对应的第二权重。将预设总权重与第二权重的差值作为第一匹配结果对应的第一权重。使用第二权重对第二匹配结果进行加权得到第一加权结果。使用第一权重对第一匹配结果进行加权得到第二加权结果。对第一加权结果和第二加权结果进行求和得到当前图像帧对应的匹配结果。
在一些实施例中,在目标的尺寸处于权重调整区间的情况下,目标的尺寸满足权重调整条件。
在一些实施例中,权重调整函数可以是一个曲线函数。这个曲线函数是在一个在0到预设总权重之间单调递增的函数。比如,预设总权重为1,权重调整函数可以但不限于是S型函数(Sigmoid function)。
本实施例中,第二匹配结果和第一匹配结果表征的匹配程度的准确性与当前图像帧中目标的尺寸息息相关,在目标的尺寸满足权重调整条件的情况下,根据目标的尺寸和权重调整函数确定第二匹配结果对应的第二权重;根据第二权重确定第一匹配结果对应的第一权重;基于第二权重和第一权重对第二匹配结果和第一匹配结果进行加权求和,得到当前图像帧对应的匹配结果,能够准确表征检测结果和相应的跟踪结果之间的匹配程度。
在一些实施例中,方法还包括:在间隔帧数未达到预设帧数的情况下,将与间隔帧数匹配的过渡阈值作为匹配阈值;间隔帧数是指从当前图像帧起连续的满足匹配成功条件的在先图像帧的帧数;在间隔帧数达到预设帧数的情况下,将预设稳定阈值作为匹配阈值;其中,在当前图像帧对应的匹配结果达到匹配阈值的情况下,当前图像帧对应的匹配结果满足匹配成功条件。
示例性地,从刚开始跟踪目标或者跟踪丢失后重关联目标起,匹配阈值随着连续跟踪的帧数增加而逐渐升高,在连续跟踪预设帧数的目标之后,匹配阈值固定。间隔帧数用于表征从当前图像帧开始在先连续跟踪的帧数。在间隔帧数小于预设帧数的情况下,计算机设备可以根据阈值调整函数和间隔帧数确定过渡阈值,将过渡阈值作为匹配阈值。阈值调整函数的输入是间隔帧数,输出是与间隔帧数匹配的过渡阈值,阈值调整函数表征的函数关系是过渡阈值随着间隔帧数的增加而增加。阈值调整函数可以但不限于是线性函数。在间隔帧数不小于预设帧数的情况下,将预设稳定阈值作为匹配阈值。
在一些实施例中,在间隔帧数不大于预设帧数的情况下,间隔帧数未达到预设帧数。在间隔帧数大于预设帧数的情况下,间隔帧数达到预设帧数。
本实施例中,在间隔帧数未达到预设帧数的情况下,跟踪器的跟踪性能不稳定,将与间隔帧数匹配的过渡阈值作为匹配阈值,而不是直接采用一个固定的预设稳定阈值,能够避免频繁创建跟踪器导致资源浪费的问题;在间隔帧数达到预设帧数的情况下,将预设稳定阈值作为匹配阈值,此时跟踪器的跟踪性能稳定,能够在跟踪器不准确的情况下及时创建新的跟踪器,保证跟踪效果。
在一些实施例中,在当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据当前图像帧的检测结果对跟踪器进行更新,包括:在间隔帧数非零、且当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据当前图像帧的检测结果对跟踪器进行更新;方法还包括:在间隔帧数为零、且当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据在先图像帧的检测结果生成虚拟轨迹,并根据虚拟轨迹和当前图像帧的检测结果对跟踪器进行更新。
可以理解,在间隔帧数非零、且当前图像帧对应的匹配结果满足匹配成功条件的情况下,代表当前图像帧并不是跟踪丢失后重关联上的第一帧图像,能够根据当前图像帧的检测结果对跟踪器进行更新。在间隔帧数为零、且当前图像帧对应的匹配结果满足匹配成功条件的情况下,代表当前图像帧是跟踪丢失后重关联上的第一帧图像,中间丢失部分不可知,为了保证跟踪器的稳定更新,此时生成虚拟轨迹,根据虚拟轨迹和当前图像帧的检测结果对跟踪器进行更新。
在一些实施例中,跟踪器可以包括卡尔曼滤波器。可以理解,跟踪算法在运动模型构建的时候,构建的卡尔曼滤波是一个线性匀速模型,虽然在时间很短的时候,非线性运动可以在短时间内近似为线性模型,但假设当没有检测框提供给卡尔曼滤波器时,卡尔曼滤波器只能依赖自己的预测递归更新参数,此时会导致累计误差的产生。利用丢失前的在先图像帧的检测结果作为线索,使用虚拟轨迹对新的卡尔曼滤波器的参数进行在线平滑,通过这种方式消除丢失过程中的累计误差。其中,根据虚拟轨迹表征的目标更新卡尔曼滤波器,与根据检测结果表征的目标更新卡尔曼滤波器的过程是相同的。
在一些实施例中,计算机设备可以基于虚拟轨迹生成算法生成虚拟轨迹。在先图像帧和当前图像帧的检测结果可以作为虚拟轨迹生成算法的输入参数,在先图像帧表征的目标相当于虚拟轨迹的起始位置,当前图像帧的检测结果相当于虚拟轨迹的结束位置。比如,在未跟丢前的最后一图像帧表征的目标是 Zt1,重关联时第一图像帧表征的目标为Zt2,那么虚拟轨迹可以是Zt =Trajvirtual (Zt1,Zt2,t),t1<t<t2。其中,Trajvirtual ()代表虚拟轨迹生成算法,Zt代表t时刻的目标。
在一些实施例中,计算机设备可以基于在先图像帧的检测结果确定目标的运动方向。将目标的运动方向、在先图像帧的检测结果和当前图像帧的检测结果作为虚拟轨迹生成算法的输入参数,以生成虚拟轨迹。
本实施例中,在间隔帧数非零、且当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据当前图像帧的检测结果对跟踪器进行更新;在间隔帧数为零、且当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据在先图像帧的检测结果生成虚拟轨迹,并根据虚拟轨迹和当前图像帧的检测结果对跟踪器进行更新,能够在跟丢到重关联的过程中生成虚拟轨迹,以稳定更新跟踪器。
在一些实施例中,根据当前图像帧的检测结果对跟踪器进行更新,包括:根据所述当前帧图像的检测结果确定第一方向;根据所述在先图像帧的检测结果确定第二方向;根据所述第一方向与所述第二方向之间的差异以及所述当前帧图像的检测结果与相应的跟踪结果间的交并比构建代价矩阵;基于所述代价矩阵对所述跟踪器进行更新。
可以理解,为了减少噪声对速度方向一致性的影响,在跟踪器的代价矩阵中新增速度方向一致性项,通过代价矩阵监督在先图像帧的检测结果形成的轨迹方向与当前图像帧的检测结果形成的方向的一致性。跟踪器在根据当前图像帧的检测结果更新前,是根据在先图像帧的检测结果更新的,故而跟踪器对应的跟踪方向与在先图像帧的检测结果形成的轨迹方向是一致的,为了避免噪声影响,不使用跟踪结果的方向,而是采用在先图像帧的检测结果形成的轨迹方向。
在一些实施例中,计算机设备可以对在先图像帧的检测结果表征的目标与在先图像帧的检测结果表征的目标进行运动估计,确定第一方向。对在先图像帧的检测结果表征的目标进行运动估计确定第二方向。
在一些实施例中,计算机设备可以确定距离当前图像帧最近的、且检测结果未丢弃的一个在先帧图像,对该在先图像帧的检测结果与当前图像帧的检测结果进行运动估计,得到第一方向。计算机设备可以确定距离当前图像帧最近的、且检测结果未丢弃的两个在先帧图像,对这两个在先图像帧的检测结果进行运动估计,得到第二方向。比如,(u1,v1)和(u2,v2)表示的是两个不同时刻的目标位置,那么运动估计得到的方向为。
在一些实施例中,如图4所示,提供了第一方向和第二方向的示意图。第一方向和第二方向之间的角度偏差为Δθ。
在一些实施例中,跟踪器的代价矩阵包括速度方向一致性项和交并比项。速度方向一致性项可以是第一方向与第二方向的角度偏差。交并比项是指当前帧图像的检测结果与相应的跟踪结果间的交并比。
在一些实施例中,计算机设备可以对于每个状态或决策,根据代价矩阵计算其代价。代价可以表示为交并比和速度方向一致性项的加权和,其中交并比衡量了预测框和真实框之间的重叠度,而速度方向一致性项则衡量了跟踪器预测的速度和方向与实际目标速度和方向之间的相似度。之后,在计算完所有状态的代价后,选择代价最小的状态或决策作为最优解。根据最优解,更新跟踪器的状态或决策。具体来说,可以根据最优解的位置、大小、方向等信息来更新跟踪器的位置、大小、方向等参数。
在一些实施例中,代价矩阵。其中,/>表征跟踪结果。Z表征当前图像帧的检测结果。/>表征在先图像帧的检测结果。/>用于计算交并比。/>用于计算角度偏差。/>代表角度偏差对应的权重。
本实施例中,根据所述当前帧图像的检测结果确定第一方向;根据所述在先图像帧的检测结果确定第二方向;根据所述第一方向与所述第二方向之间的差异以及所述当前帧图像的检测结果与相应的跟踪结果间的交并比构建代价矩阵;基于所述代价矩阵对所述跟踪器进行更新,在代价矩阵中引入速度方向一致性项,保证跟踪器更新的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的目标跟踪方法的目标跟踪装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个目标跟踪装置实施例中的具体限定可以参见上文中对于目标跟踪方法的限定,在此不再赘述。
在一个示例性的实施例中,如图5所示,提供了一种目标跟踪装置500,包括:匹配模块502、更新模块504和创建模块506,其中:
匹配模块502,用于对当前图像帧的检测结果和当前图像帧对应的跟踪结果进行匹配,得到当前图像帧对应的匹配结果;当前图像帧的检测结果用于表征从当前图像帧中检测的目标;当前图像帧对应的跟踪结果用于表征跟踪器对当前图像帧预测的目标。
更新模块504,用于在当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据当前图像帧的检测结果对跟踪器进行更新。
创建模块506,用于在当前图像帧对应的匹配结果不满足匹配成功条件的情况下,若当前图像帧的检测结果满足检测准确条件,针对目标创建新的跟踪器;若当前图像帧的检测结果不满足检测准确条件,丢弃当前图像帧的检测结果。
在一些实施例中,匹配模块502,用于在当前图像帧的检测结果满足检测失真条件的情况下,丢弃当前图像帧的检测结果;在当前图像帧的检测结果不满足检测失真条件的情况下,对当前图像帧的检测结果和当前图像帧对应的跟踪结果进行匹配,得到当前图像帧对应的匹配结果。
在一些实施例中,匹配模块502,用于根据当前图像帧的检测结果和当前图像帧对应的跟踪结果之间的差异确定当前图像帧对应的第一匹配结果;根据在先图像帧的检测结果与当前图像帧的检测结果之间的差异确定当前图像帧对应的第二匹配结果;根据当前图像帧的检测结果确定当前图像帧中目标的尺寸;根据目标的尺寸对第二匹配结果和第一匹配结果进行加权融合,得到当前图像帧对应的匹配结果。
在一些实施例中,匹配模块502,用于在目标的尺寸满足权重调整条件的情况下,根据目标的尺寸和权重调整函数确定第二匹配结果对应的第二权重;根据第二权重确定第一匹配结果对应的第一权重;基于第二权重和第一权重对第二匹配结果和第一匹配结果进行加权求和,得到当前图像帧对应的匹配结果。
在一些实施例中,匹配模块502,用于在间隔帧数未达到预设帧数的情况下,将与间隔帧数匹配的过渡阈值作为匹配阈值;间隔帧数是指从当前图像帧起连续的满足匹配成功条件的在先图像帧的帧数;在间隔帧数达到预设帧数的情况下,将预设稳定阈值作为匹配阈值;其中,在当前图像帧对应的匹配结果达到匹配阈值的情况下,当前图像帧对应的匹配结果满足匹配成功条件。
在一些实施例中,更新模块504,用于在间隔帧数非零、且当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据当前图像帧的检测结果对跟踪器进行更新;在间隔帧数为零、且当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据在先图像帧的检测结果生成虚拟轨迹,并根据虚拟轨迹和当前图像帧的检测结果对跟踪器进行更新。
在一些实施例中,更新模块504,用于根据当前帧图像的检测结果确定第一方向;根据在先图像帧的检测结果确定第二方向;根据第一方向与第二方向之间的差异以及当前帧图像的检测结果与相应的跟踪结果间的交并比构建代价矩阵;基于代价矩阵对跟踪器进行更新。
上述目标跟踪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储跟踪器。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标跟踪方法。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种目标跟踪方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6或图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标跟踪方法,其特征在于,所述方法包括:
对当前图像帧的检测结果和所述当前图像帧对应的跟踪结果进行匹配,得到所述当前图像帧对应的匹配结果;所述当前图像帧的检测结果用于表征从所述当前图像帧中检测的目标;所述当前图像帧对应的跟踪结果用于表征跟踪器对所述当前图像帧预测的所述目标;
在所述当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据所述当前图像帧的检测结果对所述跟踪器进行更新;
在所述当前图像帧对应的匹配结果不满足匹配成功条件的情况下,若所述当前图像帧的检测结果满足检测准确条件,针对所述目标创建新的跟踪器;
若所述当前图像帧的检测结果不满足检测准确条件,丢弃所述当前图像帧的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述对当前图像帧的检测结果和所述当前图像帧对应的跟踪结果进行匹配,得到所述当前图像帧对应的匹配结果,包括:
在当前图像帧的检测结果满足检测失真条件的情况下,丢弃所述当前图像帧的检测结果;
在当前图像帧的检测结果不满足检测失真条件的情况下,对当前图像帧的检测结果和所述当前图像帧对应的跟踪结果进行匹配,得到所述当前图像帧对应的匹配结果。
3.根据权利要求1所述的方法,其特征在于,所述对当前图像帧的检测结果和所述当前图像帧对应的跟踪结果进行匹配,得到所述当前图像帧对应的匹配结果,包括:
根据所述当前图像帧的检测结果和所述当前图像帧对应的跟踪结果之间的差异确定所述当前图像帧对应的第一匹配结果;
根据在先图像帧的检测结果与当前图像帧的检测结果之间的差异确定所述当前图像帧对应的第二匹配结果;
根据所述当前图像帧的检测结果确定所述当前图像帧中所述目标的尺寸;
根据所述目标的尺寸对所述第二匹配结果和所述第一匹配结果进行加权融合,得到所述当前图像帧对应的匹配结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标的尺寸对所述第二匹配结果和所述第一匹配结果进行加权融合,得到所述当前图像帧对应的匹配结果,包括:
在所述目标的尺寸满足权重调整条件的情况下,根据所述目标的尺寸和权重调整函数确定所述第二匹配结果对应的第二权重;
根据所述第二权重确定所述第一匹配结果对应的第一权重;
基于所述第二权重和所述第一权重对所述第二匹配结果和所述第一匹配结果进行加权求和,得到所述当前图像帧对应的匹配结果。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在间隔帧数未达到预设帧数的情况下,将与所述间隔帧数匹配的过渡阈值作为匹配阈值;所述间隔帧数是指从所述当前图像帧起连续的满足匹配成功条件的在先图像帧的帧数;
在所述间隔帧数达到预设帧数的情况下,将预设稳定阈值作为匹配阈值;
其中,在所述当前图像帧对应的匹配结果达到所述匹配阈值的情况下,所述当前图像帧对应的匹配结果满足匹配成功条件。
6.根据权利要求5所述的方法,其特征在于,所述在所述当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据所述当前图像帧的检测结果对所述跟踪器进行更新,包括:
在所述间隔帧数非零、且所述当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据所述当前图像帧的检测结果对所述跟踪器进行更新;
所述方法还包括:
在所述间隔帧数为零、且所述当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据在先图像帧的检测结果生成虚拟轨迹,并根据所述虚拟轨迹和当前图像帧的检测结果对所述跟踪器进行更新。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述根据所述当前图像帧的检测结果对所述跟踪器进行更新,包括:
根据所述当前帧图像的检测结果确定第一方向;
根据所述在先图像帧的检测结果确定第二方向;
根据所述第一方向与所述第二方向之间的差异以及所述当前帧图像的检测结果与相应的跟踪结果间的交并比构建代价矩阵;
基于所述代价矩阵对所述跟踪器进行更新。
8.一种目标跟踪装置,其特征在于,所述装置包括:
匹配模块,用于对当前图像帧的检测结果和所述当前图像帧对应的跟踪结果进行匹配,得到所述当前图像帧对应的匹配结果;所述当前图像帧的检测结果用于表征从所述当前图像帧中检测的目标;所述当前图像帧对应的跟踪结果用于表征跟踪器对所述当前图像帧预测的所述目标;
更新模块,用于在所述当前图像帧对应的匹配结果满足匹配成功条件的情况下,根据所述当前图像帧的检测结果对所述跟踪器进行更新;
创建模块,用于在所述当前图像帧对应的匹配结果不满足匹配成功条件的情况下,若所述当前图像帧的检测结果满足检测准确条件,针对所述目标创建新的跟踪器;若所述当前图像帧的检测结果不满足检测准确条件,丢弃所述当前图像帧的检测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311752502.5A CN117671296A (zh) | 2023-12-19 | 2023-12-19 | 目标跟踪法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311752502.5A CN117671296A (zh) | 2023-12-19 | 2023-12-19 | 目标跟踪法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117671296A true CN117671296A (zh) | 2024-03-08 |
Family
ID=90082547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311752502.5A Pending CN117671296A (zh) | 2023-12-19 | 2023-12-19 | 目标跟踪法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671296A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784725A (zh) * | 2021-01-15 | 2021-05-11 | 北京航天自动控制研究所 | 行人防撞预警方法、设备、存储介质及堆高机 |
WO2021223367A1 (zh) * | 2020-05-06 | 2021-11-11 | 佳都新太科技股份有限公司 | 单镜头下的多行人在线跟踪方法、装置、设备及存储介质 |
CN114092720A (zh) * | 2020-08-05 | 2022-02-25 | 北京万集科技股份有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
WO2022127180A1 (zh) * | 2020-12-17 | 2022-06-23 | 深圳云天励飞技术股份有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN114972443A (zh) * | 2022-06-28 | 2022-08-30 | 深圳一清创新科技有限公司 | 一种目标跟踪方法、装置及无人驾驶车辆 |
CN116012421A (zh) * | 2022-12-22 | 2023-04-25 | 际络科技(上海)有限公司 | 目标跟踪方法及装置 |
CN116266359A (zh) * | 2021-12-16 | 2023-06-20 | 深圳市普渡科技有限公司 | 目标物的跟踪方法、装置、计算机设备和存储介质 |
CN116309696A (zh) * | 2022-12-23 | 2023-06-23 | 苏州驾驶宝智能科技有限公司 | 一种基于改进广义交并比的多类别多目标跟踪方法及装置 |
CN116363565A (zh) * | 2023-06-01 | 2023-06-30 | 深圳须弥云图空间科技有限公司 | 目标轨迹确定方法、装置、电子设备及存储介质 |
CN116434325A (zh) * | 2023-02-22 | 2023-07-14 | 北京百度网讯科技有限公司 | 一种特定动作的检测方法、装置、设备及存储介质 |
-
2023
- 2023-12-19 CN CN202311752502.5A patent/CN117671296A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021223367A1 (zh) * | 2020-05-06 | 2021-11-11 | 佳都新太科技股份有限公司 | 单镜头下的多行人在线跟踪方法、装置、设备及存储介质 |
CN114092720A (zh) * | 2020-08-05 | 2022-02-25 | 北京万集科技股份有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
WO2022127180A1 (zh) * | 2020-12-17 | 2022-06-23 | 深圳云天励飞技术股份有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN112784725A (zh) * | 2021-01-15 | 2021-05-11 | 北京航天自动控制研究所 | 行人防撞预警方法、设备、存储介质及堆高机 |
CN116266359A (zh) * | 2021-12-16 | 2023-06-20 | 深圳市普渡科技有限公司 | 目标物的跟踪方法、装置、计算机设备和存储介质 |
CN114972443A (zh) * | 2022-06-28 | 2022-08-30 | 深圳一清创新科技有限公司 | 一种目标跟踪方法、装置及无人驾驶车辆 |
CN116012421A (zh) * | 2022-12-22 | 2023-04-25 | 际络科技(上海)有限公司 | 目标跟踪方法及装置 |
CN116309696A (zh) * | 2022-12-23 | 2023-06-23 | 苏州驾驶宝智能科技有限公司 | 一种基于改进广义交并比的多类别多目标跟踪方法及装置 |
CN116434325A (zh) * | 2023-02-22 | 2023-07-14 | 北京百度网讯科技有限公司 | 一种特定动作的检测方法、装置、设备及存储介质 |
CN116363565A (zh) * | 2023-06-01 | 2023-06-30 | 深圳须弥云图空间科技有限公司 | 目标轨迹确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017219991A1 (zh) | 适用于模式识别的模型的优化方法、装置及终端设备 | |
CN108765340B (zh) | 模糊图像处理方法、装置及终端设备 | |
CN109614910B (zh) | 一种人脸识别方法和装置 | |
CN110852447A (zh) | 元学习方法和装置、初始化方法、计算设备和存储介质 | |
CN108205581B (zh) | 生成数字媒介环境中的紧凑视频特征表示 | |
CN110910422A (zh) | 目标跟踪方法、装置、电子设备和可读存储介质 | |
CN112016371B (zh) | 人脸关键点检测方法、装置、设备及存储介质 | |
US11017296B2 (en) | Classifying time series image data | |
CN109063776B (zh) | 图像再识别网络训练方法、装置和图像再识别方法及装置 | |
CN109598250B (zh) | 特征提取方法、装置、电子设备和计算机可读介质 | |
CN110009662B (zh) | 人脸跟踪的方法、装置、电子设备及计算机可读存储介质 | |
CN110956131B (zh) | 单目标追踪方法、装置及系统 | |
WO2023109361A1 (zh) | 用于视频处理的方法、系统、设备、介质和产品 | |
Ait Abdelali et al. | An adaptive object tracking using Kalman filter and probability product kernel | |
CN116452631A (zh) | 一种多目标跟踪方法、终端设备及存储介质 | |
Xiaowei et al. | Object tracking with an evolutionary particle filter based on self-adaptive multi-features fusion | |
CN112651467B (zh) | 卷积神经网络的训练方法和系统以及预测方法和系统 | |
WO2024041108A1 (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
CN114998814B (zh) | 目标视频生成方法、装置、计算机设备和存储介质 | |
CN117037244A (zh) | 人脸安全检测方法、装置、计算机设备和存储介质 | |
CN117671296A (zh) | 目标跟踪法、装置、计算机设备和存储介质 | |
US9679363B1 (en) | System and method for reducing image noise | |
CN114155388A (zh) | 一种图像识别方法、装置、计算机设备和存储介质 | |
CN111563489A (zh) | 一种目标跟踪方法、装置以及计算机存储介质 | |
CN111401285A (zh) | 目标跟踪方法、装置及电子设备 |
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 |