WO2023169053A1 - 基于相机阵列的目标追踪方法及系统 - Google Patents
基于相机阵列的目标追踪方法及系统 Download PDFInfo
- Publication number
- WO2023169053A1 WO2023169053A1 PCT/CN2022/141927 CN2022141927W WO2023169053A1 WO 2023169053 A1 WO2023169053 A1 WO 2023169053A1 CN 2022141927 W CN2022141927 W CN 2022141927W WO 2023169053 A1 WO2023169053 A1 WO 2023169053A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- camera
- target tracking
- computing
- resolution
- local edge
- Prior art date
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Abstract
本发明提出基于相机阵列的目标追踪方法及系统,属于目标追踪技术领域。系统包括本地边缘计算终端和多个计算棒。本地边缘计算终端接收图像数据进行本地边缘计算处理发送至远端控制设备;远端控制设备基于本地边缘计算处理结果,激活计算棒;计算棒接收本地边缘计算处理结果对应的图像数据,对图像数据执行目标追踪处理。方法包括判断当前摄像采集设备采集的当前图像是否包含预定类型的目标;如果是,则关闭当前摄像采集设备,开启另一摄像采集设备同时激活第一神经网络计算棒。本发明结合本地边缘计算设备和计算棒实现目标追踪处理,在确保目标追踪实时性的同时,降低硬件开启成本并确保追踪模型的适配性。
Description
本发明属于目标追踪技术领域,尤其涉及一种基于相机阵列的目标追踪方法及系统、实现所述方法的计算机系统以及存储介质。
目标跟踪是计算机视觉领域的一个重要问题,目前广泛应用在体育赛事转播、安防监控和无人机、无人车、机器人等领域。目标追踪可分为单目标跟踪、多目标追踪、动态目标追踪以及静态目标追踪。
为实现准确的目标追踪,单个摄像设备采集的数据通常不够完备,因此多采用多个摄像设备组成的相机阵列进行,尤其是追踪视野内存在多个、多种不同类型的待追踪目标时,相机阵列开启的多个不同角度的摄像机可同时捕捉多个不同帧率、不同分辨率的图像,有助于目标追踪的准确性。
然而,现有技术中,为实现上述准确性,通常需要实时开启多个摄像设备,增加了硬件能耗和布置成本;同时,由于存在多种可能的目标追踪对象,追踪系统需要复杂的目标追踪模型,以适应追踪目标的数量和类型变化。当相机阵列产生的图像数据量较大时,现有的追踪系统将会存在较大的延迟,并且单一模型的适配性降低带来的准确性也会大大降低。
发明内容
为解决上述技术问题,本发明提出一种基于相机阵列的目标追踪方法及系统、实现所述方法的计算机系统以及存储介质。
在本发明的第一个方面,提出一种基于相机阵列的目标追踪系统,
所述目标追踪系统包括本地边缘计算终端和多个计算棒;
所述相机阵列包括多个分辨率不同的摄像采集设备,所述摄像采集设备与远端控制设备无线通信,所述远端控制设备通过指令控制所述摄像采集设备的开启或者关闭;
所述本地边缘计算终端接收所述相机阵列采集的图像数据进行本地边缘计算处理,并将本地边缘计算处理结果发送至所述远端控制设备;
所述多个计算棒可与所述远端控制设备并行通信;
所述远端控制设备基于所述本地边缘计算处理结果,激活至少一个计算棒;
所述激活的至少一个计算棒接收所述本地边缘计算处理结果对应的图像数据,对所述图像数据执行目标追踪处理。
作为进一步的改进,所述本地边缘计算终端接收所述相机阵列采集的图像数据进行本地边缘计算处理,并将本地边缘计算处理结果发送至所述远端控制设备,具体包括:
所述本地边缘计算终端接收所述相机阵列的第一分辨率的第一摄像采集设备采集的第一图像,识别所述第一图像中是否包含第一预定类型的待追踪目标;
若所述第一图像中包含第一预定类型的待追踪目标,则将所述第一摄像采集设备的识别号和所述第一分辨率大小发送至所述远端控制设备。
作为再一个改进,所述摄像采集设备与远端控制设备无线通信,所述远端控制设备通过指令控制所述摄像采集设备的开启或者关闭,具体包括:
若所述本地边缘计算终端接收的所述相机阵列的第一分辨率的第一摄像采集设备采集的第一图像包含第一预定类型的待追踪目标,并且所述第 一分辨率并不是所述相机阵列包含的摄像采集设备的最高分辨率,则所述远端控制设备通过指令关闭所述第一分辨率的所述第一摄像采集设备,同时开启第二摄像采集设备;
所述第二摄像采集设备的第二分辨率大于所述第一分辨率,并且所述第二摄像采集设备与所述第一摄像采集设备邻接。
在本发明的上述技术方案中,所述远端控制设备基于所述本地边缘计算处理结果,激活至少一个计算棒,具体包括:
所述远端控制设备基于所述本地边缘计算处理结果,激活第一计算棒;
所述第一计算棒配置第一目标追踪模型;
所述第一目标追踪模型可针对第一预定类型的待追踪目标执行目标追踪处理。
所述激活的至少一个计算棒接收所述本地边缘计算处理结果对应的图像数据,对所述图像数据执行目标追踪处理,具体包括:
所述第一计算棒接收所述第一摄像采集设备采集的第一图像,以及第二摄像采集设备采集的第二图像,执行目标追踪处理;
所述第二摄像采集设备是所述远端控制设备通过指令关闭所述第一分辨率的所述第一摄像采集设备后开启的第二摄像采集设备。
在本发明的第二个方面,提供一种基于相机阵列的目标追踪方法,所述方法包括:
S810:判断当前摄像采集设备采集的当前图像是否包含预定类型的目标;
如果是,则关闭当前摄像采集设备,开启另一摄像采集设备,并将另一摄像采集设备作为当前摄像采集设备;
S820:激活至少一个第一神经网络计算棒,所述第一神经网络计算棒配置第一目标追踪模型;
所述第一目标追踪模型可针对所述预定类型的待追踪目标执行目标追踪处理;
其中,所述另一摄像设备的分辨率大于所述当前摄像采集设备。
进一步的,所述方法基于包括第一分辨率的第一摄像采集设备、第二分辨率的第二摄像采集设备和第三分辨率的第三摄像采集设备的相机阵列实现,所述第二分辨率大于第一分辨率并且小于第三分辨率;
若所述当前摄像采集设备为第三摄像采集设备,并且所述当前摄像采集设备采集的当前图像包含预定类型的目标,则保持当前设备为开启状态的同时,激活多个第一神经网络计算棒。
在本发明的第三个方面,提供一种计算机系统,所述计算机系统包括显示设备,所述显示设备包括USB接口和/或HDMI接口,USB接口和/或HDMI接口可连接多个计算棒,所述计算机系统通过指令激活至少一个计算棒,用于实现第二个方面所述的一种基于相机阵列的目标追踪方法。
在本发明的第四个方面,提供一种基于相机阵列的目标追踪设备,所述设备包括处理器和存储器,所述存储器上存储有计算机可执行程序指令,通过所述处理器执行所述可执行程序指令,用于实现前述第二个方面所述的方法。
进一步的,在本发明的第五个方面,本发明可以实现为一种计算机可读存贮介质,计算机存贮介质上存储有计算机程序指令,通过执行所述程序指令,实现前述第一个方面所述的方法。
同样的,在本发明的第六个方面,本发明还可以表现为一种计算机程序 产品,所述程序产品承载于计算机存储介质,通过处理器执行所述程序,从而实现前述第一个方面所述的方法。
本发明的技术方案结合本地边缘计算设备和计算棒实现目标追踪处理,计算棒为神经网络计算棒,不同的神经网络计算棒配置不同类型的神经网络推理模型;在确保目标追踪实时性的同时,降低硬件开启成本并确保追踪模型的适配性。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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是本发明一个实施例的一种基于相机阵列的目标追踪系统的部分结构模块示意图;
图2是图1所述基于相机阵列的目标追踪系统的部分数据采集和传输的示意图;
图3是图1所述基于相机阵列的目标追踪系统的部分工作原理示意图;
图4是本发明一个实施例的一种基于相机阵列的目标追踪方法的流程示意图;
图5是实现图4所述方法的计算机可读存储介质的示意图;
图6是实现图4所述方法的计算机系统的结构示意图。
下面,结合附图以及具体实施方式,对发明做出进一步的描述。
参照图1,图1是本发明一个实施例的一种基于相机阵列的目标追踪系统的部分结构模块示意图。
在图1中,示出本实施例所述的基于相机阵列的目标追踪系统包括本地边缘计算终端、多个计算棒以及远端控制设备。
所述多个计算棒可与所述远端控制设备并行通信;
具体的,所述远端控制设备配置有USB接口和/或HDMI接口,USB接口和/或HDMI接口可同时连接多个计算棒。
值得指出的是,虽然USB接口和/或HDMI接口可同时连接多个计算棒,但本发明的技术方案中,并不要求同时调用已经连接的所有计算棒,而是根据实际调用需要激活其中符合要求的计算棒。
需要指出的是,在目标追踪领域引入计算棒是本发明的一个突出改进点之一,接下来对本发明各个实施例使用的计算棒做简单介绍。
通俗来讲,计算棒其外观像U盘,内置了存储器,运算器,处理器等高级芯片,可视为一个微型电脑。只需要把它插在一个有着HDMI接口的显示器上,并为它连上电源等外设,就是一台完整的电脑。
但是计算棒并不能取代完整电脑,因为其处理能力相对于完整电脑来说并不强大。
以神经网络计算棒为例,计算棒可配置将训练好的神经网络,直接进行推理计算,例如目标追踪,但是并不能自我进行神经网络的自适应训练或者更新。
使用计算棒,低功耗是最大优势。在不增加耗电的前提下解放主机处理器,赋予深度学习能力。
具体到本发明的各个实施例中,所述多个计算棒可为神经网络计算棒;不 同的神经网络计算棒配置不同类型的神经网络推理模型。
这里的不同类型,可以是第一计算棒配置反向传播的神经网络推理模型,第二计算棒配置深度学习的神经网络推理模型;
在另一个方面,作为进一步的优选,所述多个计算棒为配置目标追踪模型的神经网络计算棒;不同的神经网络计算棒配置的目标追踪模型可追踪的目标类型不同。
作为具体的例子,可以是第一计算棒配置神经网络推理模型为人物类型的第一目标追踪模型,第二计算棒配置的神经网络推理模型为动物类型的第二目标追踪模型。
当然,本领域技术人员可以理解,待追踪的目标类型不仅限于人物、动物的分类,还可以包括其他分类,例如静态目标追踪模型、动态目标追踪模型、单目标追踪模型、多目标追踪模型或者混合模型等。
基于图1的架构,本发明的技术方案可概述如下:
所述本地边缘计算终端接收所述相机阵列采集的图像数据进行本地边缘计算处理,并将本地边缘计算处理结果发送至所述远端控制设备;
所述多个计算棒可与所述远端控制设备并行通信;
所述远端控制设备基于所述本地边缘计算处理结果,激活至少一个计算棒;
所述激活的至少一个计算棒接收所述本地边缘计算处理结果对应的图像数据,对所述图像数据执行目标追踪处理。
本地边缘计算终端,在本发明中可简称为边缘计算终端,适用于执行边缘计算的设备终端的统称。
边缘计算,是指在靠近物或数据源头的一侧,采用网络、计算、存储、应用核心能力为一体的开放平台,就近提供最近端服务。其应用程序在边缘侧发 起,产生更快的网络服务响应,满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间,或处于物理实体的顶端。而云端计算,仍然可以访问边缘计算的历史数据。
可见,边缘计算设备的处理能力相对于云端来说较低,但是优点在于响应的实时性。
具体的,在本发明的各个实施例中,边缘计算终端配置快速的目标类型识别模型,可以快速识别输入图像帧或者视频帧中是否包含待追踪目标以及待追踪目标的类型、数量等,但是并不需要执行复杂的目标追踪过程。因此,采用本地的边缘计算终端可以迅速响应并作出简单判断。
具体的,在图1基础上参见图2。图2是图1所述基于相机阵列的目标追踪系统的部分设备数据采集和数据传输示意图。
所述本地边缘计算终端接收所述相机阵列采集的图像数据进行本地边缘计算处理,并将本地边缘计算处理结果发送至所述远端控制设备;
这里的本地边缘计算结果,包括识别出所述相机阵列采集的图像数据是否包含待追踪目标、待追踪目标的类型、待追踪目标的数量、静态待追踪目标、动态待追踪目标等结果。
所述本地边缘计算终端接收所述相机阵列的第一分辨率的第一摄像采集设备采集的第一图像,识别所述第一图像中是否包含第一预定类型的待追踪目标;
若所述第一图像中包含第一预定类型的待追踪目标,则将所述第一摄像采集设备的识别号和所述第一分辨率大小发送至所述远端控制设备。
在图3中,所述摄像采集设备与远端控制设备无线通信,所述远端控制设备通过指令控制所述摄像采集设备的开启或者关闭,具体包括:
若所述本地边缘计算终端接收的所述相机阵列的第一分辨率的第一摄像采集设备采集的第一图像包含第一预定类型的待追踪目标,并且所述第一分辨率并不是所述相机阵列包含的摄像采集设备的最高分辨率,则所述远端控制设备通过指令关闭所述第一分辨率的所述第一摄像采集设备,同时开启第二摄像采集设备;
所述第二摄像采集设备的第二分辨率大于所述第一分辨率,并且所述第二摄像采集设备与所述第一摄像采集设备邻接。
所述远端控制设备基于所述本地边缘计算处理结果,激活至少一个计算棒,具体包括:
所述远端控制设备基于所述本地边缘计算处理结果,激活第一计算棒;
所述第一计算棒配置第一目标追踪模型;
所述第一目标追踪模型可针对第一预定类型的待追踪目标执行目标追踪处理。
作为示例,若所述本地边缘计算处理结果显示所述相机阵列采集的图像数据包含待追踪目标的类型为人物,则激活配置第一人物追踪模型的第一计算棒;
作为示例,若所述本地边缘计算处理结果显示所述相机阵列采集的图像数据包含待追踪目标的类型为人物,并且包含第一数量的多个人物,则激活配置第二多目标人物追踪模型的第二计算棒,或者,激活第一数量的多个配置第三人物追踪模型的第三计算棒。
在上述实施例中,所述激活的至少一个计算棒接收所述本地边缘计算处理结果对应的图像数据,对所述图像数据执行目标追踪处理,具体包括:
所述第一计算棒接收所述第一摄像采集设备采集的第一图像,以及第二摄 像采集设备采集的第二图像,执行目标追踪处理;
所述第二摄像采集设备是所述远端控制设备通过指令关闭所述第一分辨率的所述第一摄像采集设备后开启的第二摄像采集设备。
显然,根据上述改进,关闭低分辨率的摄像采集设备,开启高分辨率的摄像采集设备,确保了目标追踪的持续性的同时,避免了数据的无谓重复和硬件的重复开启。
在图1-图3的硬件、软件架构基础上,参见图4,图4是本发明一个实施例的一种基于相机阵列的目标追踪方法的流程示意图,可以理解,图4所述方法可以基于图1-图3的硬件架构或者原理实现。
在图4中,所述方法包括如下步骤:
S810:判断当前摄像采集设备采集的当前图像是否包含预定类型的目标;
如果是,则关闭当前摄像采集设备,开启另一摄像采集设备,并将另一摄像采集设备作为当前摄像采集设备;
S820:激活至少一个第一神经网络计算棒,所述第一神经网络计算棒配置第一目标追踪模型;
所述第一目标追踪模型可针对所述预定类型的待追踪目标执行目标追踪处理;
其中,所述另一摄像设备的分辨率大于所述当前摄像采集设备。
作为进一步的优选,在所述步骤S810中,
若当前摄像采集设备采集的当前图像包含预定类型的目标,并且当前摄像采集设备已经是相机阵列中分辨率最高的摄像采集设备,则保持当前摄像采集设备的开启状态不变;
否则,关闭当前摄像采集设备,开启另一分辨率较高的摄像采集设备,并将另一摄像采集设备作为当前摄像采集设备;
若当前摄像采集设备采集的当前图像不包含预定类型的目标,并且当前摄像采集设备不是相机阵列中分辨率最低的摄像采集设备,则关闭当前摄像采集设备,开启另一分辨率较低的摄像采集设备,并将另一摄像采集设备作为当前摄像采集设备;
若当前摄像采集设备采集的当前图像不包含预定类型的目标,并且当前摄像采集设备是相机阵列中分辨率最低的摄像采集设备,则保持当前摄像采集设备的开启状态不变。
作为进一步的示例,以相机阵列包含三个摄像采集设备为例。
所述方法基于包括第一分辨率的第一摄像采集设备、第二分辨率的第二摄像采集设备和第三分辨率的第三摄像采集设备的相机阵列实现,所述第二分辨率大于第一分辨率并且小于第三分辨率;
若所述当前摄像采集设备为第三摄像采集设备,并且所述当前摄像采集设备采集的当前图像包含预定类型的目标,则保持当前设备为开启状态的同时,激活多个第一神经网络计算棒。
举例来说,若当前摄像采集设备采集的当前图像包含人物类型的目标,则激活配置第一人物追踪模型的第一计算棒;
举例来说,若当前摄像采集设备采集的当前图像包含待追踪目标的类型为人物,并且包含第一数量的多个人物,则激活配置第二多目标人物追踪模型的第二计算棒,或者,激活第一数量的多个配置第三人物追踪模型的第三计算棒。
本发明的上述技术方案可以通过计算机设备,基于计算机程序指令自动 化实现。同样的,本发明还可以表现为一种计算机程序产品,所述程序产品承载于计算机存储介质,通过处理器执行所述程序,从而实现上述技术方案。
因此更多的实施例包括一种计算机设备,所述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可执行程序,所述处理器被配置为执行上述方法的各个步骤。
具体的,参见图6,提供一种计算机系统,所述计算机系统包括显示设备,所述显示设备包括USB接口和/或HDMI接口,USB接口和/或HDMI接口可连接多个计算棒,所述计算机系统通过指令激活至少一个计算棒,用于实现图3或图4所述的一种基于相机阵列的目标追踪方法。
通过结合本地边缘计算设备和计算棒实现目标追踪处理,计算棒为神经网络计算棒,不同的神经网络计算棒配置不同类型的神经网络推理模型;本发明的技术方案在确保目标追踪实时性的同时,降低硬件开启成本并确保追踪模型的适配性。
需要注意的是,本发明可以解决多个技术问题或者达到相应的技术效果,但是并不要求本发明的每一个实施例均解决所有技术问题或者达到所有的技术效果,单独解决某一个或者某几个技术问题、获得一个或多个改进效果的某个实施例同样构成单独的技术方案。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
本发明未特别明确的部分模块结构或者技术术语,以现有技术记载的内容为准。本发明在前述背景技术部分提及的现有技术可作为本发明的一部分,用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。
Claims (8)
- 一种基于相机阵列的目标追踪系统,所述相机阵列包括多个分辨率不同的摄像采集设备,所述摄像采集设备与远端控制设备无线通信,所述远端控制设备通过指令控制所述摄像采集设备的开启或者关闭;其特征在于:所述目标追踪系统还包括本地边缘计算终端和多个计算棒;所述本地边缘计算终端接收所述相机阵列采集的图像数据进行本地边缘计算处理,并将本地边缘计算处理结果发送至所述远端控制设备;所述多个计算棒与所述远端控制设备并行通信;所述远端控制设备基于所述本地边缘计算处理结果,激活至少一个计算棒;所述激活的至少一个计算棒接收所述本地边缘计算处理结果对应的图像数据,对所述图像数据执行目标追踪处理;所述本地边缘计算终端接收所述相机阵列采集的图像数据进行本地边缘计算处理,并将本地边缘计算处理结果发送至所述远端控制设备,具体包括:所述本地边缘计算终端接收所述相机阵列的第一分辨率的第一摄像采集设备采集的第一图像,识别所述第一图像中是否包含第一预定类型的待追踪目标;若所述第一图像中包含第一预定类型的待追踪目标,则将所述第一摄像采集设备的识别号和所述第一分辨率大小发送至所述远端控制设备;所述远端控制设备基于所述本地边缘计算处理结果,激活至少一个计算棒,具体包括:所述远端控制设备基于所述本地边缘计算处理结果,激活第一计算棒;所述第一计算棒配置第一目标追踪模型;所述第一目标追踪模型针对第一预定类型的待追踪目标执行目标追踪处理。
- 如权利要求1所述的一种基于相机阵列的目标追踪系统,其特征在于:所述多个计算棒为神经网络计算棒;不同的神经网络计算棒配置不同类型的神经网络推理模型。
- 如权利要求1所述的一种基于相机阵列的目标追踪系统,其特征在于:所述多个计算棒为配置目标追踪模型的神经网络计算棒;不同的神经网络计算棒配置的目标追踪模型追踪的目标类型不同。
- 如权利要求1所述的一种基于相机阵列的目标追踪系统,其特征在于:所述摄像采集设备与远端控制设备无线通信,所述远端控制设备通过指令控制所述摄像采集设备的开启或者关闭,具体包括:若所述本地边缘计算终端接收的所述相机阵列的第一分辨率的第一摄像采集设备采集的第一图像包含第一预定类型的待追踪目标,并且所述第一分辨率并不是所述相机阵列包含的摄像采集设备的最高分辨率,则所述远端控制设备通过指令关闭所述第一分辨率的所述第一摄像采集设备,同时开启第二摄像采集设备;所述第二摄像采集设备的第二分辨率大于所述第一分辨率,并且所述第二摄像采集设备与所述第一摄像采集设备邻接。
- 如权利要求1所述的一种基于相机阵列的目标追踪系统,其特征在于:所述激活的至少一个计算棒接收所述本地边缘计算处理结果对应的图像数据,对所述图像数据执行目标追踪处理,具体包括:所述第一计算棒接收所述第一摄像采集设备采集的第一图像,以及第二摄像采集设备采集的第二图像,执行目标追踪处理;所述第二摄像采集设备是所述远端控制设备通过指令关闭所述第一分辨率的所述第一摄像采集设备后开启的第二摄像采集设备。
- 一种基于相机阵列的目标追踪方法,所述方法基于权利要求1-5任一项所述的一种基于相机阵列的目标追踪系统实现;其特征在于,所述方法包括:S810:判断当前摄像采集设备采集的当前图像是否包含预定类型的目标;如果是,则关闭当前摄像采集设备,开启另一摄像采集设备,并将另一摄像采集设备作为当前摄像采集设备;S820:激活至少一个第一神经网络计算棒,所述第一神经网络计算棒配置第一目标追踪模型;所述第一目标追踪模型针对所述预定类型的待追踪目标执行目标追踪处理;其中,所述另一摄像采集设备的分辨率大于所述当前摄像采集设备。
- 如权利要求6所述的一种基于相机阵列的目标追踪方法,其特征在于:所述方法基于包括第一分辨率的第一摄像采集设备、第二分辨率的第二摄像采集设备和第三分辨率的第三摄像采集设备的相机阵列实现,所述第二分辨率大于第一分辨率并且小于第三分辨率;若所述当前摄像采集设备为第三摄像采集设备,并且所述当前摄像采集设备采集的当前图像包含预定类型的目标,则保持当前设备为开启状态的同时,激活多个第一神经网络计算棒。
- 一种计算机系统,所述计算机系统包括显示设备,所述显示设备包括USB接口和/或HDMI接口,USB接口和/或HDMI接口连接多个计算棒,所述计算机系统通过指令激活至少一个计算棒,用于实现权利要求6或7任一项所述的一种基于相机阵列的目标追踪方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210215587.2 | 2022-03-07 | ||
CN202210215587.2A CN114723781B (zh) | 2022-03-07 | 2022-03-07 | 基于相机阵列的目标追踪方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023169053A1 true WO2023169053A1 (zh) | 2023-09-14 |
Family
ID=82237356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2022/141927 WO2023169053A1 (zh) | 2022-03-07 | 2022-12-26 | 基于相机阵列的目标追踪方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114723781B (zh) |
WO (1) | WO2023169053A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723781B (zh) * | 2022-03-07 | 2022-10-28 | 北京拙河科技有限公司 | 基于相机阵列的目标追踪方法及系统 |
CN115361499B (zh) * | 2022-08-16 | 2024-03-12 | 小视科技(江苏)股份有限公司 | 双机协同的边防目标识别与追踪系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705395A (zh) * | 2019-09-18 | 2020-01-17 | 北京邮电大学 | 一种基于树莓派的检测系统 |
CN111259461A (zh) * | 2020-01-20 | 2020-06-09 | 北京科芮智盈技术有限公司 | 防窃照方法、终端设备及系统 |
CN112419401A (zh) * | 2020-11-23 | 2021-02-26 | 上海交通大学 | 一种基于云边协同与深度学习的飞机表面缺陷检测系统 |
CN112532870A (zh) * | 2020-11-09 | 2021-03-19 | 福建福瑞康信息技术有限公司 | 多终端自适应数据处理方法和系统 |
US20210117697A1 (en) * | 2020-12-26 | 2021-04-22 | Francesc Guim Bernat | Edge automatic and adaptive processing activations |
US11017539B2 (en) * | 2018-04-30 | 2021-05-25 | Intel Corporation | Object tracking and identification using intelligent camera orchestration |
CN113327219A (zh) * | 2021-06-21 | 2021-08-31 | 易成功(厦门)信息科技有限公司 | 基于多源数据融合的图像处理方法与系统 |
CN113837222A (zh) * | 2021-08-23 | 2021-12-24 | 南京信息职业技术学院 | 一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用方法及装置 |
CN114723781A (zh) * | 2022-03-07 | 2022-07-08 | 北京拙河科技有限公司 | 基于相机阵列的目标追踪方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI768735B (zh) * | 2019-02-01 | 2022-06-21 | 國立中央大學 | 移動裝置之辨識方法、移動裝置之辨識與停駐偵測方法以及移動裝置之辨識與停駐偵測系統 |
CN110161932A (zh) * | 2019-06-11 | 2019-08-23 | 浙江嘉科电子有限公司 | 一种基于边缘计算和多传感器接口的智能车载终端 |
CN110909648B (zh) * | 2019-11-15 | 2023-08-25 | 华东师范大学 | 使用神经网络在边缘计算设备上实现的人流量监控方法 |
US20220012494A1 (en) * | 2020-07-10 | 2022-01-13 | TerraClear Inc. | Intelligent multi-visual camera system and method |
US20210081271A1 (en) * | 2020-09-25 | 2021-03-18 | Intel Corporation | Dynamic tracing control |
US20220004351A1 (en) * | 2020-09-26 | 2022-01-06 | Intel Corporation | Hardware architecture for multi-display video synchronization |
-
2022
- 2022-03-07 CN CN202210215587.2A patent/CN114723781B/zh active Active
- 2022-12-26 WO PCT/CN2022/141927 patent/WO2023169053A1/zh unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11017539B2 (en) * | 2018-04-30 | 2021-05-25 | Intel Corporation | Object tracking and identification using intelligent camera orchestration |
CN110705395A (zh) * | 2019-09-18 | 2020-01-17 | 北京邮电大学 | 一种基于树莓派的检测系统 |
CN111259461A (zh) * | 2020-01-20 | 2020-06-09 | 北京科芮智盈技术有限公司 | 防窃照方法、终端设备及系统 |
CN112532870A (zh) * | 2020-11-09 | 2021-03-19 | 福建福瑞康信息技术有限公司 | 多终端自适应数据处理方法和系统 |
CN112419401A (zh) * | 2020-11-23 | 2021-02-26 | 上海交通大学 | 一种基于云边协同与深度学习的飞机表面缺陷检测系统 |
US20210117697A1 (en) * | 2020-12-26 | 2021-04-22 | Francesc Guim Bernat | Edge automatic and adaptive processing activations |
CN113327219A (zh) * | 2021-06-21 | 2021-08-31 | 易成功(厦门)信息科技有限公司 | 基于多源数据融合的图像处理方法与系统 |
CN113837222A (zh) * | 2021-08-23 | 2021-12-24 | 南京信息职业技术学院 | 一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用方法及装置 |
CN114723781A (zh) * | 2022-03-07 | 2022-07-08 | 北京拙河科技有限公司 | 基于相机阵列的目标追踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114723781B (zh) | 2022-10-28 |
CN114723781A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023169053A1 (zh) | 基于相机阵列的目标追踪方法及系统 | |
WO2020125623A1 (zh) | 活体检测方法、装置、存储介质及电子设备 | |
WO2021043112A1 (zh) | 图像分类方法以及装置 | |
Yang et al. | Real-to-virtual domain unification for end-to-end autonomous driving | |
Wu et al. | Using a CNN-LSTM for basic behaviors detection of a single dairy cow in a complex environment | |
EP4250189A1 (en) | Model training method, data processing method and apparatus | |
US9177245B2 (en) | Spiking network apparatus and method with bimodal spike-timing dependent plasticity | |
CN106650592B (zh) | 目标追踪系统 | |
WO2019033747A1 (zh) | 无人机智能跟随目标确定方法、无人机和遥控器 | |
WO2021155792A1 (zh) | 一种处理装置、方法及存储介质 | |
US20150032258A1 (en) | Apparatus and methods for controlling of robotic devices | |
Sadgrove et al. | Real-time object detection in agricultural/remote environments using the multiple-expert colour feature extreme learning machine (MEC-ELM) | |
WO2022001372A1 (zh) | 训练神经网络的方法、图像处理方法及装置 | |
US11256921B2 (en) | System and method for identifying events of interest in images from one or more imagers in a computing network | |
WO2021047587A1 (zh) | 手势识别方法、电子设备、计算机可读存储介质和芯片 | |
CN111241985B (zh) | 一种视频内容识别方法、装置、存储介质、以及电子设备 | |
WO2021018245A1 (zh) | 图像分类方法及装置 | |
Park et al. | Real-time, highly accurate robotic grasp detection using fully convolutional neural network with rotation ensemble module | |
Martinez-Alpiste et al. | Benchmarking machine-learning-based object detection on a UAV and mobile platform | |
US20210201501A1 (en) | Motion-based object detection method, object detection apparatus and electronic device | |
US20210074001A1 (en) | Motion Detection Method and Motion Detection System with Low Computational Complexity and High Detection Accuracy | |
CN112668366A (zh) | 图像识别方法、装置、计算机可读存储介质及芯片 | |
JP2019194902A (ja) | 情報処理方法、機器、システム及び記憶媒体 | |
WO2024002211A1 (zh) | 一种图像处理方法及相关装置 | |
WO2022111387A1 (zh) | 一种数据处理方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22930672 Country of ref document: EP Kind code of ref document: A1 |