掌桥专利:专业的专利平台
掌桥专利
首页

目标跟踪方法、装置、存储介质及计算机设备

文献发布时间:2023-06-19 18:37:28


目标跟踪方法、装置、存储介质及计算机设备

技术领域

本申请涉及视频分析技术领域,尤其涉及一种目标跟踪方法、装置、存储介质及计算机设备。

背景技术

目标跟踪是视频分析的核心问题之一,在人机交互、视频监控、增强现实等领域有着广泛的应用。虽然在过去几十年来该技术的研究取得了很大的进展,但由于应用中存在光照变化、刚性形变、快速运动、部分遮挡、背景繁杂等多种因素,寻求快速稳定、适合对象变化的跟踪方法始终是一个挑战。

现有技术中,基于核相关滤波的目标跟踪技术是目前具有代表意义的目标跟踪技术之一,能提高目标跟踪鲁棒性和准确性,但在跟踪过程中,由于不对跟踪的结果进行准确性检测,一旦目标在当前帧被错误地检测、严重遮挡或者完全丢失,最终可能导致目标跟踪失败,降低了目标跟踪的可靠性和准确性。

发明内容

本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中由于不对跟踪的结果进行准确性检测,一旦目标在当前帧被错误地检测、严重遮挡或者完全丢失,最终可能导致目标跟踪失败,降低了目标跟踪的可靠性和准确性的技术缺陷。

第一方面,本申请提供了一种目标跟踪方法,所述方法包括:

获取待分析视频;其中,所述待分析视频包括至少两帧图像;

根据所述待分析视频中每一帧图像的时间顺序,在所述待分析视频中确定当前需要处理的第一目标图像;

若所述第一目标图像不是所述待分析视频中的最后一帧图像,则根据所述第一目标图像,确定与所述第一目标图像对应的第二目标图像及原始位置;其中,所述原始位置为所述第一目标图像的下一帧图像中第二目标图像的位置;

根据所述第二目标图像和预设的目标模型,确定第一目标得分和目标数值;其中,所述第一目标得分为所述第二目标图像在所述目标模型中的最大响应值,所述目标数值用于反映所述第二目标图像对应的响应图的波动程度;判断是否存在已构建的SVM分类器,若存在已构建的SVM分类器,则判断所述第一目标得分是否小于第一预设阈值;

若所述第一目标得分小于所述第一预设阈值,则调用所述SVM分类器对所述第二目标图像进行重检测,得到与所述第二目标图像对应的第二目标得分和目标位置;其中,所述第二目标得分为所述第二目标图像在所述SVM分类器中的最大响应值;

若所述第二目标得分大于第一比对值,则更新所述原始位置为所述目标位置;其中,所述第一比对值为所述第一目标得分与第一预设倍数的积。

在其中一个实施例中,所述确定与所述第一目标图像对应的第二目标图像及原始位置,包括:

对所述第一目标图像进行加窗操作,根据经过加窗操作的第一目标图训练已设置的上下文模型;

根据预设策略,对所述第一目标图像进行图像截取,确定第二目标图像;对所述第二目标图像进行特征提取,得到与所述第二目标图像对应的第一目标特征;

将所述第一目标特征输入所述上下文模型中,确定与所述第一目标特征对应原始位置。

在其中一个实施例中,所述对所述第一目标图像进行加窗操作,包括:

获取所述第一目标图像的各个像素值;

将各个所述像素值乘以一个单位的余弦窗,得到与各个所述像素值对应目标像素值;

根据各个所述目标像素值,更新所述第一目标图像。

在其中一个实施例中,所述根据所述第二目标图像和预设的目标模型,确定第一目标得分和目标数值,包括:

对所述第二目标图像进行尺寸变换,得到与所述第二目标图像对应的多个图像块;

分别对各个所述图像块进行特征提取,得到与各个所述图像块对应的第二目标特征;

将各个所述第二目标特征输入所述目标模型,确定与所述第二目标图像对应的第一目标得分和目标数值并将所述目标数值添加在已设置的记录表中。

在其中一个实施例中,所述方法还包括:

获取平均值,其中,所述平均值为所述记录表中各个所述目标数值的平均值;

若所述第二目标得分大于第二预设阈值且所述目标数值大于第二比对值,则更新所述目标模型和所述SVM分类器;其中,所述第二比对值为所述平均值与第二预设倍数的积。

在其中一个实施例中,所述方法还包括:

若所述第一目标得分大于或等于所述第一预设阈值,则不需要调用所述SVM分类器对各个所述第二目标特征进行重检测,所述原始位置即为预测的下一帧图像的目标跟踪结果。

第二方面,本申请提供了一种目标跟踪装置,所述装置包括:

获取模块,用于获取待分析视频;其中,所述待分析视频包括至少两帧图像;

第一确定模块,用于根据所述待分析视频中每一帧图像的时间顺序,在所述待分析视频中确定当前需要处理的第一目标图像;

第二确定模块,用于若所述第一目标图像不是所述待分析视频中的最后一帧图像,则根据所述第一目标图像,确定与所述第一目标图像对应的第二目标图像及原始位置;其中,所述原始位置为所述第一目标图像的下一帧图像中第二目标图像的位置;

第三确定模块,用于根据所述第二目标图像和预设的目标模型,确定第一目标得分和目标数值;其中,所述第一目标得分为所述第二目标图像在所述目标模型中的最大响应值,所述目标数值用于反映所述第二目标图像对应的响应图的波动程度;

判断模块,用于判断是否存在已构建的SVM分类器,若存在已构建的SVM分类器,则判断所述第一目标得分是否小于第一预设阈值;

重检测模块,用于若所述第一目标得分小于所述第一预设阈值,则调用所述SVM分类器对所述第二目标图像进行重检测,得到与所述第二目标图像对应的第二目标得分和目标位置;其中,所述第二目标得分为所述第二目标图像在所述SVM分类器中的最大响应值;

目标位置更新模块,用于若所述第二目标得分大于第一比对值,则更新所述原始位置为所述目标位置;其中,所述第一比对值为所述第一目标得分与第一预设倍数的积。

在其中一个实施例中,所述第二确定模块包括:

模型更新子模块,用于对所述第一目标图像进行加窗操作,根据经过加窗操作的第一目标图训练已设置的上下文模型;

图像截取子模块,用于根据预设策略,对所述第一目标图像进行图像截取,确定第二目标图像;

获取子模块,用于对所述第二目标图像进行特征提取,得到与所述第二目标图像对应的第一目标特征;

位置确定子模块,用于将所述第一目标特征输入所述上下文模型中,确定与所述第一目标特征对应原始位置。

第三方面,本申请提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述任一项实施例所述目标跟踪方法的步骤。

第四方面,本申请提供了一种计算机设备,包括:一个或多个处理器,以及存储器;

所述存储器中存储有计算机可读指令,所述一个或多个处理器执行时所述计算机可读指令时,执行如上述任一项实施例所述目标跟踪方法的步骤。

从以上技术方案可以看出,本申请实施例具有以下优点:

本申请提供的目标跟踪方法、装置、存储介质及计算机设备,所述方法包括:获取待分析视频;其中,所述待分析视频包括至少两帧图像;根据所述待分析视频中每一帧图像的时间顺序,在所述待分析视频中确定当前需要处理的第一目标图像;若所述第一目标图像不是所述待分析视频中的最后一帧图像,则根据所述第一目标图像,确定与所述第一目标图像对应的第二目标图像及原始位置;其中,所述原始位置为所述第一目标图像的下一帧图像中第二目标图像的位置;根据所述第二目标图像和预设的目标模型,确定第一目标得分和目标数值;其中,所述第一目标得分为所述第二目标图像在所述目标模型中的最大响应值,所述目标数值用于反映所述第二目标图像对应的响应图的波动程度;进而判断是否存在已构建的SVM分类器,若存在已构建的SVM分类器,则判断所述第一目标得分是否小于第一预设阈值;若所述第一目标得分小于所述第一预设阈值,则调用所述SVM分类器对所述第二目标图像进行重检测,从而得到与所述第二目标图像对应的第二目标得分和目标位置;其中,所述第二目标得分为所述第二目标图像在所述SVM分类器中的最大响应值;若所述第二目标得分大于第一比对值,则更新所述原始位置为所述目标位置;其中,所述第一比对值为所述第一目标得分与第一预设倍数的积。应用本申请提供的方法,通过对每一帧的图像进行目标跟踪并对跟踪结果进行准确性检验,根据检验的结果,判断是否需要更新目标跟踪的结果,提高了目标跟踪的可靠性和准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有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性的前提下,还可以根据这些附图获得其它的附图。

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确定与所述第一目标图像对应的第二目标图像及原始位置的步骤的流程示意图;

图3为本申请实施例提供的对所述第一目标图像进行加窗操作的步骤的流程示意图;

图4为本申请实施例提供的根据所述第二目标图像和预设的目标模型,确定第一目标得分和目标数值的步骤的流程示意图;

图5为本申请实施例提供的一种目标跟踪装置的结构示意图;

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。

具体实施方式

下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动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。

在其中一个实施例中,本申请提供了一种目标跟踪方法,下述实施例以该方法应用于服务器进行说明。可以理解,执行目标跟踪方法可以是单个服务器,也可以是由多个服务器组成的服务器集群,本申请对此不作具体限制。

如图1所示,本发明实施例提供了一种目标跟踪方法,所述方法包括:

步骤S101:获取待分析视频。

其中,所述待分析视频包括至少两帧图像。

具体而言,所述待分析视频可以是实时的监控视频,也可以是各种视频文件;由于对当前处理的图像经过目标跟踪得到的是下一帧图像中目标的位置,因此,所述待分析视频至少要包含两帧图像。

步骤S102:根据所述待分析视频中每一帧图像的时间顺序,在所述待分析视频中确定当前需要处理的第一目标图像。

步骤S103:若所述第一目标图像不是所述待分析视频中的最后一帧图像,则根据所述第一目标图像,确定与所述第一目标图像对应的第二目标图像及原始位置。

其中,所述原始位置为所述第一目标图像的下一帧图像中第二目标图像的位置。

可以理解的是,若所述第一目标图像是所述待分析视频中的最后一帧图像,则没有必要对最后一帧图像进行分析。

示例性地,假设待分析视频A存在三帧图像,按时间顺序分别为图像a、图像b和图像c,那么,根据所述待分析视频A中每一帧图像的时间顺序可以在所述待分析视频A中确定所述图像a为当前需要处理的第一目标图像,对所述第一目标图像进行目标跟踪,预测下一帧图像也就是所述图像b中目标的位置,对所述第一目标图像分析完成后,可以在所述待分析视频A中确定所述图像b为当前需要处理的第一目标图像,对所述第一目标图像进行目标跟踪,预测下一帧图像也就是所述图像c中目标的位置,对所述第一目标图像分析完成后,由于所述图像c是所述待分析视频A的最后一帧图像,所以无需对所述图像c进行目标跟踪,因此,完成对所述图像b的分析后,即所述待分析视频A的也分析完成了。

步骤S104:根据所述第二目标图像和预设的目标模型,确定第一目标得分和目标数值。

其中,所述第一目标得分为所述第二目标图像在所述目标模型中的最大响应值,所述目标数值用于反映所述第二目标图像对应的响应图的波动程度。

更进一步地,所述第一目标得分为得分函数F(z;α)中的最大值,因此,所述第一目标得分可以定义为F

F

所述目标数值的计算是基于NEW准则,所述NEW准则定义为:

其中,F

示例性地,对于越尖锐峰和越少噪声的情况,目标显而易见地出现在检测的范围内,NEW将变得很大,并且响应图除了一个尖峰外逐渐平滑,否则,如果目标被遮挡或丢失,NEW将显著降低。

步骤S105:判断是否存在已构建的SVM分类器,若存在已构建的SVM分类器,则判断所述第一目标得分是否小于第一预设阈值。

其中,所述SVM分类器是基于SVM(support vector machines,支持向量机)算法的分类器,是一种二分类模型,通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,亦能获得良好统计规律的目的。

步骤S106:若所述第一目标得分小于所述第一预设阈值,则调用所述SVM分类器对所述第二目标图像进行重检测,得到与所述第二目标图像对应的第二目标得分和目标位置。

其中,所述第二目标得分为所述第二目标图像在所述SVM分类器中的最大响应值。

本步骤中,所述第二目标得分的计算可参考步骤S104的说明。

具体而言,所述目标位置为所述第一目标图像的下一帧图像中第二目标图像的位置,与所述原始位置不同的是,所述目标位置是在所述SVM分类器中得到的,而所述原始位置是在上下文模型中得到的,通过判断所述第二目标得分是否满足条件以确定当前正在处理的图像的跟踪目标位置是采用所述原始位置还是所述目标位置。

步骤S107:若所述第二目标得分大于第一比对值,则更新所述原始位置为所述目标位置。

其中,所述第一比对值为所述第一目标得分与第一预设倍数的积。

更进一步地,所述第一预设倍数为大于1的数值,即所述第二目标得分大于所述第一目标得分与一个大于1的数值的乘积,则将所述目标位置确定为当前正在处理的图像的跟踪目标位置。

本申请提供的目标跟踪方法、装置、存储介质及计算机设备,所述方法包括:获取待分析视频;其中,所述待分析视频包括至少两帧图像;根据所述待分析视频中每一帧图像的时间顺序,在所述待分析视频中确定当前需要处理的第一目标图像;若所述第一目标图像不是所述待分析视频中的最后一帧图像,则根据所述第一目标图像,确定与所述第一目标图像对应的第二目标图像及原始位置;其中,所述原始位置为所述第一目标图像的下一帧图像中第二目标图像的位置;根据所述第二目标图像和预设的目标模型,确定第一目标得分和目标数值;其中,所述第一目标得分为所述第二目标图像在所述目标模型中的最大响应值,所述目标数值用于反映所述第二目标图像对应的响应图的波动程度;进而判断是否存在已构建的SVM分类器,若存在已构建的SVM分类器,则判断所述第一目标得分是否小于第一预设阈值;若所述第一目标得分小于所述第一预设阈值,则调用所述SVM分类器对所述第二目标图像进行重检测,从而得到与所述第二目标图像对应的第二目标得分和目标位置;其中,所述第二目标得分为所述第二目标图像在所述SVM分类器中的最大响应值;若所述第二目标得分大于第一比对值,则更新所述原始位置为所述目标位置;其中,所述第一比对值为所述第一目标得分与第一预设倍数的积。应用本申请提供的方法,通过对每一帧的图像进行目标跟踪并对跟踪结果进行准确性检验,根据检验的结果,判断是否需要更新目标跟踪的结果,提高了目标跟踪的可靠性和准确性。

如图2所示,在其中一个实施例中,所述确定与所述第一目标图像对应的第二目标图像及原始位置,包括:

步骤S201:对所述第一目标图像进行加窗操作,根据经过加窗操作的第一目标图训练已设置的上下文模型。

本步骤中,为了训练所述上下文模型,需要对所述第一目标图像加一层空间权重,也就是上述的加窗操作。

步骤S202:根据预设策略,对所述第一目标图像进行图像截取,确定第二目标图像。

可以理解的是,所述第二目标图像为所述第一目标图像中的一部分,通过截取操作,可以将所述第一目标图像中目标所在的位置的图像截取出来,针对截取出来的图像进行进一步的分析。

步骤S203:对所述第二目标图像进行特征提取,得到与所述第二目标图像对应的第一目标特征。

步骤S204:将所述第一目标特征输入所述上下文模型中,确定与所述第一目标特征对应原始位置。

如图3所示,在其中一个实施例中,所述对所述第一目标图像进行加窗操作,包括:

步骤S301:获取所述第一目标图像的各个像素值。

步骤S302:将各个所述像素值乘以一个单位的余弦窗,得到与各个所述像素值对应目标像素值。

可以理解的是,将各个所述像素值乘以一个单位的余弦窗即步骤S201中的加窗操作,目的是为了使靠近图像边缘的像素值接近于零,这样有利于突出靠近中心的目标,能够提高图像截取的准确性,进而提高所述目标跟踪方法的可靠性和准确性。

步骤S303:根据各个所述目标像素值,更新所述第一目标图像。

如图4所示,在其中一个实施例中,所述根据所述第二目标图像和预设的目标模型,确定第一目标得分和目标数值,包括:

步骤S401:对所述第二目标图像进行尺寸变换,得到与所述第二目标图像对应的多个图像块。

本步骤中,在所述第二目标图像上的原始位置中通过构建目标尺度金字塔用来估计目标尺度。

示例性地,假设当前正在处理的图像中的目标大小为p×Q,通过预设N来构建的尺度池如下:

其中,s为图像尺寸变换与原尺寸的倍数,对于每一个s,在以所述原始位置为中心提取sP×sQ大小的图像块J

可以理解的是,通过尺寸变换,得到多个不同尺寸的图像块,并估计最佳的尺寸用于分析和构建SVM分类器,能够提高目标跟踪的准确性和可靠性。

步骤S402:分别对各个所述图像块进行特征提取,得到与各个所述图像块对应的第二目标特征。

步骤S403:将各个所述第二目标特征输入所述目标模型,确定与所述第二目标图像对应的第一目标得分和目标数值并将所述目标数值添加在已设置的记录表中。

其中,所述目标模型为一种判别式回归模型。

在其中一个实施例中,所述方法还包括:

获取平均值,其中,所述平均值为所述记录表中各个所述目标数值的平均值;

若所述第二目标得分大于第二预设阈值且所述目标数值大于第二比对值,则更新所述目标模型和所述SVM分类器;其中,所述第二比对值为所述平均值与第二预设倍数的积。

示例性地,假设所述记录表中有三个目标数值,分别为1、2和3,所述第二目标得分为1.5,所述第二预设阈值为1.2,所述目标数值为4,所述第二预设倍数为1.5,则计算平均值为2,那么第二比对值为3,所述第二目标得分大于所述第二预设阈值,并且所述目标数值大于所述第二比对值,因此,更新所述目标模型和所述SVM分类器。

在其中一个实施例中,所述方法还包括:

若所述第一目标得分大于或等于所述第一预设阈值,则不需要调用所述SVM分类器对各个所述第二目标特征进行重检测,所述原始位置即为预测的下一帧图像的目标跟踪结果。

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。

下面对本申请实施例提供的目标跟踪装置进行描述,下文描述的目标跟踪装置与上文描述的目标跟踪方法可相互对应参照。

如图5所示,本申请实施例提供了一种目标跟踪装置500,所述装置包括:

获取模块501,用于获取待分析视频;其中,所述待分析视频包括至少两帧图像;

第一确定模块502,用于根据所述待分析视频中每一帧图像的时间顺序,在所述待分析视频中确定当前需要处理的第一目标图像;

第二确定模块503,用于若所述第一目标图像不是所述待分析视频中的最后一帧图像,则根据所述第一目标图像,确定与所述第一目标图像对应的第二目标图像及原始位置;其中,所述原始位置为所述第一目标图像的下一帧图像中第二目标图像的位置;

第三确定模块504,用于根据所述第二目标图像和预设的目标模型,确定第一目标得分和目标数值;其中,所述第一目标得分为所述第二目标图像在所述目标模型中的最大响应值,所述目标数值用于反映所述第二目标图像对应的响应图的波动程度;

判断模块505,用于判断是否存在已构建的SVM分类器,若存在已构建的SVM分类器,则判断所述第一目标得分是否小于第一预设阈值;

重检测模块506,用于若所述第一目标得分小于所述第一预设阈值,则调用所述SVM分类器对所述第二目标图像进行重检测,得到与所述第二目标图像对应的第二目标得分和目标位置;其中,所述第二目标得分为所述第二目标图像在所述SVM分类器中的最大响应值;

目标位置更新模块507,用于若所述第二目标得分大于第一比对值,则更新所述原始位置为所述目标位置;其中,所述第一比对值为所述第一目标得分与第一预设倍数的积。

在其中一个实施例中,所述第二确定模块503包括:

模型更新子模块,用于对所述第一目标图像进行加窗操作,根据经过加窗操作的第一目标图训练已设置的上下文模型;

图像截取子模块,用于根据预设策略,对所述第一目标图像进行图像截取,确定第二目标图像;

获取子模块,用于对所述第二目标图像进行特征提取,得到与所述第二目标图像对应的第一目标特征;

位置确定子模块,用于将所述第一目标特征输入所述上下文模型中,确定与所述第一目标特征对应原始位置。

在其中一个实施例中,所述模型更新子模块包括:

获取单元,用于获取所述第一目标图像的各个像素值;

处理单元,用于将各个所述像素值乘以一个单位的余弦窗,得到与各个所述像素值对应目标像素值;

更新单元,用于根据各个所述目标像素值,更新所述第一目标图像。

在其中一个实施例中,所述第三确定模块504包括:

尺寸变换子模块,用于对所述第二目标图像进行尺寸变换,得到与所述第二目标图像对应的多个图像块;

特征提取子模块,用于分别对各个所述图像块进行特征提取,得到与各个所述图像块对应的第二目标特征;

确定子模块,用于将各个所述第二目标特征输入所述目标模型,确定与所述第二目标图像对应的第一目标得分和目标数值并将所述目标数值添加在已设置的记录表中。

在其中一个实施例中,所述装置还包括:

平均值获取子模块,用于获取平均值,其中,所述平均值为所述记录表中各个所述目标数值的平均值;

更新子模块,用于若所述第二目标得分大于第二预设阈值且所述目标数值大于第二比对值,则更新所述目标模型和所述SVM分类器;其中,所述第二比对值为所述平均值与第二预设倍数的积。

在其中一个实施例中,所述装置还包括:

判断子模块,用于若所述第一目标得分大于或等于所述第一预设阈值,则不需要调用所述SVM分类器对各个所述第二目标特征进行重检测,所述原始位置即为预测的下一帧图像的目标跟踪结果。

上述目标跟踪装置中各个模块的划分仅仅用于举例说明,在其他实施例中,可将目标跟踪装置按照需要划分为不同的模块,以完成上述目标跟踪装置的全部或部分功能。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。

在一个实施例中,本申请还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行以下步骤:

获取待分析视频;其中,所述待分析视频包括至少两帧图像;

根据所述待分析视频中每一帧图像的时间顺序,在所述待分析视频中确定当前需要处理的第一目标图像;

若所述第一目标图像不是所述待分析视频中的最后一帧图像,则根据所述第一目标图像,确定与所述第一目标图像对应的第二目标图像及原始位置;其中,所述原始位置为所述第一目标图像的下一帧图像中第二目标图像的位置;

根据所述第二目标图像和预设的目标模型,确定第一目标得分和目标数值;其中,所述第一目标得分为所述第二目标图像在所述目标模型中的最大响应值,所述目标数值用于反映所述第二目标图像对应的响应图的波动程度;

判断是否存在已构建的SVM分类器,若存在已构建的SVM分类器,则判断所述第一目标得分是否小于第一预设阈值;

若所述第一目标得分小于所述第一预设阈值,则调用所述SVM分类器对所述第二目标图像进行重检测,得到与所述第二目标图像对应的第二目标得分和目标位置;其中,所述第二目标得分为所述第二目标图像在所述SVM分类器中的最大响应值;

若所述第二目标得分大于第一比对值,则更新所述原始位置为所述目标位置;其中,所述第一比对值为所述第一目标得分与第一预设倍数的积。

在其中一个实施例中,计算机可读指令被处理器执行时还实现以下步骤:

对所述第一目标图像进行加窗操作,根据经过加窗操作的第一目标图训练已设置的上下文模型;

根据预设策略,对所述第一目标图像进行图像截取,确定第二目标图像;

对所述第二目标图像进行特征提取,得到与所述第二目标图像对应的第一目标特征;

将所述第一目标特征输入所述上下文模型中,确定与所述第一目标特征对应原始位置。

在其中一个实施例中,计算机可读指令被处理器执行时还实现以下步骤:

获取所述第一目标图像的各个像素值;

将各个所述像素值乘以一个单位的余弦窗,得到与各个所述像素值对应目标像素值;

根据各个所述目标像素值,更新所述第一目标图像。

在其中一个实施例中,计算机可读指令被处理器执行时还实现以下步骤:

对所述第二目标图像进行尺寸变换,得到与所述第二目标图像对应的多个图像块;

分别对各个所述图像块进行特征提取,得到与各个所述图像块对应的第二目标特征;

将各个所述第二目标特征输入所述目标模型,确定与所述第二目标图像对应的第一目标得分和目标数值并将所述目标数值添加在已设置的记录表中。

在其中一个实施例中,计算机可读指令被处理器执行时还实现以下步骤:

获取平均值,其中,所述平均值为所述记录表中各个所述目标数值的平均值;

若所述第二目标得分大于第二预设阈值且所述目标数值大于第二比对值,则更新所述目标模型和所述SVM分类器;其中,所述第二比对值为所述平均值与第二预设倍数的积。

在其中一个实施例中,计算机可读指令被处理器执行时还实现以下步骤:

若所述第一目标得分大于或等于所述第一预设阈值,则不需要调用所述SVM分类器对各个所述第二目标特征进行重检测,所述原始位置即为预测的下一帧图像的目标跟踪结果。

在一个实施例中,本申请还提供了一种计算机设备,所述计算机设备中存储有计算机可读指令,所述一个或多个处理器执行所述计算机可读指令时,执行以下步骤:

获取待分析视频;其中,所述待分析视频包括至少两帧图像;

根据所述待分析视频中每一帧图像的时间顺序,在所述待分析视频中确定当前需要处理的第一目标图像;

若所述第一目标图像不是所述待分析视频中的最后一帧图像,则根据所述第一目标图像,确定与所述第一目标图像对应的第二目标图像及原始位置;其中,所述原始位置为所述第一目标图像的下一帧图像中第二目标图像的位置;

根据所述第二目标图像和预设的目标模型,确定第一目标得分和目标数值;其中,所述第一目标得分为所述第二目标图像在所述目标模型中的最大响应值,所述目标数值用于反映所述第二目标图像对应的响应图的波动程度;

判断是否存在已构建的SVM分类器,若存在已构建的SVM分类器,则判断所述第一目标得分是否小于第一预设阈值;

若所述第一目标得分小于所述第一预设阈值,则调用所述SVM分类器对所述第二目标图像进行重检测,得到与所述第二目标图像对应的第二目标得分和目标位置;其中,所述第二目标得分为所述第二目标图像在所述SVM分类器中的最大响应值;

若所述第二目标得分大于第一比对值,则更新所述原始位置为所述目标位置;其中,所述第一比对值为所述第一目标得分与第一预设倍数的积。

在其中一个实施例中,处理器执行计算机可读指令时还执行以下步骤:

对所述第一目标图像进行加窗操作,根据经过加窗操作的第一目标图训练已设置的上下文模型;

根据预设策略,对所述第一目标图像进行图像截取,确定第二目标图像;

对所述第二目标图像进行特征提取,得到与所述第二目标图像对应的第一目标特征;

将所述第一目标特征输入所述上下文模型中,确定与所述第一目标特征对应原始位置。

在其中一个实施例中,处理器执行计算机可读指令时还执行以下步骤:

获取所述第一目标图像的各个像素值;

将各个所述像素值乘以一个单位的余弦窗,得到与各个所述像素值对应目标像素值;

根据各个所述目标像素值,更新所述第一目标图像。

在其中一个实施例中,处理器执行计算机可读指令时还执行以下步骤:

对所述第二目标图像进行尺寸变换,得到与所述第二目标图像对应的多个图像块;

分别对各个所述图像块进行特征提取,得到与各个所述图像块对应的第二目标特征;

将各个所述第二目标特征输入所述目标模型,确定与所述第二目标图像对应的第一目标得分和目标数值并将所述目标数值添加在已设置的记录表中。

在其中一个实施例中,处理器执行计算机可读指令时还执行以下步骤:

获取平均值,其中,所述平均值为所述记录表中各个所述目标数值的平均值;

若所述第二目标得分大于第二预设阈值且所述目标数值大于第二比对值,则更新所述目标模型和所述SVM分类器;其中,所述第二比对值为所述平均值与第二预设倍数的积。

在其中一个实施例中,处理器执行计算机可读指令时还执行以下步骤:

若所述第一目标得分大于或等于所述第一预设阈值,则不需要调用所述SVM分类器对各个所述第二目标特征进行重检测,所述原始位置即为预测的下一帧图像的目标跟踪结果。

示意性地,如图6所示,图6为本申请实施例提供的一种计算机设备的内部结构示意图,该计算机设备600可以被提供为一服务器。参照图6,计算机设备600包括处理组件602,其进一步包括一个或多个处理器,以及由存储器601所代表的存储器资源,用于存储可由处理组件602的执行的指令,例如应用程序。存储器601中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件602被配置为执行指令,以执行上述任意实施例的目标跟踪方法。

计算机设备600还可以包括一个电源组件603被配置为执行计算机设备600的电源管理,一个有线或无线网络接口604被配置为将计算机设备600连接到网络,和一个输入输出(I/O)接口605。计算机设备600可以操作基于存储在存储器601的操作系统,例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。

本领域技术人员可以理解,图6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。

最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本文中,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时,在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。

本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。

对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术分类

06120115630585