目标跟踪方法、装置、电子设备及可读存储介质
文献发布时间:2023-06-19 18:58:26
技术领域
本申请涉及视频监控技术领域,尤其涉及一种目标跟踪方法、装置、电子设备及可读存储介质。
背景技术
目前,在跟踪球机的应用中,通常会采用主流的单目标跟踪算法,例如基于滤波的KCF算法,控制云台跟随目标转动,以使目标位置趋于图像中心,但是该算法的计算量较大,很难应用在计算能力较弱的设备上,与此同时,基于相关滤波的跟踪算法依靠滤波器判别目标的新位置,且为了适应目标的变化,需要自动更新滤波器参数,但在跟踪过程中,目标时常会发生遮挡、形变、尺度变化、超出搜索范围等情况,造成滤波器被污染,这就导致目标跟踪的准确率低。
发明内容
本申请的主要目的在于提供一种目标跟踪方法、装置、电子设备及可读存储介质,旨在解决现有技术中目标跟踪的准确率低的技术问题。
为实现上述目的,本申请提供一种目标跟踪方法,所述目标跟踪方法包括:
获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型;
依据所述待跟踪目标的跟踪尺寸和所述位置滤波器模型的滤波器尺寸,训练得到尺度滤波器模型,其中,所述尺度滤波器模型用于跟踪待跟踪目标的尺度变化;
若检测到下一图像帧对应的训练帧数大于预设训练帧数,则根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度;
根据所述尺度变化、所述置信度和预设置信度阈值,对所述待跟踪目标进行跟踪,得到跟踪结果。
为实现上述目的,本申请还提供一种目标跟踪装置,所述目标跟踪装置包括:
位置滤波器模型生成模块,用于获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型;
尺度滤波器模型生成模块,用于依据所述待跟踪目标的跟踪尺寸和所述位置滤波器模型的滤波器尺寸,训练得到尺度滤波器模型,其中,所述尺度滤波器模型用于跟踪待跟踪目标的尺度变化;
置信度确定模块,用于若检测到下一图像帧对应的训练帧数大于预设训练帧数,则根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度;
跟踪结果确定模块,用于根据所述尺度变化、所述置信度和预设置信度阈值,对所述待跟踪目标进行跟踪,得到跟踪结果。
本申请还提供一种电子设备,所述电子设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述目标跟踪方法的程序,所述目标跟踪方法的程序被处理器执行时可实现如上述的目标跟踪方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有实现目标跟踪方法的程序,所述目标跟踪方法的程序被处理器执行时实现如上述的目标跟踪方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的目标跟踪方法的步骤。
本申请提供了一种目标跟踪方法、装置、电子设备及存储介质,相比于现有技术中采用主流的单目标跟踪算法来对目标进行跟踪,本申请首先获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型;依据所述待跟踪目标的跟踪尺寸和所述位置滤波器模型的滤波器尺寸,训练得到尺度滤波器模型,其中,所述尺度滤波器模型用于跟踪待跟踪目标的尺度变化;若检测到下一图像帧对应的训练帧数大于预设训练帧数,则根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度;根据所述尺度变化、所述置信度和预设置信度阈值,对所述待跟踪目标进行跟踪,得到跟踪结果。本申请在需要跟踪目标时,先根据待跟踪目标的跟踪尺寸和待跟踪目标对应的尺寸滤波器训练得到用于跟踪待跟踪目标的尺度变化的尺度滤波器,以弥补位置跟踪滤波器无法估计尺度的固有问题,进一步地,当训练帧数达到预设训练帧数时,将开始进行目标的实时跟踪,以确定待跟踪目标的置信度,通过比较置信度与预设置信度阈值之间的大小,确定跟踪结果是否有效,从而完成对待跟踪目标的跟踪。克服了现有技术中基于相关滤波的跟踪算法依靠滤波器判别目标的新位置,在跟踪过程中,目标时常会发生遮挡、形变、尺度变化、超出搜索范围等情况,造成滤波器被污染的技术缺陷,提高了目标跟踪的准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
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,对于本领域普通技术人员而言,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他的附图。
图1为本申请目标跟踪方法实施例一提供的流程示意图;
图2为本申请目标跟踪方法实施例二提供的流程示意图;
图3为本申请目标跟踪方法实施例三提供的流程示意图;
图4为本申请目标跟踪装置实施例四提供的结构示意图;
图5为本申请实施例中目标跟踪方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,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作出创造性劳动的前提下所获得的所有其它实施例,均属于本申请保护的范围。
实施例一
目前,在跟踪球机的应用中,通常会采用主流的单目标跟踪算法,例如基于滤波的KCF算法,控制云台跟随目标转动,以使目标位置趋于图像中心,但是该算法的计算量较大,很难应用在计算能力较弱的设备上,与此同时,基于相关滤波的跟踪算法依靠滤波器判别目标的新位置,且为了适应目标的变化,需要自动更新滤波器参数,但在跟踪过程中,目标时常会发生遮挡、形变、尺度变化、超出搜索范围等情况,造成滤波器被污染,这就导致目标跟踪的准确率低。
本申请实施例提供一种目标跟踪方法,在本申请目标跟踪方法的第一实施例中,参照图1,所述目标跟踪方法包括:
步骤S10,获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型;
在本申请实施例中,需要说明的是,所述第一特征信息至少包括两个特征信息,两个特征信息可以相同也可以不同,可选地,所述特征信息可以包括FHOG特征(31维)和CN特征(10维)。
另外地,需要说明的是,所述位置滤波器模型用于跟踪所述待跟踪目标的位置变换。
步骤S20,依据所述待跟踪目标的跟踪尺寸和所述位置滤波器模型的滤波器尺寸,训练得到尺度滤波器模型,其中,所述尺度滤波器模型用于跟踪所述待跟踪目标的尺度变化;
在本申请实施例中,需要说明的是,所述尺度滤波器模型用于跟踪所述待跟踪目标的尺度变化,所述位置滤波器模型和所述尺度滤波器模型的尺寸为固定值,所述位置滤波器模型的尺寸可以根据实际测试效果进行调整。
可选地,所述位置滤波器模型的尺寸默认设置为16。
步骤S30,若检测到下一图像帧对应的训练帧数大于预设训练帧数,则根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度;
在本申请实施例中,需要说明的是,所述预设训练帧数是指开始跟踪目标前需要达到的训练帧数,所述置信度包括所述待跟踪目标的位置信息和响应峰值。
步骤S40,根据所述尺度变化、所述置信度和预设置信度阈值,对所述待跟踪目标进行跟踪,得到跟踪结果。
在本申请实施例中,需要说明的是,所述预设置信度阈值需要根据实际应用场景进行测试确定,所述预设置信度阈值包括第一预设阈值和第二预设阈值,所述第一预设阈值是指有效跟踪目标的最小置信度,所述第二预设阈值是指所述待跟踪目标和模型之间的差异不会过大的最小置信度,可选地,所述第二预设阈值默认设置为0.2。
另外地,需要说明的是,所述跟踪结果包括有效跟踪和无效跟踪。
作为一种示例,步骤S10至步骤S40包括:获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成第一位置滤波器参数,以生成所述当前图像帧对应的位置滤波器模型;依据所述待跟踪目标的跟踪尺寸和所述位置滤波器模型的滤波器尺寸,确定第一尺度滤波器参数,以训练得到尺度滤波器模型,其中,所述尺度滤波器模型用于跟踪所述待跟踪目标的尺度变化;若检测到下一图像帧对应的训练帧数大于预设训练帧数,则根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度;根据所述尺度变化、所述置信度和预设置信度阈值,对所述待跟踪目标进行跟踪,得到跟踪结果。
其中,所述预设置信度阈值包括第一预设阈值,所述根据所述尺度变化、所述置信度和预设置信度阈值,对所述待跟踪目标进行跟踪,得到跟踪结果的步骤包括:
步骤S41,判断所述置信度是否大于所述第一预设阈值;
在本申请实施例中,需要说明的是,所述第一预设阈值是指有效跟踪目标的最小置信度。
步骤S42,若是,则基于所述尺度滤波器模型和所述尺度变化,对所述待跟踪目标的跟踪框进行修正,得到修正跟踪框;将所述修正跟踪框和所述置信度共同作为所述待跟踪目标的跟踪结果;
步骤S43,若否,则将所述置信度作为所述待跟踪目标的跟踪结果。
作为一种示例,步骤S41至步骤S43包括:判断所述置信度是否大于所述第一预设阈值;若所述置信度大于所述第一预设阈值,则所述跟踪结果有效,基于所述尺度滤波器模型和所述尺度变化,对所述待跟踪目标的跟踪框进行修正,得到修正跟踪框;将所述修正跟踪框和所述置信度共同作为所述待跟踪目标的跟踪结果;若所述置信度不大于所述第一预设阈值,则所述跟踪结果无效,将所述置信度作为所述待跟踪目标的跟踪结果。本申请实施例通过判断跟踪目标得到的置信度是否达到有效跟踪目标的最小置信度来判断跟踪结果是否为有效跟踪,当跟踪结果为有效跟踪时,则根据尺度滤波器模型跟踪到的尺度变化对跟踪框进行修正,从而更新尺度滤波器模型的滤波器参数,防止由于目标的尺度变化过大影响滤波器模型的跟踪,从而提高了跟踪目标的成功率。
其中,所述预设置信度阈值包括第二预设阈值,在所述基于所述尺度滤波器模型和所述尺度变化,对所述待跟踪目标的跟踪框进行修正,得到修正跟踪框的步骤之后,所述目标跟踪方法还包括:
步骤S421,判断所述置信度是否大于所述第二预设阈值;
步骤S422,若是,则更新所述位置滤波器模型;
步骤S423,若否,则执行所述将所述修正跟踪框和所述置信度共同作为所述待跟踪目标的跟踪结果的步骤以及后续步骤。
作为一种示例,步骤S421至步骤S423包括:判断所述置信度是否大于所述第二预设阈值,若所述置信度大于所述第二预设阈值;则更新所述位置滤波器模型;若所述置信度不大于所述第二预设阈值,则执行所述将所述修正跟踪框和所述置信度共同作为所述待跟踪目标的跟踪结果的步骤以及后续步骤。本申请实施通过比较跟踪目标得到的置信度和预设第二阈值来判断模型预测的目标与模型的差异,置信度越低差异越大,当预测的目标与模型差异过大时,则不允许更新位置滤波器模型,以减小滤波器被坏样本污染的概率,从而提高了跟踪目标的成功率。
其中,在所述根据所述尺度变化、所述置信度和预设置信度阈值,确定所述待跟踪目标对应的跟踪结果的步骤之后,所述目标跟踪方法还包括:
步骤A10,检测是否有新增图像帧的产生;
步骤A20,若是,则返回执行所述根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度的步骤以及后续步骤;
步骤A30,若否,则结束跟踪所述待跟踪目标。
作为一种示例,步骤A10至步骤A30包括:检测是否有新增图像帧的产生,若检测到有所述新增图像帧的产生,则返回执行所述根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度的步骤以及后续步骤;若检测到没有所述新增图像帧的产生,则结束跟踪所述待跟踪目标,并持续监控是否有所述新增图像帧的产生。本申请实施例通过实时监控图像帧的刷新情况来跟踪目标,每当有新增图像帧产生时都会在新增图像帧中进行一次目标的跟踪,当没有新增图像帧产生时,则停止对目标的跟踪,并维持之前的跟踪结果,从而保证了跟踪目标的准确性。
本申请实施例提供了一种目标跟踪方法,相比于现有技术中采用主流的单目标跟踪算法来对目标进行跟踪,本申请实施例首先获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型;依据所述待跟踪目标的跟踪尺寸和所述位置滤波器模型的滤波器尺寸,训练得到尺度滤波器模型,其中,所述尺度滤波器模型用于跟踪待跟踪目标的尺度变化;若检测到下一图像帧对应的训练帧数大于预设训练帧数,则根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度;根据所述尺度变化、所述置信度和预设置信度阈值,对所述待跟踪目标进行跟踪,得到跟踪结果。本申请实施例在需要跟踪目标时,先根据待跟踪目标的跟踪尺寸和待跟踪目标对应的尺寸滤波器训练得到用于跟踪待跟踪目标的尺度变化的尺度滤波器,以弥补位置跟踪滤波器无法估计尺度的固有问题,进一步地,当训练帧数达到预设训练帧数时,将开始进行目标的实时跟踪,以确定待跟踪目标的置信度,通过比较置信度与预设置信度阈值之间的大小,确定跟踪结果是否有效,从而完成对待跟踪目标的跟踪。克服了现有技术中基于相关滤波的跟踪算法依靠滤波器判别目标的新位置,在跟踪过程中,目标时常会发生遮挡、形变、尺度变化、超出搜索范围等情况,造成滤波器被污染的技术缺陷,提高了目标跟踪的准确性率。
实施例二
进一步地,参照图2,在本申请另一实施例中,与上述实施例一相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,在所述依据所述待跟踪目标的跟踪尺寸和所述位置滤波器的滤波器尺寸,训练得到尺度滤波器模型的步骤之后,所述目标跟踪方法还包括:
步骤S21,检测下一图像帧对应的训练帧数是否大于预设训练帧数;
步骤S22,若检测到所述下一图像帧对应的训练帧数不大于所述预设训练帧数,则检测是否获取到下一图像帧中所述待跟踪目标的位置信息;
在本申请实施例中,需要说明的是,所述预设训练帧数的默认值为2,通过所述预设训练帧数辅助训练滤波器模型的训练,能够延长训练帧数,增加滤波器模型训练次数,从而有效过滤因偶发性误检测导致的误跟踪的情况。
步骤S23,若是,则依据所述位置信息,更新所述位置滤波器模型和所述尺度滤波器模型,并返回执行所述检测下一图像帧对应的训练帧数是否大于预设训练帧数的步骤以及后续步骤;
步骤S24,若否,则将所述训练帧数清零,并返回执行所述获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型的步骤以及后续步骤。
作为一种示例,步骤S21至步骤S24包括:检测下一图像帧对应的训练帧数是否大于预设训练帧数;若检测到所述下一图像帧对应的训练帧数不大于所述预设训练帧数,则检测是否获取到下一图像帧中所述待跟踪目标的位置信息;若检测到获取到下一图像帧中所述待跟踪目标的位置信息,则依据所述位置信息,更新所述位置滤波器模型和所述尺度滤波器模型,并返回执行所述检测下一图像帧对应的训练帧数是否大于预设训练帧数的步骤以及后续步骤;若检测到未获取到下一图像帧中所述待跟踪目标的位置信息,则将所述训练帧数清零,并返回执行所述获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型的步骤以及后续步骤。
其中,所述依据所述位置信息,更新所述位置滤波器模型和所述尺度滤波器模型的步骤包括:
步骤S231,模糊处理所述下一图像帧,得到运动模糊图像帧;
步骤S232,基于所述运动模糊图像帧,提取所述运动模糊图像帧中所述待跟踪目标的位置信息对应的第四特征信息;
步骤S233,依据所述第四特征信息,更新所述位置滤波器模型和所述尺度滤波器模型。
在获取连续帧中待跟踪目标的位置信息时,会因摄像头转动造成图像运动模糊的问题,从而影响目标跟踪的成功率,为避免运动模糊带来的问题,需要对训练样本进行数据增强,即需要对图像进行运动模糊处理,从而增强图像的清晰度,以提高目标跟踪的成功率。
作为一种示例,步骤S231至步骤S233包括:模糊处理所述下一图像帧,得到运动模糊图像帧;基于所述运动模糊图像帧,提取所述运动模糊图像帧中所述待跟踪目标的位置信息对应的第四特征信息;压缩所述第四特征信息,得到第六特征信息,依据所述第六特征信息,更新所述位置滤波器模型和所述尺度滤波器模型。本申请实施例通过对图像帧进行运动模糊处理,降低了图像帧的清晰程度,让模型能够学习到图像发生运动模糊时的信息,进一步地,在运动模糊处理后的图像帧中提取待跟踪目标的特征信息,从而能够保证特征信息提取的准确性,并且对提取到的特征信息进行压缩处理,能够减少计算量,从而提高了目标跟踪的效率。
作为一种示例,所述依据所述第六特征信息,更新所述位置滤波器模型和所述尺度滤波器模型的步骤包括:依据所述第六特征信息,生成第二位置滤波器参数,以更新所述位置滤波器模型,得到目标位置滤波器模型;依据所述待跟踪目标的跟踪尺寸和所述目标位置滤波器模型的滤波器尺寸,确定第二尺度滤波器参数,以更新所述尺度滤波器模型。
本申请实施例提供了一种滤波器模型训练方法,也即检测下一图像帧对应的训练帧数是否大于预设训练帧数;若检测到所述下一图像帧对应的训练帧数不大于所述预设训练帧数,则检测是否获取到下一图像帧中所述待跟踪目标的位置信息;若是,则依据所述位置信息,更新所述位置滤波器模型和所述尺度滤波器模型,并返回执行所述检测下一图像帧对应的训练帧数是否大于预设训练帧数的步骤以及后续步骤;若否,则将所述训练帧数清零,并返回执行所述获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型的步骤以及后续步骤。本申请实施例首先通过判断当前训练帧数是否达到预设训练帧数来确定是否训练完成,如果没有训练完成,则继续获取下一图像帧中待跟踪目标的位置信息,进一步地,如果获取到了待跟踪目标的位置信息,则根据新的位置信息继续进行样本训练,从而更新位置滤波器模型和尺度滤波器模型,并持续判断当前的训练帧数是否达到预设训练帧数;如果未获取到待跟踪目标的位置信息,说明当前目标跟踪出现了误跟踪的问题,误跟踪的存在会影响最终跟踪目标的成功率,此时通过清零训练帧数,重新进行滤波器模型的训练,能够避免误跟踪所带来的影响,从而提高了跟踪目标的成功率。
实施例三
进一步地,参照图3,在本申请另一实施例中,与上述实施例一相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,所述获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型的步骤包括:
步骤S11,获取所述当前位置信息对应的第一特征信息,并压缩所述第一特征信息,得到第三特征信息;
步骤S12,根据所述第三特征信息,生成所述当前图像帧对应的位置滤波器模型。
作为一种示例,步骤S11至步骤S12包括:获取所述当前位置信息对应的第一特征信息,并对所述第一特征信息对应的特征矩阵进行分解,得到所述第一特征信息对应的奇异矩阵,中心化所述第一特征信息对应的特征矩阵,得到所述第一特征信息对应的中心矩阵;根据所述第一特征信息对应的中心矩阵和所述第一特征信息对应的奇异矩阵,压缩所述第一特征信息,得到第三特征信息;根据所述第三特征信息,生成所述当前图像帧对应的位置滤波器模型,其中,所述奇异矩阵为最大的至少一个奇异值对应的左奇异向量组成的矩阵,本申请实施例通过对特征信息的矩阵进行压缩,从而能够有效降低特征信息对应的特征数维度,减少了算法的计算量,有效提高了算法的处理帧率,从而提高了跟踪目标的效率。
作为一种示例,所述根据所述中心矩阵和所述奇异矩阵,压缩所述第一特征信息,得到第三特征信息如下:
其中,A
在一可实施例中,所述第一特征信息包括FHOG特征(31维)和CN特征(10维),此时总的特征数高达41维,为减少计算量,采用SVD(Singular Value Decomposition:奇异值分解法)分解所述FHDG特征的矩阵和所述CN特征的矩阵,再根据PCA(Principal ComponentAnalysis:主成分分析)原理,确定所述FHDG特征对应的第一奇异矩阵和所述CN特征对应的第二奇异矩阵,利用第一奇异矩阵和第二奇异矩阵分别对所述FHDG特征和所述CN特征进行数据压缩,以降低所述FHDG特征和所述CN特征的特征数维度,根据公式(1)能够将所述FHOG特征由31维压缩至10维,将所述CN特征由10维压缩至3维,使得总的特征数由41维降至3维,显著降低了计算量。
在本申请实施例中,需要说明的是,所述PCA原理是一种常用的数据分析方法,PCA通过线性变换将原始数据变换为一组各维度线性无关的标识,可用于提取数据的主要特征信息,常用于高维数据的降维。
其中,所述根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度的步骤包括:
步骤S31,获取下一图像帧中所述当前位置信息对应的第二特征信息,并压缩所述第二特征信息,得到第五特征信息;
步骤S32,根据所述第五特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度。
作为一种示例,步骤S31至步骤S32包括:获取下一图像帧中所述当前位置信息对应的第二特征信息,并对所述第二特征信息对应的特征矩阵进行分解,得到所述第二特征信息对应的奇异矩阵,中心化所述第二特征信息对应的特征矩阵,得到所述第二特征信息对应的中心矩阵;根据所述第二特征信息对应的中心矩阵和所述第二特征信息对应的奇异矩阵,压缩所述第二特征信息,得到第五特征信息;根据所述第五特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度。本申请实施例通过对特征信息的矩阵进行压缩,从而能够有效降低特征信息对应的特征数维度,减少了算法的计算量,有效提高了算法的处理帧率,从而提高了跟踪目标的效率。
本申请实施例提供了一种位置滤波器生成方法,也即获取所述当前位置信息对应的第一特征信息,并压缩所述第一特征信息,得到第三特征信息;根据所述第三特征信息,生成所述当前图像帧对应的位置滤波器模型。本申请实施例通过压缩待跟踪目标所处位置对应的特征信息,来降低特征信息对应的特征数维度,从而减少了算法的计算量,有效提高了算法的处理帧率,进一步地,根据压缩后的特征信息能够快速生成位置滤波器模型,从而提高跟踪目标的效率。
实施例四
本申请实施例还提供一种目标跟踪装置,参照图4,所述目标跟踪装置包括:
位置滤波器模型生成模块10,用于获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型;
尺度滤波器模型生成模块20,用于依据所述待跟踪目标的跟踪尺寸和所述位置滤波器模型的滤波器尺寸,训练得到尺度滤波器模型,其中,所述尺度滤波器模型用于跟踪待跟踪目标的尺度变化;
置信度确定模块30,用于若检测到下一图像帧对应的训练帧数大于预设训练帧数,则根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度;
跟踪结果确定模块40,用于根据所述尺度变化、所述置信度和预设置信度阈值,对所述待跟踪目标进行跟踪,得到跟踪结果。
可选地,所述预设置信度阈值包括第一预设阈值,所述跟踪结果确定模块40还包括:
判断所述置信度是否大于所述第一预设阈值;
若是,则基于所述尺度滤波器模型和所述尺度变化,对所述待跟踪目标的跟踪框进行修正,得到修正跟踪框;将所述修正跟踪框和所述置信度共同作为所述待跟踪目标的跟踪结果;
若否,则将所述置信度作为所述待跟踪目标的跟踪结果。
可选地,所述预设置信度阈值包括第二预设阈值,所述目标跟踪装置还包括:
判断所述置信度是否大于所述第二预设阈值;
若是,则更新所述位置滤波器模型;
若否,则执行所述将所述修正跟踪框和所述置信度共同作为所述待跟踪目标的跟踪结果的步骤以及后续步骤。
可选地,所述目标跟踪装置还包括:
检测下一图像帧对应的训练帧数是否大于预设训练帧数;
若检测到所述下一图像帧对应的训练帧数不大于所述预设训练帧数,则检测是否获取到下一图像帧中所述待跟踪目标的位置信息;
若是,则依据所述位置信息,更新所述位置滤波器模型和所述尺度滤波器模型,并返回执行所述检测下一图像帧对应的训练帧数是否大于预设训练帧数的步骤以及后续步骤;
若否,则将所述训练帧数清零,并返回执行所述获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型的步骤以及后续步骤。
可选地,所述目标跟踪装置还包括:
模糊处理所述下一图像帧,得到运动模糊图像帧;
基于所述运动模糊图像帧,提取所述运动模糊图像帧中所述待跟踪目标的位置信息对应的第四特征信息;
依据所述第四特征信息,更新所述位置滤波器模型和所述尺度滤波器模型。
可选地,所述位置滤波器模型生成模块10还包括:
获取所述当前位置信息对应的第一特征信息,并压缩所述第一特征信息,得到第三特征信息;
根据所述第三特征信息,生成所述当前图像帧对应的位置滤波器模型。
可选地,所述置信度确定模块30还包括:
获取下一图像帧中所述当前位置信息对应的第二特征信息,并压缩所述第二特征信息,得到第五特征信息;
根据所述第五特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度。
可选地,所述目标跟踪装置还包括:
检测是否有新增图像帧的产生;
若是,则返回执行所述根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度的步骤以及后续步骤;
若否,则结束跟踪所述待跟踪目标。
本申请提供的目标跟踪装置,采用上述实施例中的目标跟踪方法,解决了目标跟踪的准确率低的技术问题。与现有技术相比,本申请实施例提供的目标跟踪装置的有益效果与上述实施例提供的目标跟踪方法的有益效果相同,且该目标跟踪装置中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
实施例五
本发明实施例提供一种电子设备,电子设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例一中的平台接口流量控制方法。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,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,电子设备可以包括处理装置1001(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1003加载到随机访问存储器(RAM)1004中的程序而执行各种适当的动作和处理。在RAM1004中,还存储有电子设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口1006也连接至总线。
通常,以下系统可以连接至I/O接口1006:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1008;包括例如磁带、硬盘等的存储装置1003;以及通信装置1009。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备,但是应理解的是,并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置1009从网络上被下载和安装,或者从存储装置1003被安装,或者从ROM1002被安装。在该计算机程序被处理装置1001执行时,执行本公开实施例的方法中限定的上述功能。
本发明提供的电子设备,采用上述实施例中的平台接口流量控制方法,解决了双向行驶车辆在行驶过程中的行驶安全性低的技术问题。与现有技术相比,本发明实施例提供的电子设备的有益效果与上述实施例提供的平台接口流量控制方法的有益效果相同,且该电子设备中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
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。在上述实施方式的描述中,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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
实施例六
本实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例一中的目标跟踪的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备:获取当前图像帧中待跟踪目标的当前位置信息,并根据所述当前位置信息对应的第一特征信息,生成所述当前图像帧对应的位置滤波器模型;依据所述待跟踪目标的跟踪尺寸和所述位置滤波器模型的滤波器尺寸,训练得到尺度滤波器模型,其中,所述尺度滤波器模型用于跟踪所述待跟踪目标的尺度变化;若检测到下一图像帧对应的训练帧数大于预设训练帧数,则根据下一图像帧中所述当前位置信息对应的第二特征信息和所述位置滤波器模型对应的响应图,确定所述待跟踪目标的置信度;根据所述变化尺度、所述置信度和预设置信度阈值,对待跟踪目标进行跟踪,得到跟踪结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质,存储有用于执行上述目标跟踪方法的计算机可读程序指令,解决了目标跟踪的准确率低的技术问题。与现有技术相比,本申请实施例提供的计算机可读存储介质的有益效果与上述实施例提供的目标跟踪方法的有益效果相同,在此不做赘述。
实施例六
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的目标跟踪方法的步骤。
本申请提供的计算机程序产品解决了目标跟踪的准确率低的技术问题。与现有技术相比,本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的目标跟踪方法的有益效果相同,在此不做赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
- 一种浴室加热装置和用于控制浴室加热装置的方法、设备、电子设备及计算机可读存储介质
- 目标跟踪方法、装置、设备及计算机可读存储介质
- 一种目标跟踪方法、装置、设备及计算机可读存储介质
- 模态框构建方法、装置、电子设备、计算机可读存储介质
- 日志信息处理方法、装置、电子设备及可读存储介质
- 多目标跟踪方法、装置、电子设备及可读存储介质
- 目标跟踪方法、装置、电子设备和计算机可读存储介质