[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN109215055A - 一种目标特征提取方法、装置及应用系统 - Google Patents

一种目标特征提取方法、装置及应用系统 Download PDF

Info

Publication number
CN109215055A
CN109215055A CN201710527437.4A CN201710527437A CN109215055A CN 109215055 A CN109215055 A CN 109215055A CN 201710527437 A CN201710527437 A CN 201710527437A CN 109215055 A CN109215055 A CN 109215055A
Authority
CN
China
Prior art keywords
target
feature
tracking target
video data
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
Application number
CN201710527437.4A
Other languages
English (en)
Inventor
车军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201710527437.4A priority Critical patent/CN109215055A/zh
Priority to US16/627,017 priority patent/US11398084B2/en
Priority to PCT/CN2018/093291 priority patent/WO2019001505A1/zh
Priority to EP18823010.6A priority patent/EP3648448B1/en
Publication of CN109215055A publication Critical patent/CN109215055A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Studio Devices (AREA)

Abstract

本发明实施例提供了一种目标特征提取方法、装置及应用系统，所述方法包括：获取全景相机拍摄的目标区域视频数据；通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标；将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据；提取所述特写视频数据中所述跟踪目标的属性信息。应用本发明实施例，可以准确的提取各目标属性信息，提高了提取目标属性信息的准确性。

Description

一种目标特征提取方法、装置及应用系统
技术领域
本发明涉及计算机视觉技术领域，特别是涉及一种目标特征提取方法、装置及应用系统。
背景技术
目前，广角相机和长焦相机均可以用于拍摄一定区域的视频，其中，广角相机主要用于拍摄大范围、远距离目标的视频，长焦相机用于以一定的视场角拍摄近距离目标的视频。实际应用中，可以将广角相机和长焦相机相结合来拍摄目标区域内的视频，进而，通过视频结构化技术提取视频中的目标信息。
现有技术中，视频机构化过程中提取目标的方法，主要包括：采用广角相机拍摄监控区域内的视频数据，并利用背景建模来提取该视频数据中的目标及每个目标的时空位置。同时，控制长焦相机对每个目标进行跟踪拍摄，获得每个目标的视频数据，提取每个目标的视频数据中的特征图像。
但是，上述方法中，利用背景建模来提取广角相机的视频数据中的目标时，当出现突发情况，例如，相机发生抖动、光照发生变化、拍摄场景突变(如，地面出现抛洒物)等时，可能导致相机抓拍虚假目标，进而，影响提取目标的准确性，鲁棒性不强。另外，在提取视频数据中的目标时，需要将视频数据中的全部移动目标都进行提取，当视频数据中存在多个目标黏连时，长焦相机可能会将黏连一起的目标作为一个整体目标跟踪拍摄，这样，导致从长焦相机获取的视频数据中无法准确提取各目标特征及属性，从而影响提取的准确性。
发明内容
本发明实施例的目的在于提供一种目标特征提取方法、装置及应用系统，以提高提取目标属性信息的准确性。具体技术方案如下：
第一方面，本发明实施例提供了一种目标特征提取方法，包括：
获取全景相机拍摄的目标区域视频数据；
通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标；
将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据；
提取所述特写视频数据中所述跟踪目标的属性信息。
可选的，所述通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标的步骤包括：
获取所述目标区域视频数据的视频帧；通过预设目标检测模型提取所述视频帧的图像特征；所述预设目标检测模型为基于具有预设特征的多个目标训练得到的；
将所述图像特征与预设目标检测特征进行匹配，并将与所述预设目标检测特征匹配的图像特征确定为跟踪目标；所述预设目标检测特征为具有预设特征的目标的集合。
可选的，所述将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据的步骤包括：
在所述获取所述目标区域视频数据的视频帧之后，获取每个跟踪目标在所述目标区域视频的视频帧中的第一坐标；
根据所述第一坐标，为每个跟踪目标分配一个细节相机；
将所述每个跟踪目标的第一坐标转换为每个跟踪目标在所分配的细节相机中的第二坐标，并将所述第二坐标及所述跟踪目标发送给分配后的细节相机，以使所述细节相机跟踪拍摄分配的跟踪目标并获取所述跟踪目标的特写视频数据。
可选的，所述提取所述特写视频数据中所述跟踪目标的属性信息的步骤包括：
获取所述特写视频数据中的特写视频帧；
根据目标评价模型，获得所述特写视频帧的评分结果，并选取评分结果最高的特写视频帧；
提取所述评分结果最高的特写视频帧中所述跟踪目标的至少一个属性信息。
可选的，所述方法还包括：
根据所述跟踪目标的标识信息及所述至少一个属性信息，对所述跟踪目标建立目标索引；所述标识信息为：在确定所述目标区域视频数据中具有预设特征的跟踪目标之后，分别对每个跟踪目标进行标识得到的；
判断所述目标索引是否与已存储的索引匹配；
若否，存储所述目标索引，若是，丢弃所述目标索引。
第二方面，本发明实施例提供了一种目标特征提取装置，包括：
获取单元，用于获取全景相机拍摄的目标区域视频数据；
确定单元，用于通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标；
分配单元，用于将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据；
提取单元，用于提取所述特写视频数据中所述跟踪目标的属性信息。
可选的，所述确定单元具体用于：
获取所述目标区域视频数据的视频帧；通过预设目标检测模型提取所述视频帧的图像特征；所述预设目标检测模型为基于具有预设特征的多个目标训练得到的；将所述图像特征与预设目标检测特征进行匹配，并将与所述预设目标检测特征匹配的图像特征确定为跟踪目标；所述预设目标检测特征为具有预设特征的目标的集合。
可选的，所述分配单元具体用于：
在所述获取所述目标区域视频数据的视频帧之后，获取每个跟踪目标在所述目标区域视频的视频帧中的第一坐标；根据所述第一坐标，为每个跟踪目标分配一个细节相机；将所述每个跟踪目标的第一坐标转换为每个跟踪目标在所分配的细节相机中的第二坐标，并将所述第二坐标及所述跟踪目标发送给分配后的细节相机，以使所述细节相机跟踪拍摄分配的跟踪目标并获取所述跟踪目标的特写视频数据。
可选的，所述提取单元具体用于：
获取所述特写视频数据中的特写视频帧；根据目标评价模型，获得所述特写视频帧的评分结果，并选取评分结果最高的特写视频帧；提取所述评分结果最高的特写视频帧中所述跟踪目标的至少一个属性信息。
可选的，所述装置还包括：
索引单元，用于根据所述跟踪目标的标识信息及所述至少一个属性信息，对所述跟踪目标建立目标索引；所述标识信息为：在确定所述目标区域视频数据中具有预设特征的跟踪目标之后，分别对每个跟踪目标进行标识得到的；
判断单元，用于判断所述目标索引是否与已存储的索引匹配；
处理单元，用于若所述目标索引与已存储的索引不匹配，存储所述目标索引，若所述目标索引与已存储的索引匹配，丢弃所述目标索引。
第三方面，本发明实施例提供了一种目标特征提取应用系统，包括：全景相机、视频处理器、细节相机；
其中，所述全景相机，用于拍摄目标区域视频数据；
所述视频处理器，用于获取全景相机拍摄的目标区域视频数据；通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标；将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据；提取所述特写视频数据中所述跟踪目标的属性信息；
所述细节相机，用于跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据。
可选的，所述视频处理器具体用于：
获取所述目标区域视频数据的视频帧；通过预设目标检测模型提取所述视频帧的图像特征；所述预设目标检测模型为基于具有预设特征的多个目标训练得到的；将所述图像特征与预设目标检测特征进行匹配，并将与所述预设目标检测特征匹配的图像特征确定为跟踪目标；所述预设目标检测特征为具有预设特征的目标的集合。
可选的，所述视频处理器具体用于：
在所述获取所述目标区域视频数据的视频帧之后，获取每个跟踪目标在所述目标区域视频的视频帧中的第一坐标；根据所述第一坐标，为每个跟踪目标分配一个细节相机；将所述每个跟踪目标的第一坐标转换为每个跟踪目标在所分配的细节相机中的第二坐标，并将所述第二坐标及所述跟踪目标发送给分配后的细节相机，以使所述细节相机跟踪拍摄分配的跟踪目标并获取所述跟踪目标的特写视频数据。
可选的，所述视频处理器具体用于：
获取所述特写视频数据中的特写视频帧；根据目标评价模型，获得所述特写视频帧的评分结果，并选取评分结果最高的特写视频帧；提取所述评分结果最高的特写视频帧中所述跟踪目标的至少一个属性信息。
可选的，所述视频处理器具体还用于：
根据所述跟踪目标的标识信息及所述至少一个属性信息，对所述跟踪目标建立目标索引；所述标识信息为：在确定所述目标区域视频数据中具有预设特征的跟踪目标之后，分别对每个跟踪目标进行标识得到的；判断所述目标索引是否与已存储的索引匹配；若否，存储所述目标索引，若是，丢弃所述目标索引。
第四方面，本发明实施例又提供了一种计算机设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现本发明所述的视频结构化提取方法步骤。
第五方面，本发明实施例又提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本发明所述的视频结构化提取方法步骤。
本发明实施例提供的一种目标特征提取方法、装置及应用系统，其中，目标特征提取方法应用于目标特征提取应用系统中的视频处理器，该视频处理器可以获取全景相机拍摄的目标区域视频数据，并且，该视频处理器可以通过目标检测算法，确定目标区域视频数据中具有预设特征的跟踪目标，同时，视频处理器可以将跟踪目标分配给细节相机，以使细节相机跟踪跟踪目标并获取跟踪目标的特写视频数据，进而，视频处理器可以提取特写视频数据中跟踪目标的属性信息。
本方案中，视频处理器可以通过目标检测算法，确定目标区域视频数据中具有预设特征的跟踪目标，这样，视频处理器可以将目标区域视频中的符合用户要求的目标选择出来，进而，视频处理器可以根据所选择的目标，提取各目标的属性信息，提高了提取目标属性信息的准确性。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
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为本发明实施例提供的目标特征提取方法的一种流程图；
图2为本发明实施例提供的目标特征提取方法的另一种流程图；
图3为本发明实施例提供的目标特征提取装置的一种结构示意图；
图4为本发明实施例提供的目标特征提取装置的另一种结构示意图；
图5为本发明实施例提供的目标特征提取应用系统的一种结构示意图；
图6为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
现有的视频机构化提取目标的方法中，主要是通过广角相机拍摄监控区域的视频数据，进而，获取视频数据中的目标及时空位置，针对每个目标，采用长焦相机进行跟踪拍摄，获得每个目标的特征图像。但是，当出现突发情况，例如，相机发生抖动、光照发生变化、拍摄场景突变(如，地面出现抛洒物)等时，可能导致相机抓拍虚假目标，进而，影响提取目标的准确性，鲁棒性不高。另外，在提取视频数据中的目标时，当视频数据中存在多个目标黏连时，提取获取视频数据中的目标时，可能会将黏连一起的目标作为一个整体目标跟踪拍摄，这样，可能无法准确的提取到各目标特征及属性。
为了提高提取目标属性信息的准确性，本发明实施例提供了一种目标特征提取方法的过程，如图1所示，该过程可以包括以下步骤：
S101，获取全景相机拍摄的目标区域视频数据。
本发明实施例提供的方法可以应用于一种视频处理器，该视频处理器可以集成于全景相机中，也可以集成于终端设备(例如，计算机)，或者该视频处理器可以为一种电子设备。
其中，全景相机可以为一个或者多个广角相机，根据目标区域的大小，可以确定广角相机的数量。例如，如果一个广角相机足以监控目标区域，则在目标区域安装一个广角相机，如果一个广角相机的监控范围不能完全监控到目标区域，则可以安装至少两个广角相机。全景相机也可以为包括多个镜头，多个镜头进行拼接组成的相机，本发明在此不做限定。
本发明实施例中，全景相机可以对目标区域进行拍摄，进而，视频处理器可以获取全景相机所拍摄的目标区域视频数据。
S102，通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标。
其中，目标检测算法可以包括：Boosting(通过构造一个预测函数系列，以一定的方式将预测函数系列组合成一个预测函数)、RCNN(区域卷积神经网络目标检测算法，Region with CNN)、FRCNN(快速区域卷积神经网络目标检测算法)、Faster RCNN(更快速区域卷积神经网络目标检测算法)等，但不限于此。
本发明实施例中，为了将目标区域视频数据中用户所需要的目标提取出来，可以采用上述目标检测算法中的任一种算法，对目标区域视频数据进行处理，以获得跟踪目标，其中，每个跟踪目标具有预设特征。例如，车的预设特征可以包括：车牌信息、车灯、车辆类型(卡车、轿车、越野车等)、车身颜色等，但不限于此。
本发明实施例中，视频处理器可以获取目标区域视频数据中在时间上具有连续性的至少一个视频帧，采用上述的目标检测算法对所获取的视频帧进行处理，即视频处理器可以通过预设目标检测模型提取至少一个视频帧中的图像特征，具体的，预设目标检测模型为基于具有预设特征的多个目标训练得到的，本发明实施例中，预设目标检测模型具体为：将大量的目标样本通过卷积神经网络的训练得到的模型。并且视频处理器可以将所获取的图像特征与预设目标检测特征进行匹配，将与预设目标检测特征相匹配的图像特征确定为跟踪目标。其中，预设目标检测特征为具有预设特征的目标的集合，例如，预设目标检测特征可以包括：人的特征、车辆的特征，但不限于此。例如，人的特征可以包括：头发、胳膊、手、性别、衣着款式、是否戴眼镜等，但不限于此，车辆的特征可以包括但不限于，车辆的尺寸、车辆型号、车辆颜色等。
例如，可以通过对大量样本数据(例如，对100个人的样本数据)输入至卷积神经网络，经过训练得到预设目标检测模型。本发明实施例可以针对人、机动车、非机动车等不同的目标采用现有技术，得到不同样本数据对应的预设目标检测模型。
S103，将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据。
本发明实施例中，视频处理器确定跟踪目标后，可以根据跟踪目标的数量，将跟踪目标分配给细节相机。例如，当跟踪目标的数量只有一个时，可以将跟踪目标分配给任一个细节相机，也可以将跟踪目标分配给距离跟踪目标最近的细节相机。当跟踪目标的数量较多时，可以将多个跟踪目标分配给一个或多个细节相机。这样，细节相机可以根据所分配的跟踪目标进行跟踪拍摄，获取跟踪目标的特写视频数据。
其中，细节相机可以包括一个或者多个可变焦的相机，每个细节相机可以携带一个云台，云台是可转动的，且云台的俯仰角可变的，视频处理器可以通过云台控制各细节相机的拍摄角度、方向，但不限于此。
本发明实施例中，在获取目标区域视频数据的视频帧之后，视频处理器可以获取每个跟踪目标在目标区域视频的视频帧中的第一坐标，其中，第一坐标为跟踪目标在目标区域内的坐标位置。目标区域内的每个位置对应一个坐标，视频处理器可以根据跟踪目标在视频帧中的位置对应得到跟踪目标在目标区域内的坐标位置。
可选的，视频处理器可以根据第一坐标，为每个跟踪目标分配一个细节相机。在实际应用中，可以预先将各细节相机均匀的设置于目标区域，如果跟踪目标A的第一坐标(x1、y2、z3)在目标区域中对应的位置距离细节相机a最近，可以将细节相机a分配给跟踪目标A。
另外，视频处理器可以将每个跟踪目标的第一坐标转换为每个跟踪目标在所分配的细节相机中的第二坐标，并将第二坐标及跟踪目标发送给分配后的细节相机，这样，细节相机可以对所分配的跟踪目标进行跟踪拍摄，进而，细节相机可以拍摄到跟踪目标的特写视频数据。每个跟踪目标的第一坐标在不同的细节相机对应不同的第二坐标。
例如，跟踪目标包括：跟踪目标A(第一坐标：x11、y12、z13)、跟踪目标B(第一坐标：x21、y22、z23)、跟踪目标C(第一坐标：x31、y32、z33)，细节相机包括：细节相机a、细节相机b、细节相机c及细节相机d，由于各细节相机的位置不同，所以跟踪目标在细节相机的第二坐标不相同，视频处理器可以将跟踪目标A分配给细节相机b，则视频处理器可以将跟踪目标A的第一坐标：(x11、y12、z13)转换为跟踪目标A在细节相机b的第二坐标(Pb1、Tb2、Zb3)，从而，细节相机b以第二坐标(Pb1、Tb2、Zb3)跟踪目标区域内的跟踪目标A，并且获取跟踪目标A的特写视频数据。又例如，视频处理器可以将跟踪目标A分配给细节相机c，则视频处理器可以将跟踪目标A的第一坐标：(x11、y12、z13)转换为跟踪目标A在细节相机c的第二坐标(Pc1、Tc2、Zc3)，从而，细节相机c以第二坐标(Pc1、Tc2、Zc3)跟踪目标区域内的跟踪目标A，并且获取跟踪目标A的特写视频数据。
本发明实施例中，全景相机和细节相机的位置是预先设置好的，跟踪目标在目标区域的位置对应于其在全景相机中唯一第一坐标，由于细节相机的位置预先设置好了，所以，跟踪目标的第一坐标与跟踪目标在细节相机中的第二坐标的对应关系是确定好的。
S104，提取所述特写视频数据中所述跟踪目标的属性信息。
在本发明实施例的一种实现方式中，视频处理器可以集成于细节相机中，也可以集成在全景相机中，或者集成在其他电子设备中。视频处理器可以从各个细节相机获取特写视频数据中，并且从特写视频数据中提取跟踪目标的属性信息，具体的，跟踪目标的属性信息可以包括但不限于：人脸特征、人体特征、车辆特征等。
具体的，视频处理器可以获取特写视频数据中的一个跟踪目标在时间序列上的连续的特写视频帧，并且根据目标评价模型，获得各特写视频帧的评分结果，进而，视频处理器可以选取评分结果最高的特写视频帧，并且提取评分结果最高的特写视频帧中跟踪目标的至少一个属性信息。
其中，目标评分模型为：预先针对各类目标样本数据进行训练所获得的，样本数据包括：图像质量、清晰度、目标姿势等，但不限于此。例如，预先获取1000个视频帧的样本数据，对每个视频帧的样本数据进行分级，根据分级结果设置分数，等级越高，分数越高。例如，图像质量可以包括：优、良、中、差，根据视频帧的图像质量给视频帧的图像质量赋分值，同理，对视频帧的清晰度、目标姿势等进行赋分值。获取每个视频帧的图像质量、清晰度、目标姿势等信息，然后根据目标评价模型，对每个视频帧的图像质量、清晰度、目标姿势等信息评分，得到评分结果最高的视频帧，提取评分结果最高的视频帧中的跟踪目标的至少一个属性信息。
其中，当跟踪目标为人时，至少一个属性信息可以包括：性别、年龄、上装颜色、下装颜色、衣着类型、衣着款式、是否背包、是否拎包、是否戴眼镜、是否戴帽子、是否骑车等，不限于此。
当跟踪目标为车辆时，至少一个属性信息可以包括：车牌信息、车牌颜色、车辆类型、车身颜色、车辆品牌、主副驾是否系安全带、是否有挂件、是否有摆件、是否有年检标志及标志个数等，但不限于此。
本发明实施例中，视频处理器可以获取目标区域视频数据中的至少一个视频帧，通过目标检测算法，确定出至少一个视频帧中具有预设特征的跟踪目标，进而，视频处理器可以将各跟踪目标分配给不同的细节相机，这样，细节相机可以针对所分配的跟踪目标进行跟踪拍摄，并将拍摄到的跟踪目标的特写视频数据发送给视频处理器，视频处理器可以获取跟踪目标的特写视频数据中连续的视频帧，根据目标评分模型，选择评分结果最高的视频帧，进而，提取评分结果最高的视频帧中跟踪目标的属性信息，可以，本方案提高了提取目标属性信息的准确性。
如图2所示，本发明实施例提供的目标特征提取方法可以包括以下步骤：
S201，获取全景相机拍摄的目标区域视频数据。
S202，通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标。
S203，将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据。
S204，提取所述特写视频数据中所述跟踪目标的属性信息。
其中，S201～S204与上述实施例中的S101～S104相同，在此不再赘述。
S205，根据所述跟踪目标的标识信息及所述至少一个属性信息，对所述跟踪目标建立目标索引。
本发明实施例中，在确定目标区域视频数据中具有预设特征的跟踪目标之后，视频处理器可以分别为每个跟踪目标进行标识，每个跟踪目标具有其标识信息。例如，当存在4个跟踪目标时，可以采用不同的标识信息代表每个跟踪目标，其中，标识信息可以定义为任意符号，例如，标识信息可以包括1、2、3、4……等，标识信息也可以包括a、b、c、d……等。
视频处理器可以根据各跟踪目标的标识信息及属性信息，分别为各跟踪目标建立目标索引，如表1所示，为3个跟踪目标的目标索引。
跟踪目标 车辆颜色 车辆类型 有无年检标识
1 红色 跑车 有
2 黄色 面包车 有
3 黑色 轿车 无
S206，判断所述目标索引是否与已存储的索引匹配。
当视频处理器对跟踪目标建立了目标索引后，可以将该目标索引与已经存储的所有的目标索引进行比对，或者将目标索引与预设时间段内的存储的目标索引进行比对，进而判断跟踪目标的目标索引与已存储的任一索引是否相同。
若否，执行步骤S207，存储所述目标索引；若是，执行步骤S208：丢弃所述目标索引。
本发明实施例中，当已存储的索引中不存在任一索引与跟踪目标的目标索引相同时，视频处理器可以将该跟踪目标的目标索引存储，这样，便于有关人员查看，当已存储的索引中存在任一索引与跟踪目标的目标索引相同时，视频处理器可以丢弃该跟踪目标的目标索引对应的数据，避免对同一跟踪目标的属性信息进行重复存储。
本发明实施例中，视频处理器可以通过目标检测算法，确定目标区域视频数据中具有预设特征的跟踪目标，将目标区域视频中的符合用户要求的目标选择出来，进而，视频处理器可以根据所选择的目标，提取各目标的属性信息，提高了提取目标属性信息的准确性。另外，视频处理器可以针对已建立索引的目标，丢弃重复索引数据，降低了存储压力。
相应于上面的方法实施例，本发明实施例还提供了相应的装置实施例。图3为本发明实施例提供了一种目标特征提取装置300，该装置300包括：
获取单元310，用于获取全景相机拍摄的目标区域视频数据。
确定单元320，用于通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标。
分配单元330，用于将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据。
提取单元340，用于提取所述特写视频数据中所述跟踪目标的属性信息。
本发明实施例中，视频处理器可以通过目标检测算法，确定目标区域视频数据中具有预设特征的跟踪目标，这样，视频处理器可以将目标区域视频中的符合用户要求的目标选择出来，进而，视频处理器可以根据所选择的目标，提取各目标的属性信息，提高了提取目标属性信息的准确性。
作为本发明实施例中一种实施方式，所述确定单元320具体用于：
获取所述目标区域视频数据的视频帧；通过预设目标检测模型提取所述视频帧的图像特征；所述预设目标检测模型为基于具有预设特征的多个目标训练得到的；将所述图像特征与预设目标检测特征进行匹配，并将与所述预设目标检测特征匹配的图像特征确定为跟踪目标；所述预设目标检测特征为具有预设特征的目标的集合。
作为本发明实施例中一种实施方式，所述分配单元330具体用于：在所述获取所述目标区域视频数据的视频帧之后，获取每个跟踪目标在所述目标区域视频的视频帧中的第一坐标；
根据所述第一坐标，为每个跟踪目标分配一个细节相机；将所述每个跟踪目标的第一坐标转换为每个跟踪目标在所分配的细节相机中的第二坐标，并将所述第二坐标及所述跟踪目标发送给分配后的细节相机，以使所述细节相机跟踪拍摄分配的跟踪目标并获取所述跟踪目标的特写视频数据。
作为本发明实施例中一种实施方式，所述提取单元340具体用于：
获取所述特写视频数据中的特写视频帧；根据目标评价模型，获得所述特写视频帧的评分结果，并选取评分结果最高的特写视频帧；
提取所述评分结果最高的特写视频帧中所述跟踪目标的至少一个属性信息。
作为本发明实施例中一种实施方式，如图4所示，在包括获取单元310、确定单元320、分配单元330及提取单元340的基础上，所述装置300还包括：
索引单元350，用于根据所述跟踪目标的标识信息及所述至少一个属性信息，对所述跟踪目标建立目标索引；所述标识信息为：在确定所述目标区域视频数据中具有预设特征的跟踪目标之后，分别对每个跟踪目标进行标识得到的。
判断单元360，用于判断所述目标索引是否与已存储的索引匹配。
处理单元370，用于若所述目标索引与已存储的索引不匹配，存储所述目标索引，若所述目标索引与已存储的索引匹配，丢弃所述目标索引。
另外，如图5所示，本发明实施例提供了一种目标特征提取应用系统，该应用系统包括：全景相机510、视频处理器520、细节相机530。
其中，所述全景相机510，用于拍摄目标区域视频数据。
所述视频处理器520，用于获取全景相机拍摄的目标区域视频数据；通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标；将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据；提取所述特写视频数据中所述跟踪目标的属性信息。
所述细节相机530，用于跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据。
具体的，视频处理器可以采用图3或者图4所示的装置实施例完成目标特征提取的过程。
本发明实施例中，视频处理器可以通过目标检测算法，确定目标区域视频数据中具有预设特征的跟踪目标，视频处理器可以将目标区域视频中的符合用户要求的目标选择出来，进而，视频处理器可以根据所选择的目标，提取各目标的属性信息，提高了提取目标属性信息的准确性。
作为本发明实施例中一种实施方式，所述视频处理器520，具体用于获取所述目标区域视频数据的视频帧；通过预设目标检测模型提取所述视频帧的图像特征；所述预设目标检测模型为基于具有预设特征的多个目标训练得到的；将所述图像特征与预设目标检测特征进行匹配，并将与所述预设目标检测特征匹配的图像特征确定为跟踪目标；所述预设目标检测特征为具有预设特征的目标的集合。
作为本发明实施例中一种实施方式，所述视频处理器520，具体用于在所述获取所述目标区域视频数据的视频帧之后，获取每个跟踪目标在所述目标区域视频的视频帧中的第一坐标；根据所述第一坐标，为每个跟踪目标分配一个细节相机；将所述每个跟踪目标的第一坐标转换为每个跟踪目标在所分配的细节相机中的第二坐标，并将所述第二坐标及所述跟踪目标发送给分配后的细节相机，以使所述细节相机跟踪拍摄分配的跟踪目标并获取所述跟踪目标的特写视频数据。
作为本发明实施例中一种实施方式，所述视频处理器520，具体用于获取所述特写视频数据中的特写视频帧；根据目标评价模型，获得所述特写视频帧的评分结果，并选取评分结果最高的特写视频帧；提取所述评分结果最高的特写视频帧中所述跟踪目标的至少一个属性信息。
作为本发明实施例中一种实施方式，所述视频处理器520，具体还用于根据所述跟踪目标的标识信息及所述至少一个属性信息，对所述跟踪目标建立目标索引；所述标识信息为：在确定所述目标区域视频数据中具有预设特征的跟踪目标之后，分别对每个跟踪目标进行标识得到的；判断所述目标索引是否与已存储的索引匹配；若所述目标索引与已存储的索引不匹配，存储所述目标索引，若所述目标索引与已存储的索引匹配，丢弃所述目标索引。
本发明实施例中，视频处理器可以集成在全景相机中，或者视频处理器可以集成在细节相机中，当视频处理器集成在全景相机中时，目标索引可以存储于全景相机中具有存储功能的介质中，当视频处理器集成在细节相机中时，目标索引可以存储于细节相机中具有存储功能的介质中。需要注意的是，视频处理器可以作为一个独立的处理器存在，或者视频处理器可以集成于除全景相机和细节相机之外的其他电子设备上，例如，该设备可以为具有处理视频数据，并提取视频数据中目标特征功能的计算机设备，则可以将上述目标索引存储于该计算机设备中，对于视频处理器所在的电子设备，在此不做限定。
本发明实施例又提供了一种计算机设备，如图6所示，所述计算机设备可以包括处理器610、通信接口620、存储器630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信；
存储器630，用于存放计算机程序；
处理器610，用于执行存储器630上所存放的程序时，实现如下步骤：
获取全景相机拍摄的目标区域视频数据；
通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标；
将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据；
提取所述特写视频数据中所述跟踪目标的属性信息。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral PomponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例又提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时实现本发明所述的目标特征提取方法步骤。
对于装置/系统/电子设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (15)

1.一种目标特征提取方法，其特征在于，包括：
获取全景相机拍摄的目标区域视频数据；
通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标；
将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据；
提取所述特写视频数据中所述跟踪目标的属性信息。
2.根据权利要求1所述的方法，其特征在于，所述通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标的步骤包括：
获取所述目标区域视频数据的视频帧；
通过预设目标检测模型提取所述视频帧的图像特征；所述预设目标检测模型为基于具有预设特征的多个目标训练得到的；
将所述图像特征与预设目标检测特征进行匹配，并将与所述预设目标检测特征匹配的图像特征确定为跟踪目标；所述预设目标检测特征为具有预设特征的目标的集合。
3.根据权利要求2所述的方法，其特征在于，所述将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据的步骤包括：
在所述获取所述目标区域视频数据的视频帧之后，获取每个跟踪目标在所述目标区域视频的视频帧中的第一坐标；
根据所述第一坐标，为每个跟踪目标分配一个细节相机；
将所述每个跟踪目标的第一坐标转换为每个跟踪目标在所分配的细节相机中的第二坐标，并将所述第二坐标及所述跟踪目标发送给分配后的细节相机，以使所述细节相机跟踪拍摄分配的跟踪目标并获取所述跟踪目标的特写视频数据。
4.根据权利要求1所述的方法，其特征在于，所述提取所述特写视频数据中所述跟踪目标的属性信息的步骤包括：
获取所述特写视频数据中的特写视频帧；
根据目标评价模型，获得所述特写视频帧的评分结果，并选取评分结果最高的特写视频帧；
提取所述评分结果最高的特写视频帧中所述跟踪目标的至少一个属性信息。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据所述跟踪目标的标识信息及所述至少一个属性信息，对所述跟踪目标建立目标索引；所述标识信息为：在确定所述目标区域视频数据中具有预设特征的跟踪目标之后，分别对每个跟踪目标进行标识得到的；
判断所述目标索引是否与已存储的索引匹配；
若否，存储所述目标索引，若是，丢弃所述目标索引。
6.一种目标特征提取装置，其特征在于，包括：
获取单元，用于获取全景相机拍摄的目标区域视频数据；
确定单元，用于通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标；
分配单元，用于将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据；
提取单元，用于提取所述特写视频数据中所述跟踪目标的属性信息。
7.根据权利要求6所述的装置，其特征在于，所述确定单元具体用于：
获取所述目标区域视频数据的视频帧；通过预设目标检测模型提取所述视频帧的图像特征；所述预设目标检测模型为基于具有预设特征的多个目标训练得到的；将所述图像特征与预设目标检测特征进行匹配，并将与所述预设目标检测特征匹配的图像特征确定为跟踪目标；所述预设目标检测特征为具有预设特征的目标的集合。
8.根据权利要求7所述的装置，其特征在于，所述分配单元具体用于：
在所述获取所述目标区域视频数据的视频帧之后，获取每个跟踪目标在所述目标区域视频的视频帧中的第一坐标；根据所述第一坐标，为每个跟踪目标分配一个细节相机；将所述每个跟踪目标的第一坐标转换为每个跟踪目标在所分配的细节相机中的第二坐标，并将所述第二坐标及所述跟踪目标发送给分配后的细节相机，以使所述细节相机跟踪拍摄分配的跟踪目标并获取所述跟踪目标的特写视频数据。
9.根据权利要求6所述的装置，其特征在于，所述提取单元具体用于：
获取所述特写视频数据中的特写视频帧；根据目标评价模型，获得所述特写视频帧的评分结果，并选取评分结果最高的特写视频帧；提取所述评分结果最高的特写视频帧中所述跟踪目标的至少一个属性信息。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
索引单元，用于根据所述跟踪目标的标识信息及所述至少一个属性信息，对所述跟踪目标建立目标索引；所述标识信息为：在确定所述目标区域视频数据中具有预设特征的跟踪目标之后，分别对每个跟踪目标进行标识得到的；
判断单元，用于判断所述目标索引是否与已存储的索引匹配；
处理单元，用于若所述目标索引与已存储的索引不匹配，存储所述目标索引，若所述目标索引与已存储的索引匹配，丢弃所述目标索引。
11.一种目标特征提取应用系统，其特征在于，包括：全景相机、视频处理器、细节相机；
其中，所述全景相机，用于拍摄目标区域视频数据；
所述视频处理器，用于获取全景相机拍摄的目标区域视频数据；通过目标检测算法，确定所述目标区域视频数据中具有预设特征的跟踪目标；将所述跟踪目标分配给细节相机，以使所述细节相机跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据；提取所述特写视频数据中所述跟踪目标的属性信息；
所述细节相机，用于跟踪所述跟踪目标并获取所述跟踪目标的特写视频数据。
12.根据权利要求11所述的应用系统，其特征在于，所述视频处理器具体用于：
获取所述目标区域视频数据的视频帧；通过预设目标检测模型提取所述视频帧的图像特征；所述预设目标检测模型为基于具有预设特征的多个目标训练得到的；将所述图像特征与预设目标检测特征进行匹配，并将与所述预设目标检测特征匹配的图像特征确定为跟踪目标；所述预设目标检测特征为具有预设特征的目标的集合。
13.根据权利要求12所述的应用系统，其特征在于，所述视频处理器具体用于：
在所述获取所述目标区域视频数据的视频帧之后，获取每个跟踪目标在所述目标区域视频的视频帧中的第一坐标；根据所述第一坐标，为每个跟踪目标分配一个细节相机；将所述每个跟踪目标的第一坐标转换为每个跟踪目标在所分配的细节相机中的第二坐标，并将所述第二坐标及所述跟踪目标发送给分配后的细节相机，以使所述细节相机跟踪拍摄分配的跟踪目标并获取所述跟踪目标的特写视频数据。
14.根据权利要求11所述的应用系统，其特征在于，所述视频处理器具体用于：
获取所述特写视频数据中的特写视频帧；根据目标评价模型，获得所述特写视频帧的评分结果，并选取评分结果最高的特写视频帧；提取所述评分结果最高的特写视频帧中所述跟踪目标的至少一个属性信息。
15.根据权利要求14所述的应用系统，其特征在于，所述视频处理器具体还用于：
根据所述跟踪目标的标识信息及所述至少一个属性信息，对所述跟踪目标建立目标索引；所述标识信息为：在确定所述目标区域视频数据中具有预设特征的跟踪目标之后，分别对每个跟踪目标进行标识得到的；判断所述目标索引是否与已存储的索引匹配；若否，存储所述目标索引，若是，丢弃所述目标索引。
CN201710527437.4A 2017-06-30 2017-06-30 一种目标特征提取方法、装置及应用系统 Pending CN109215055A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201710527437.4A CN109215055A (zh) 2017-06-30 2017-06-30 一种目标特征提取方法、装置及应用系统
US16/627,017 US11398084B2 (en) 2017-06-30 2018-06-28 Method, apparatus and application system for extracting a target feature
PCT/CN2018/093291 WO2019001505A1 (zh) 2017-06-30 2018-06-28 一种目标特征提取方法、装置及应用系统
EP18823010.6A EP3648448B1 (en) 2017-06-30 2018-06-28 Target feature extraction method and device, and application system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710527437.4A CN109215055A (zh) 2017-06-30 2017-06-30 一种目标特征提取方法、装置及应用系统

Publications (1)

Publication Number Publication Date
CN109215055A true CN109215055A (zh) 2019-01-15

Family

ID=64741133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710527437.4A Pending CN109215055A (zh) 2017-06-30 2017-06-30 一种目标特征提取方法、装置及应用系统

Country Status (4)

Country Link
US (1) US11398084B2 (zh)
EP (1) EP3648448B1 (zh)
CN (1) CN109215055A (zh)
WO (1) WO2019001505A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288865A (zh) * 2019-07-23 2021-01-29 比亚迪股份有限公司 地图的构建方法、装置、设备及存储介质
US11240429B2 (en) 2018-12-19 2022-02-01 China-Germany(Zhuhai) Artificial Intelligence Institute Co., Ltd. Target object elimination method based on panoramic camera
CN114359351A (zh) * 2021-12-09 2022-04-15 浙江大华技术股份有限公司 一种目标跟踪方法、系统、装置及设备
WO2022105027A1 (zh) * 2020-11-19 2022-05-27 安徽鸿程光电有限公司 图像识别方法、系统、电子设备及存储介质
CN114650453A (zh) * 2022-04-02 2022-06-21 北京中庆现代技术股份有限公司 应用于课堂录播中的目标追踪方法、装置、设备以及介质

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086709B (zh) * 2018-07-27 2023-04-07 腾讯科技（深圳）有限公司 特征提取模型训练方法、装置及存储介质
CN110969097B (zh) * 2019-11-18 2023-05-12 浙江大华技术股份有限公司 监控目标联动跟踪控制方法、设备及存储装置
CN111091117B (zh) * 2019-12-31 2021-01-29 北京城市网邻信息技术有限公司 用于二维全景图像的目标检测方法、装置、设备、介质
CN113077391B (zh) * 2020-07-22 2024-01-26 同方威视技术股份有限公司 校正扫描图像的方法和装置以及图像扫描系统
US20220114477A1 (en) * 2020-10-14 2022-04-14 Baidu Usa Llc Event driven configurable artificial intelligence workflow
CN112489090B (zh) * 2020-12-16 2024-06-04 影石创新科技股份有限公司 目标跟踪的方法、计算机可读存储介质及计算机设备
CN112818172B (zh) * 2021-01-18 2023-04-18 浙江大华技术股份有限公司 视频检索方法、电子装置和存储介质
CN112802058A (zh) * 2021-01-21 2021-05-14 北京首都机场航空安保有限公司 一种非法运动目标的跟踪方法及装置
CN112884809A (zh) * 2021-02-26 2021-06-01 北京市商汤科技开发有限公司 目标跟踪方法及装置、电子设备和存储介质
CN114500873A (zh) * 2021-12-31 2022-05-13 浙江大华技术股份有限公司 跟踪拍摄系统
CN114332744B (zh) * 2022-03-10 2022-06-07 成都诺比侃科技有限公司 一种基于机器视觉的变电站自适应安防方法及系统
DE102022203062A1 (de) * 2022-03-29 2023-10-05 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Bestimmung von Kameraergänzungsvorschlägen für eine Überwachungsvorrichtung, Computerprogramm, Speichermedium und Überwachungsvorrichtung
WO2024185409A1 (en) * 2023-03-08 2024-09-12 Nec Corporation Method, apparatus, and system for allocating hardware resources to process video streams

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101068342A (zh) * 2007-06-05 2007-11-07 西安理工大学 基于双摄像头联动结构的视频运动目标特写跟踪监视方法
CN102148965A (zh) * 2011-05-09 2011-08-10 上海芯启电子科技有限公司 多目标跟踪特写拍摄视频监控系统
CN102902884A (zh) * 2012-09-24 2013-01-30 天津市亚安科技股份有限公司 云台摄像机自动定位角度计算方法
CN103105858A (zh) * 2012-12-29 2013-05-15 上海安维尔信息科技有限公司 在固定相机和云台相机间进行目标放大、主从跟踪的方法
CN104125433A (zh) * 2014-07-30 2014-10-29 西安冉科信息技术有限公司 基于多球机联动结构的视频运动目标监控方法
CN104301669A (zh) * 2014-09-12 2015-01-21 重庆大学 基于双摄像头协同的可疑目标检测跟踪与识别方法
CN104378539A (zh) * 2014-11-28 2015-02-25 华中科技大学 场景自适应的视频结构化语义提取摄像机及其方法
CN104883548A (zh) * 2015-06-16 2015-09-02 金鹏电子信息机器有限公司 监控视频人脸抓取处理方法及其系统
CN105338248A (zh) * 2015-11-20 2016-02-17 成都因纳伟盛科技股份有限公司 智能多目标主动跟踪监控方法及系统
CN105407283A (zh) * 2015-11-20 2016-03-16 成都因纳伟盛科技股份有限公司 一种多目标主动识别跟踪监控方法
CN105472239A (zh) * 2015-11-17 2016-04-06 小米科技有限责任公司 照片处理方法及装置
CN105812746A (zh) * 2016-04-21 2016-07-27 北京格灵深瞳信息技术有限公司 一种目标检测方法及系统
CN105872477A (zh) * 2016-05-27 2016-08-17 北京旷视科技有限公司 视频监控方法和视频监控系统
CN105893510A (zh) * 2016-03-30 2016-08-24 北京格灵深瞳信息技术有限公司 一种视频结构化系统及其目标搜索方法
CN105930822A (zh) * 2016-05-11 2016-09-07 北京格灵深瞳信息技术有限公司 一种人脸抓拍方法及系统
CN106354816A (zh) * 2016-08-30 2017-01-25 东软集团股份有限公司 一种视频图像处理方法及装置
CN106503622A (zh) * 2016-09-26 2017-03-15 北京格灵深瞳信息技术有限公司 一种车辆反跟踪方法及装置
CN106503614A (zh) * 2016-09-14 2017-03-15 厦门幻世网络科技有限公司 一种照片获取方法及装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8285006B2 (en) * 2007-04-13 2012-10-09 Mira Electronics Co., Ltd. Human face recognition and user interface system for digital camera and video camera
US20180107660A1 (en) * 2014-06-27 2018-04-19 Amazon Technologies, Inc. System, method and apparatus for organizing photographs stored on a mobile computing device
CN105830426B (zh) * 2014-11-10 2019-01-01 深圳锐取信息技术股份有限公司 一种视频生成系统的视频生成方法及装置
WO2016078728A1 (en) * 2014-11-21 2016-05-26 Metaio Gmbh Method and system for determining spatial coordinates of a 3d reconstruction of at least part of a real object at absolute spatial scale
CN106034207A (zh) * 2015-03-19 2016-10-19 联想(北京)有限公司 图像获得方法以及电子设备
US9589210B1 (en) * 2015-08-26 2017-03-07 Digitalglobe, Inc. Broad area geospatial object detection using autogenerated deep learning models
CN106127807A (zh) 2016-06-21 2016-11-16 中国石油大学(华东) 一种实时的视频多类多目标跟踪方法
CN205883405U (zh) 2016-07-29 2017-01-11 深圳众思科技有限公司 一种自动追焦装置及终端
CN106506941A (zh) * 2016-10-20 2017-03-15 深圳市道通智能航空技术有限公司 图像处理的方法及装置、飞行器
CN106341612A (zh) * 2016-11-29 2017-01-18 广东欧珀移动通信有限公司 控制方法、控制装置及电子装置

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101068342A (zh) * 2007-06-05 2007-11-07 西安理工大学 基于双摄像头联动结构的视频运动目标特写跟踪监视方法
CN102148965A (zh) * 2011-05-09 2011-08-10 上海芯启电子科技有限公司 多目标跟踪特写拍摄视频监控系统
CN102902884A (zh) * 2012-09-24 2013-01-30 天津市亚安科技股份有限公司 云台摄像机自动定位角度计算方法
CN103105858A (zh) * 2012-12-29 2013-05-15 上海安维尔信息科技有限公司 在固定相机和云台相机间进行目标放大、主从跟踪的方法
CN104125433A (zh) * 2014-07-30 2014-10-29 西安冉科信息技术有限公司 基于多球机联动结构的视频运动目标监控方法
CN104301669A (zh) * 2014-09-12 2015-01-21 重庆大学 基于双摄像头协同的可疑目标检测跟踪与识别方法
CN104378539A (zh) * 2014-11-28 2015-02-25 华中科技大学 场景自适应的视频结构化语义提取摄像机及其方法
CN104883548A (zh) * 2015-06-16 2015-09-02 金鹏电子信息机器有限公司 监控视频人脸抓取处理方法及其系统
CN105472239A (zh) * 2015-11-17 2016-04-06 小米科技有限责任公司 照片处理方法及装置
CN105338248A (zh) * 2015-11-20 2016-02-17 成都因纳伟盛科技股份有限公司 智能多目标主动跟踪监控方法及系统
CN105407283A (zh) * 2015-11-20 2016-03-16 成都因纳伟盛科技股份有限公司 一种多目标主动识别跟踪监控方法
CN105893510A (zh) * 2016-03-30 2016-08-24 北京格灵深瞳信息技术有限公司 一种视频结构化系统及其目标搜索方法
CN105812746A (zh) * 2016-04-21 2016-07-27 北京格灵深瞳信息技术有限公司 一种目标检测方法及系统
CN105930822A (zh) * 2016-05-11 2016-09-07 北京格灵深瞳信息技术有限公司 一种人脸抓拍方法及系统
CN105872477A (zh) * 2016-05-27 2016-08-17 北京旷视科技有限公司 视频监控方法和视频监控系统
CN106354816A (zh) * 2016-08-30 2017-01-25 东软集团股份有限公司 一种视频图像处理方法及装置
CN106503614A (zh) * 2016-09-14 2017-03-15 厦门幻世网络科技有限公司 一种照片获取方法及装置
CN106503622A (zh) * 2016-09-26 2017-03-15 北京格灵深瞳信息技术有限公司 一种车辆反跟踪方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIAOMENG ZHAO等: "Metadata Extraction and Correction for Large-Scale Traffic Surveillance Videos", 《2014 IEEE INTERNATIONAL CONFERENCE ON BIG DATA》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11240429B2 (en) 2018-12-19 2022-02-01 China-Germany(Zhuhai) Artificial Intelligence Institute Co., Ltd. Target object elimination method based on panoramic camera
CN112288865A (zh) * 2019-07-23 2021-01-29 比亚迪股份有限公司 地图的构建方法、装置、设备及存储介质
WO2022105027A1 (zh) * 2020-11-19 2022-05-27 安徽鸿程光电有限公司 图像识别方法、系统、电子设备及存储介质
CN114359351A (zh) * 2021-12-09 2022-04-15 浙江大华技术股份有限公司 一种目标跟踪方法、系统、装置及设备
CN114650453A (zh) * 2022-04-02 2022-06-21 北京中庆现代技术股份有限公司 应用于课堂录播中的目标追踪方法、装置、设备以及介质
CN114650453B (zh) * 2022-04-02 2023-08-15 北京中庆现代技术股份有限公司 应用于课堂录播中的目标追踪方法、装置、设备以及介质

Also Published As

Publication number Publication date
EP3648448A1 (en) 2020-05-06
US20200117946A1 (en) 2020-04-16
EP3648448B1 (en) 2024-06-19
EP3648448A4 (en) 2020-08-19
US11398084B2 (en) 2022-07-26
WO2019001505A1 (zh) 2019-01-03

Similar Documents

Publication Publication Date Title
CN109215055A (zh) 一种目标特征提取方法、装置及应用系统
CN106844492B (zh) 一种人脸识别的方法、客户端、服务器及系统
CN107609557A (zh) 一种指针式仪表读数识别方法
CN108960114A (zh) 人体识别方法及装置、计算机可读存储介质及电子设备
CN108985199A (zh) 商品取放操作的检测方法、装置及存储介质
CN108986075A (zh) 一种优选图像的判断方法及装置
CN107018323B (zh) 控制方法、控制装置和电子装置
CN106295598A (zh) 一种跨摄像头目标跟踪方法及装置
CN106991688A (zh) 人体跟踪方法、人体跟踪装置和电子装置
CN110390229B (zh) 一种人脸图片筛选方法、装置、电子设备及存储介质
CN111160243A (zh) 客流量统计方法及相关产品
CN108174152A (zh) 一种目标监控方法及目标监控系统
CN106446862A (zh) 一种人脸检测方法及系统
CN110458086A (zh) 车辆重识别方法及装置
CN107016348A (zh) 结合深度信息的人脸检测方法、检测装置和电子装置
KR20170097265A (ko) 다중 이동 객체 추적 시스템 및 이를 이용한 다중 이동 객체 추적 방법
CN108986137A (zh) 人体跟踪方法、装置及设备
CN107346414A (zh) 行人属性识别方法和装置
CN110276251A (zh) 一种图像识别方法、装置、设备及存储介质
CN109784230A (zh) 一种人脸视频图像质量寻优方法、系统及设备
CN109889773A (zh) 评标室人员的监控的方法、装置、设备和介质
CN112200838B (zh) 一种弹丸轨迹跟踪方法、装置、设备及存储介质
CN109167998A (zh) 检测相机状态的方法及装置、电子设备、存储介质
CN103607558A (zh) 一种视频监控系统及其目标匹配方法和装置
CN109544594B (zh) 多个非线性扭曲镜头下的目标追踪方法及系统

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