CN110853079A - 基于orb的实时视频跟踪方法和装置 - Google Patents
基于orb的实时视频跟踪方法和装置 Download PDFInfo
- Publication number
- CN110853079A CN110853079A CN201911047977.8A CN201911047977A CN110853079A CN 110853079 A CN110853079 A CN 110853079A CN 201911047977 A CN201911047977 A CN 201911047977A CN 110853079 A CN110853079 A CN 110853079A
- Authority
- CN
- China
- Prior art keywords
- orb
- particle
- feature point
- tracking target
- search window
- 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
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
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于ORB的实时视频跟踪方法和装置,涉及视频跟踪领域。该方法包括:在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小;实时获取当前帧,指定搜索窗口并运行ORB算法得到特征点列表;对每个特征点使用粒子滤波器构造新的粒子,与目标模板进行颜色相似性计算,若超过阈值则认为对应特征点位于跟踪目标上;将其作为新的粒子代替粒子滤波器中权值低于指定值的粒子,根据加权粒子集的均值计算跟踪目标的估计位置。该装置包括:确定模块、提取模块、计算模块和更新模块。本申请在被跟踪对象上趋于稳定,对噪声的敏感性较低,在保持精度的同时显著减少粒子的数量,更有效和高效地用于实时系统。
Description
技术领域
本申请涉及视频跟踪领域,特别是涉及一种基于ORB的实时视频跟踪方法和装置。
背景技术
视频跟踪是指从视频中确定图像序列中特定对象的位置、路径和特征的问题。这是计算机视觉领域的一个活跃的研究课题,在许多实际应用中都有应用,如监视、安全和人机交互等。视频跟踪面临着许多挑战,包括复杂的物体运动、物体的非刚性、光照变化、背景杂乱以及部分或严重的遮挡。为了克服这些挑战提出了很多算法,最著名但也是最简单的算法之一是CPF(Color-based Particle Filter,基于颜色的粒子滤波器)。这是一种求解非线性和/或非高斯贝叶斯滤波问题的数值方法。CPF算法使用颜色分布来定义对象。目标颜色直方图与帧中候选颜色直方图之间的距离是用某种近似度量来评估的。Meanshift算法是一种无参数密度估计的算法,通过沿概率分布梯度方向自适应的迭代运算寻找概率离散分布的最大值,以实时性强、无需参数、收敛速度快等优点获得广泛应用。Camshift算法是一种基于连续自适应均值偏移颜色特征的Meanshift改进算法,可以动态地调节核函数窗口大小以适应目标在追踪过程中尺寸的变化,解决了目标运动过程中的尺寸变化问题。Kalman滤波算法利用线性系统状态方程,通过对含有噪声的视频数据进行递归运算,对追踪目标在视频图像中的可能位置做出统计上的最优估计,常用作交通工具的导航系统。
但是,Meanshift算法不能及时地更新目标模型,固定的核函数严重影响追踪的准确率,目标尺寸发生明显变化可能会导致定位失败,以致丢失目标。Camshift算法同样有处理速度慢的问题。理想情况下,CPF算法需要大量的粒子来精确地跟踪目标。但是,大量的粒子也意味着需要较高的计算能力。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面,提供了一种基于ORB的实时视频跟踪方法,包括:
在参考帧中提取颜色信息和ORB(Oriented FAST and Rotated BRIEF)特征作为初始参考,确定跟踪目标的初始位置和大小;
从数据集中实时获取当前帧,在所述当前帧上指定搜索窗口,并在所述搜索窗口中运行ORB算法,得到特征点列表;
对于所述特征点列表中的每个特征点,使用粒子滤波器在该位置构造一个新的粒子,并与目标模板进行颜色相似性计算,如果有颜色相似性超过指定阈值,则认为该颜色相似性对应的特征点位于所述跟踪目标上;
将所述颜色相似性超过指定阈值的特征点作为新的粒子,代替所述粒子滤波器中权值低于指定值的粒子,得到更新的加权粒子集,根据所述更新的加权粒子集的均值计算所述跟踪目标的估计位置。
可选地,在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小,包括:
在参考帧中提取颜色信息和ORB特征作为初始参考,并在所述参考帧上绘制矩形边框来选择跟踪目标,记录中心点和边框面积,确定所述跟踪目标的初始位置和大小。
可选地,所述方法还包括:
将所述粒子滤波器初始化为N个粒子,并采用高斯公式为每个粒子计算权重,得到加权粒子集。
可选地,在所述当前帧上指定搜索窗口,包括:
在所述当前帧上定义一个圆心位置,取以所述圆心位置为型心的矩形作为搜索窗口,取当前粒子集的平均值作为所述搜索窗口的大小,且保持所述搜索窗口的大小不小于指定的最小值。
可选地,与目标模板进行颜色相似性计算,包括:
使用FLANN(Fast Library for Approximate Nearest Neighbors,快速最近邻搜索)匹配算法与目标模板进行颜色相似性计算。
根据本申请的另一个方面,提供了一种基于ORB的实时视频跟踪装置,包括:
确定模块,其配置成在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小;
提取模块,其配置成从数据集中实时获取当前帧,在所述当前帧上指定搜索窗口,并在所述搜索窗口中运行ORB算法,得到特征点列表;
计算模块,其配置成对于所述特征点列表中的每个特征点,使用粒子滤波器在该位置构造一个新的粒子,并与目标模板进行颜色相似性计算,如果有颜色相似性超过指定阈值,则认为该颜色相似性对应的特征点位于所述跟踪目标上;
更新模块,其配置成将所述颜色相似性超过指定阈值的特征点作为新的粒子,代替所述粒子滤波器中权值低于指定值的粒子,得到更新的加权粒子集,根据所述更新的加权粒子集的均值计算所述跟踪目标的估计位置。
可选地,所述确定模块具体配置成:
在参考帧中提取颜色信息和ORB特征作为初始参考,并在所述参考帧上绘制矩形边框来选择跟踪目标,记录中心点和边框面积,确定所述跟踪目标的初始位置和大小。
可选地,所述确定模块还配置成:
将所述粒子滤波器初始化为N个粒子,并采用高斯公式为每个粒子计算权重,得到加权粒子集。
可选地,所述提取模块具体配置成:
在所述当前帧上定义一个圆心位置,取以所述圆心位置为型心的矩形作为搜索窗口,取当前粒子集的平均值作为所述搜索窗口的大小,且保持所述搜索窗口的大小不小于指定的最小值。
可选地,所述计算模块具体配置成:
使用FLANN快速最近邻搜索匹配算法与目标模板进行颜色相似性计算。
根据本申请的又一个方面,提供了一种计算设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的方法。
根据本申请的又一个方面,提供了一种计算机可读存储介质,优选为非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现如上所述的方法。
根据本申请的又一个方面,提供了一种计算机程序产品,包括计算机可读代码,当所述计算机可读代码由计算机设备执行时,导致所述计算机设备执行上述的方法。
本申请提供的技术方案,通过在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小;从数据集中实时获取当前帧,在所述当前帧上指定搜索窗口,并在所述搜索窗口中运行ORB算法,得到特征点列表;对于所述特征点列表中的每个特征点,使用粒子滤波器在该位置构造一个新的粒子,并与目标模板进行颜色相似性计算,如果有颜色相似性超过指定阈值,则认为该颜色相似性对应的特征点位于所述跟踪目标上;将所述颜色相似性超过指定阈值的特征点作为新的粒子,代替所述粒子滤波器中权值低于指定值的粒子,得到更新的加权粒子集,根据所述更新的加权粒子集的均值计算所述跟踪目标的估计位置;实现了使用ORB特征点来提高基于颜色的粒子滤波器(CPF)的性能,提高效率的同时,能够更好地满足实时性要求,在被跟踪对象上趋于稳定,并且对噪声的敏感性较低,在保持精度的同时,可以显著减少粒子的数量,更有效和高效地用于实时系统。
根据下文结合附图对本申请的具体实施例的详细描述,本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本申请一个实施例的基于ORB的实时视频跟踪方法流程图;
图2是根据本申请另一个实施例的基于ORB的实时视频跟踪方法流程图;
图3是根据本申请另一个实施例的基于ORB的实时视频跟踪装置结构图;
图4是根据本申请另一个实施例的计算设备结构图;
图5是根据本申请另一个实施例的计算机可读存储介质结构图。
具体实施方式
图1是根据本申请一个实施例的基于ORB的实时视频跟踪方法流程图。
参见图1,该方法包括:
101:在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小;
102:从数据集中实时获取当前帧,在当前帧上指定搜索窗口,并在搜索窗口中运行ORB算法,得到特征点列表;
103:对于特征点列表中的每个特征点,使用粒子滤波器在该位置构造一个新的粒子,并与目标模板进行颜色相似性计算,如果有颜色相似性超过指定阈值,则认为该颜色相似性对应的特征点位于跟踪目标上;
104:将颜色相似性超过指定阈值的特征点作为新的粒子,代替粒子滤波器中权值低于指定值的粒子,得到更新的加权粒子集,根据更新的加权粒子集的均值计算跟踪目标的估计位置。
本实施例中,可选的,在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小,包括:
在参考帧中提取颜色信息和ORB特征作为初始参考,并在所述参考帧上绘制矩形边框来选择跟踪目标,记录中心点和边框面积,确定所述跟踪目标的初始位置和大小。
本实施例中,可选的,上述方法还包括:
将粒子滤波器初始化为N个粒子,并采用高斯公式为每个粒子计算权重,得到加权粒子集。
本实施例中,可选的,在当前帧上指定搜索窗口,包括:
在当前帧上定义一个圆心位置,取以圆心位置为型心的矩形作为搜索窗口,取当前粒子集的平均值作为搜索窗口的大小,且保持搜索窗口的大小不小于指定的最小值。
本实施例中,可选的,与目标模板进行颜色相似性计算,包括:
使用FLANN快速最近邻搜索匹配算法与目标模板进行颜色相似性计算。
本实施例提供的上述方法,通过在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小;从数据集中实时获取当前帧,在所述当前帧上指定搜索窗口,并在所述搜索窗口中运行ORB算法,得到特征点列表;对于所述特征点列表中的每个特征点,使用粒子滤波器在该位置构造一个新的粒子,并与目标模板进行颜色相似性计算,如果有颜色相似性超过指定阈值,则认为该颜色相似性对应的特征点位于所述跟踪目标上;将所述颜色相似性超过指定阈值的特征点作为新的粒子,代替所述粒子滤波器中权值低于指定值的粒子,得到更新的加权粒子集,根据所述更新的加权粒子集的均值计算所述跟踪目标的估计位置;实现了使用ORB特征点来提高基于颜色的粒子滤波器(CPF)的性能,提高效率的同时,能够更好地满足实时性要求,在被跟踪对象上趋于稳定,并且对噪声的敏感性较低,在保持精度的同时,可以显著减少粒子的数量,更有效和高效地用于实时系统。
图2是根据本申请另一个实施例的基于ORB的实时视频跟踪方法流程图。
参见图2,该方法包括:
201:在参考帧中提取颜色信息和ORB特征作为初始参考,并在所述参考帧上绘制矩形边框来选择跟踪目标,记录中心点和边框面积,确定所述跟踪目标的初始位置和大小;
其中,由于ORB特征具有旋转和尺度上的不变性,适合用来收集追踪过程的特征点,因此,本实施例利用ORB特征对CPF算法进行改进。
202:将粒子滤波器初始化为N个粒子,并采用高斯公式为每个粒子计算权重,得到加权粒子集;
其中,N可以根据需要设置,如设置为100个等等。跟踪器中使用的状态向量可以包括目标的位置(x,y)、速度(x',y')和面积s。
203:从数据集中实时获取当前帧,在当前帧上定义一个圆心位置,取以圆心位置为型心的矩形作为搜索窗口,取当前粒子集的平均值作为搜索窗口的大小,且保持搜索窗口的大小不小于指定的最小值,并在搜索窗口中运行ORB算法,得到特征点列表;
204:对于特征点列表中的每个特征点,使用粒子滤波器在该位置构造一个新的粒子,并使用FLANN匹配算法与目标模板进行颜色相似性计算,如果有颜色相似性超过指定阈值,则认为该颜色相似性对应的特征点位于跟踪目标上;
205:将颜色相似性超过指定阈值的特征点作为新的粒子,代替粒子滤波器中权值低于指定值的粒子,得到更新的加权粒子集,根据更新的加权粒子集的均值计算跟踪目标的估计位置。
本实施例中,在粒子滤波器上使用特征点作为粒子,比随机采样得到的粒子具有更多的优点。在粒子滤波的基本算法中,可以很好地保持粒子的扩散,减小简并和贫化对算法的影响。最终在保证精确性的前提下,通过减少跟踪器中使用的粒子数来减少计算的要求。
本实施例提供的上述方法,通过在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小;从数据集中实时获取当前帧,在所述当前帧上指定搜索窗口,并在所述搜索窗口中运行ORB算法,得到特征点列表;对于所述特征点列表中的每个特征点,使用粒子滤波器在该位置构造一个新的粒子,并与目标模板进行颜色相似性计算,如果有颜色相似性超过指定阈值,则认为该颜色相似性对应的特征点位于所述跟踪目标上;将所述颜色相似性超过指定阈值的特征点作为新的粒子,代替所述粒子滤波器中权值低于指定值的粒子,得到更新的加权粒子集,根据所述更新的加权粒子集的均值计算所述跟踪目标的估计位置;实现了使用ORB特征点来提高基于颜色的粒子滤波器(CPF)的性能,提高效率的同时,能够更好地满足实时性要求,在被跟踪对象上趋于稳定,并且对噪声的敏感性较低,在保持精度的同时,可以显著减少粒子的数量,更有效和高效地用于实时系统。
图3是根据本申请另一个实施例的基于ORB的实时视频跟踪装置结构图。
参见图3,该装置包括:
确定模块301,其配置成在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小;
提取模块302,其配置成从数据集中实时获取当前帧,在当前帧上指定搜索窗口,并在搜索窗口中运行ORB算法,得到特征点列表;
计算模块303,其配置成对于特征点列表中的每个特征点,使用粒子滤波器在该位置构造一个新的粒子,并与目标模板进行颜色相似性计算,如果有颜色相似性超过指定阈值,则认为该颜色相似性对应的特征点位于跟踪目标上;
更新模块304,其配置成将颜色相似性超过指定阈值的特征点作为新的粒子,代替粒子滤波器中权值低于指定值的粒子,得到更新的加权粒子集,根据更新的加权粒子集的均值计算跟踪目标的估计位置。
本实施例中,可选的,确定模块具体配置成:
在参考帧中提取颜色信息和ORB特征作为初始参考,并在所述参考帧上绘制矩形边框来选择跟踪目标,记录中心点和边框面积,确定所述跟踪目标的初始位置和大小。
本实施例中,可选的,确定模块还配置成:
将粒子滤波器初始化为N个粒子,并采用高斯公式为每个粒子计算权重,得到加权粒子集。
本实施例中,可选的,提取模块具体配置成:
在当前帧上定义一个圆心位置,取以圆心位置为型心的矩形作为搜索窗口,取当前粒子集的平均值作为搜索窗口的大小,且保持搜索窗口的大小不小于指定的最小值。
本实施例中,可选的,计算模块具体配置成:
使用FLANN快速最近邻搜索匹配算法与目标模板进行颜色相似性计算。
本实施例提供的上述装置,可以执行上述任一方法实施例提供的方法,详细过程详见方法实施例中的描述,此处不再赘述。
本实施例提供的上述装置,通过在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小;从数据集中实时获取当前帧,在所述当前帧上指定搜索窗口,并在所述搜索窗口中运行ORB算法,得到特征点列表;对于所述特征点列表中的每个特征点,使用粒子滤波器在该位置构造一个新的粒子,并与目标模板进行颜色相似性计算,如果有颜色相似性超过指定阈值,则认为该颜色相似性对应的特征点位于所述跟踪目标上;将所述颜色相似性超过指定阈值的特征点作为新的粒子,代替所述粒子滤波器中权值低于指定值的粒子,得到更新的加权粒子集,根据所述更新的加权粒子集的均值计算所述跟踪目标的估计位置;实现了使用ORB特征点来提高基于颜色的粒子滤波器(CPF)的性能,提高效率的同时,能够更好地满足实时性要求,在被跟踪对象上趋于稳定,并且对噪声的敏感性较低,在保持精度的同时,可以显著减少粒子的数量,更有效和高效地用于实时系统。
根据下文结合附图对本申请的具体实施例的详细描述,本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
本申请实施例还提供了一种计算设备,参照图4,该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110运行的计算机程序,该计算机程序存储于存储器1120中的用于程序代码的空间1130,该计算机程序在由处理器1110执行时实现用于执行任一项根据本发明的方法步骤1131。
本申请实施例还提供了一种计算机可读存储介质。参照图5,该计算机可读存储介质包括用于程序代码的存储单元,该存储单元设置有用于执行根据本发明的方法步骤的程序1131′,该程序被处理器执行。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时,使得计算机执行根据本发明的方法步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
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步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(英文:non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(英文:magnetic tape),软盘(英文:floppy disk),光盘(英文:optical disc)及其任意组合。
以上所述,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于ORB的实时视频跟踪方法,包括:
在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小;
从数据集中实时获取当前帧,在所述当前帧上指定搜索窗口,并在所述搜索窗口中运行ORB算法,得到特征点列表;
对于所述特征点列表中的每个特征点,使用粒子滤波器在该位置构造一个新的粒子,并与目标模板进行颜色相似性计算,如果有颜色相似性超过指定阈值,则认为该颜色相似性对应的特征点位于所述跟踪目标上;
将所述颜色相似性超过指定阈值的特征点作为新的粒子,代替所述粒子滤波器中权值低于指定值的粒子,得到更新的加权粒子集,根据所述更新的加权粒子集的均值计算所述跟踪目标的估计位置。
2.根据权利要求1所述的方法,其特征在于,在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小,包括:
在参考帧中提取颜色信息和ORB特征作为初始参考,并在所述参考帧上绘制矩形边框来选择跟踪目标,记录中心点和边框面积,确定所述跟踪目标的初始位置和大小。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述粒子滤波器初始化为N个粒子,并采用高斯公式为每个粒子计算权重,得到加权粒子集。
4.根据权利要求1所述的方法,其特征在于,在所述当前帧上指定搜索窗口,包括:
在所述当前帧上定义一个圆心位置,取以所述圆心位置为型心的矩形作为搜索窗口,取当前粒子集的平均值作为所述搜索窗口的大小,且保持所述搜索窗口的大小不小于指定的最小值。
5.根据权利要求1-4中任一项所述的方法,其特征在于,与目标模板进行颜色相似性计算,包括:
使用FLANN快速最近邻搜索匹配算法与目标模板进行颜色相似性计算。
6.一种基于ORB的实时视频跟踪装置,包括:
确定模块,其配置成在参考帧中提取颜色信息和ORB特征作为初始参考,确定跟踪目标的初始位置和大小;
提取模块,其配置成从数据集中实时获取当前帧,在所述当前帧上指定搜索窗口,并在所述搜索窗口中运行ORB算法,得到特征点列表;
计算模块,其配置成对于所述特征点列表中的每个特征点,使用粒子滤波器在该位置构造一个新的粒子,并与目标模板进行颜色相似性计算,如果有颜色相似性超过指定阈值,则认为该颜色相似性对应的特征点位于所述跟踪目标上;
更新模块,其配置成将所述颜色相似性超过指定阈值的特征点作为新的粒子,代替所述粒子滤波器中权值低于指定值的粒子,得到更新的加权粒子集,根据所述更新的加权粒子集的均值计算所述跟踪目标的估计位置。
7.根据权利要求6所述的装置,其特征在于,所述确定模块具体配置成:
在参考帧中提取颜色信息和ORB特征作为初始参考,并在所述参考帧上绘制矩形边框来选择跟踪目标,记录中心点和边框面积,确定所述跟踪目标的初始位置和大小。
8.根据权利要求6所述的装置,其特征在于,所述确定模块还配置成:
将所述粒子滤波器初始化为N个粒子,并采用高斯公式为每个粒子计算权重,得到加权粒子集。
9.根据权利要求6所述的装置,其特征在于,所述提取模块具体配置成:
在所述当前帧上定义一个圆心位置,取以所述圆心位置为型心的矩形作为搜索窗口,取当前粒子集的平均值作为所述搜索窗口的大小,且保持所述搜索窗口的大小不小于指定的最小值。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述计算模块具体配置成:
使用FLANN快速最近邻搜索匹配算法与目标模板进行颜色相似性计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911047977.8A CN110853079A (zh) | 2019-10-30 | 2019-10-30 | 基于orb的实时视频跟踪方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911047977.8A CN110853079A (zh) | 2019-10-30 | 2019-10-30 | 基于orb的实时视频跟踪方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110853079A true CN110853079A (zh) | 2020-02-28 |
Family
ID=69599010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911047977.8A Pending CN110853079A (zh) | 2019-10-30 | 2019-10-30 | 基于orb的实时视频跟踪方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110853079A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785363A (zh) * | 2018-12-29 | 2019-05-21 | 中国电子科技集团公司第五十二研究所 | 一种无人机航拍视频运动小目标实时检测与跟踪方法 |
-
2019
- 2019-10-30 CN CN201911047977.8A patent/CN110853079A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785363A (zh) * | 2018-12-29 | 2019-05-21 | 中国电子科技集团公司第五十二研究所 | 一种无人机航拍视频运动小目标实时检测与跟踪方法 |
Non-Patent Citations (1)
Title |
---|
TSANI HENDRO NUGROHO等: ""Enhancing color-based particle filter algorithm with ORB feature for real-time video tracking"", 《THE 2018 INTERNATIONAL CONFERENCE ON SIGNALS AND SYSTEMS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105405151B (zh) | 基于粒子滤波和加权Surf的抗遮挡目标跟踪方法 | |
CN108898624B (zh) | 一种运动物体跟踪的方法、装置、电子设备和存储介质 | |
CN111080673B (zh) | 一种抗遮挡目标跟踪方法 | |
CN106846361B (zh) | 基于直觉模糊随机森林的目标跟踪方法及装置 | |
CN111523447B (zh) | 车辆跟踪方法、装置、电子设备及存储介质 | |
CN110991280A (zh) | 基于模板匹配和surf的视频跟踪方法和装置 | |
CN115345905A (zh) | 目标对象跟踪方法、装置、终端及存储介质 | |
CN113379789B (zh) | 一种复杂环境下运动目标跟踪方法 | |
CN110717934A (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
CN112634316B (zh) | 目标跟踪方法、装置、设备和存储介质 | |
CN110929620B (zh) | 目标跟踪方法、装置及存储装置 | |
CN115953431A (zh) | 面向无人机航拍视频的多目标跟踪方法与系统 | |
CN113129332A (zh) | 执行目标对象跟踪的方法和装置 | |
Jung et al. | Sequential Monte Carlo filtering with long short-term memory prediction | |
CN115511920A (zh) | 一种基于DeepSort和DeepEMD的检测跟踪方法和系统 | |
CN108776972B (zh) | 一种对象跟踪方法及装置 | |
CN110956649A (zh) | 多目标三维物体跟踪的方法和装置 | |
Rai et al. | Pearson's correlation and background subtraction (BGS) based approach for object's motion detection in infrared video frame sequences | |
Kumar et al. | Adaptive earth movers distance‐based Bayesian multi‐target tracking | |
CN110853079A (zh) | 基于orb的实时视频跟踪方法和装置 | |
CN117745761A (zh) | 一种点追踪方法、装置、电子设备和存储介质 | |
CN106251364A (zh) | 目标跟踪方法及装置 | |
CN116012421A (zh) | 目标跟踪方法及装置 | |
CN115170618B (zh) | 一种对象跟踪方法、装置、电子设备及存储介质 | |
CN112287846A (zh) | 目标人物跟随方法、装置、可移动机器人及可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200228 |