[發明專利]一種在視頻中針對快速移動物體跟蹤的位置補償方法

在審

• 申請號: 201910174619.7
• 申請日: 2019-03-08
• 公開（公告）號: CN109816685A
• 公開（公告）日: 2019-05-28
• 發明（設計）人: 容李慶;關毅;袁亞榮
• 申請（專利權）人: 廣州二元科技有限公司
• 主分類號: G06T7/20
• 分類號: G06T7/20;H04N21/44
• 代理公司: 廣州凱東知識產權代理有限公司 44259
• 代理人: 羅丹

本發明涉及一種在視頻中針對快速移動物體跟蹤的位置補償方法，利用連續幀視頻中的多幀物體檢測結果作為參考，計算當前輸入幀物體檢測結果與上一幀和多幀的物體檢測結果之間的關系，當物體快速移動時，通過計算加入補償的方式使得對應的最終檢測位置信息更為精準。本發明使用簡單的數學運算對視頻中的物體檢測進行上下幀之間的結果關聯計算，使得在檢測追蹤的過程中不會因為速度快而導致檢測框跟不上的情況；利用權重和保存FPS數量的物體為基礎計算偏移量，比直接取平均值可以獲得更佳的過度平滑性；無需對輸入圖像進行復雜的降噪等處理，對物體檢測器也無特殊需求，可以大大提升檢測的速率；可以在低端的嵌入式設備中保證足夠的計算效率。

技術領域

本發明涉及一種在視頻中針對快速移動物體跟蹤的位置補償方法。

背景技術

隨著計算機硬件和軟件技術的發展，計算機視覺技術受到了人們越來越多的關注。尤其在軍事、航空航天、計算機輔助設計、智能機器人等鄰域，計算機視覺技術得到了廣泛的應用。在計算機視覺技術中，基于視頻圖像序列的視覺技術是最為重要的，因此也成為人們研究的重點和難點。視頻序列中運動目標的檢測與跟蹤，又是基于視頻序列的計算機視覺技術的基礎和關鍵。首先，能否將運動目標從視頻圖像序列中準確地檢測出來，是運動估計、目標識別及行為理解等后續處理成功與否的關鍵。為了實現運動目標的檢測，很多學者進行了相關的研究，并提出了大量的運動目標檢測算法。

在連續幀的視頻中，上一幀的物體檢測結果對于下一幀具有極大的參考價值，基于此原理文獻《Learning to Track at 100FPS with Deep Regression Networks》中提出了一種視頻人臉追蹤的方法，借鑒于其進行人臉追蹤的方法，移植到物體追蹤的應用中。但是在此方法法的追蹤中，當物體快速運動的時候，物體的位置信息框會出現跟不上的情況。

發明內容

為了能夠達到更加完美的追蹤效果，本發明提供了一種在視頻中針對快速移動物體跟蹤的位置補償方法，將根據當前幀的物體位置信息根據上一幀的位置信息為基準，通過計算優化來使得物體追蹤框能夠很好地進行幀與幀之間的過渡，得到更為精準的位置檢測結果。這種方法充分的利用了視頻中幀與幀之間的相關性，大大的提升了物體檢測的效率和準確性。

為了實現上述目的，本發明采用的技術方案如下：

一種在視頻中針對快速移動物體跟蹤的位置補償方法，利用連續幀視頻中的多幀物體檢測結果作為參考，計算當前輸入幀物體檢測結果與上一幀和多幀的物體檢測結果之間的關系，當物體快速移動時，通過計算加入補償的方式使得對應的最終檢測位置信息更為精準。

本發明提供的在視頻中針對快速移動物體跟蹤的位置補償方法使用簡單的數學運算對視頻中的物體檢測進行上下幀之間的結果關聯計算，使得在檢測追蹤的過程中不會因為速度快而導致檢測框跟不上的情況；利用權重和保存FPS數量的物體為基礎計算偏移量，比直接取平均值可以獲得更佳的過度平滑性；無需對輸入圖像進行復雜的降噪等處理，對物體檢測器也無特殊需求，可以大大提升檢測的速率；適用性廣，可以在低端的嵌入式設備中保證足夠的計算效率。

附圖說明

構成本申請的一部分的附圖用來提供對本發明的進一步理解，本發明的示意性實施例及其說明用于解釋本發明，并不構成對本發明的不當限定。在附圖中：

圖1為本發明實施例流程圖；

圖2為本發明中Sigmoid函數曲線。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

實施例