本申请涉及一种物体跟踪计数方法、装置、计算机设备和存储介质，其中，方法包括：获取物体视频流，先对物体视频流进行物体检测，再进行基于常规跟踪算法的跟踪检测，以跟踪物体，针对检测得到的物体边界框数据和物体跟踪边界框数据采用卡尔曼滤波进行跟踪，最后基于卡尔曼跟踪得到的数据进行线性跟踪，计数运动至目的位置的物体数量。整个过程中，采用物体检测识别物体，通过常规跟踪算法确定在接下来物体的位置，采用卡尔曼滤波的方式获取物体的运动速度，其能够准确对物体进行线性跟踪，整个过程无需依赖复杂已训练的深度学习模型以及持续的基于特征的跟踪，实现过程简单，可以实现高效且准确的物体跟踪计数。现高效且准确的物体跟踪计数。现高效且准确的物体跟踪计数。
【技术实现步骤摘要】
物体跟踪计数方法、装置、计算机设备和存储介质
[0001]本申请涉及图像处理
，特别是涉及一种物体跟踪计数方法、装置、计算机设备和存储介质。
技术介绍
[0002]随着图像处理技术的发展，目前图像处理技术已经广泛应用于生产和生活中给人们带来便利。例如图像处理技术可以应用于物体跟踪计数，采用图像采集设备采集物体图像，采用常规跟踪计数方式即可计数出在一定时间内物体的数量。
[0003]上述的物体跟踪计数方式最常见是应用于快递行业，在快递行业的中转场中，皮带机包裹流量估计具有巨大的应用意义，例如，可以用来计算中转场工作效率，可以用来提高设备和人员的使用能效等等。皮带机包裹流量估计最重要的工作是统计一段时间内包裹的数量，基于机器视觉的方法因安装方便，精度高，成本低而得到了广泛的应用。
[0004]然而，传统的物体跟踪计数方案无法兼顾计数精度和计数效率，实现过程复杂。
技术实现思路
[0005]基于此，有必要针对上述技术问题，提供一种准确且高效的物体跟踪计数方法、装置、计算机设备和存储介质。
[0006]一种物体跟踪计数方法，方法包括：
[0007]获取物体视频流；
[0008]对物体视频流进行物体检测，获取检测输出的物体边界框数据；
[0009]根据检测输出的物体边界框数据、采用预设跟踪算法跟踪物体，获取物体跟踪边界框数据；
[0010]根据检测输出的物体边界框数据以及物体跟踪边界框数据、采用卡尔曼滤波，得到卡尔曼跟踪边界框数据；
[0011]根据卡尔曼跟踪边界框数据进行线性跟踪，计数运动至目的位置的物体数量。
[0012]在其中一个实施例中，对物体视频流进行物体检测，获取检测输出的物体边界框数据包括：
[0013]对物体视频流进行物体检测，获取检测输出的物体初始边界框数据；
[0014]获取历史边界框数据，历史边界框数据为历史记录物体在物体检测时的边界框数据；
[0015]构建物体初始边界框数据与历史边界框数据之间的iou矩阵；
[0016]对iou矩阵做二分图匹配；
[0017]根据二分图匹配结果与预设约束阈值，更新历史边界框数据，得到检测输出的物体边界框数据。
[0018]在其中一个实施例中，根据二分图匹配结果与预设约束阈值，更新历史边界框数据，得到检测输出的物体边界框数据包括：
[0019]获取二分图匹配结果对应的匹配结果值；
[0020]若匹配结果值小于预设约束阈值，则判定检测到新物体，则在历史边界框数据中增加新物体对应的边界框数据，得到检测输出的物体边界框数据；
[0021]若匹配结果值不小于预设约束阈值，则判定检测到相同物体，更新历史边界框数据中相同物体对应的边界框数据，得到检测输出的物体边界框数据。
[0022]在其中一个实施例中，对iou矩阵做二分图匹配包括：
[0023]采用匈牙利算法对iou矩阵做二分图匹配。
[0024]在其中一个实施例中，对物体视频流进行物体检测包括：
[0025]对物体视频流进行基于神经网络检测模型的物体跟踪检测。
[0026]在其中一个实施例中，根据检测输出的物体边界框数据以及物体跟踪边界框数据、采用卡尔曼滤波，得到卡尔曼跟踪边界框数据包括：
[0027]根据检测输出的物体边界框数据以及物体跟踪边界框数据，通过卡尔曼滤波器得到每个物体对应的(x，y，w，h，x*，y*，w*，h*)，其中，x表示边界框的中心的横坐标、y表示边界框的中心的纵坐标、w表示边界框的宽度、h表示边界框的高度；x*表示边界框的中心的横坐标的速度、y*表示边界框的中心的纵坐标的速度、w*表示边界框的宽度的速度、h*表示边界框的高度的速度；
[0028]将(x，y，w，h)赋值给对历史记录物体启动卡尔曼跟踪时的边界框数据、并将(x*，y*，w*，h*)赋值给卡尔曼参数，得到卡尔曼跟踪边界框数据。
[0029]在其中一个实施例中，根据卡尔曼跟踪边界框数据进行线性跟踪，计数运动至目的位置的物体数量包括：
[0030]根据对历史记录物体启动卡尔曼跟踪时的边界框数据以及卡尔曼参数，计算历史记录物体的新的边界框数据；
[0031]在启动卡尔曼跟踪的下一帧，将历史记录物体的新的边界框数据重新作为历史记录物体的启动卡尔曼跟踪时的边界框数据，返回根据对历史记录物体启动卡尔曼跟踪时的边界框数据以及卡尔曼参数，计算历史记录物体的新的边界框数据的步骤，以线性跟踪物体的运动；
[0032]根据不同时刻帧下历史记录物体的新的边界框数据，计数运动至目的位置的物体数量。
[0033]一种物体跟踪计数装置，装置包括：
[0034]视频流获取模块，用于获取物体视频流；
[0035]物体检测模块，用于对物体视频流进行物体检测，获取检测输出的物体边界框数据；
[0036]物体跟踪模块，用于根据检测输出的物体边界框数据、采用预设跟踪算法跟踪物体，获取物体跟踪边界框数据；
[0037]卡尔曼跟踪模块，用于根据检测输出的物体边界框数据以及物体跟踪边界框数据、采用卡尔曼滤波，得到卡尔曼跟踪边界框数据；
[0038]线性跟踪模块，用于根据卡尔曼跟踪边界框数据进行线性跟踪，计数运动至目的位置的物体数量。
[0039]一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计
算机程序时实现以下步骤：
[0040]获取物体视频流；
[0041]对物体视频流进行物体检测，获取检测输出的物体边界框数据；
[0042]根据检测输出的物体边界框数据、采用预设跟踪算法跟踪物体，获取物体跟踪边界框数据；
[0043]根据检测输出的物体边界框数据以及物体跟踪边界框数据、采用卡尔曼滤波，得到卡尔曼跟踪边界框数据；
[0044]根据卡尔曼跟踪边界框数据进行线性跟踪，计数运动至目的位置的物体数量。
[0045]一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0046]获取物体视频流；
[0047]对物体视频流进行物体检测，获取检测输出的物体边界框数据；
[0048]根据检测输出的物体边界框数据、采用预设跟踪算法跟踪物体，获取物体跟踪边界框数据；
[0049]根据检测输出的物体边界框数据以及物体跟踪边界框数据、采用卡尔曼滤波，得到卡尔曼跟踪边界框数据；
[0050]根据卡尔曼跟踪边界框数据进行线性跟踪，计数运动至目的位置的物体数量。
[0051]上述物体跟踪计数方法、装置、计算机设备和存储介质，获取物体视频流，先对物体视频流进行物体检测，再进行基于常规跟踪算法的跟踪检测，以跟踪物体，针对检测得到的物体边界框数据和物体跟踪边界框数据采用卡尔曼滤波进行跟踪，最后基于卡尔曼跟踪得到的数据进行线性跟踪，计数运动至目的位置的物体数量。整个过程中，采用物体检测识别物体本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种物体跟踪计数方法，其特征在于，所述方法包括：获取物体视频流；对物体视频流进行物体检测，获取检测输出的物体边界框数据；根据检测输出的物体边界框数据、采用预设跟踪算法跟踪物体，获取物体跟踪边界框数据；根据检测输出的物体边界框数据以及物体跟踪边界框数据、采用卡尔曼滤波，得到卡尔曼跟踪边界框数据；根据卡尔曼跟踪边界框数据进行线性跟踪，计数运动至目的位置的物体数量。2.根据权利要求1所述的方法，其特征在于，所述对物体视频流进行物体检测，获取检测输出的物体边界框数据包括：对物体视频流进行物体检测，获取检测输出的物体初始边界框数据；获取历史边界框数据，所述历史边界框数据为历史记录物体在物体检测时的边界框数据；构建所述物体初始边界框数据与所述历史边界框数据之间的iou矩阵；对所述iou矩阵做二分图匹配；根据二分图匹配结果与预设约束阈值，更新所述历史边界框数据，得到检测输出的物体边界框数据。3.根据权利要求2所述的方法，其特征在于，所述根据二分图匹配结果与预设约束阈值，更新所述历史边界框数据，得到检测输出的物体边界框数据包括：获取二分图匹配结果对应的匹配结果值；若所述匹配结果值小于预设约束阈值，则判定检测到新物体，在所述历史边界框数据中增加所述新物体对应的边界框数据，得到检测输出的物体边界框数据；若匹配结果值不小于预设约束阈值，则判定检测到相同物体，更新所述历史边界框数据中所述相同物体对应的边界框数据，得到检测输出的物体边界框数据。4.根据权利要求2所述的方法，其特征在于，所述对所述iou矩阵做二分图匹配包括：采用匈牙利算法对所述iou矩阵做二分图匹配。5.根据权利要求1所述的方法，其特征在于，所述对物体视频流进行物体检测包括：对所述物体视频流进行基于神经网络检测模型的物体跟踪检测。6.根据权利要求1所述的方法，其特征在于，所述根据检测输出的物体边界框数据以及物体跟踪边界框数据、采用卡尔曼滤波，得到卡尔曼跟踪边界框数据包括：根据检测输出的物体边界框数据以及物体跟踪边界框数据，通过卡尔曼滤波器得到每个物体对应的(...
【专利技术属性】
技术研发人员：王文星，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。