【技术实现步骤摘要】
一种基于特征自学习的视频跟踪方法及系统
[0001]本专利技术涉及视频跟踪
,特别涉及一种基于特征自学习的视频跟踪方法及系统
。
技术介绍
[0002]目前,视频跟踪在军事国防
、
罪犯抓捕
、
安全监控
、
野生动物保护等方面有着广泛的应用
。
[0003]但是,在日常生活中,视频跟踪过程常常需要通过人工进行选取目标,然后视频有可能几十个屏幕,甚至上百个屏幕,通过人工肉眼进行识别,往往造成识别效率低,正确性不高,同时人工成本比较大,常常出现跟踪不及时等问题
。
因此亟需一种基于特征自学习的视频跟踪方法
。
技术实现思路
[0004]本专利技术实施例提供了一种基于特征自学习的视频跟踪方法,包括:
[0005]构建特征自学习网络模型;
[0006]获取跟踪场景内的视频画面;
[0007]利用构建好的特征自学习网络模型对跟踪场景内的视频画面进行目标跟踪
。
[0008]优选地,构建特征自学习网络模型,包括:
[0009]设定若干个类别标签和与类别标签对应的特征数据集;
[0010]获取历史数据,并基于历史数据与类别标签的对应关系将历史数据分配到类别标签对应的特征数据集;
[0011]构建隶属度计算模块,用于计算输入的特征数据与若干个特征数据集的隶属度,并将最大隶属度的所对应的特征数据集的类别标签作为输出结果;
[0012]由类别标签< ...
【技术保护点】
【技术特征摘要】
1.
一种基于特征自学习的视频跟踪方法,其特征在于,包括:构建特征自学习网络模型;获取跟踪场景内的视频画面;利用构建好的特征自学习网络模型对跟踪场景内的视频画面中的跟踪目标进行目标跟踪
。2.
如权利要求1所述的一种基于特征自学习的视频跟踪方法,其特征在于,构建特征自学习网络模型,包括:设定若干个类别标签和与类别标签对应的特征数据集;获取历史数据,并基于历史数据与类别标签的对应关系将历史数据分配到类别标签对应的特征数据集;构建隶属度计算模块,用于计算输入的特征数据与若干个特征数据集的隶属度,并将最大隶属度的所对应的特征数据集的类别标签作为输出结果;由类别标签
、
分配完成的特征数据集和隶属度计算模块组成特征自学习网络模型
。3.
如权利要求2所述的一种基于特征自学习的视频跟踪方法,其特征在于,利用构建好的特征自学习网络模型对跟踪场景内的视频画面进行目标跟踪,包括:对视频画面进行特征提取,得到第一特征数据;将第一特征数据输入到特征自学习网络模型,得到第一特征数据的类别标签与跟踪目标对应的预设的识别类别标签进行比对;若对比符合,则对视频画面中的目标进行视频跟踪;若对比不符合,则无需操作
。4.
如权利要求3所述的一种基于特征自学习的视频跟踪方法,其特征在于,还包括:对已识别的跟踪目标进行实时监测;其中,对已识别的跟踪目标进行实时监测;包括:在跟踪场景内设置多个摄像机,其中,多个摄像机包括第一目标摄像机和与第一目标摄像机依次相邻的第二目标摄像机;当已识别的跟踪目标超出第一目标摄像机的采集范围时,启动第二目标摄像机采集视频并对采集的视频进行特征提取,得到第二特征数据;将第一特征数据与第二特征数据计算相似度并判断相似度是否超过设定的相似度阈值,若超过设定的相似度阈值,则判定跟踪目标已经出现在第二目标摄像机的采集范围内,并对第二目标摄像机采集的视频画面进行目标识别,得到跟踪目标;若未超过设定的相似度阈值,则向管理平台发出跟踪目标丢失信息
。5.
如权利要求4所述的一种基于特征自学习的视频跟踪方法,其特征在于,还包括:当管理平台收到跟踪目标丢失信息,向跟踪目标丢失的位置派送无人移动摄影装备,对跟踪目标进行追踪;其中,当管理平台收到跟踪目标丢失信息,向跟踪目标丢失的位置派送无人移动摄影装置,对跟踪目标进行追踪;包括:基于分块跟踪方法,构建目标转移预测模型;利用历史数据对目标转移预测模型进行训练;当管理平台收到跟踪目标丢失信息,基于第一特征数据利用训练完的目标转移预测模型预测出跟踪目标的未来时间的位置和速度;
管理平台派送无人移动摄影装置,以跟踪目标丢失的位置为起点,朝着跟踪目标的未来时间的位置进行追踪并采集视频画面;对追踪的过程中采集到的视频画面进行特征提取,得到第三特征数据;将第三特征数据输入到特征自学习网络模型,得到第三特征数据的类别标签;将第一特征数据的类别标签与预设的识别类别标签进行比对;若对比符合,则对追踪的过程中...
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。