CN103177436B - 物件追踪的方法、系统 - Google Patents
物件追踪的方法、系统 Download PDFInfo
- Publication number
- CN103177436B CN103177436B CN201110451967.8A CN201110451967A CN103177436B CN 103177436 B CN103177436 B CN 103177436B CN 201110451967 A CN201110451967 A CN 201110451967A CN 103177436 B CN103177436 B CN 103177436B
- Authority
- CN
- China
- Prior art keywords
- object point
- monitor
- discovery
- monitoring data
- initial
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012544 monitoring process Methods 0.000 claims abstract description 125
- 239000012634 fragment Substances 0.000 claims description 38
- 239000000284 extract Substances 0.000 claims description 11
- 230000036962 time dependent Effects 0.000 claims 1
- 238000004590 computer program Methods 0.000 abstract description 18
- 238000004458 analytical method Methods 0.000 description 29
- 230000033001 locomotion Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003137 locomotive effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/292—Multi-camera tracking
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19608—Tracking movement of a target, e.g. by detecting an object predefined as a target, using target direction and or velocity to predict its new position
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
一种物件追踪的方法、系统、计算机程序产品与计算机可读的记录介质，适用于提取并分析分散存储的监视数据。上述物件追踪方法包括下列步骤：根据起始物件点集合中的至少一起始物件点的位置和时间，决定该起始物件点所对应的监视数据集合；提取监视数据集合中的监视数据片段；找出监视数据集合中符合目标物件的识别信息的至少一个发现物件点，将上述发现物件点加入发现物件点集合；当发现物件点集合不为空集合，则将起始物件点集合设定为发现物件点集合，并重复上述步骤；当发现物件点集合为空集合，则输出上述发现物件点。
Description
技术领域
本公开涉及一种物件追踪的方法、系统、计算机程序产品与计算机可读的记录介质，且特别涉及适用于分散式存储环境的一种物件追踪方法、系统、计算机程序产品与计算机可读的记录介质。
背景技术
视觉监视设备具有广大的应用潜力，像是社区保全、海关、路口监视、高速公路路况监控、军事目标的检测及自动化的车牌辨识等等。目前已经有很多都会区域的政府机构在街道上布建大量监视器，这些监视器拍摄的影像可用做调查交通事故或侦办刑案的线索。
为了解决人力监视或分析所难免的疏漏和低效率，现在已经有智慧型监视系统，可自动解读众多监视器所拍摄的影像，分析并预测被监控物件的行为。智慧型监视系统包含移动物件检测、辨识、追踪、行为分析及萃取等分析阶段，这些分析阶段分别属于计算机视觉、图形辨识、人工智慧及数据管理等领域。
上述监视器拍摄的影像都是分散存储，如果要对这些影像进行自动化的分析解读，首先必须将这些影像集中到数据中心(datacenter)的伺服器，然后才能进行自动分析。
举例而言，如果某一天夜晚在某个市区发生一起汽车窃盗案，整个市区的街道上可能有几千台监视器，而发生窃盗案的时间范围可能长达八小时，最直接的做法是提取市区内所有监视器在当夜长达八小时的监视影像，然后对这些影像使用车牌自动辨识技术，找出赃车的移动路线，作为办案线索。以上的监视影像通常分散存储在各地的监视器，或监视器附近的数字录影机，总体数据量非常庞大。在这样的分散式存储环境中，要将散布于各处监视器或是录影系统中的数字影像档案，通过网络提取到数据中心以执行分析，对于连接街头监视器和数据中心的网络是很大的负担。因为总体数据量非常庞大，所需的分析运算量也非常庞大。
同样的，录音形式的监视也有以上状况。
发明内容
本公开提供一种物件追踪的方法、系统、计算机程序产品与计算机可读的记录介质，适用于分散式的监视数据存储环境。
本公开的实施例提出一种物件追踪方法，适用于一物件追踪系统，此物件追踪方法包括下列步骤：根据起始物件点集合中的至少一起始物件点的位置和时间，决定该起始物件点所对应的监视数据集合；提取监视数据集合中的监视数据片段；找出监视数据集合中符合目标物件的识别信息的至少一个发现物件点，将上述发现物件点加入发现物件点集合；当发现物件点集合不为空集合，则将起始物件点集合设定为发现物件点集合，并重复上述步骤；当发现物件点集合为空集合，则输出上述发现物件点。
本公开另提出一种计算机程序产品，用于一物件追踪系统，当上述物件追踪系统载入并执行上述计算机程序产品的计算机程序后，可完成上述的物件追踪方法。
本公开另提出一种计算机可读的记录介质，内储一计算机程序，当一计算机载入并执行上述计算机程序后，可完成上述的物件追踪方法。
本公开的实施例另提出一种物件追踪系统，包括多个监视器以及分析器。分析器通过网络耦接上述多个监视器。分析器根据起始物件点集合中的至少一起始物件点的位置和时间，决定该起始物件点所对应的监视数据集合。分析器自上述多个监视器提取监视数据集合中的监视数据片段。分析器找出监视数据集合中符合目标物件的识别信息的至少一个发现物件点，将上述发现物件点加入发现物件点集合。当发现物件点集合不为空集合，则分析器将起始物件点集合设定为发现物件点集合，并重复上述步骤。当发现物件点集合为空集合，则分析器输出上述发现物件点。
基于上述，本公开的物件追踪方法和物件追踪系统，以及对应的计算机程序产品与计算机可读的记录介质，可在分散式的监视数据存储环境中，决定应提取以进行分析的监视数据集合，而不是单纯提取大范围的庞大数据。
为让本公开的上述特征能更明显易懂，下文特举实施例，并配合附图作详细说明如下。
附图说明
图1是依照本公开一实施例的一种物件追踪方法的流程图。
图2A是依照本公开一实施例的一种物件追踪方法的示意图。
图2B和图2C是依照本公开一实施例的一种物件追踪方法所得的目标物件移动轨迹的示意图。
图3至图5是依照本公开一实施例的一种物件追踪方法的流程图。
图6是依照本公开一实施例的一种物件追踪方法的监视数据集合的示意图。
图7是依照本公开一实施例的一种物件追踪系统的示意图。
图8A至图8F绘示依照本公开一实施例的一种物件追踪方法或物件追踪系统的一个追踪范例。
【主要元件符号说明】
105～150：流程步骤
200：电子地图
210：起始物件点
220：搜寻范围
231、232：监视器
241～249、251～257、261～264、271～277：物件点
310～320、410～480、510～560：流程步骤
611～615：监视器
631～635：监视器的监视数据
651～655：监视数据片段
700：物件追踪系统
710：分析器
720：网络
731～733：监视器
802：网络
804：数据中心
810、830、850：搜寻口袋
812、814、832、834、852～856、862、864：监视器
860：目标物件移动轨迹
1P～11P：电子地图中的停车场
具体实施方式
为说明方便，本公开实施例主要以视频或音频监视为例，但本公开应用不限于此。
图1是依照本公开一实施例的一种物件追踪方法的流程图，此物件追踪方法适用于分散式的监视数据存储环境中的物件追踪系统，例如图7所示的物件追踪系统700。一般而言，上述的分散式存储环境中有多个监视器持续记录监视数据，这些监视数据分散存储在各监视器中，或各监视器附近的数字录影机之中。上述的监视器和数字录影器不对监视数据进行分析，如果要进行物件的追踪分析，必须经由有线或无线网络将分散存储的监视数据提取至集中的分析设备进行追踪分析。由于监视数据存储处和分析设备之间的网络频宽有限，提取大量监视数据需要大量的频宽成本和传输时间，本公开实施例的物件追踪方法的目的之一就是尽可能减少监视数据的提取量。
上述物件追踪方法所追踪的目标物件可以是行人、机车或汽车等任何可移动的物件，此物件可以在公共道路系统、校园、卖场、百货公司、平面停车场、立体停车场、住宅或办公大楼等平面或立体环境移动。在上述的平面或立体环境中装设有多个监视器，以监视周遭的移动物件，记录相关的监视数据。上述的监视器可以是录音机或录像机，如果是录音机，则监视数据是录音机所记录的音频数据，如果是录像机，则监视数据是录像机定时拍摄的静态图片数据或持续拍摄的动态视频数据。
以下配合图1和图2A至图2C说明本实施例的物件追踪方法的流程。首先，在步骤105设定最初的起始物件点集合。顾名思义，物件点集合就是物件点所构成的集合。这个最初的起始物件点集合可包括一个或多个起始物件点，其中每一个起始物件点表示目标物件开始移动的起点位置与时间，每一个起始物件点的时间可以是单一时刻或一个时间范围。如果最初的起始物件点集合包括多个起始物件点，表示目标物件开始移动的起点位置与时间有多种可能，需要分析其中的至少一个起始物件点。
最初的起始物件点集合其中的起始物件点可由使用者人工设定。以图2A所示的校园汽车窃盗案为例，在此校园的电子地图200之中，每一个箭头表示一个监视器，例如监视器231和232。此范例的监视器是录像机，箭头方向表示监视器的监看方向。1P至11P表示此校园内的十一个停车场。停车场1P当中的某一辆汽车在某一个夜晚失窃。在此范例中，最初的起始物件点集合仅包括一个起始物件点210。起始物件点210的位置就是失窃汽车当晚在停车场P1的停放位置，因为失窃时间尚不确定，使用者将起始物件点210的时间设定为整个晚上的时间，也就是晚上七点至早上六点。
接下来，在步骤110将下一轮分析会用到的发现物件点集合设定为空集合。然后在步骤115选取起始物件点集合的下一个起始物件点，如果是第一次执行步骤115，则选取起始物件点集合的第一个起始物件点。
接下来，在步骤120，根据被选取的起始物件点的位置和时间，决定此起始物件点所对应的监视数据集合。在步骤125自相关监视器提取此监视数据集合中的监视数据片段。然后在步骤130找出此监视数据集合中符合目标物件的识别信息的发现物件点，上述的发现物件点可能有一个或多个，也可能没有，然后将在步骤130找出的发现物件点加入发现物件点集合。为了区别步骤115和130的物件点，在步骤115选取的物件点称为起始物件点，在步骤130找出的物件点则称为发现物件点。
每一个发现物件点表示目标物件在监视数据集合的某一个监视数据片段中某一次出现的位置与时间。每一个发现物件点的时间是目标物件在此发现物件点所属的监视数据片段中出现的时间，这个时间可以是单一时刻或一个时间范围。每一个发现物件点的位置可以是目标物件在此发现物件点所属的监视数据片段中出现的位置。如果监视数据是静态图片或动态视频，可用影像辨识技术决定目标物件的出现位置。如果无法根据监视数据来决定目标物件的出现位置，则可用发现物件点所属的监视数据片段所属的监视器的位置，也就是录制此监视数据片段的监视器的位置，作为此发现物件点的位置。
本实施例的物件追踪方法是对监视数据集合中的每一个监视数据片段和目标物件识别信息进行辨识比对，以找出符合目标物件识别信息的所有发现物件点。目标物件识别信息是事先输入的用来识别目标物件的一组信息。举例而言，某一个诈骗集团的成员可能一边走路一边用手机和受害者交谈，对话内容可能被安装在各处的监视器录音。在此情况下，监视数据是音频数据，目标物件识别信息可以是一连串数字(可能是银行帐号)或可怜、威胁等特定语气。如果警方想利用监视数据来搜查恐怖份子，则目标物件识别信息可以是恐怖份子惯用的密语，或有关恐怖活动的时间、地点或对象等关键字，或以上的组合。目标物件识别信息也可以是目标人物说话的音调、速度或抑扬顿挫等音频特征。
如果监视数据是静态图片或动态视频，则目标物件识别信息可以是目标物件的外观特征。如果目标物件是人，目标物件识别信息可以是体型、衣物或脸孔等特征。如果目标物件是机车或汽车之类的交通工具，则目标物件识别信息可以是颜色或外型等特征，或车牌号码。
将监视数据和目标物件识别信息进行辨识比对需要音频、静态图片或动态视频的辨识比对技术，目前已经有多种音频、静态图片或动态视频的辨识比对技术可供使用，其技术细节就不在此赘述。
在监视数据集合中找出符合目标物件识别信息的发现物件点之后，流程进入步骤135，检查起始物件点集合之中是否还有未被选取过的起始物件点。如果还有未被选取过的起始物件点，则流程返回步骤115。如果起始物件点集合其中的起始物件点都已经被选取过，则流程进入步骤140，检查发现物件点集合是否为空集合。如果发现物件点集合并非空集合，表示有发现物件点需要进行下一轮分析，流程进入步骤145，将起始物件点集合设定为发现物件点集合，也就是说在这一轮分析找出的发现物件点会成为下一轮分析的起始物件点，然后返回步骤110。如果步骤140的检查确定发现物件点集合是空集合，则在步骤150输出追踪分析的结果。上述的追踪分析结果可包括在步骤130所找出的发现物件点。从这些发现物件点的时间和位置可获得目标物件的移动轨迹。
在本公开另一实施例中，上述的物件追踪方法可以输出更详细的追踪分析结果。此实施例的物件追踪方法可以在步骤105设定最初的起始物件点集合，并且将发现路径集合设定为空集合。每当在步骤130找出发现物件点时，可以将此发现物件点和此发现物件点所对应的起始物件点所定义的发现路径加入上述的发现路径集合，然后在步骤150输出上述的发现路径集合。发现路径集合中的发现路径可串联成目标物件的移动轨迹。
举例而言，图2B绘示上述的物件追踪方法所输出的发现路径集合的一个范例。第一轮分析的起始物件点标示为241，找出的发现物件点标示为242。物件点241和242之间的线段就是发现物件点242与其对应的起始物件点241所定义的发现路径，这个发现路径在步骤130加入发现路径集合。在第二轮分析中，发现物件点242成为起始物件点，找出的发现物件点标示为243。物件点242和243之间的线段就是发现物件点243与其对应的起始物件点242所定义的发现路径，这个发现路径在步骤130加入发现路径集合。在第三轮分析中，发现物件点243成为起始物件点，找出的发现物件点标示为244。物件点243和244之间的线段就是发现物件点244与其对应的起始物件点243所定义的发现路径，这个发现路径在步骤130加入发现路径集合。依此类推，直到在最后一轮分析中找出发现物件点249。最后在步骤150输出的发现路径集合其中的发现路径组成如图2B所示的目标物件移动轨迹，此移动轨迹包括物件点241～249。
在一轮分析之中有可能找出多个发现物件点，这可能是因为目标物件识别信息的限定条件太少，使监视数据集合中有多个物件同时符合目标物件识别信息，也可能是因为监视数据本身模糊，不够清晰，使多个物件同时被辨识为目标物件。这样会造成分叉的目标物件移动轨迹。例如图2C的范例中，某一轮分析以起始物件点253为依据，找出两个发现物件点254和261，于是目标物件的移动轨迹在此处分叉。另一轮分析以起始物件点261为依据，找出两个发现物件点262和271，于是目标物件的移动轨迹再度分叉。此范例中，最后在步骤150输出的发现路径集合其中的发现路径组成如图2C所示的三个目标物件移动轨迹。第一个移动轨迹包括物件点251～257，第二个移动轨迹包括物件点251～253和261～264，第三个移动轨迹包括物件点251～253、261和271～277。
在步骤150输出发现路径集合之后，上述的物件追踪方法可将发现路径集合之中的发现路径串联成目标物件的移动轨迹，也可以结合事件点所在环境的电子地图和显示器或打印机之类的输出装置，以呈现或输出目标物件的移动轨迹，供使用者检阅。
图3绘示图1的步骤120的进一步细节，为了决定某一起始物件点所对应的监视数据集合，首先在步骤310根据此起始物件点的位置，决定此起始物件点所对应的监视器集合。然后在步骤320根据此起始物件点的时间，决定上述监视器集合中的至少一个监视器的至少一个监视数据片段。步骤120的监视数据集合就是上述监视器集合中的至少一个监视器的至少一个监视数据片段所组成的集合。上述的监视器集合与监视数据集合组成上述起始物件点所对应的搜寻口袋。
图4绘示图3的步骤310的进一步细节，为了决定某一起始物件点所对应的监视器集合，首先在步骤410设定搜寻范围和可能路径集合。上述搜寻范围是电子地图中的封闭区域，搜寻范围其中至少一个位置和上述起始物件点之间的距离不超出预设的临界值。例如图2A范例的搜寻范围就是圆圈220，而上述临界值就是圆圈220的半径。电子地图200其中停车场1P的唯一出口在右侧，所以失窃的汽车必然经过搜寻范围220。
搜寻范围不限定是圆圈，可以是任何形状的封闭区域。搜寻范围可以是使用者人工设定，或是由本实施例的物件追踪方法设定。如果是由本实施例的物件追踪方法设定，例如是以起始物件点为圆心，用预设临界值为半径画圆圈，将此圆圈作为搜寻范围。或者也可以依据起始物件点附近的路口的分布来决定搜寻范围。
步骤410的可能路径集合是上述起始物件点所在环境的电子地图中，自上述起始物件点的位置离开上述搜寻范围的至少一个路径的集合。以下将可能路径集合中的路径称为可能路径，以别于上述的发现路径集合中的发现路径。
接下来，在步骤420将此起始物件点对应的监视器集合设定为空集合，并且将此起始物件点对应的搜寻口袋标示为封闭。然后在步骤430检查上述可能路径集合中是否还有未被选取的可能路径。如果可能路径集合其中的可能路径已经全被选取过，则流程至此结束。反之，如果上述可能路径集合中还有未被选取的可能路径，则流程进入步骤440，选取可能路径集合中的下一个可能路径。如果是第一次执行步骤440，则选取可能路径集合中的第一个可能路径。
选取可能路径之后，在步骤450寻找此可能路径在上述搜寻范围内最接近上述起始物件点的监视器，然后在步骤460检查是否有这样的监视器存在。如果有这样的监视器，就在步骤470将在步骤450找到的监视器加入上述起始物件点所对应的监视器集合，然后返回步骤430。如果在步骤450找不到监视器，表示此可能路径在搜寻范围内没有任何监视器，就在步骤480将上述起始物件点对应的搜寻口袋标示为开放，然后返回步骤430。
在此实施例中，图1的步骤150所输出的追踪分析结果也可包括上述搜寻口袋的开放/封闭标示。这些搜寻口袋的标示可用来表示物件追踪结果的可靠度。如果每一个搜寻口袋都标示为封闭，则表示在每一个起始物件点的分析过程中，每一条离开的可能路径在搜寻范围内都装有监视器，目标物件的追踪结果完全可靠。如果有至少一个搜寻口袋标示为开放，则表示至少有一条可能路径可以不经过任何监视器而离开搜寻范围，这样的追踪结果就不完全可靠。
在图3的步骤310决定某一起始物件点所对应的监视器集合之后，可以进一步在图3的步骤320决定此起始物件点所对应的监视数据集合。图5绘示图3的步骤320的进一步细节，首先在步骤510将此监视数据集合设定为空集合，然后在步骤520检查此起始物件点所对应的监视器集合中是否尚有未选取的监视器。如果监视器集合中的监视器都已经被选取过，流程至此结束。如果监视器集合中尚有未选取的监视器，则在步骤530选取此监视器集合中的下一个监视器。如果是第一次执行步骤530，则选取监视器集合的第一个监视器。
接下来，在步骤540估计目标物件自此起始物件点至此监视器的移动时间。这个移动时间可以是使用者决定的预设值，或者也可以由本实施例的物件追踪方法估计此移动时间。如果是由本实施例的物件追踪方法估计移动时间，可以先估计目标物件自此起始物件点至此监视器的移动速度，然后根据此起始物件点至此监视器的距离和上述移动速度，估计上述移动时间。
起始物件点至监视器的距离可以从上述的电子地图取得。上述的目标物件移动速度可以是预设值，举例而言，如果目标物件是人，可用事先测量的行人平均时速作为目标物件移动速度。如果目标物件是机车或汽车等交通工具，可以事先测量起始物件点至监视器的道路上的平均车速，作为目标物件移动速度。如果目标物件是上述交通工具，也可以自上述电子地图取得起始物件点至监视器的道路的最高速限，作为目标物件移动速度。将起始物件点至监视器的距离除以目标物件的移动速度，就是目标物件自起始物件点至监视器的移动时间。
接下来，在步骤550，根据此起始物件点本身的时间和前面估计的目标物件移动时间，决定此监视器的监视数据片段的起始时间和结束时间。一般的做法如下。起始物件点本身的时间可以是时间范围，也就是有起始时间和结束时间，分别以TSB和TSE表示。目标物件的移动时间可以有下限和上限，分别以TTMIN和TTMAX表示。假设步骤540估计出来的目标物件移动时间为TT，则可预设两个比例值RA和RB，其中RA小于RB。RA和RB都是实数，可以小于一，也可以大于一。然后将TTMIN设定为TT乘以RA，将TTMAX设定为TT乘以RB。然后可将此监视器的监视数据片段的起始时间设定为TSB+TTMIN，并将此监视器的监视数据片段的结束时间设定为TSE+TTMAX。
起始物件点本身的时间也可以是单一时刻，在此情况下TSB等于TSE。目标物件的移动时间也可以是单一时刻，在此情况下RA和RB皆等于一，也就是说TT等于TTMIN等于TTMAX。
接下来，在步骤560，将此监视数据片段加入待提取的监视数据集合，然后返回步骤520。也就是说，在步骤125的提取过程中，只需提取此监视器的监视数据其中，时间为TSB+TTMIN至TSE+TTMAX的片段。
图6是本实施例的物件追踪方法的监视数据集合的示意图。图6绘示五个监视器611～615。监视器611～615录制的监视数据分别是631～635。监视数据631～635其中的监视数据片段651～655组成上述的监视数据集合。在监视数据631～635当中，越上方表示时间越后面的监视数据。如上所述，本实施例的物件追踪方法可以根据起始物件点的位置，以及起始物件点周遭的电子地图，决定哪些监视器需要提取监视数据。而且对这些监视器不需要提取全部监视数据，而是根据起始物件点本身的时间和目标物件的移动速度，在至少一个上述监视器的监视数据中各提取小片段，这些监视数据片段的时间随着监视器和起始物件点之间的距离增加而向后挪移。如图6所示，只有监视数据片段651～655组成的监视数据集合需要提取和分析，这数据量远小于监视数据631～635的总数据量。因此本实施例的物件追踪方法具有更高的数据提取效率和追踪分析效率。
本公开的其他实施例也提供一种计算机程序产品和一种计算机可读的记录介质。上述的计算机程序产品适用于物件追踪系统，例如图7所示的物件追踪系统700。当物件追踪系统载入并执行上述计算机程序产品的计算机程序后，可完成上述的物件追踪方法。上述的计算机可读的记录介质内储一计算机程序，当计算机载入并执行上述计算机程序后，可完成上述的物件追踪方法。上述计算机可以是图7的物件追踪系统700的分析器710，或其他有相同功能的计算机。
图7是依照本公开一实施例的一种物件追踪系统700的示意图。物件追踪系统700包括分析器710以及多个监视器，例如监视器731～733。分析器710通过网络720耦接物件追踪系统700的多个监视器。网络720可以是有线网络或无线网络，或以上两者的组合。分析器710可以是个人计算机或伺服器，负责执行以上实施例中的物件追踪方法。分析器710的执行细节已经在前面的实施例有详细说明，故不在此赘述。
图8A至图8F绘示以上的物件追踪方法或物件追踪系统的追踪范例，还是以图2A的校园汽车窃盗案为范例，其中200是校园的电子地图，210是最初的起始物件点，代表汽车失窃的地点与时间，圆圈220是搜寻范围。停车场1P的唯一出口在右方，所以失窃的汽车必然经过搜寻范围220。电子地图200其中的每一支箭头表示一个监视器，此范例的监视器是录像机，箭头方向就是监视器的监看方向。数据中心804之中的分析器通过网络802耦接搜寻范围220之内的各监视器，以提取追踪分析所需的监视数据。
首先如图8A所示，分析最初的起始物件点210可得到搜寻口袋810，搜寻口袋810包括以实心箭头标示的监视器812和814。此范例中汽车可能的失窃时间是晚上七点至清晨六点，时间范围长达十一小时，数据中心804的分析器必须向监视器812和814各提取十一小时的监视数据片段，总共要分析二十二小时的监视数据。
如图8B所示，分析之后发现失窃汽车只出现在监视器814的监视数据中，于是监视器814的位置和失窃汽车的出现时间成为发现物件点，加入发现物件点集合。
下一轮分析如图8C所示，分析起始物件点814可得到搜寻口袋830，搜寻口袋830包括以实心箭头标示的监视器832、834和812。由于失窃汽车出现在监视器814的监视数据中的时间很短，而且监视器832、834和812离起始物件点814很近，这一次分析器只需要向监视器832、834和812各提取一分钟的监视数据片段，总共只需要分析三分钟的监视数据。这一轮分析的三分钟数据量明显少于上一轮原本所需分析的二十二小时数据量。
接下来如图8D所示，分析之后发现失窃汽车只出现在监视器832的监视数据中，于是监视器832的位置和失窃汽车的出现时间成为发现物件点，加入发现物件点集合。
下一轮分析如图8E所示，分析起始物件点832可得到搜寻口袋850，搜寻口袋850包括以实心箭头标示的监视器852、854和856。由于失窃汽车出现在监视器832的监视数据中的时间很短，而且监视器852、854和856离起始物件点832很近，这一次分析器同样只需要向监视器852、854和856各提取一分钟的监视数据片段，总共只需要分析三分钟的监视数据。
后面的分析依此类推，如图1流程所示，此范例的分析循环在发现物件点集合没有发现物件点时结束。此时可将分析过程中找出的所有发现物件点与其对应的起始物件点所定义的发现路径串联起来，并配合电子地图200，显示图8F绘示的目标物件移动轨迹860。这些发现物件点的位置就是以实心箭头标示的监视器814、832、852、862和864的位置，表示失窃汽车曾经出现在这些地点；而这些发现物件点的时间顺序如移动轨迹860的箭头方向所示，表示失窃汽车的移动轨迹。目标物件的移动轨迹860可作为办案线索，或作为进一步的物件追踪分析的依据。
综上所述，以上实施例的物件追踪方法和物件追踪系统，以及对应的计算机程序产品与计算机可读的记录介质，可在分散式的监视数据存储环境中，决定对应于起始物件点的监视器集合与监视数据集合。上述监视器集合可避免远离目标物件移动轨迹的监视器的监视数据的提取与分析，而上述监视数据集合可避免和目标物件的移动时间差距过大的监视数据的提取与分析。因此以上实施例的物件追踪方法、物件追踪系统、计算机程序产品、以及计算机可读的记录介质可避免单纯提取大范围的庞大数据，原则上能有效降低自分散的监视器所提取的监视数据数量。因为提取和分析的数据量降低，所以能降低一般网络频宽的瓶颈效应，提高监视数据的提取效率，也能降低运算量，进而加快目标物件的辨识与追踪。
虽然本公开已以实施例公开如上，然其并非用以限定本公开，本领域技术人员，在不脱离本公开的精神和范围内，当可作些许的更动与润饰，故本公开的保护范围当视所附权利要求书所界定者为准。
Claims (18)
1.一种物件追踪方法，适用于一物件追踪系统，该物件追踪方法包括：
根据起始物件点集合中的至少一起始物件点的位置和时间，决定该起始物件点所对应的监视数据集合；
提取该监视数据集合中的监视数据片段；
找出该监视数据集合中符合目标物件的识别信息的至少一发现物件点，将上述发现物件点加入发现物件点集合；
当该发现物件点集合不为空集合，则将该起始物件点集合设定为该发现物件点集合，并重复上述步骤；以及
当该发现物件点集合为空集合，则输出上述发现物件点，
其中决定该监视数据集合的步骤包括：
根据该起始物件点的位置，决定该起始物件点所对应的监视器集合；以及
根据该起始物件点的时间，决定该监视器集合中的至少一监视器的至少一监视数据片段，其中该监视数据集合为该监视器集合中的该至少一监视器的该至少一监视数据片段所组成的集合，
其中，该物件追踪方法还包括：
估计该目标物件自该起始物件点至该监视器集合的至少一监视器的移动时间；以及
对于该监视器集合的该监视器，根据该起始物件点的时间和该移动时间，决定该监视器的该监视数据片段的起始时间和结束时间。
2.如权利要求1所述的物件追踪方法，其中决定该监视器集合的步骤包括：
决定可能路径集合，其中该可能路径集合包括在电子地图中自该起始物件点的位置离开搜寻范围的至少一可能路径；以及
对于每一上述可能路径，选取该可能路径在该搜寻范围内最接近该起始物件点的监视器，其中该监视器集合为上述的最接近该起始物件点的监视器所组成的集合。
3.如权利要求2所述的物件追踪方法，其中该搜寻范围为该电子地图中的封闭区域，而且该搜寻范围其中至少一位置和该起始物件点之间的距离不超出临界值。
4.如权利要求2所述的物件追踪方法，其中该监视器集合与该监视数据集合组成该起始物件点所对应的搜寻口袋，而且该物件追踪方法还包括：
将该搜寻口袋标示为封闭；
当上述可能路径其中之一在该搜寻范围内没有任何监视器，则将该搜寻口袋标示为开放；以及
当该发现物件点集合为空集合，则输出上述搜寻口袋的上述标示。
5.如权利要求1所述的物件追踪方法，其中估计该移动时间的步骤包括：
估计该目标物件自该起始物件点至该监视器集合的至少一监视器的移动速度；以及
对于该监视器集合的该监视器，根据该起始物件点至该监视器的距离和该移动速度，估计该移动时间。
6.如权利要求1所述的物件追踪方法，其中至少一上述发现物件点的位置是该发现物件点所属的该监视数据片段所属的该监视器的位置。
7.如权利要求1所述的物件追踪方法，其中至少一上述发现物件点的位置是该目标物件在该发现物件点所属的该监视数据片段中出现的位置。
8.如权利要求1所述的物件追踪方法，其中至少一上述发现物件点的时间是该目标物件在该发现物件点所属的该监视数据片段中出现的时间。
9.如权利要求1所述的物件追踪方法，还包括：
将发现路径集合设定为空集合；
在找出该至少一发现物件点时，将该发现物件点和该发现物件点所对应的该起始物件点所定义的发现路径加入该发现路径集合；以及
当该发现物件点集合为空集合，则输出该发现路径集合。
10.一种物件追踪系统，包括：
多个监视器；以及
分析器，通过网络耦接上述多个监视器；该分析器根据起始物件点集合中的至少一起始物件点的位置和时间，决定该起始物件点所对应的监视数据集合；该分析器自上述多个监视器提取该监视数据集合中的监视数据片段；该分析器找出该监视数据集合中符合目标物件的识别信息的至少一发现物件点，将上述发现物件点加入发现物件点集合；当该发现物件点集合不为空集合，则该分析器将该起始物件点集合设定为该发现物件点集合，并重复上述步骤；当该发现物件点集合为空集合，则该分析器输出上述发现物件点，
其中该分析器根据该起始物件点的位置决定该起始物件点所对应的监视器集合，并根据该起始物件点的时间决定该监视器集合中的至少一监视器的至少一监视数据片段，其中该监视数据集合为该监视器集合中的该至少一监视器的该至少一监视数据片段所组成的集合，以及
其中该分析器估计该目标物件自该起始物件点至该监视器集合的至少一监视器的移动时间，并且对于该监视器集合的该监视器，该分析器根据该起始物件点的时间和该移动时间，决定该监视器的该监视数据片段的起始时间和结束时间。
11.如权利要求10所述的物件追踪系统，其中该分析器决定可能路径集合，该可能路径集合包括在电子地图中自该起始物件点的位置离开搜寻范围的至少一可能路径；对于每一上述可能路径，该分析器选取该可能路径在该搜寻范围内最接近该起始物件点的监视器，其中该监视器集合为上述的最接近该起始物件点的监视器所组成的集合。
12.如权利要求11所述的物件追踪系统，其中该搜寻范围为该电子地图中的封闭区域，而且该搜寻范围其中至少一位置和该起始物件点之间的距离不超出临界值。
13.如权利要求11所述的物件追踪系统，其中该监视器集合与该监视数据集合组成该起始物件点所对应的搜寻口袋，而且该分析器将该搜寻口袋标示为封闭；当上述可能路径其中之一在该搜寻范围内没有任何监视器，则该分析器将该搜寻口袋标示为开放；当该发现物件点集合为空集合，则该分析器输出上述搜寻口袋的上述标示。
14.如权利要求10所述的物件追踪系统，其中该分析器估计该目标物件自该起始物件点至该监视器集合的至少一监视器的移动速度，并且对于该监视器集合的该监视器，该分析器根据该起始物件点至该监视器的距离和该移动速度，估计该移动时间。
15.如权利要求10所述的物件追踪系统，其中至少一上述发现物件点的位置是该发现物件点所属的该监视数据片段所属的该监视器的位置。
16.如权利要求10所述的物件追踪系统，其中至少一上述发现物件点的位置是该目标物件在该发现物件点所属的该监视数据片段中出现的位置。
17.如权利要求10所述的物件追踪系统，其中至少一上述发现物件点的时间是该目标物件在该发现物件点所属的该监视数据片段中出现的时间。
18.如权利要求10所述的物件追踪系统，其中该分析器将发现路径集合设定为空集合，并且在找出该至少一发现物件点时，将该发现物件点和该发现物件点所对应的该起始物件点所定义的发现路径加入该发现路径集合；当该发现物件点集合为空集合，则该分析器输出该发现路径集合。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW100148625A TWI450207B (zh) | 2011-12-26 | 2011-12-26 | 物件追蹤的方法、系統、電腦程式產品與記錄媒體 |
| TW100148625 | 2011-12-26 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103177436A CN103177436A (zh) | 2013-06-26 |
| CN103177436B true CN103177436B (zh) | 2016-01-13 |
Family
ID=48637268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110451967.8A Active CN103177436B (zh) | 2011-12-26 | 2011-12-29 | 物件追踪的方法、系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US8890957B2 (zh) |
| CN (1) | CN103177436B (zh) |
| TW (1) | TWI450207B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9490976B2 (en) * | 2014-09-29 | 2016-11-08 | Wipro Limited | Systems and methods for providing recommendations to obfuscate an entity context |
| TWI549499B (zh) * | 2015-02-17 | 2016-09-11 | Zan Quan Technology Co Ltd | A system for automatically recording motion data and a method thereof |
| CN104902233B (zh) * | 2015-05-22 | 2018-03-09 | 辽宁玖鼎金盛计算机技术有限公司 | 综合安全监控系统 |
| CN108122242A (zh) * | 2016-11-24 | 2018-06-05 | 英业达科技有限公司 | 物件追踪方法 |
| TWI613601B (zh) * | 2016-12-09 | 2018-02-01 | Chunghwa Telecom Co Ltd | 智慧型影像辨識動態規劃之系統及方法 |
| CN106713864B (zh) * | 2016-12-24 | 2018-09-21 | 深圳云天励飞技术有限公司 | 一种视频处理方法及装置 |
| CN108111806A (zh) * | 2017-11-20 | 2018-06-01 | 厦门市美亚柏科信息股份有限公司 | 一种监控方法及终端 |
| CN108039045B (zh) * | 2017-12-14 | 2019-12-20 | 浙江警察学院 | 一种机动车管控方法和系统 |
| EP3815062A1 (en) | 2018-06-29 | 2021-05-05 | Alarm.com Incorporated | Object tracking using disparate monitoring systems |
| CN110248322B (zh) * | 2019-06-28 | 2021-10-22 | 国家计算机网络与信息安全管理中心 | 一种基于诈骗短信的诈骗团伙识别系统及识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101310288A (zh) * | 2005-06-28 | 2008-11-19 | 实物视频影像公司 | 采用视频原语的视频监视系统 |
| CN101393602A (zh) * | 2007-09-18 | 2009-03-25 | 财团法人车辆研究测试中心 | 应用于人员监控的眼睛辨识追踪方法与装置 |
| TW201104585A (en) * | 2009-03-19 | 2011-02-01 | Ibm | Identifying spatial locations of events within video image data |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8518803D0 (en) | 1985-07-25 | 1985-08-29 | Rca Corp | Locating target patterns within images |
| US5592299A (en) | 1994-09-26 | 1997-01-07 | Hitachi America, Ltd. | Method and apparatus for reducing the amount of data required to represent a video frame |
| US6295367B1 (en) * | 1997-06-19 | 2001-09-25 | Emtera Corporation | System and method for tracking movement of objects in a scene using correspondence graphs |
| US7036094B1 (en) * | 1998-08-10 | 2006-04-25 | Cybernet Systems Corporation | Behavior recognition system |
| SE522856C2 (sv) | 1999-01-29 | 2004-03-09 | Axis Ab | En datalagrings- och reduceringsmetod för digitala bilder, samt ett övervakningssystem som använder nämnda metod |
| US7868912B2 (en) | 2000-10-24 | 2011-01-11 | Objectvideo, Inc. | Video surveillance system employing video primitives |
| US20020135695A1 (en) | 2001-03-26 | 2002-09-26 | Edelson Steven D. | Video data reduction by selected frame elimination |
| JP4099973B2 (ja) | 2001-10-30 | 2008-06-11 | 松下電器産業株式会社 | 映像データ送信方法及び映像データ受信方法、並びに映像監視システム |
| US8547437B2 (en) * | 2002-11-12 | 2013-10-01 | Sensormatic Electronics, LLC | Method and system for tracking and behavioral monitoring of multiple objects moving through multiple fields-of-view |
| US7394916B2 (en) * | 2003-02-10 | 2008-07-01 | Activeye, Inc. | Linking tracked objects that undergo temporary occlusion |
| US7450735B1 (en) * | 2003-10-16 | 2008-11-11 | University Of Central Florida Research Foundation, Inc. | Tracking across multiple cameras with disjoint views |
| US7697026B2 (en) | 2004-03-16 | 2010-04-13 | 3Vr Security, Inc. | Pipeline architecture for analyzing multiple video streams |
| US20070047642A1 (en) | 2005-08-31 | 2007-03-01 | Erlandson Erik E | Video data compression |
| US20070282665A1 (en) | 2006-06-02 | 2007-12-06 | Buehler Christopher J | Systems and methods for providing video surveillance data |
| WO2008147915A2 (en) * | 2007-05-22 | 2008-12-04 | Vidsys, Inc. | Intelligent video tours |
| US7460149B1 (en) | 2007-05-28 | 2008-12-02 | Kd Secure, Llc | Video data storage, search, and retrieval using meta-data and attribute data in a video surveillance system |
| WO2009079809A1 (en) * | 2007-12-07 | 2009-07-02 | Multi Base Limited | Video surveillance system with object tracking and retrieval |
| US8098888B1 (en) * | 2008-01-28 | 2012-01-17 | Videomining Corporation | Method and system for automatic analysis of the trip of people in a retail space using multiple cameras |
| US8126833B2 (en) | 2008-09-11 | 2012-02-28 | Behavioral Recognition Systems, Inc. | Detecting anomalous events using a long-term memory in a video analysis system |
| TWI405457B (zh) * | 2008-12-18 | 2013-08-11 | Ind Tech Res Inst | 應用攝影機換手技術之多目標追蹤系統及其方法，與其智慧節點 |
| MX2012009579A (es) * | 2010-02-19 | 2012-10-01 | Toshiba Kk | Sistema de rastreo de objetos en movimiento y metodo de rastreo de objetos en movimiento. |
| CN102223473A (zh) * | 2010-04-16 | 2011-10-19 | 鸿富锦精密工业（深圳）有限公司 | 摄像装置及利用其动态追踪特定物体的方法 |
| GB2485969A (en) * | 2010-11-12 | 2012-06-06 | Sony Corp | Video surveillance with anticipated arrival time of object in another camera view |
| KR101425170B1 (ko) * | 2010-11-16 | 2014-08-04 | 한국전자통신연구원 | 영상 촬영 장치의 객체 추적 장치 및 방법과 보안 관리 시스템의 객체 추적 장치 |
-
2011
- 2011-12-26 TW TW100148625A patent/TWI450207B/zh active
- 2011-12-28 US US13/338,271 patent/US8890957B2/en active Active
- 2011-12-29 CN CN201110451967.8A patent/CN103177436B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101310288A (zh) * | 2005-06-28 | 2008-11-19 | 实物视频影像公司 | 采用视频原语的视频监视系统 |
| CN101393602A (zh) * | 2007-09-18 | 2009-03-25 | 财团法人车辆研究测试中心 | 应用于人员监控的眼睛辨识追踪方法与装置 |
| TW201104585A (en) * | 2009-03-19 | 2011-02-01 | Ibm | Identifying spatial locations of events within video image data |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201327430A (zh) | 2013-07-01 |
| US8890957B2 (en) | 2014-11-18 |
| US20130162818A1 (en) | 2013-06-27 |
| TWI450207B (zh) | 2014-08-21 |
| CN103177436A (zh) | 2013-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103177436B (zh) | 物件追踪的方法、系统 | |
| CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
| Laharotte et al. | Spatiotemporal analysis of bluetooth data: Application to a large urban network | |
| CN109241349B (zh) | 一种基于深度学习的监控视频多目标分类检索方法及系统 | |
| CN107004271B (zh) | 显示方法、装置、电子设备、计算机程序产品和存储介质 | |
| Chen et al. | Learning-based spatio-temporal vehicle tracking and indexing for transportation multimedia database systems | |
| CN111311918B (zh) | 一种基于视觉分析的交通管理方法及装置 | |
| CN110874362A (zh) | 一种数据关联分析方法及装置 | |
| CN102595103B (zh) | 一种基于gis地图推演智能视频的方法 | |
| CN105631427A (zh) | 可疑人员检测方法与系统 | |
| CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
| CN104700434A (zh) | 一种用于复杂结构化场景的人群运动轨迹异常检测方法 | |
| CN109949351B (zh) | 基于视频结构化监控的目标车辆行驶轨迹提取装置及方法 | |
| CN107993444B (zh) | 基于卡口过车大数据分析的嫌疑车认定方法 | |
| CN112150810A (zh) | 一种车辆行为管理方法、系统、设备及介质 | |
| CN105138525A (zh) | 交通视频处理装置和方法及检索装置和方法 | |
| CN103365848A (zh) | 一种视频查询方法、装置与系统 | |
| CN109872541A (zh) | 一种车辆信息分析方法及装置 | |
| CN116778292B (zh) | 多模态车辆时空轨迹的融合方法、装置、设备及存储介质 | |
| CN113255477A (zh) | 一种行人视频图像的综合管理系统及方法 | |
| CN108427718A (zh) | 一种车辆行驶信息时空索引及大数据分析方法 | |
| CN111914648A (zh) | 车辆检测和识别的方法及装置、电子设备、存储介质 | |
| CN102932421A (zh) | 云备份方法及装置 | |
| CN114140719A (zh) | 一种ai交通视频分析技术 | |
| CN104778355A (zh) | 基于广域分布交通系统的异常轨迹检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |