一种识别跟踪方法和电子设备与流程

本发明涉及电子设备领域，更具体的说，是涉及一种识别跟踪方法和电子设备。

背景技术：

在人工智能时代的大环境下，人脸识别追踪技术已经被应用于各种领域，成为重要的用户身份识别和认证手段。

以基于视频的人脸识别为例，主要流程包括人脸检测、跟踪、识别、综合识别：人脸检测即在当前帧中确定人脸的位置；给定人脸在上一帧的位置，跟踪用来确定人脸在当前帧的位置；识别则指寻找与当前人脸最相似的人脸模板；基于跟踪和识别结果，综合识别给出最终识别结果。

上述流程中，跟踪步骤和识别步骤通常独立按先后顺序进行。实际应用中，受到遮挡等因素的影响，跟踪结果并不可靠，甚至发生从一个人脸跟踪到另一个人脸的情况。

技术实现要素：

有鉴于此，本发明提供了一种识别跟踪方法，解决了现有技术中识别跟踪结果不可靠的问题。

为实现上述目的，本发明提供如下技术方案：

一种识别跟踪方法，包括：

获取视频帧流，所述视频帧流包括至少两帧影像；

根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；

基于所述视频帧流中的第一类别信息满足预设条件，依据第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象。

优选的，上述的方法，判断视频帧流中的第一类别信息是否满足预设条件，包括：

基于分析得到任一帧影像中包含至少两个跟踪对象，得到所述至少两个跟踪对象的位置信息；

计算任意两个跟踪对象的相对位置是否满足预设距离，得到第一计算结果；

基于所述第一计算结果表征第一跟踪对象与第二跟踪对象的相对位置不大于预设距离，则所述视频帧流中的第一类别信息满足预设条件；

基于所述第一计算结果表征第一跟踪对象与第二跟踪对象的相对位置大于预设距离，则所述视频帧流中的第一类别信息不满足预设条件。

优选的，上述的方法，判断视频帧流中的第一类别信息是否满足预设条件，包括：

依据预设的第一分析规则，对所述视频帧流进行分析，得到分析结果；

基于所述分析结果表征第一时刻的影像包含第一跟踪对象，第二时刻的影像包含第一跟踪对象和第二跟踪对象，则所述视频帧流中的第一类别信息满足预设条件；

基于所述分析结果表征第一时刻的影像和第二时刻的影像包含第一跟踪对象不包含第二跟踪对象，则所述视频帧流中的第一类别信息不满足预设条件，所述第一时刻早于所述第二时刻。

优选的，上述的方法，所述依据第二类别信息对所述视频帧流进行识别，得到至少两个跟踪对象，包括：

依据预设的分析规则，对所述视频帧流中至少两帧影像进行特征分析，得到第一跟踪对象和/或第二跟踪对象。

优选的，上述的方法，所述依据第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象，包括：

依次分析所述视频帧流中的影像，得到其中包含的至少两个初始跟踪对象及其相关信息；

依据所述初始跟踪对象及其相关信息，计算任意两个相邻时刻的初始跟踪对象的相似度；

根据所述任意两个相邻时刻的初始跟踪对象的相似度，分析得到第三时刻的初始跟踪对象与第四时刻的初始跟踪对象对应同一个跟踪对象，所述第三时刻与所述第四时刻相邻；

将对应同一跟踪对象的初始跟踪对象按跟踪时刻顺序排列，得到所述视频帧流中的跟踪对象。

优选的，上述的方法，所述相关信息包括时刻、空间位置和特征信息，所述依据所述初始跟踪对象及其相关信息，计算任意两个相邻时刻的初始跟踪对象的相似度，包括：

根据预设的相似度算法、任一初始跟踪对象的空间位置和特征信息，计算得到任一初始跟踪对象与相邻跟踪时刻的初始跟踪对象之间的相似度；

具体包括：

采用如下公式计算所述相似度

similarity(vi,vj)＝w1*l_similarity(li,lj)+w2*f_similarity(fi,fj)

其中，i和j分别表示不同跟踪时刻，similarity(vi,vj)表示i和j跟踪时刻两个初始跟踪对象之间的相似度，l表示空间位置，l_similarity(li,lj)表示i和j跟踪时刻两个初始跟踪对象之间的空间位置相似度，f表示特征信息，f_similarity(fi,fj)表示i和j跟踪时刻两个初始跟踪对象之间的特征相似度，w1和w2是权重。

一种电子设备，包括：

本体；

处理器，用于获取视频帧流，所述视频帧流包括至少两帧影像；根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；基于所述视频帧流中的第一类别信息满足预设条件，依据第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象。

优选的，上述的电子设备，还包括：

摄像头，用于采集视频，得到视频帧流。

优选的，上述的电子设备，还包括：

显示屏，用于显示所述跟踪对象的影像。

一种电子设备，包括：

获取模块，用于获取视频帧流，所述视频帧流包括至少两帧影像；

分析模块，用于根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；

识别模块，用于基于所述视频帧流中的第一类别信息满足预设条件，依据第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象。

经由上述的技术方案可知，与现有技术相比，本发明提供了一种识别跟踪方法，包括：获取视频帧流，所述视频帧流包括至少两帧影像；根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；基于所述视频帧流中的第一类别信息满足预设条件，采用第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象。采用该方法，通过将先根据第一类别信息分析视频帧流得到跟踪对象，而当该第一类别信息满足预设条件时，则依据第二类别信息视频帧流进行识别，得到跟踪对象，该方案中，开始仅依据一种类别信息进行分析识别，当该类别信息无法进行识别时再采用其他类别信息进行识别，提高了识别跟踪的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种识别跟踪方法实施例1的流程图；

图2为本申请提供的一种识别跟踪方法实施例2的流程图；

图3为本申请提供的一种识别跟踪方法实施例3的流程图；

图4为本申请提供的一种识别跟踪方法实施例4的流程图；

图5为本申请提供的一种识别跟踪方法实施例5的流程图；

图6为本申请提供的一种识别跟踪方法实施例5中初始跟踪结果示意图；

图7为本申请提供的一种识别跟踪方法实施例5中概率图模型示意图；

图8为本申请提供的一种识别跟踪方法实施例5中跟踪结果示意图；

图9为本申请提供的一种电子设备实施例1的一结构示意图；

图10为本申请提供的一种电子设备实施例1的另一结构示意图；

图11为本申请提供的一种电子设备实施例1的又一结构示意图；

图12为本申请提供的一种电子设备实施例2的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示的，为本申请提供的一种识别跟踪方法实施例1的流程图，该方法应用于一电子设备，该方法包括以下步骤：

步骤s101：获取视频帧流；

其中，所述视频帧流包括至少两帧影像。

其中，视频帧流可以是与该电子设备相连的视频采集设备拍摄得到的，也可以是该电子设备中设置的视频采集装置拍摄得到的。

与该电子设备相连的视频采集设备或该电子设备中设置的视频采集装置将拍摄到的视频帧流，发送至该电子设备，该电子设备接收视频帧流。该电子设备接收到的视频帧流中可以包含至少两帧影像。每帧影像可以为：图片或图像。

具体的，该视频帧流用于对待跟踪对象的影像进行采集。

步骤s102：根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；

其中，该视频帧流中包含有多个类别的信息，如第一类别信息和第二类别信息，该第一、第二仅是用于区别两类类别信息。

本申请中仅根据其中的一个类别的信息(如第一类别信息)即可实现对该视频中包含的跟踪对象的分析确定。

需要说明的是，该根据第一类别信息分析得到的跟踪对象，仅是初步确定了该帧影像中具有一个、两个甚至多个跟踪对象。

例如，根据该视频帧流的第一类别信息，可以分析得到其中的任一帧影像中包含一个、两个甚至多个跟踪对象。

步骤s103：基于所述视频帧流中的第一类别信息满足预设条件，依据第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象。

其中，基于该第一类别信息满足预设条件，则根据该视频帧流中的第二类别信息对该视频帧流进行识别。

需要说明的是，当第一类别信息满足预设条件，则不能够再根据该第一类别信息对该视频帧流中的内容进行识别，则此时根据第二类别信息对该视频帧流进行识别，以得到其中的跟踪对象。该方案中，开始仅依据一种类别信息进行分析识别，当该类别信息无法进行识别时再采用其他类别信息进行识别，提高了识别跟踪的准确度。

当然，需要说明的是，根据第二类别信息对视频帧流中的内容进行识别处理以确定跟踪对象的过程(步骤s103)中，可以只依据该第二类别信息进行识别处理，也可以依据包含第二类别信息的内容对该视频帧流中的内容进行识别处理后续实施例中会做详细解释，本实施例中不做详述。

具体实施中，当第一类别信息不满足预设条件时，则不再根据第二类别信息对视频帧流进行识别，再次根据第一类别信息进行跟踪分析。

需要说明的是，具体实施中，该根据第一类别信息对视频帧流进行识别，是较低精度/准确度的识别，其仅能够对该视频帧流中涉及了几个跟踪对象进行识别，而根据第二类别信息对视频帧流进行识别则是较高精度/准确度的识别，其能够对该视频帧流中的跟踪对象进行精确识别，以此来对不同的跟踪对象进行识别。

综上，本实施例提供的一种识别跟踪方法，包括：获取视频帧流，所述视频帧流包括至少两帧影像；根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；基于所述视频帧流中的第一类别信息满足预设条件，采用第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象。采用该方法，通过将先根据第一类别信息分析视频帧流得到跟踪对象，而当该第一类别信息满足预设条件时，则依据第二类别信息视频帧流进行识别，得到跟踪对象，该方案中，开始仅依据一种类别信息进行分析识别，当该类别信息无法进行识别时再采用其他类别信息进行识别，提高了识别跟踪的准确度。

如图2所示的，为本申请提供的一种识别跟踪方法实施例2的流程图，该方法包括以下步骤：

步骤s201：获取视频帧流；

步骤s202：根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；

步骤s201-202与实施例1中的步骤s101-102一致，本实施例中不做赘述。

步骤s203：基于分析得到任一帧影像中包含至少两个跟踪对象，得到所述至少两个跟踪对象的位置信息；

需要说明的是，本实施例中，该第一类别信息包含跟踪对象的位置信息。

具体的，该跟踪对象的位置信息可以是该跟踪对象在视频帧流中所在的位置，是由其在每一帧影像中的位置共同决定；也可以是该跟踪对象在任一帧影像中的位置。

当然，具体实施中，在步骤s202中分析得到至少一个跟踪对象时，可以同步得到该跟踪对象的位置信息。则本步骤中只需获取该同步得到的跟踪对象的位置即可，无需进行重复计算。

步骤s204：计算任意两个跟踪对象的相对位置是否满足预设距离，得到第一计算结果；

其中，当该视频帧流中涉及有至少两个跟踪对象时，计算该跟踪对象之间的相对位置，以确定二者是否会出现影像重叠(即靠近图像采集装置的用户影像遮挡远离图像采集装置的用户影像)进而导致跟踪出现问题。

具体的基于所述第一计算结果表征第一跟踪对象与第二跟踪对象的相对位置不大于预设距离，则所述影像中的第一类别信息满足预设条件；基于所述第一计算结果表征第一跟踪对象与第二跟踪对象的相对位置大于预设距离，则所述影像中的第一类别信息不满足预设条件。

具体的，该第一跟踪对象与第二跟踪对象的相对位置大于预设距离时，二者暂时不会出现发生遮挡的情况，无需对该视频帧流进行其他类别信息的处理；而该第一跟踪对象与第二跟踪对象的相对位置不大于预设距离时，二者可能会出现发生遮挡的情况，则此时需要对该视频帧流进行其他类别信息的处理，以确定其中的跟踪对象。

具体实施中，当第一跟踪对象与第二跟踪对象的相对位置从不大于预设距离变化为大于预设距离时，可以继续跟据第一类别信息对该视频帧流进行分析，得到其中的跟踪对象，以减小进行分析过程中的数据处理量。

步骤s205：基于所述视频帧流中的第一类别信息满足预设条件，依据第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象。

步骤s205与实施例1中的步骤s103一致，本实施例中不做赘述。

综上，本实施例提供的一种识别跟踪方法中，该判断视频帧流中的第一类别信息是否满足预设条件，包括：基于分析得到任一帧影像中包含至少两个跟踪对象，得到所述至少两个跟踪对象的位置信息；计算任意两个跟踪对象的相对位置是否满足预设距离，得到第一计算结果；基于所述第一计算结果表征第一跟踪对象与第二跟踪对象的相对位置不大于预设距离，则所述视频帧流中的第一类别信息满足预设条件；基于所述第一计算结果表征第一跟踪对象与第二跟踪对象的相对位置大于预设距离，则所述视频帧流中的第一类别信息不满足预设条件。该方案中，先根据跟踪对象之间的相对位置确定是否二者即将发生遮挡导致跟踪出现问题，再根据第二类别信息对视频帧流进行识别得到跟踪对象，提高识别跟踪的准确度。

如图3所示的，为本申请提供的一种识别跟踪方法实施例3的流程图，该方法包括以下步骤：

步骤s301：获取视频帧流；

步骤s302：根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；

步骤s301-302与实施例1中的步骤s101-102一致，本实施例中不做赘述。

步骤s303：依据预设的第一分析规则，对所述视频帧流进行分析，得到分析结果；

需要说明的是，本实施例中，该第一类别信息表征了跟踪对象的个数。

当然，具体实施中，在步骤s302中分析得到至少一个跟踪对象时，可以同步得到该跟踪对象的个数。则本步骤中只需获取该每帧影像中包含的跟踪对象的个数即可，无需再次进行跟踪对象个数的分析。

具体的，本步骤中，通过对每帧影像中包含的跟踪对象的个数变化，实现对视频帧流的分析，得到分析结果。

具体的，基于所述分析结果表征第一时刻的影像包含第一跟踪对象，第二时刻的影像包含第一跟踪对象和第二跟踪对象，则所述视频帧流中的第一类别信息满足预设条件；基于所述分析结果表征第一时刻的影像和第二时刻的影像包含第一跟踪对象不包含第二跟踪对象，则所述视频帧流中的第一类别信息不满足预设条件，所述第一时刻早于所述第二时刻。

需要说明的是，本实施例中，第一时刻与第二时刻包含相同的跟踪对象(第一跟踪对象)，且在第二时刻出现了新的跟踪对象(第二跟踪对象)，则该视频帧流中的第一类别信息满足预设条件；否则(该视频帧流中未出现新的跟踪对象)，该视频帧流中的第一类别信息不满足预设条件。

作为一个具体示例，第一时刻的影像中包含有一个跟踪对象的影像，其后的第二时刻的影像中包含有两个跟踪对象的影像，则视频帧流中增加了一个跟踪对象。为了提高识别跟踪的准确度，需要对影像中的两个跟踪对象分别进行识别，以免在跟踪过程中出现错误等问题。

步骤s304：基于所述视频帧流中的第一类别信息满足预设条件，依据第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象。

步骤s304与实施例1中的步骤s103一致，本实施例中不做赘述。

综上，本实施例提供的一种识别跟踪方法中，该判断视频帧流中的第一类别信息是否满足预设条件，包括：依据预设的第一分析规则，对所述视频帧流进行分析，得到分析结果；基于所述分析结果表征第一时刻的影像包含第一跟踪对象，第二时刻的影像包含第一跟踪对象和第二跟踪对象，则所述视频帧流中的第一类别信息满足预设条件；基于所述分析结果表征第一时刻的影像和第二时刻的影像包含第一跟踪对象不包含第二跟踪对象，则所述视频帧流中的第一类别信息不满足预设条件，所述第一时刻早于所述第二时刻。该方案中，先根据跟踪对象的个数确定是否出现新的跟踪对象，再根据第二类别信息对视频帧流进行识别得到跟踪对象，以实现对不同的跟踪对象区别，提高识别跟踪的准确度。

如图4所示的，为本申请提供的一种识别跟踪方法实施例4的流程图，该方法包括以下步骤：

步骤s401：获取视频帧流；

步骤s402：根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；

步骤s401-402与实施例1中的步骤s101-102一致，本实施例中不做赘述。

步骤s403：基于所述视频帧流中的第一类别信息满足预设条件，依据预设的分析规则，对所述视频帧流中至少两帧影像进行特征分析，得到第一跟踪对象和/或第二跟踪对象。

其中，该视频帧流中的第一类别信息满足预设条件，需要根据第二类别信息对视频帧流中的跟踪对象进行识别。

本实施例中，该第二类别信息是影像的特征信息，具体的，是该影像中包含的人物的特征信息。

其中，该预设分析规则可以是精度较高的人物特征分析规则，例如深度学习模型或神经元网络模型等，实现对每帧影像中的人物脸部特征/视频帧流中的人物行为特征进行分析，确定不同帧影像中的跟踪对象属于同一个人。

具体实施中，该人物特征分析包括：人物脸部特征/和/或人物行为特征。

需要说明的是，当两个跟踪对象发生影像重叠，即其中一个人物遮挡了另一个人物时，影像中只有一个跟踪对象，而二者未发生遮挡(两个人物分开)时，影像中有两个跟踪对象。

综上，本实施例提供的一种识别跟踪方法中，该依据第二类别信息对所述视频帧流进行识别，得到至少两个跟踪对象，包括：依据预设的分析规则，对所述视频帧流中至少两帧影像进行特征分析，得到第一跟踪对象和/或第二跟踪对象。采用该方法，通过对视频帧流中的影像进行特征分析，对其中的跟踪对象进行确定，而基于该分析确定的结果，能够对不同的跟踪对象进行区分，出现了新的跟踪对象或者两个跟踪对象发生影像重叠时，避免了识别跟踪出现错误。

如图5所示的，为本申请提供的一种识别跟踪方法实施例5的流程图，该方法包括以下步骤：

步骤s501：获取视频帧流；

步骤s502：根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；

步骤s501-502与实施例1中的步骤s101-102一致，本实施例中不做赘述。

步骤s503：依次分析所述视频帧流中的影像，得到其中包含的至少两个初始跟踪对象及其相关信息；

其中，该视频帧流的每帧影像中至少包含一个初始跟踪对象。

需要说明的是，由于是对不同跟踪对象出现跟踪结果不可靠的问题，所以，本实施例中，涉及的视频帧流的影像中必然有一些帧会包含两个甚至多个被跟踪的对象，而被跟踪的对象可能会出现跟踪不可靠的问题，所以，本实施例中，主要是针对该情况进行的更加精确的跟踪对象的识别，以实现可靠性高的跟踪。

具体的，本步骤中分析得到的是每帧影像的初始识别结果及其相关信息，其中该相关信息可以包含有时间、位置、特征等。

具体实施中，该特征可以包括传统特征，如颜色直方图、hog(histogramoforientedgradient，方向梯度直方图)、lbp(localbinarypatterns，局部二值模式)等，或者神经网络提取的特征，如取自神经网络某一层的输出。

步骤s504：依据所述初始跟踪对象及其相关信息，计算任意两个相邻时刻的初始跟踪对象的相似度；

其中，任意一帧影像中包含有初始跟踪对象，对任意两个相邻时刻的影像中的初始跟踪对象的相似度进行计算，以确定该步骤s503中识别得到的初始跟踪对象是否准确。

具体的，该相关信息包括时刻、空间位置和特征信息，则该步骤s504则是根据预设的相似度算法、任一初始跟踪对象的空间位置和特征信息，计算得到任一初始跟踪对象与相邻跟踪时刻的初始跟踪对象之间的相似度；

具体包括：

采用如下公式计算所述相似度

similarity(vi,vj)＝w1*l_similarity(li,lj)+w2*f_similarity(fi,fj)

其中，i和j分别表示不同跟踪时刻，similarity(vi,vj)表示i和j跟踪时刻两个初始跟踪对象之间的相似度，l表示空间位置，l_similarity(li,lj)表示i和j跟踪时刻两个初始跟踪对象之间的空间位置相似度，f表示特征信息，f_similarity(fi,fj)表示i和j跟踪时刻两个初始跟踪对象之间的特征相似度，w1和w2是权重。

其中，w1和w2的取值可以根据实际情况进行设置，其具体取值在本申请中不做限制。

需要说明的是，该i和j表示的不同跟踪时刻是相邻的跟踪时刻。

具体的，该l_similarity(li,lj)可以采用矩形的交并集概念计算得到，其理想状态下是无限接近1的。

具体的，该f_similarity(fi,fj)可以采用人脸特征识别，计算欧式距离(如256维向量)，计算出的距离越小相似度越高；或者，也可以采用余弦距离计算，得到二者的特征相似度。

需要说明的是，两个初始跟踪对象之间的相似度，包括但是不限于特征相似度和空间位置相似度。

需要说明的是，本步骤中，是对于每帧影像中的每个初始跟踪对象分别计算其相邻时刻帧的影像中的初始跟踪对象的相似度。

作为一个具体示例，t时刻的影像中具有一个初始跟踪对象a，t+1时刻的影像中具有两个初始跟踪对象a和b，则需要分别计算该t时刻的a与t+1时刻的a和b各自的相似度值。

作为一个具体示例，t时刻的影像中具有两个初始跟踪对象a和b，t+1时刻的影像中具有两个初始跟踪对象a和b，则需要分别计算该t时刻的a与t+1时刻的a和b各自的相似度值、以及t时刻的b与t+1时刻的a和b各自的相似度值。

步骤s505：根据所述任意两个相邻时刻的初始跟踪对象的相似度，分析得到第三时刻的初始跟踪对象与第四时刻的初始跟踪对象对应同一个跟踪对象，所述第三时刻与所述第四时刻相邻；

其中，经过步骤s504中的计算，各个时刻的初始跟踪对象与其相邻时刻的至少一个初始跟踪对象的相似度值均已经得到。

则，基于相邻时刻，对于相邻的两帧初始跟踪对象之间的相似度，以其中一帧中的一个初始跟踪对象为准，选择相似度值最大的初始跟踪对象作为同一个跟踪对象。

作为一个具体示例，t时刻的影像中具有一个初始跟踪对象a，t+1时刻的影像中具有两个初始跟踪对象a和b，其中，该t时刻的a与t+1时刻的a的相似度值是0.9，该t时刻的a与t+1时刻的b的相似度值是0.05，则该该t时刻的a与t+1时刻的a是同一个跟踪对象。

作为一个具体示例，t时刻的影像中具有一个初始跟踪对象a，t+1时刻的影像中具有两个初始跟踪对象a和b，其中，该t时刻的a与t+1时刻的a的相似度值是0.3，该t时刻的a与t+1时刻的b的相似度值是0.8，则该t时刻的a与t+1时刻的b是同一个跟踪对象。

步骤s506：将对应同一跟踪对象的初始跟踪对象按跟踪时刻顺序排列，得到所述视频帧流中的跟踪对象。

其中，按照跟踪时刻的先后顺序，将步骤s505中确定的对应同一个跟踪对象的初始跟踪对象进行排列，得到的序列就是该视频帧流中一个跟踪对象。

具体实施中，为了降低数据处理的压力，可以将几帧影像组成的视频帧流进行处理，以实现识别确定对应的跟踪对象。

例如，可以以5帧影像组成的视频帧流进行分析确定跟踪对象的过程。当然，本申请中不对该视频帧流中包含的影像帧数做限制，具体实施中可以根据实际情况进行设置。

具体实施中，可以通过建立概率图模型来实现确定视频帧流中的跟踪对象，具体过程如下：以跟踪时刻为准顺序排列初始跟踪对象，每个跟踪对象的初始跟踪对象对应一个所述概率图模型的顶点；根据任一个初始跟踪对象与其相邻的跟踪时刻的初始跟踪对象的相似度，作为上述两个初始跟踪对象对应的顶点的边。

如图6所示的为初始跟踪结果示意图，该初始跟踪结果中包括三个跟踪器：跟踪器1、2和3，每个跟踪器对应一个初始跟踪对象，跟踪器1在t、t+1、t+2、t+3、t+4这5帧影像中分别具有一个跟踪结果，该跟踪结果用黑色实心圆点表示；跟踪器2在t+1、t+2这2帧影像中分别具有一个跟踪结果，该跟踪结果用实线空心圆点表示；跟踪器3在t+4这1帧影像中具有一个跟踪结果，该跟踪结果用虚线空心圆点表示。

根据该初始跟踪结果，建立概率图模型，具体的，以初始跟踪对象为顶点，按照跟踪时刻的先后顺序排列所有的初始跟踪对象，用边连接相邻跟踪时刻的初始跟踪对象，该边采用箭头表示，代表连接的两个初始跟踪对象的相似度值。

具体的，概率图模型采用g＝<v,e>表示，其中g表示概率图模型，v表示顶点，e表示边。

其中，在建立概率图模型时，可以在获取视频帧流的过程中实现，该v可以来自截至当前帧的初始跟踪对象。该顶点包含了四个维度信息：时刻、空间位置、特征以及识别结果(状态)，即vi＝{ti,li,fi,si}。

如图7所示的为概率图模型示意图，包括8个顶点以及连接顶点的边，其中，8个顶点按照跟踪时刻依次排列，横向按照时刻从t到t+4排列。

具体可以采用步骤s504中涉及的计算相似度的算法来计算任意两个相邻时刻的初始跟踪对象的相似度值。

例如计算得到顶点1与顶点2的相似度值是0.8，顶点1与顶点3的相似度值是0.2，则可以确定顶点1和2对应同一个跟踪对象。

当然，本实施例中采用0-1之间的概率来表示相似度值，本申请不限制具体实施中该相似度的表示方法，也可以采用其他数值来表示。

需要说明的是，该顶点之间的相似度，包括但是不限于特征相似度和空间位置相似度。

需要说明的是，在正常情况下，因为在一帧影像中不会出现两个完全相同的人脸，或者说对于某一人来讲，应该只有其一张脸。

所以，该概率图模型中具有如下约束：

同一时刻的两个顶点之间的相似度为0，即没有边将二者相连；

同一时刻的两个顶点始终具有不同的状态/识别结果。

如图8所示的为跟踪结果示意图，包括8个顶点以及连接顶点的边，其中，8个顶点按照跟踪时刻依次排列，横向按照时刻从t到t+4排列。其中，通过箭头连接的顶点124对应跟踪器1，通过箭头连接的顶点3567对应跟踪器2，顶点8对应跟踪器3，且跟踪器1和跟踪器3对应用户a，跟踪器2对应跟踪用户b。

需要说明的是，该图6-8所示的方案中，根据跟踪结果可以理解的，t时刻开始已经有用户a被追踪，用户b在t+1时刻开始被追踪到，t+3时刻，影像中只有一个追踪对象，此时用户b遮挡了用户a，t+4时刻，用户b不再遮挡用户a，影像中有两个追踪对象。

具体实施中，还可以对于该概率图模型进行图优化，具体通过优化迭代方式，对该概率图模型中的每个顶点的状态不断进行更新，并将优化收敛的概率图模型中的顶点的状态作为最终的识别结果。

具体的，可以采用置信度传播算法(bp，beliefpropagation)对概率图模型中的顶点进行优先收敛。

综上，本实施例提供的一种识别跟踪方法中，该依据第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象，包括：依次分析所述视频帧流中的影像，得到其中包含的至少两个初始跟踪对象及其相关信息；依据所述初始跟踪对象及其相关信息，计算任意两个相邻时刻的初始跟踪对象的相似度；根据所述任意两个相邻时刻的初始跟踪对象的相似度，分析得到第三时刻的初始跟踪对象与第四时刻的初始跟踪对象对应同一个跟踪对象，所述第三时刻与所述第四时刻相邻；将对应同一跟踪对象的初始跟踪对象按跟踪时刻顺序排列，得到所述视频帧流中的跟踪对象。该方案中，可以通过计算任意两个相邻时刻的初始跟踪对象的相似度，确定该视频帧流中的属于同一个跟踪对象的初始跟踪对象，实现确定该视频帧流中的跟踪对象。

与上述本申请提供的一种信息处理方法实施例相对应的，本申请还提供了应用该信息处理方法的电子设备实施例。

如图9所示的为本申请提供的一种电子设备实施例1的一结构示意图，该电子设备包括以下结构：本体901和处理器902。

其中，处理器902设置于本体901中，用于获取视频帧流，所述视频帧流包括至少两帧影像；根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；基于所述视频帧流中的第一类别信息满足预设条件，依据第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象。

具体实施中，该处理器可以采用电子设备中具有数据处理能力的结构，如cpu(centralprocessingunit，中央处理器)等。

如图10所示的为本申请提供的一种电子设备实施例1的另一结构示意图，该电子设备包括以下结构：本体1001、处理器1002和摄像头1003。

其中，摄像头1003，用于采集视频得到视频帧流。

如图11所示的为本申请提供的一种电子设备实施例1的又一结构示意图，该电子设备包括以下结构：本体1101、处理器1102和摄像头1103。

其中，显示屏1103，用于显示所述跟踪对象的影像。

具体实施中，该显示屏中可以只对该跟踪对象的影像进行显示，也可以在视频帧流中将跟踪对象的影像标记出，以实现提示该跟踪对象的目的。

优选的，判断视频帧流中的第一类别信息是否满足预设条件，包括：

基于分析得到任一帧影像中包含至少两个跟踪对象，得到所述至少两个跟踪对象的位置信息；

计算任意两个跟踪对象的相对位置是否满足预设距离，得到第一计算结果；

基于所述第一计算结果表征第一跟踪对象与第二跟踪对象的相对位置不大于预设距离，则所述视频帧流中的第一类别信息满足预设条件；

基于所述第一计算结果表征第一跟踪对象与第二跟踪对象的相对位置大于预设距离，则所述视频帧流中的第一类别信息不满足预设条件。

优选的，判断视频帧流中的第一类别信息是否满足预设条件，包括：

依据预设的第一分析规则，对所述视频帧流进行分析，得到分析结果；

基于所述分析结果表征第一时刻的影像包含第一跟踪对象，第二时刻的影像包含第一跟踪对象和第二跟踪对象，则所述视频帧流中的第一类别信息满足预设条件；

基于所述分析结果表征第一时刻的影像和第二时刻的影像包含第一跟踪对象不包含第二跟踪对象，则所述视频帧流中的第一类别信息不满足预设条件，所述第一时刻早于所述第二时刻。

优选的，所述依据第二类别信息对所述视频帧流进行识别，得到至少两个跟踪对象，包括：

依据预设的分析规则，对所述视频帧流中至少两帧影像进行特征分析，得到第一跟踪对象和/或第二跟踪对象。

优选的，所述依据第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象，包括：

依次分析所述视频帧流中的影像，得到其中包含的至少两个初始跟踪对象及其相关信息；

依据所述初始跟踪对象及其相关信息，计算任意两个相邻时刻的初始跟踪对象的相似度；

根据所述任意两个相邻时刻的初始跟踪对象的相似度，分析得到第三时刻的初始跟踪对象与第四时刻的初始跟踪对象对应同一个跟踪对象，所述第三时刻与所述第四时刻相邻；

将对应同一跟踪对象的初始跟踪对象按跟踪时刻顺序排列，得到所述视频帧流中的跟踪对象。

优选的，所述相关信息包括时刻、空间位置和特征信息，所述依据所述初始跟踪对象及其相关信息，计算任意两个相邻时刻的初始跟踪对象的相似度，包括：

根据预设的相似度算法、任一初始跟踪对象的空间位置和特征信息，计算得到任一初始跟踪对象与相邻跟踪时刻的初始跟踪对象之间的相似度；

具体包括：

采用如下公式计算所述相似度

similarity(vi,vj)＝w1*l_similarity(li,lj)+w2*f_similarity(fi,fj)

其中，i和j分别表示不同跟踪时刻，similarity(vi,vj)表示i和j跟踪时刻两个初始跟踪对象之间的相似度，l表示空间位置，l_similarity(li,lj)表示i和j跟踪时刻两个初始跟踪对象之间的空间位置相似度，f表示特征信息，f_similarity(fi,fj)表示i和j跟踪时刻两个初始跟踪对象之间的特征相似度，w1和w2是权重。

综上，本实施例提供的一种电子设备，通过将先根据第一类别信息分析视频帧流得到跟踪对象，而当该第一类别信息满足预设条件时，则依据第二类别信息视频帧流进行识别，得到跟踪对象，该方案中，开始仅依据一种类别信息进行分析识别，当该类别信息无法进行识别时再采用其他类别信息进行识别，提高了识别跟踪的准确度。

如图12所示的为本申请提供的一种电子设备实施例2的结构示意图，该电子设备包括以下结构：获取模块1201、分析模块1202和识别模块1203。

其中，该获取模块1201，用于获取视频帧流，所述视频帧流包括至少两帧影像；

其中，该分析模块1202，用于根据所述视频帧流的第一类别信息，分析得到任一帧影像中包含至少一个跟踪对象；

其中，该识别模块1203，用于基于所述视频帧流中的第一类别信息满足预设条件，依据第二类别信息对所述视频帧流进行识别，得到至少一个跟踪对象。

综上，本实施例提供的一种电子设备，通过将先根据第一类别信息分析视频帧流得到跟踪对象，而当该第一类别信息满足预设条件时，则依据第二类别信息视频帧流进行识别，得到跟踪对象，该方案中，开始仅依据一种类别信息进行分析识别，当该类别信息无法进行识别时再采用其他类别信息进行识别，提高了识别跟踪的准确度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的装置而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所提供的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所提供的原理和新颖特点相一致的最宽的范围。