视频运动追踪方法、装置、设备及存储介质与流程

1.本技术涉及运动追踪技术领域，尤其涉及一种视频运动追踪方法、装置、设备及存储介质。


背景技术：

2.随着智能视频监控的日益发展，在智能视频监控系统中，运动目标检测与追踪技术是其根本和关键，是计算机视觉范畴内的热门课题。
3.目前，视频中的运动目标识别与追踪技术中，许多跟踪方法能够很好的对单个物体进行跟踪，但当场景中出现多个跟踪物体或跟踪对象时，特别是这些物体之间存在相互遮挡和重叠时，部分遮挡造成运动目标部分特征无法被检测到。而且引入了遮挡物干扰后，现有跟踪算法需要重新恢复机制，当运动目标再次出现时才能重新定位，由此，导致视频中运动目标在复杂环境或被遮挡时，难以有效追踪。


技术实现要素：

4.本技术的主要目的在于提供一种视频运动追踪方法、装置、设备及存储介质，旨在解决现有的视频中运动目标在复杂环境或被遮挡时，难以有效追踪的技术问题。
5.为实现上述目的，本技术提供一种视频运动追踪方法，所述方法包括：
6.从视频流序列的至少一帧原始图像中提取出运动目标，并获取所述运动目标的识别特征；
7.基于所述识别特征，分析并得到所述运动目标在当前帧的所述原始图像中的运动参数，根据至少一帧的所述运动目标和所述运动参数，建立预测机制算法；
8.当所述运动目标识别失败时，基于所述预测机制算法，对视频流序列的实时图像中的所述运动目标进行定位，以实现所述运动目标的轨迹追踪。
9.示例性的，所述从视频流序列的至少一帧原始图像中提取出运动目标，并获取所述运动目标的识别特征，包括：
10.获取视频流序列的至少一帧所述原始图像，在所述原始图像中检测出运动区域；
11.确定在所述运动区域内的所述运动目标；
12.获取所述运动目标的至少一个所述识别特征，所述识别特征用于轨迹追踪时所述运动目标的识别。
13.示例性的，所述基于所述识别特征，分析并得到所述运动目标在当前帧的所述原始图像中的运动参数，根据至少一帧的所述运动目标和所述运动参数，建立预测机制算法，包括：
14.基于所述识别特征，识别当前帧的所述原始图像中的所述运动目标；
15.计算当前帧的所述原始图像中所述运动目标的位置坐标；
16.将至少一帧的所述原始图像中的所述位置坐标进行关联处理，得到所述运动目标的至少一个所述运动参数；
17.根据至少一个所述运动参数形成的参数集，建立所述预测机制算法。
18.示例性的，所述运动目标包括至少一个所述识别特征，所述基于所述识别特征，识别当前帧的所述原始图像中的所述运动目标之前，包括：
19.对至少一个所述识别特征进行组合，得到所述特征组合；
20.则所述基于所述识别特征，识别当前帧的所述原始图像中的所述运动目标，包括：
21.基于所述特征组合，识别出当前帧的所述原始图像中与所述特征组合对应的所述运动目标。
22.示例性的，所述基于所述识别特征，识别当前帧的所述原始图像中的所述运动目标，包括：
23.获取所述识别特征的约束条件，基于所述约束条件提取当前帧的所述原始图像中运动对象的目标特征；
24.将所述目标特征与所述识别特征进行比对，若比对结果为一致，则确定所述运动对象为所述运动目标。
25.示例性的，所述基于所述约束条件提取当前帧的所述原始图像中运动对象的目标特征，包括：
26.若基于所述约束条件提取的所述运动对象为多个时，则当前帧的所述原始图像中提取有至少一个目标特征；
27.将所述目标特征与所述识别特征进行比对，若比对结果为一致，则确定所述运动对象为所述运动目标，包括：
28.将所述至少一个目标特征与所述识别特征进行逐一匹配，匹配成功的目标特征对应的所述运动对象为所述运动目标。
29.示例性的，所述当所述运动目标识别失败时，基于所述预测机制算法，对视频流序列的实时图像中的所述运动目标进行定位，以实现所述运动目标的轨迹追踪，包括：
30.当所述运动目标识别失败时，获取所述预测机制算法，所述预测机制算法中包括图像帧数、目标参数；
31.将视频流序列的实时图像对应的当前帧数输入至所述预测机制算法的所述图像帧数中，计算出所述当前帧数对应的所述目标参数，得到目标运动参数；
32.基于所述目标运动参数对所述运动目标进行定位，得到所述运动目标的当前位置，以实现对所述运动目标的轨迹追踪。
33.示例性的，为实现上述目的，本技术还提供一种视频运动追踪装置，所述视频运动追踪装置包括：
34.特征提取模块，用于从视频流序列的至少一帧原始图像中提取出运动目标，并获取所述运动目标的识别特征；
35.特征识别模块，用于基于所述识别特征，分析并得到所述运动目标在当前帧的所述原始图像中的运动参数，根据至少一帧的所述运动目标和所述运动参数，建立预测机制算法；
36.轨迹追踪模块，用于当所述运动目标识别失败时，基于所述预测机制算法，对视频流序列的实时图像中的所述运动目标进行定位，以实现所述运动目标的轨迹追踪。
37.示例性的，为实现上述目的，本技术还提供一种视频运动追踪设备，所述视频运动
追踪设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的视频运动追踪程序，所述视频运动追踪程序被处理器执行时实现如上所述的视频运动追踪方法的步骤。
38.示例性的，为实现上述目的，本技术还提供一种计算机存储介质，所述计算机存储介质上存储有视频运动追踪程序，所述视频运动追踪程序被处理器执行时实现如上所述的视频运动追踪方法的步骤。
39.与现有技术中，视频中运动目标在复杂环境或被遮挡时，难以有效追踪相比，本技术通过从视频流序列的至少一帧原始图像中提取出运动目标，并获取所述运动目标的识别特征；基于所述识别特征，分析并得到所述运动目标在当前帧的所述原始图像中的运动参数，根据至少一帧的所述运动目标和所述运动参数，建立预测机制算法；当所述运动目标识别失败时，基于所述预测机制算法，对视频流序列的实时图像中的所述运动目标进行定位，以实现所述运动目标的轨迹追踪。可以理解，通过运动目标的识别特征分析视频流序列中运动目标的运动参数，根据运动参数创建预测机制算法，进而在运动目标被遮挡或所处环境复杂而识别失败时，依据预测机制算法对运动目标的持续定位，从而实现对运动目标的轨迹追踪。
附图说明
40.图1是本技术视频运动追踪方法第一实施例的流程示意图；
41.图2是本技术视频运动追踪装置较佳实施例的功能模块示意图；
42.图3是本技术实施例方案涉及的硬件运行环境的结构示意图。
43.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
44.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
45.本技术提供一种视频运动追踪方法，参照图1，图1为本技术视频运动追踪方法的流程示意图。
46.本技术实施例还提供了视频运动追踪方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。视频运动追踪方法可应用于计算机中，为了便于描述，以下省略执行主体描述视频运动追踪方法的各个步骤，视频运动追踪方法包括：
47.步骤s110，从视频流序列的至少一帧原始图像中提取出运动目标，并获取所述运动目标的识别特征。
48.需要说明的是，视频流序列是指按照时间顺序的原始图像构成的视频，也即，视频流序列中包括至少一帧原始图像，一帧的原始图像对应一个原始图像的画面。视频流可以是离线的视频，还可以是在线实时播放的视频。
49.运动目标是指视频中需要检测和追踪的运动对象，该运动对象可以是人类(如运动员)，可以是动物(如狗)，还可以是其他需要进行运动评估的主体，在此不做具体限定，以下以运动对象为运动员为例进行详细描述。
50.识别特征是指运动目标中用于识别和检测出该运动目标的特征，其包括视觉特
征，如各种视点、尺度、光照的情况下颜色特征，还包括形状特征、边缘特征等。
51.在本实施例中，从视频流序列中获取至少一帧的原始图像，从至少一帧的原始图像中提取出运动目标。在此过程中，通过对视频流序列中相邻两帧进行差分运算来获得运动目标的轮廓，当原始图像中出现异常主体运动时，相邻帧之间会出现较为明显的差别，相邻帧的数据相减，得到两帧原始图像亮度差的绝对值，判断该绝对值是否大于差异阈值，以此来判断视频流序列的运动特性，确定原始图像中的有无物体运动。可以理解，通过差分图像和差异阈值的比较，判定原始图像中各个像素点是运动目标像素点还是背景像素点，从而提取运动目标。例如，当绝对值大于差异阈值时，确定原始图像中有物体运动，该物体即为运动目标，此时提取运动目标的识别特征。
52.需要说明的是，通过视频流序列中相邻两帧的原始图像之间进行差分运算的方法提取运动目标是可选的提取方案，其他提取运动目标的方案也可以用于运动目标的确定，如边缘检测、光流法等，提取方案之间可以独立使用，还可以结合使用，在此不做具体限定。
53.在本实施例中，通过视频流序列中提取运动目标以及运动目标对应的识别特征，用于在该视频流序列的其他图像中对运动目标的识别、检测，还可以用于在实时播放的视频中对运动目标的识别，为运动目标的定位追踪提供基础。
54.示例性的，所述从视频流序列的至少一帧原始图像中提取出运动目标，并获取所述运动目标的识别特征，包括：
55.步骤s111，获取视频流序列的至少一帧所述原始图像，在所述原始图像中检测出运动区域；
56.步骤s112，确定在所述运动区域内的所述运动目标；
57.步骤s113，获取所述运动目标的至少一个所述识别特征，所述识别特征用于轨迹追踪时所述运动目标的识别。
58.在视频流序列的至少一帧的原始图像中提取运动目标过程中，由于运动区域的检测相较于特征的识别和检测而言，检测速度快，能够提高运动目标的提取效率。因此，使用差分运算从原始图像中检测出运动区域，基于运动区域进一步确定运动目标，也即，通过细化的差分运算提取出运动目标。
59.在视频流序列的原始图像中确定出运动目标后，针对运动目标提取至少一个识别特征，该识别特征是用于在其他帧的原始图像中识别、检测运动目标的，进而对运动目标进行追踪。
60.获取运动目标的识别特征，其中，识别特征可以根据实际需求选择，还可以根据对运动目标进行提取时的特征权重进行选择，提取出运动目标中便于检测或识别的特征。
61.示例性的，识别特征为颜色特征；纹理特征；形状特征；有明显标记的区域对应的点、线、曲线特征；运动目标的周长、面积、质心特征等用于检测出运动目标的特征，这些特征可以用于独立检测运动目标，还可以进行组合，共同用于检测运动目标。
62.示例性的，识别特征的提取可采用常规的技术手段实现。例如，对运动目标的颜色特征的提取可以通过颜色直方图、颜色集、颜色矩、颜色聚合向量等方法实现，对运动目标的纹理特征的提取可以通过统计方法、几何法、模型法、信号处理法等方法实现，对运动目标的形状特征的提取可以通过边界特征法、傅里叶形状描述符法、几何参数法、形状不变矩法等方法实现，其他方法或其他特征的提取方法在此不做具体限定，能够从原始图像中提
取运动目标的识别特征即可。
63.步骤s120，基于所述识别特征，分析并得到所述运动目标在当前帧的所述原始图像中的运动参数，根据至少一帧的所述运动目标和所述运动参数，建立预测机制算法；
64.基于识别特征，对当前帧的原始图像中运动目标进行参数提取，得到当前帧原始图像的运动目标的运动参数。其中，运动参数包括运动目标的位置参数、速度参数、加速度参数等用于反映运动目标的运动轨迹的参数。
65.对至少一帧的原始图像中的运动目标均提取出各自帧的运动参数，由此得到至少一个运动参数，将至少一个运动参数联合起来，可以分析出运动目标的运动轨迹。因此，通过运动参数建立预测机制算法，可以通过该预测机制算法对视频流序列的实时图像中运动目标进行定位，以实现在运动目标被遮挡时或重叠时，继续进行轨迹追踪的目的。
66.示例性的，所述基于所述识别特征，分析并得到所述运动目标在当前帧的所述原始图像中的运动参数，根据至少一帧的所述运动目标和所述运动参数，建立预测机制算法，包括：
67.步骤s121，基于所述识别特征，识别当前帧的所述原始图像中的所述运动目标；
68.步骤s122，计算当前帧的所述原始图像中所述运动目标的位置坐标；
69.步骤s123，将至少一帧的所述原始图像中的所述位置坐标进行关联处理，得到所述运动目标的至少一个所述运动参数；
70.步骤s124，根据至少一个所述运动参数形成的参数集，建立所述预测机制算法。
71.基于运动目标的识别特征，从视频流序列的当前帧的原始图像中识别出运动目标，即通过对当前帧的原始图像中运动对象的识别，确定该运动对象的特征是否与识别特征对应，在对应的情况下，则确定该运动对象即为需追踪或检测的运动目标。
72.在识别出当前帧的原始图像中的运动目标后，基于运动目标的质心，确定运动目标在原始图像中的位置坐标。当前帧的原始图像对应有一个运动目标的位置坐标和图像帧数，其中，图像帧数是指当前原始图像在视频流序列中的第几帧。相邻帧的原始图像、或其他帧的原始图像均对应有特定的位置坐标和特定的图像帧数，则将至少一帧的原始图像的至少一个位置坐标、图像帧数进行关联处理，得到不同帧的原始图像中运动目标的运动参数。基于至少一个原始图像的运动参数和原始图像的图像帧数，建立预测机制算法。
73.示例性的，在建立预测机制算法过程中，基于相邻原始图像的帧时间计算运动参数。可以理解，帧时间是通过原始图像在视频流序列中的时间顺序确定的，例如，每秒钟取15帧图像，那么相邻两帧之间的帧时间为1/15秒，也即，位置坐标对应的时间是以1/15秒为单位逐级增加，需要说明的是，每秒钟取的图像帧数根据实际操作确定，在此不做具体限定。可以理解，当前帧的原始图像的时间为n秒时，下一帧的原始图像的时间为n+1/15秒。
74.在一些场景中，若上一帧的运动目标的位置坐标为(a1，b1，c1)，当前帧的运动目标的位置坐标为(a2，b2，c2)，若a方向为运动目标移动的方向，相邻帧的原始图像之间的帧时间为1/15秒，则基于常规的数学算法、位置坐标信息和帧时间信息，计算出运动参数中的位置参数、速度参数、加速度参数。一帧的原始图像中运动目标的运动参数和该原始图像的图像帧数构成一组历史数据，通过至少一组的历史数据建立参数集。
75.获取预设的基础机制算法，通过参数集对基础机制算法进行训练，得到实例化的预测机制算法。需要说明的是，基础机制算法可以是常规数学算法(例如，y＝kx+h，其中，k
为图像帧数，y为运动参数中某一参数，通过训练可以得出算法系数k、h的值，以此得到预测机制算法)，并且对基础机制算法进行训练的过程可以通过卷积神经网络实现，在此不做具体限定。
76.示例性的，所述运动目标包括至少一个所述识别特征，所述基于所述识别特征，识别当前帧的所述原始图像中的所述运动目标之前，包括：
77.步骤a1，对至少一个所述识别特征进行组合，得到所述特征组合；
78.则所述基于所述识别特征，识别当前帧的所述原始图像中的所述运动目标，包括：
79.步骤a2，基于所述特征组合，识别出当前帧的所述原始图像中与所述特征组合对应的所述运动目标。
80.由于运动目标具有至少一个识别特征，均可以用于识别出原始图像中的运动目标，因此，为了增加识别的准确率，可以对至少一个识别特征进行组合，得到特征组合，通过特征组合中的多个识别特征来检测运动目标，识别出当前帧的原始图像中与特征组合对应的运动目标。
81.示例性的，所述基于所述识别特征，识别当前帧的所述原始图像中的所述运动目标，包括：
82.步骤s1211，获取所述识别特征的约束条件，基于所述约束条件提取当前帧的所述原始图像中运动对象的目标特征；
83.步骤s1212，将所述目标特征与所述识别特征进行比对，若比对结果为一致，则确定所述运动对象为所述运动目标。
84.需要说明的是，约束条件是指识别特征所处的范围，如识别特征为形状特征时，可以将运动目标的形状特征外扩10％，得到一个面积较大的新的形状，该形状即为形状特征的约束条件，在约束条件内的形状特征对应的运动对象均会被检测到。再测到的运动对象进一步精细识别，也即，提取当前帧的原始图像中的运动对象的目标特征。目标特征与识别特征的属性一致。
85.将目标特征与识别特征进行比对，根据比对结果判定该运动对象是否为所追踪的运动目标。
86.示例性的，若目标特征与识别特征的比对结果一致时，则确定该运动对象为运动目标。
87.示例性的，若目标特征与识别特征的比对结果不一致时，则确定该运动对象不是运动目标。表示当前帧的原始图像中运动目标未检测出。
88.当前帧的原始图像中运动目标未检测出时，存在两种情况：
89.情况一，目标特征识别不全面，导致比对结果不一致，此时，再次执行获取所述识别特征的约束条件，基于所述约束条件提取当前帧的所述原始图像中运动对象的目标特征的步骤，继续识别运动目标。
90.情况二，当前帧的原始图像中没有运动目标或运动目标被遮挡而无法识别，则继续执行当所述运动目标识别失败时，基于所述预测机制算法，对视频流序列的实时图像中的所述运动目标进行定位，以实现所述运动目标的轨迹追踪的步骤，预测运动目标在下一帧中的位置，能够实现运动目标的持续追踪。
91.示例性的，所述基于所述约束条件提取当前帧的所述原始图像中运动对象的目标
特征，包括：
92.步骤b1，若基于所述约束条件提取的所述运动对象为多个时，则当前帧的所述原始图像中提取有至少一个目标特征；
93.将所述目标特征与所述识别特征进行比对，若比对结果为一致，则确定所述运动对象为所述运动目标，包括：
94.步骤b2，将所述至少一个目标特征与所述识别特征进行逐一匹配，匹配成功的目标特征对应的所述运动对象为所述运动目标。
95.若基于约束条件从原始图像中提取的运动对象有多个时，对每个运动对象均进行目标特征的提取操作，因此，在判定运动对象是否为运动目标的过程中，将多个目标特征和识别特征进行逐一匹配，匹配成功的目标特征所对应的运动对象，即为运动目标。
96.步骤s130，当所述运动目标识别失败时，基于所述预测机制算法，对视频流序列的实时图像中的所述运动目标进行定位，以实现所述运动目标的轨迹追踪。
97.当运动目标识别失败时，表示当前帧的图像中没有运动目标或运动目标被遮挡、重叠而无法识别出，则基于预测机制算法可以预测运动目标在下一帧或往后帧的实时图像中的位置，即对运动目标进行定位，以实现运动目标的轨迹追踪。
98.示例性的，所述当所述运动目标识别失败时，基于所述预测机制算法，对视频流序列的实时图像中的所述运动目标进行定位，以实现所述运动目标的轨迹追踪，包括：
99.步骤s131，当所述运动目标识别失败时，获取所述预测机制算法，所述预测机制算法中包括图像帧数、目标参数；
100.步骤s132，将视频流序列的实时图像对应的当前帧数输入至所述预测机制算法的所述图像帧数中，计算出所述当前帧数对应的所述目标参数，得到目标运动参数；
101.步骤s133，基于所述目标运动参数对所述运动目标进行定位，得到所述运动目标的当前位置，以实现对所述运动目标的轨迹追踪。
102.当运动目标识别失败时，获取预测机制算法，该预测机制算法中包括图像帧数、目标参数，其中，图像帧数是指当前帧的实时图像在视频流序列中的帧数，目标参数是指图像帧数对应的实时图像中运动目标的运动参数。
103.因此，将视频流序列中实时图像对应的当前帧数输入至预测机制算法的图像帧数中，通过预测机制算法计算出当前帧数对应的目标参数，也即目标运动参数。通过不同的预测机制算法计算出目标运动参数中的不同参数，如位置参数、速度参数、加速度参数等，通过目标运动参数能够对实时图像中的运动目标进行定位，避免运动目标消失后重新定位的问题，从而实现对运动目标持续的轨迹追踪，这对运动评估或跟踪技术中有较大的益处。
104.与现有技术中，视频中运动目标在复杂环境或被遮挡时，难以有效追踪相比，本技术通过从视频流序列的至少一帧原始图像中提取出运动目标，并获取所述运动目标的识别特征；基于所述识别特征，分析并得到所述运动目标在当前帧的所述原始图像中的运动参数，根据至少一帧的所述运动目标和所述运动参数，建立预测机制算法；当所述运动目标识别失败时，基于所述预测机制算法，对视频流序列的实时图像中的所述运动目标进行定位，以实现所述运动目标的轨迹追踪。可以理解，通过运动目标的识别特征分析视频流序列中运动目标的运动参数，根据运动参数创建预测机制算法，进而在运动目标被遮挡或所处环境复杂而识别失败时，依据预测机制算法对运动目标的持续定位，从而实现对运动目标的
轨迹追踪。
105.示例性的，如图2所示，本技术还提供一种视频运动追踪装置，所述视频运动追踪装置包括：
106.特征提取模块401，用于从视频流序列的至少一帧原始图像中提取出运动目标，并获取所述运动目标的识别特征；
107.特征识别模块402，用于基于所述识别特征，分析并得到所述运动目标在当前帧的所述原始图像中的运动参数，根据至少一帧的所述运动目标和所述运动参数，建立预测机制算法；
108.轨迹追踪模块403，用于当所述运动目标识别失败时，基于所述预测机制算法，对视频流序列的实时图像中的所述运动目标进行定位，以实现所述运动目标的轨迹追踪。
109.在一种可能的设计中，所述特征提取模块401，具体用于：
110.获取视频流序列的至少一帧所述原始图像，在所述原始图像中检测出运动区域；
111.确定在所述运动区域内的所述运动目标；
112.获取所述运动目标的至少一个所述识别特征，所述识别特征用于轨迹追踪时所述运动目标的识别。
113.在一种可能的设计中，所述特征识别模块402，具体用于：
114.基于所述识别特征，识别当前帧的所述原始图像中的所述运动目标；
115.计算当前帧的所述原始图像中所述运动目标的位置坐标；
116.将至少一帧的所述原始图像中的所述位置坐标进行关联处理，得到所述运动目标的至少一个所述运动参数；
117.根据至少一个所述运动参数形成的参数集，建立所述预测机制算法。
118.在一种可能的设计中，所述特征识别模块402，还用于：
119.对至少一个所述识别特征进行组合，得到所述特征组合；
120.在一种可能的设计中，所述特征识别模块402，还用于：
121.基于所述特征组合，识别出当前帧的所述原始图像中与所述特征组合对应的所述运动目标。
122.在一种可能的设计中，所述特征识别模块402，还用于：
123.获取所述识别特征的约束条件，基于所述约束条件提取当前帧的所述原始图像中运动对象的目标特征；
124.将所述目标特征与所述识别特征进行比对，若比对结果为一致，则确定所述运动对象为所述运动目标。
125.在一种可能的设计中，所述特征识别模块402，还用于：
126.若基于所述约束条件提取的所述运动对象为多个时，则当前帧的所述原始图像中提取有至少一个目标特征；
127.在一种可能的设计中，所述特征识别模块402，还用于：
128.将所述至少一个目标特征与所述识别特征进行逐一匹配，匹配成功的目标特征对应的所述运动对象为所述运动目标。
129.在一种可能的设计中，所述轨迹追踪模块403，具体用于：
130.当所述运动目标识别失败时，获取所述预测机制算法，所述预测机制算法中包括
图像帧数、目标参数；
131.将视频流序列的实时图像对应的当前帧数输入至所述预测机制算法的所述图像帧数中，计算出所述当前帧数对应的所述目标参数，得到目标运动参数；
132.基于所述目标运动参数对所述运动目标进行定位，得到所述运动目标的当前位置，以实现对所述运动目标的轨迹追踪。
133.本技术视频运动追踪装置具体实施方式与上述视频运动追踪方法各实施例基本相同，在此不再赘述。
134.此外，本技术还提供一种视频运动追踪设备。如图3所示，图3是本技术实施例方案涉及的硬件运行环境的结构示意图。
135.在一种可能的实施方式中，图3即可为视频运动追踪设备的硬件运行环境的结构示意图。
136.如图3所示，该视频运动追踪设备可以包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701、通信接口702和存储器703通过通信总线704完成相互间的通信，存储器703，用于存放计算机程序；处理器701，用于执行存储器703上所存放的程序时，实现视频运动追踪方法的步骤。
137.上述视频运动追踪设备提到的通信总线704可以是外设部件互连标准(peripheral componentinterconnect,pci)总线或扩展工业标准结构(extended industry standardarchitecture,eisa)总线等。该通信总线704可以分为地址总线、数据总线和控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
138.通信接口702用于上述视频运动追踪设备与其他设备之间的通信。
139.存储器703可以包括随机存取存储器(random access memory,rmd),也可以包括非易失性存储器(non-volatile memory,nm)，例如至少一个磁盘存储器。可选的，存储器703还可以是至少一个位于远离前述处理器701的存储装置。
140.上述的处理器701可以是通用处理器，包括中央处理器(central processing unit,cpu)、网络处理器(network processor,np)等；还可以是数字信号处理器(digital signal processor,dsp)、专用集成电路(application specific integrated circuit,asic)、现场可编程门阵列(field-programmable gate array,fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
141.本技术视频运动追踪设备具体实施方式与上述视频运动追踪方法各实施例基本相同，在此不再赘述。
142.此外，本技术实施例还提出一种计算机存储介质，所述计算机存储介质上存储有视频运动追踪程序，所述视频运动追踪程序被处理器执行时实现如上所述的视频运动追踪方法的步骤。
143.本技术计算机存储介质具体实施方式与上述视频运动追踪方法各实施例基本相同，在此不再赘述。
144.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有
的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
145.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
146.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，设备，或者网络设备等)执行本技术各个实施例所述的方法。
147.以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。