本發(fā)明涉及視覺跟蹤
技術(shù)領域：
，尤其涉及一種移動目標的跟蹤拍攝方法和跟蹤設備。
背景技術(shù)：
：移動目標檢測與跟蹤在計算機視覺、模式識別等領域一直都是研究的核心技術(shù)問題。移動目標檢測與跟蹤的關鍵就在于利用計算機視覺技術(shù)、模式識別分類方法檢測出視頻序列圖像中的運動目標，并對目標區(qū)域進行有效、穩(wěn)定跟蹤。例如，在智能交通系統(tǒng)中，可以通過對移動目標跟蹤來對肇事車輛進行自動跟蹤監(jiān)控；在家庭智能娛樂設備中，可以控制對運動人體的自動跟蹤；在軍事領域中，可以對武器進行精確制導等?，F(xiàn)有的計算機視覺技術(shù)對移動目標對象的識別、目標對象的定位和目標對象的運動分析時，首先需要感知周圍環(huán)境，獲取深度信息，建立2d或3d地圖，隨后通過算法規(guī)劃搜索出最優(yōu)路線。然而對于已知目標的圖像跟拍情況，要同時利用攝像機進行目標識別和環(huán)境識別并規(guī)劃路徑，數(shù)據(jù)計算量太大，會使處理器的資源分配不足。對于實時性要求很高的自動跟拍模式，這種路徑規(guī)劃方法會很有可能造成設備跟蹤延遲。技術(shù)實現(xiàn)要素：為了解決上述問題，本發(fā)明提供一種移動目標的跟蹤拍攝方法和跟蹤設備，可以提高對移動目標跟蹤拍攝的實時性。本發(fā)明提供一種移動目標的跟蹤拍攝方法，包括：提取當前拍攝的目標圖像的特征點；將目標圖像的特征點與預先提取的每一個拍攝視角對應的模板圖像的特征點進行匹配，將匹配的特征點最多的模板圖像確定為與目標圖像匹配的模板圖像；將匹配的模板圖像對應的拍攝視角確定為當前拍攝的目標圖像的拍攝視角；若當前拍攝的目標圖像的拍攝視角與預設的針對目標的拍攝視角不一致，則移動跟蹤設備對目標進行跟蹤拍攝，使得針對目標的拍攝視角與預設的針對目標的拍攝視角一致?？蛇x地，將目標圖像的特征點與預先提取的每一個拍攝視角對應的模板圖像的特征點進行匹配之前，包括：預先從多個拍攝視角對目標進行拍攝，得到每一個拍攝視角對應的模板圖像，提取每一個拍攝視角對應的模板圖像的特征點?？蛇x地，將目標圖像的特征點與預先提取的每一個拍攝視角對應的模板圖像的特征點進行匹配，包括：通過快速魯棒特征surf算法計算出每一個拍攝視角對應的模板圖像的特征點描述子；通過快速魯棒特征surf算法計算出目標圖像的特征點描述子；通過隨機抽樣一致ransac算法對目標圖像的特征點描述子與每一個拍攝視角對應的模板圖像的特征點描述子進行匹配，剔除錯誤匹配的特征點描述子，確定正確匹配的特征點描述子；將正確匹配的特征點描述子數(shù)量最多的模板圖像確定為匹配特征點最多的模板圖像。可選地，所述的方法還包括：根據(jù)跟蹤設備的各項拍攝參數(shù)預先設置目標圖像在跟蹤設備屏幕上的第一位置區(qū)域，使得目標圖像位于第一位置區(qū)域中時，目標圖像的拍攝效果達到最佳將目標圖像的特征點與匹配的模板圖像的特征點進行比較，確定位于左上角的匹配特征點和位于右下角的匹配特征點；將位于左上角的匹配特征點和位于右下角的匹配特征點之間的直線作為第二位置區(qū)域的對角線，確定第二位置區(qū)域，第二位置區(qū)域的形狀包括四邊形，將對角線的中心點作為第二位置區(qū)域的中心點，第二位置區(qū)域為目標圖像在跟蹤設備屏幕上的當前位置區(qū)域?？蛇x地，所述的方法還包括：將目標圖像的像素數(shù)與預設的像素數(shù)最大閾值和像素數(shù)最小閾值進行比較，在確定目標圖像的像素數(shù)大于像素數(shù)最大閾值時，向后移動跟蹤設備，在確定目標圖像的像素數(shù)小于像素數(shù)最小閾值時，向前移動跟蹤設備，使得目標圖像的像素數(shù)小于像素數(shù)最大閾值大于像素數(shù)最小閾值；和/或當?shù)诙恢脜^(qū)域的中心點不在第一位置區(qū)域內(nèi)時，移動跟蹤設備，使得第二位置區(qū)域的中心點位于第一位置區(qū)域內(nèi)。本申請還提供一種跟蹤設備，用于對移動目標進行跟蹤拍攝，包括拍攝目標圖像的攝像頭，還包括：處理器和存儲器；所述存儲器用于存儲支持跟蹤設備執(zhí)行對移動目標的跟蹤拍攝方法的程序，所述程序包括一條或多條計算機指令，其中，所述一條或多條計算機指令供所述處理器調(diào)用執(zhí)行；當所述處理器被配置為用于執(zhí)行所述存儲器中存儲的程序時，可以執(zhí)行如下步驟：提取攝像頭當前拍攝的目標圖像的特征點，將目標圖像的特征點與預先提取的每一個拍攝視角對應的模板圖像的特征點進行匹配，將匹配的特征點最多的模板圖像確定為與目標圖像匹配的模板圖像，并將匹配的模板圖像對應的拍攝視角確定為當前拍攝的目標圖像的拍攝視角，若當前拍攝的目標圖像的拍攝視角與預設的針對目標的拍攝視角不一致則給移動裝置發(fā)送移動指令；以使移動裝置根據(jù)移動指令移動跟蹤設備對目標進行跟蹤拍攝，使得針對目標的拍攝視角與預設的針對目標的拍攝視角一致。本發(fā)明實施例中，為了減少圖像匹配的計算量，首先預先提取每一個拍攝視角對應的模板圖像的特征點，之后在匹配時只需要計算當前拍攝的目標圖像的特征點，然后將目標圖像的特征點與每一個拍攝視角對應的模板圖像的特征點進行匹配，將匹配的模板圖像對應的拍攝視角確定為當前拍攝的目標圖像的拍攝視角；若當前拍攝的目標圖像的拍攝視角與預設的針對目標的拍攝視角不一致，則移動跟蹤設備對目標進行跟蹤拍攝，使得針對目標的拍攝視角與預設的針對目標的拍攝視角一致，大大減少了特征點檢測與匹配的計算量，提高跟蹤拍攝的實時性。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領域普通技術(shù)人員來講在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明一實施例提供的移動目標的跟蹤拍攝方法的流程示意圖；圖2本發(fā)明之以待測點p為圓心，半徑為3的圓形區(qū)域示意圖；圖3本發(fā)明之以特征點為圓心，半徑為3的圓形區(qū)域示意圖；圖4本發(fā)明之x方向(a)和y方向(b)的haar小波響應濾波器；圖5本發(fā)明之第一位置區(qū)域和第二位置區(qū)域示意圖；圖6為圖1所示實施例中步驟105的具體實現(xiàn)方法流程示意圖；圖7為本發(fā)明一實施例提供的跟蹤設備的結(jié)構(gòu)示意圖。具體實施方式為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。在本發(fā)明實施例中使用的術(shù)語是僅僅出于描述特定實施例的目的，而非旨在限制本發(fā)明。在本發(fā)明實施例和所附權(quán)利要求書中所使用的單數(shù)形式的“一種”、“所述”和“該”也旨在包括多數(shù)形式，除非上下文清楚地表示其他含義，“多種”一般包含至少兩種，但是不排除包含至少一種的情況。應當理解，本文中使用的術(shù)語“和/或”僅僅是一種描述關聯(lián)對象的關聯(lián)關系，表示可以存在三種關系，例如，a和/或b，可以表示：單獨存在a，同時存在a和b，單獨存在b這三種情況。另外，本文中字符“/”，一般表示前后關聯(lián)對象是一種“或”的關系。應當理解，盡管在本發(fā)明實施例中可能采用術(shù)語第一、第二、第三等來描述xxx，但這些xxx不應限于這些術(shù)語。這些術(shù)語僅用來將xxx彼此區(qū)分開。例如，在不脫離本發(fā)明實施例范圍的情況下，第一xxx也可以被稱為第二xxx，類似地，第二xxx也可以被稱為第一xxx。還需要說明的是，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的商品或者系統(tǒng)不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種商品或者系統(tǒng)所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的商品或者系統(tǒng)中還存在另外的相同要素。圖1為本發(fā)明一實施例提供的移動目標的跟蹤拍攝方法流程示意圖，如圖1所示，包括：100、預先從多個拍攝視角對目標進行拍攝，得到每一個拍攝視角對應的模板圖像；在現(xiàn)有技術(shù)中，為了確定當前拍攝的目標的拍攝視角，通常是根據(jù)時間先后順序，對連續(xù)拍攝的圖像進行特征點提取和匹配，從而確定針對移動目標的拍攝視角，這樣，需要對每一張實時拍攝的圖像進行特征點提取，計算量會非常大，因此會造成跟蹤拍攝的滯后，實時性差。因此，本發(fā)明實施例中，為了提高跟蹤拍攝的實時性，減少圖像匹配的計算量，可以預先從多個拍攝視角對目標進行拍攝，得到每一個拍攝視角對應的模板圖像，例如，目標在跟蹤設備的右邊的拍攝視角、左邊的拍攝視角和中間的拍攝視角。表1為一種模板圖像與拍攝視角之間的對應關系：模板圖像1右邊的拍攝視角模板圖像2左邊的拍攝視角模板圖像3中間的拍攝視角101、提取每一個拍攝視角對應的模板圖像的特征點。具體實現(xiàn)時，將每一個拍攝視角對應的模板圖像轉(zhuǎn)換成灰度圖，計算灰度圖上每個點的灰度值，例如采用改進的fast算法檢測特征點；如圖2所示，以待測點p為圓心，選取半徑為3的圓，將圓周上的16個像素點分別用1、2、、、15、16進行標記；設待測點p的灰度值為ip、圓上每個像素點的灰度值為ix、灰度閾值為t、圓周上連續(xù)n個像素點組成的集合為s，其中x＝1、2、、、15、16，n＝9；若圓周上任意一個像素點x滿足條件:或者則以待測點p為對稱中心，將圓內(nèi)的點分成對稱的點對di-di’，若點對di-di’滿足條件|ip-di|＜t，|ip-di’|＜t，則待測點p為角點，即特征點，否則不是；若圓周上任意一個像素點x不滿足條件：或者則選取下一個待測點。最后將每一個拍攝視角對應的模板圖像中檢測到的特征點保存到對應的特征點庫中。表2為一種模板圖像與特征點庫之間的對應關系：模板圖像1特征點庫1模板圖像2特征點庫2模板圖像3特征點庫3102、實時提取當前拍攝的目標圖像的特征點；在預先設置每一個拍攝視角對應的模板圖像以及對應的特征點庫之后，跟蹤設備可以對移動目標進行跟蹤拍攝，當目標移動時，為了確定當前針對目標的拍攝視角，需要對當前拍攝的目標圖像進行特征點的提取，具體實現(xiàn)可以參考圖2所示的算法檢測特征點，在此不再贅述。103、將目標圖像的特征點與預先提取的每一個拍攝視角對應的模板圖像的特征點進行匹配，將匹配的特征點最多的模板圖像確定為與目標圖像匹配的模板圖像；在一種可選的實施方式中，步驟103具體實現(xiàn)時包括：通過快速魯棒特征surf算法計算出每一個拍攝視角對應的模板圖像的特征點描述子；通過快速魯棒特征surf算法計算出目標圖像的特征點描述子；通過隨機抽樣一致ransac算法對目標圖像的特征點描述子與每一個拍攝視角對應的模板圖像的特征點描述子進行匹配，剔除錯誤匹配的特征點描述子，確定正確匹配的特征點描述子；將正確匹配的特征點描述子數(shù)量最多的模板圖像確定為匹配特征點最多的模板圖像。需要說明的是，本發(fā)明實施例中，可以采用surf算法計算當前拍攝的目標圖像的特征點描述子和每一個拍攝視角對應的模板圖像的特征點描述子，然后將目標圖像的特征點描述子與每一個拍攝視角對應的模板圖像的特征點描述子進行匹配，因為采用surf算法可以實現(xiàn)特征點提取所需時間大大縮短，從而提高特征點檢測的實時性。本實施例中，采用surf算法建立特征點描述子的具體過程包括：首先，計算特征點的方向，以特征點為圓心，半徑為3的圓計算特征點的方向，例如以特征點為圓心，選取半徑為3的圓形區(qū)域，將圓心角為的扇形繞圓心旋轉(zhuǎn)，每次旋轉(zhuǎn)15°，得到24個扇形區(qū)域，如圖3所示；采用邊長為2的濾波器，計算每個扇形區(qū)域內(nèi)的每個點在x軸方向的haar小波響應和y軸方向的haar小波響應，如圖4所示，并以特征點為中心的二階高斯函數(shù)值對x軸方向的haar小波響應和y軸方向的haar小波響應分別進行加權(quán)，加權(quán)后的x軸方向的haar小波響應和y軸方向的haar小波響應分別作為扇形區(qū)域內(nèi)的點在扇形區(qū)域內(nèi)沿橫坐標x軸方向的水平響應和沿縱坐標y軸方向的垂直響應；將每個扇形區(qū)域內(nèi)所有點的水平響應和垂直響應分別相加，得到一個局部向量，在24個扇形區(qū)域中，長度最長的局部向量作為特征點的方向，記特征點的拍方向角為θ。其次，建立描述子，以特征點為中心，選取9×9的區(qū)域，并分成9個3×3的子域，每個子域計算得到4個數(shù)據(jù)，產(chǎn)生一個36維的向量作為特征點的描述子，具體為：1、以特征點為中心，選取9×9的區(qū)域，并分成9個3×3的子域；2、采用邊長為2的濾波器，分別計算每個子域的水平方向haar小波響應hxi,j和垂直方向haar小波響應hyi,j，其中i＝1,2,、、、,4，j＝1,2,、、、,9，并以特征點為中心的二階高斯函數(shù)值分別對水平方向haar小波響應hxi,j和垂直方向haar小波響應hyi,j進行加權(quán)，得到加權(quán)后的水平方向haar小波響應hxi,j和垂直方向haar小波響應hyi,j，分別對水平方向haar小波響應hxi,j和垂直方向haar小波響應hyi,j進行旋轉(zhuǎn)變換，得到在特征點方向上的分量旋轉(zhuǎn)變換公式分別為旋轉(zhuǎn)變換公式分別為：其中w為以特征點為中心的二階高斯權(quán)值，θ為特征點的方向角；3、對于每個子域，分別計算出則每個子域就產(chǎn)生一個4維描述向量將9個子域產(chǎn)生的描述向量連接起來，得到長度為36的描述向量，即36維的描述子。需要說明的是，本發(fā)明實施例中，采用的ransac算法可以通過賦予特征點匹配質(zhì)量，將匹配質(zhì)量組合從高到低排列，優(yōu)先質(zhì)量高的特征點組合計算模型的樣本，而不是隨機的選取，由于質(zhì)量高的特征點得到正確模型的概率大，這樣能夠大大減少ransac算法的迭代次數(shù)，從而可以大大提高剔除錯誤特征點的速度，提高ransac算法的運算速度，使得特征點匹配所需時間進一步得到縮減，更加進一步提高特征點匹配的實時性。104、將匹配的模板圖像對應的拍攝視角確定為當前拍攝的目標圖像的拍攝視角；也就是說，當前拍攝的目標圖像與預先設置的其中一個模板圖像最匹配，則該最匹配的模板圖像對應的拍攝視角為當前拍攝的目標圖像的拍攝視角。105、若當前拍攝的目標圖像的拍攝視角與預設的針對目標的拍攝視角不一致，則移動跟蹤設備對目標進行跟蹤拍攝，使得針對目標的拍攝視角與預設的針對目標的拍攝視角一致。需要說明的是，本發(fā)明實施例中，為了實現(xiàn)移動跟蹤設備對目標進行跟蹤拍攝，需要預先設置目標圖像的拍攝效果達到最佳時在跟蹤設備屏幕中的位置區(qū)域(如圖5的實線框所示位置區(qū)域即為第一位置區(qū)域)以及確定當前拍攝的目標圖像在跟蹤設備屏幕上的當前位置區(qū)域(如圖5的虛線框所示位置區(qū)域即為第二位置區(qū)域)。其中，第一位置區(qū)域的設置包括：根據(jù)跟蹤設備的各項拍攝參數(shù)預先設置目標圖像在跟蹤設備屏幕上的第一位置區(qū)域，使得目標圖像位于第一位置區(qū)域中時，目標圖像的拍攝效果達到最佳。其中，第二位置區(qū)域的確定包括：將目標圖像的特征點與匹配的模板圖像的特征點進行比較，確定位于左上角的匹配特征點和位于右下角的匹配特征點；將位于左上角的匹配特征點和位于右下角的匹配特征點之間的直線作為第二位置區(qū)域的對角線，確定第二位置區(qū)域，該第二位置區(qū)域為當前拍攝的目標圖像在跟蹤設備屏幕上的當前位置區(qū)域，其中，第二位置區(qū)域的形狀包括但不限于四邊形，并將對角線的中心點作為第二位置區(qū)域的中心點。通過上述設置的使得目標圖像的拍攝效果達到最佳的第一位置區(qū)域，即可通過簡單快捷的判斷第二位置區(qū)域的中心是否在第一位置區(qū)域中，如果不是則簡單方便的通過移動跟蹤設備使得第二位置區(qū)域的中心移動到第一位置區(qū)域中，大大提高定位跟蹤拍攝效率。圖6為圖1所示實施例中步驟105的具體實現(xiàn)方法流程示意圖，在實際應用中，為了達到最佳拍攝效果，所述方法還包括：201、將目標圖像的像素數(shù)與預設的像素數(shù)最大閾值和像素數(shù)最小閾值進行比較；可選地，步驟201之后包括步驟202或203。202、若確定目標圖像的像素數(shù)大于像素數(shù)最大閾值，則向后移動跟蹤設備，使得目標圖像的像素數(shù)小于像素數(shù)最大閾值；或者203若確定目標圖像的像素數(shù)小于像素數(shù)最小閾值，則向前移動跟蹤設備，使得目標圖像的像素數(shù)大于像素數(shù)最小閾值；可選地，步驟202或203之后包括：204、當?shù)诙恢脜^(qū)域的中心點不在第一位置區(qū)域內(nèi)時，移動跟蹤設備，使得第二位置區(qū)域的中心點位于第一位置區(qū)域內(nèi)；若第二位置中心點位于第一位置區(qū)域內(nèi)右側(cè)，則向右移動跟蹤設備，若第二位置中心點位于第一位置區(qū)域內(nèi)左側(cè)，則向左移動跟蹤設備。205、若當前拍攝的目標圖像的拍攝視角與預設的針對目標的拍攝視角不一致，則移動跟蹤設備對目標進行跟蹤拍攝，使得針對目標的拍攝視角與預設的針對目標的拍攝視角一致。例如，若預設拍攝視角為針對目標的中間拍攝視角(正拍攝視角)，檢測到目標右側(cè)朝向攝像機，即當前拍攝的目標圖像的拍攝視角為右邊的拍攝視角，則可以對攝像頭進行原地逆時針轉(zhuǎn)動，使得針對目標的拍攝視角與預設的針對目標的拍攝視角一致。本發(fā)明實施例中，首先采用surf算法預先計算每一個拍攝視角對應的模板圖像的特征點描述子，之后在匹配時只需要計算當前拍攝的目標圖像的特征點描述子，大大減少了實時特征點檢測的計算時間，然后采用ransac算法將目標圖像的特征點描述子與每一個拍攝視角對應的模板圖像的特征點描述子進行匹配，大大減少ransac算法的迭代次數(shù)，之后將匹配的模板圖像對應的拍攝視角確定為當前拍攝的目標圖像的拍攝視角；最后當判斷當前拍攝的目標圖像的拍攝視角與預設的針對目標的拍攝視角不一致時，則移動跟蹤設備對目標進行跟蹤拍攝，使得針對目標的拍攝視角與預設的針對目標的拍攝視角一致，因此可以大大減少實時跟蹤拍攝時圖像特征點檢測和匹配的計算量，可以實現(xiàn)特征點檢測與匹配所需時間更短，提高跟蹤拍攝的實時性。圖7為本發(fā)明一實施例提供的跟蹤設備的結(jié)構(gòu)示意圖，該跟蹤設備用于對移動目標進行跟蹤拍攝，如圖7所示，該跟蹤設備具體包括拍攝目標圖像的攝像頭，還包括：處理器和存儲器；所述存儲器用于存儲支持跟蹤設備執(zhí)行對移動目標的跟蹤拍攝方法的程序，所述程序包括一條或多條計算機指令，其中，所述一條或多條計算機指令供所述處理器調(diào)用執(zhí)行；當所述處理器被配置為用于執(zhí)行所述存儲器中存儲的程序時，可以執(zhí)行如下步驟：提取攝像頭當前拍攝的目標圖像的特征點，將目標圖像的特征點與預先提取的每一個拍攝視角對應的模板圖像的特征點進行匹配，將匹配的特征點最多的模板圖像確定為與目標圖像匹配的模板圖像，并將匹配的模板圖像對應的拍攝視角確定為當前拍攝的目標圖像的拍攝視角，若當前拍攝的目標圖像的拍攝視角與預設的針對目標的拍攝視角不一致則給移動裝置發(fā)送移動指令；以使移動裝置根據(jù)移動指令移動跟蹤設備對目標進行跟蹤拍攝，使得針對目標的拍攝視角與預設的針對目標的拍攝視角一致?？蛇x地，本實施例中，攝像頭預先從多個拍攝視角對目標進行拍攝得到對應拍攝視角的模板圖像；處理器對每一個拍攝視角對應的模板圖像進行特征點的提??；存儲器中保存有每一個拍攝視角對應的模板圖像以及對應的特征點?？蛇x地，本實施例中，當所述處理器被配置為用于執(zhí)行所述存儲器中存儲的程序時，還可以執(zhí)行如下步驟：通過快速魯棒特征surf算法計算出每一個拍攝視角對應的模板圖像的特征點描述子；通過快速魯棒特征surf算法計算出目標圖像的特征點描述子；通過隨機抽樣一致ransac算法對目標圖像的特征點描述子與每一個拍攝視角對應的模板圖像的特征點描述子進行匹配，剔除錯誤匹配的特征點描述子，確定正確匹配的特征點描述子；將正確匹配的特征點描述子數(shù)量最多的模板圖像確定為匹配特征點最多的模板圖像。可選地，本實施例中，所述存儲器中還保存有根據(jù)跟蹤設備的各項拍攝參數(shù)預先設置的目標圖像在跟蹤設備屏幕上的第一位置區(qū)域，其中，第一位置區(qū)域為目標圖像的拍攝效果達到最佳狀態(tài)的位置區(qū)域；所述處理器將目標圖像的特征點與匹配的模板圖像的特征點進行比較，確定位于左上角的匹配特征點和位于右下角的匹配特征點；將位于左上角的匹配特征點和位于右下角的匹配特征點之間的直線作為第二位置區(qū)域的對角線，確定第二位置區(qū)域，第二位置區(qū)域的形狀包括四邊形，將對角線的中心點作為第二位置區(qū)域的中心點；第二位置區(qū)域為目標圖像在跟蹤設備屏幕上的當前位置區(qū)域。可選地，本實施例中，當所述處理器被配置為用于執(zhí)行所述存儲器中存儲的程序時，還可以執(zhí)行如下步驟：將目標圖像的像素數(shù)與預設的像素數(shù)最大閾值和像素數(shù)最小閾值進行比較，在確定目標圖像的像素數(shù)大于像素數(shù)最大閾值時，給移動裝置發(fā)送移動指令；以使移動裝置根據(jù)移動指令向后移動跟蹤設備，使得目標圖像的像素數(shù)小于像素數(shù)最大閾值；和/或?qū)⒛繕藞D像的像素數(shù)與預設的像素數(shù)最大閾值和像素數(shù)最小閾值進行比較，在確定目標圖像的像素數(shù)小于像素數(shù)最小閾值時，給移動裝置發(fā)送移動指令；以使移動裝置根據(jù)移動指令向前移動跟蹤設備，使得目標圖像的像素數(shù)大于像素數(shù)最小閾值；和/或當?shù)诙恢脜^(qū)域的中心點不在第一位置區(qū)域內(nèi)時，給移動裝置發(fā)送移動指令；以使移動裝置根據(jù)移動指令移動跟蹤設備，使得第二位置區(qū)域的中心點位于第一位置區(qū)域內(nèi)。本發(fā)明實施例所述的裝置可以執(zhí)行圖1所示的方法，其實現(xiàn)原理和技術(shù)效果不再贅述。本發(fā)明實施例還提供了一種計算機存儲介質(zhì)，用于儲存圖7所示跟蹤設備實現(xiàn)對移動目標進行跟蹤拍攝所用的計算機軟件指令。最后應說明的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術(shù)人員應當理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。當前第1頁12