CN109389622B - 车辆追踪方法、装置、识别设备及存储介质 - Google Patents

车辆追踪方法、装置、识别设备及存储介质 Download PDF

Info

Publication number
CN109389622B
CN109389622B CN201811153051.2A CN201811153051A CN109389622B CN 109389622 B CN109389622 B CN 109389622B CN 201811153051 A CN201811153051 A CN 201811153051A CN 109389622 B CN109389622 B CN 109389622B
Authority
CN
China
Prior art keywords
vehicle
contour
tracking
determined
tracked
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
Application number
CN201811153051.2A
Other languages
English (en)
Other versions
CN109389622A (zh
Inventor
吴志伟
王昱
吴进
冯琰一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PCI Technology Group Co Ltd
Original Assignee
PCI Suntek Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by PCI Suntek Technology Co Ltd filed Critical PCI Suntek Technology Co Ltd
Priority to CN201811153051.2A priority Critical patent/CN109389622B/zh
Publication of CN109389622A publication Critical patent/CN109389622A/zh
Application granted granted Critical
Publication of CN109389622B publication Critical patent/CN109389622B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了一种车辆追踪方法、装置、识别设备及存储介质，该方法获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆；确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓；查询预设范围内采集的原始图像数据，依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪生成追踪轨迹，本方案可以高效、准确的对无法识别车牌的车辆进行追踪。

Description

车辆追踪方法、装置、识别设备及存储介质
技术领域
本申请实施例涉及计算机技术，尤其涉及一种车辆追踪方法、装置、识别设备及存储介质。
背景技术
目前，基于车牌识别的”电子警察”技术在城市道路交通、高速路交费、治安卡口、停车场等各个领域及不同地区已经普及应用，通过抓拍车辆图像以确定车辆是否违章驾驶，然而现有技术中缺少一种高效的对无牌或遮挡号牌的车辆进行追踪的手段。
发明内容
本申请提供了一种车辆追踪方法、装置、识别设备及存储介质，可以高效、准确的对无法识别车牌的车辆进行追踪。
第一方面，本申请实施例提供了一种车辆追踪方法，包括：
获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆；
确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓；
查询预设范围内采集的原始图像数据，依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪生成追踪轨迹。
第二方面，本申请实施例还提供了一种车辆追踪装置，包括：
追踪车辆确定模块，用于获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆；
特征确定模块，用于确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓；
查询比对模块，用于查询预设范围内采集的原始图像数据，依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪生成追踪轨迹。
第三方面，本申请实施例还提供了一种识别设备，包括：处理器、存储器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的车辆追踪方法。
第四方面，本申请实施例还提供了一种包含识别设备可执行指令的存储介质，所述识别设备可执行指令在由识别设备处理器执行时用于执行本申请实施例所述的车辆追踪方法。
本方案中，获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆；确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓；查询预设范围内采集的原始图像数据，依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪生成追踪轨迹，可以高效、准确的对无法识别车牌的车辆进行追踪。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请实施例提供的一种车辆追踪方法的流程图；
图2是本申请实施例提供的另一种车辆追踪方法的流程图；
图3是本申请实施例提供的另一种车辆追踪方法的流程图；
图4是本申请实施例提供的另一种车辆追踪方法的流程图；
图5是本申请实施例提供的一种车辆追踪装置的结构框图；
图6是本申请实施例提供的一种识别设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
图1是本申请实施例提供的一种车辆追踪方法的流程图，可适用于对无法识别车牌的车辆进行追踪，该方法可以由本申请实施例提供的识别设备来执行，该识别设备的车辆追踪装置可采用软件和/或硬件的方式实现，如图1所示，本实施例提供的具体方案如下：
步骤S101、获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆。
其中，该抓拍的车辆图像可以是由设置在路口、高速等道路上的监控抓拍设备拍摄得到。在获取到该车辆图像后，对车辆图像中包含的车辆进行车牌的识别，如果存在无法识别车辆牌照的车辆，则将该车辆确定为追踪车辆，用于进行后续车辆的追踪，其中，无法识别的车辆牌照包括车牌损毁、被遮挡等导致车辆牌照无法被识别的情况，车辆牌照的识别为通过图像识别技术对车辆牌照的号牌号码进行识别的过程，当车牌号码受到损毁或被遮挡，则通过图像识别技术无法得到原有清晰的车牌号码进而无法得到识别结果。
步骤S102、确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓。
当确定出追踪车辆后，进一步的需要对该追踪车辆进行追踪，在一个实施例中，确定出追踪车辆后，进一步确定该追踪车辆的整体轮廓以及预设部件的轮廓，其中，车辆的整体轮廓指车辆的外观整体在图像上的轮廓，预设部件轮廓为车辆中预先设定的需要确定的部件的轮廓，如前车灯、车辆标志、天窗等。
具体的，通过对追踪车辆的图像进行边缘识别、特征提取得到车辆的整体轮廓和预设部件的部件轮廓，预设部件可以是一个或多个。
步骤S103、查询预设范围内采集的原始图像数据，依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪生成追踪轨迹。
其中，预设范围内采集的原始图像数据可以是抓拍到的车辆图像的摄像装置预设范围内的其它摄像装置采集得到的数据，该预设范围示例性的可以是500米或1公里不等。如在路口A抓拍的车辆图像中确定出追踪车辆后，则相应的以路口A所在地为中心，获取距离路口A1公里范围内其它路口如路口B、路口C和路口D采集的图像作为原始图像数据。
在获取到原始图像数据后，进行追踪车辆的查询追踪，在一个实施例中，依据车辆整体轮廓和部件轮廓的参数比例值对追踪车辆进行追踪，其中，该参数比例值为预设识别部件的轮廓参数和车辆整体轮廓参数的比值。参数可以是面积参数、长度参数等。在一个实施例中，依据所述车辆整体轮廓和部件轮廓的参数比例值对所述追踪车辆进行追踪包括：分别计算车辆整体轮廓和部件轮廓对应的整体轮廓面积以及部件轮廓面积，依据整体轮廓面积和部件轮廓面积的面积比例值对追踪车辆进行追踪。在另一个实施例中，还可以是分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓长度以及部件轮廓长度，依据所述整体轮廓长度和所述部件轮廓长度的长度比例值对所述追踪车辆进行追踪。
具体的，在获取到原始图像数据后，对原始图像数据中包含的车辆进行车辆整体轮廓和预设部件轮廓的识别得到对应的参数比例值，并将同样无法识别车辆牌照的车辆确定为待确定车辆，将原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值进行比对，将满足第一预设条件的待确定车辆确定为目标车辆；确定包含目标车辆的原始图像的采集时间和采集地点并进行反馈，由此实现问题车辆的追踪。其中，第一预设条件可以是比对值大于0.9，即判定原始图像数据中找到的待确定车辆和追踪车辆特征一致，则将该待确定车辆确定为目标车辆，并反馈相关信息。通过反馈的一连串相关信息以自动生成追踪轨迹，如在路口b、路口e、路口f先后在时间点3点10分，3点15和3点18追踪到了在路口a识别出的追踪车辆，则相应的将路口b、路口e和路口f的具体地理位置的连线确定为追踪轨迹反馈给追踪人员。
由上述内容可知，在抓拍到车辆图像后，如果发现号牌无法识别的车辆则确定该车辆的整体轮廓以及预设部件的轮廓，在确定参数比例值后在预设范围内查询原始图像数据，如果发现原始图像数据中存在号牌无法识别的车辆则进行待确定车辆和追踪车辆的参数比例值的比对，如果比对一致，则认定为同一辆车，将待确定车辆确定为目标车辆并反馈相关信息如采集时间和采集该原始图像数据的摄像装置的位置等以进行追踪，由于基于轮廓参数进行比对追踪，仅需对采集的车辆的图像进行轮廓识别得到具体的参数比例值即可完成号牌无法识别的车辆的追踪，无需进行图像的细节比对，提高了追踪效率，且由于使用参数比例值的形式，抓拍的图像的远近对最终车辆的追踪并不构成影响，扩大了追踪比对范围。
图2是本申请实施例提供的另一种车辆追踪方法的流程图，可选的，所述依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪包括：分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓面积以及部件轮廓面积，依据所述整体轮廓面积和所述部件轮廓面积的面积比例值对所述追踪车辆进行追踪。如图2所示，技术方案具体如下：
步骤S201、获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆。
步骤S202、确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓。
步骤S203、查询预设范围内采集的原始图像数据，分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓面积以及部件轮廓面积。
步骤S204、依据所述整体轮廓面积和所述部件轮廓面积的面积比例值对所述追踪车辆进行追踪生成追踪轨迹。
在一个实施例中，通过图像边缘识别出车辆的整体轮廓和部件轮廓后，相应的计算整体车辆轮廓面积和部件轮廓面积，如使用OpenCV中的下述函数计算：
double contourArea(InputArray contour,bool oriented＝false)
在得到车辆整体轮廓和部件轮廓对应的整体轮廓面积以及部件轮廓面积后，求二者的比值得到面积比例值，同理，查询预设范围内采集的原始图像数据，确定待确定车辆的面积比例值，确定方式同前，如果查询到待确定车辆的面积比例值和追踪车辆的面积比例值一致或大于预设阈值(二者的比值大于0.9即相似度极高)，则判定查询到的待确定车辆为目标车辆，进而生成追踪轨迹。
由上述可知，采用车辆整体轮廓面积和预设部件面积的面积比例值作为查询追踪车辆的条件，无需进行车辆图片的详细比对，可以高效、准确的对无法识别车牌的车辆进行追踪。
图3是本申请实施例提供的另一种车辆追踪方法的流程图，可选的，所述依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪包括：分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓长度以及部件轮廓长度，依据所述整体轮廓长度和所述部件轮廓长度的长度比例值对所述追踪车辆进行追踪。如图3所示，技术方案具体如下：
步骤S301、获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆。
步骤S302、确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓。
步骤S303、查询预设范围内采集的原始图像数据，分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓长度以及部件轮廓长度。
步骤S304、依据所述整体轮廓长度和所述部件轮廓长度的长度比例值对所述追踪车辆进行追踪。
在一个实施例中，通过图像边缘识别出车辆的整体轮廓和部件轮廓后，相应的计算整体车辆轮廓长度和部件轮廓长度，如使用OpenCV中的下述函数计算：
double arcLength(InputArray curve,bool closed)
在得到车辆整体轮廓和部件轮廓对应的整体轮廓长度以及部件轮廓长度后，求二者的比值得到长度比例值，同理，查询预设范围内采集的原始图像数据，确定待确定车辆的长度比例值，确定方式同前，如果查询到待确定车辆的长度比例值和追踪车辆的长度比例值一致或大于预设阈值(二者的比值大于0.9即相似度极高)，则判定查询到的待确定车辆为目标车辆，进而生成追踪轨迹。
由上述可知，采用车辆整体轮廓长度和预设部件长度的长度比例值作为查询追踪车辆的条件，无需进行车辆图片的详细比对，可以高效、准确的对无法识别车牌的车辆进行追踪。
图4是本申请实施例提供的另一种车辆追踪方法的流程图，可选的，如果原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值不满足第一预设条件，则将所述追踪车辆的图像和所述待确定车辆的图像进行比对，如果满足第二预设条件，则将所述待确定车辆确定为目标车辆。如图4所示，技术方案具体如下：
步骤S401、获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆。
步骤S402、确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓。
步骤S403、查询预设范围内采集的原始图像数据，依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪生成追踪轨迹。
步骤S404、查询预设范围内采集的原始图像数据，将原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值进行比对。
步骤S405、如果原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值的比对值不满足第一预设条件，则将所述追踪车辆的图像和所述待确定车辆的图像进行比对，如果满足第二预设条件，则将所述待确定车辆确定为目标车辆。
其中，该第一预设条件可以是待确定车辆的参数比例值和追踪车辆的参数比例值的比对值大于0.9，在比对值小于0.9时则将所述追踪车辆的图像和所述待确定车辆的图像进行比对，具体的，提取所述追踪车辆的图像以及所述待确定车辆的图像的局部特征，通过局部特征比对得到车辆相似度，如果所述车辆相似度大于预设阈值，则将所述待确定车辆确定为目标车辆，示例性的，可以是总相似度＝权值1*车灯域相似度+天窗区域相似度*权值2+车标区域相似度*权值3+…；如果总相似度大于设定阈值(如80％)则确定车辆为目标车辆。
步骤S406、确定包含目标车辆的原始图像的采集时间和采集地点并进行反馈。
由上述可知，当待确定车辆的和追踪车辆的参数比例值的比对值不满足条件时，则进一步进行图像特征的详细比对，以确定待确定车辆是否为目标车辆，避免了识别误差造成的追踪失败的情况。
图5是本申请实施例提供的一种车辆追踪装置的结构框图，该装置用于执行上述实施例提供的车辆追踪方法，具备执行方法相应的功能模块和有益效果。如图5所示，该装置具体包括：追踪车辆确定模块101、特征确定模块102和查询比对模块103，其中，
追踪车辆确定模块101，用于获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆。
其中，该抓拍的车辆图像可以是由设置在路口、高速等道路上的监控抓拍设备拍摄得到。在获取到该车辆图像后，对车辆图像中包含的车辆进行车牌的识别，如果存在无法识别车辆牌照的车辆，则将该车辆确定为追踪车辆，用于进行后续车辆的追踪，其中，无法识别的车辆牌照包括车牌损毁、被遮挡等导致车辆牌照无法被识别的情况，车辆牌照的识别为通过图像识别技术对车辆牌照的号牌号码进行识别的过程，当车牌号码受到损毁或被遮挡，则通过图像识别技术无法得到原有清晰的号牌号码进而无法得到识别结果。
特征确定模块102，用于确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓。
当确定出追踪车辆后，进一步的需要对该追踪车辆进行追踪，在一个实施例中，确定出追踪车辆后，进一步确定该追踪车辆的整体轮廓以及预设部件的轮廓，其中，车辆的整体轮廓指车辆的外观整体在图像上的轮廓，预设部件轮廓为车辆中预先设定的需要确定的部件的轮廓，如前车灯、车辆标志、天窗等。
具体的，通过对追踪车辆的图像进行边缘识别、特征提取得到车辆的整体轮廓和预设部件的部件轮廓，预设部件可以是一个或多个。
查询比对模块103，用于查询预设范围内采集的原始图像数据，依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪生成追踪轨迹。
其中，预设范围内采集的原始图像数据可以是抓拍到的车辆图像的摄像装置预设范围内的其它摄像装置采集得到的数据，该预设范围示例性的可以是500米或1公里不等。如在路口A抓拍的车辆图像中确定出追踪车辆后，则相应的以路口A所在地为中心，获取距离路口A1公里范围内其它路口如路口B、路口C和路口D采集的图像作为原始图像数据。
在获取到原始图像数据后，进行追踪车辆的查询追踪，在一个实施例中，依据车辆整体轮廓和部件轮廓的参数比例值对追踪车辆进行追踪，其中，该参数比例值为预设识别部件的轮廓参数和车辆整体轮廓参数的比值。参数可以是面积参数、长度参数等。在一个实施例中，依据所述车辆整体轮廓和部件轮廓的参数比例值对所述追踪车辆进行追踪包括：分别计算车辆整体轮廓和部件轮廓对应的整体轮廓面积以及部件轮廓面积，依据整体轮廓面积和部件轮廓面积的面积比例值对追踪车辆进行追踪。在另一个实施例中，还可以是分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓长度以及部件轮廓长度，依据所述整体轮廓长度和所述部件轮廓长度的长度比例值对所述追踪车辆进行追踪。
具体的，在获取到原始图像数据后，对原始图像数据中包含的车辆进行车辆整体轮廓和预设部件轮廓的识别得到对应的参数比例值，并将同样无法识别车辆牌照的车辆确定为待确定车辆，将原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值进行比对，将满足第一预设条件的待确定车辆确定为目标车辆；确定包含目标车辆的原始图像的采集时间和采集地点并进行反馈，由此实现问题车辆的追踪。其中，第一预设条件可以是参数比例值的比对值大于0.9，即判定原始图像数据中找到的待确定车辆和追踪车辆特征一致，则将该待确定车辆确定为目标车辆，并反馈相关信息。通过反馈的一连串相关信息以自动生成追踪轨迹，如在路口b、路口e、路口f先后在时间点3点10分，3点15和3点18追踪到了在路口a识别出的追踪车辆，则相应的将路口b、路口e和路口f的具体地理位置的连线确定为追踪轨迹反馈给追踪人员。
由上述内容可知，在抓拍到车辆图像后，如果发现号牌无法识别的车辆则确定该车辆的整体轮廓以及预设部件的轮廓，在确定参数比例值后在预设范围内查询原始图像数据，如果发现原始图像数据中存在号牌无法识别的车辆则进行待确定车辆和追踪车辆的参数比例值的比对，如果比对一致，则认定为同一辆车，将待确定车辆确定为目标车辆并反馈相关信息如采集时间和采集该原始图像数据的摄像装置的位置等以进行追踪，由于基于轮廓参数进行比对追踪，仅需对采集的车辆的图像进行轮廓识别得到具体的参数比例值即可完成号牌无法识别的车辆的追踪，无需进行图像的细节比对，提高了追踪效率，且由于使用参数比例值的形式，抓拍的图像的远近对最终车辆的追踪并不构成影响，扩大了追踪比对范围。
在一个可能的实施例中，所述查询比对模块103具体用于：
分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓面积以及部件轮廓面积，依据所述整体轮廓面积和所述部件轮廓面积的面积比例值对所述追踪车辆进行追踪。
在一个可能的实施例中，所述查询比对模块103具体用于：
分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓长度以及部件轮廓长度，依据所述整体轮廓长度和所述部件轮廓长度的长度比例值对所述追踪车辆进行追踪。
在一个可能的实施例中，所述预设部件包括车灯部件，所述部件轮廓长度包括车灯部件的车灯外边缘的轮廓长度。
在一个可能的实施例中，所述查询比对模块103具体用于：
将原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值进行比对，将满足第一预设条件的待确定车辆确定为目标车辆，其中，所述待确定车辆为在原始图像数据中无法识别出车辆牌照的车辆；
确定包含目标车辆的原始图像的采集时间和采集地点并进行反馈。
在一个可能的实施例中，所述查询比对模块103具体用于：如果原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值的比对值不满足第一预设条件，则将所述追踪车辆的图像和所述待确定车辆的图像进行比对，如果满足第二预设条件，则将所述待确定车辆确定为目标车辆。
在一个可能的实施例中，所述查询比对模块103具体用于：所述将所述追踪车辆的图像和所述待确定车辆的图像进行比对，如果满足第二预设条件，则将所述待确定车辆确定为目标车辆包括：
提取所述追踪车辆的图像以及所述待确定车辆的图像的局部特征，通过局部特征比对得到车辆相似度，如果所述车辆相似度大于预设阈值，则将所述待确定车辆确定为目标车辆。
本实施例在上述各实施例的基础上提供了一种识别设备，图6是本申请实施例提供的一种识别设备的结构示意图，如图6所示，该识别设备包括：存储器201、处理器(Central Processing Unit，CPU)202、外设接口203、摄像头205、电源管理芯片208、输入/输出(I/O)子***209、触摸屏212、Wifi模块213、其他输入/控制设备210以及外部端口204，这些部件通过一个或多个通信总线或信号线207来通信。
应该理解的是，图示识别设备仅仅是识别设备的一个范例，并且识别设备可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的用于***辆识别的识别设备进行详细的描述。
存储器201，所述存储器201可以被CPU202、外设接口203等访问，所述存储器201可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口203，所述外设接口203可以将设备的输入和输出外设连接到CPU202和存储器201。
I/O子***209，所述I/O子***209可以将设备上的输入输出外设，例如触摸屏212和其他输入/控制设备210，连接到外设接口203。I/O子***209可以包括显示控制器2091和用于控制其他输入/控制设备210的一个或多个输入控制器2092。其中，一个或多个输入控制器2092从其他输入/控制设备210接收电信号或者向其他输入/控制设备210发送电信号，其他输入/控制设备210可以包括物理按钮(按压按钮、摇臂按钮等)、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器2092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触摸屏212，所述触摸屏212是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。
I/O子***209中的显示控制器2091从触摸屏212接收电信号或者向触摸屏212发送电信号。触摸屏212检测触摸屏上的接触，显示控制器2091将检测到的接触转换为与显示在触摸屏212上的用户界面对象的交互，即实现人机交互，显示在触摸屏212上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。
电源管理芯片208，用于为CPU202、I/O子***及外设接口所连接的硬件进行供电及电源管理。
上述实施例中提供的识别设备的车辆追踪装置及识别设备可执行本申请任意实施例所提供的识别设备的车辆追踪方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的识别设备的车辆追踪方法。
本申请实施例还提供一种包含识别设备可执行指令的存储介质，所述识别设备可执行指令在由识别设备处理器执行时用于执行一种车辆追踪方法，该方法包括：
获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆；
确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓；
查询预设范围内采集的原始图像数据，依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪生成追踪轨迹。
在一个可能的实施例中，所述依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪包括：
分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓面积以及部件轮廓面积，依据所述整体轮廓面积和所述部件轮廓面积的面积比例值对所述追踪车辆进行追踪。
在一个可能的实施例中，所述依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪包括：
分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓长度以及部件轮廓长度，依据所述整体轮廓长度和所述部件轮廓长度的长度比例值对所述追踪车辆进行追踪。
在一个可能的实施例中，所述预设部件包括车灯部件，所述部件轮廓长度包括车灯部件的车灯外边缘的轮廓长度。
在一个可能的实施例中，所述依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪包括：
将原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值进行比对，将满足第一预设条件的待确定车辆确定为目标车辆，其中，所述待确定车辆为在原始图像数据中无法识别出车辆牌照的车辆；
确定包含目标车辆的原始图像的采集时间和采集地点并进行反馈。
在一个可能的实施例中，如果原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值的比对值不满足第一预设条件，则将所述追踪车辆的图像和所述待确定车辆的图像进行比对，如果满足第二预设条件，则将所述待确定车辆确定为目标车辆。
在一个可能的实施例中，所述将所述追踪车辆的图像和所述待确定车辆的图像进行比对，如果满足第二预设条件，则将所述待确定车辆确定为目标车辆包括：
提取所述追踪车辆的图像以及所述待确定车辆的图像的局部特征，通过局部特征比对得到车辆相似度，如果所述车辆相似度大于预设阈值，则将所述待确定车辆确定为目标车辆。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机***存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机***中，或者可以位于不同的第二计算机***中，第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的车辆追踪方法操作，还可以执行本申请任意实施例所提供的车辆追踪方法中的相关操作。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (8)

1.车辆追踪方法，其特征在于，包括：
获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆；
确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓；
查询预设范围内采集的原始图像，依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪生成追踪轨迹，其中，所述依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪包括：将所述原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值进行比对，将满足第一预设条件的待确定车辆确定为目标车辆，所述待确定车辆为在原始图像数据中无法识别出车辆牌照的车辆，确定包含目标车辆的原始图像的采集时间和采集地点并进行反馈；所述依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪包括：分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓面积以及部件轮廓面积，依据所述整体轮廓面积和所述部件轮廓面积的面积比例值对所述追踪车辆进行追踪。
2.根据权利要求1所述的方法，其特征在于，所述依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪包括：
分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓长度以及部件轮廓长度，依据所述整体轮廓长度和所述部件轮廓长度的长度比例值对所述追踪车辆进行追踪。
3.根据权利要求2所述的方法，其特征在于，所述预设部件包括车灯部件，所述部件轮廓长度包括车灯部件的车灯外边缘的轮廓长度。
4.根据权利要求1所述的方法，其特征在于，如果原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值的比对值不满足第一预设条件，则将所述追踪车辆的图像和所述待确定车辆的图像进行比对，如果满足第二预设条件，则将所述待确定车辆确定为目标车辆。
5.根据权利要求4所述的方法，其特征在于，所述将所述追踪车辆的图像和所述待确定车辆的图像进行比对，如果满足第二预设条件，则将所述待确定车辆确定为目标车辆包括：
提取所述追踪车辆的图像以及所述待确定车辆的图像的局部特征，通过局部特征比对得到车辆相似度，如果所述车辆相似度大于预设阈值，则将所述待确定车辆确定为目标车辆。
6.车辆追踪装置，其特征在于，包括：
追踪车辆确定模块，用于获取抓拍的车辆图像，将所述车辆图像中无法识别车辆牌照的车辆确定为追踪车辆；
特征确定模块，用于确定所述追踪车辆的车辆整体轮廓以及预设部件的部件轮廓；
查询比对模块，用于查询预设范围内采集的原始图像，依据所述车辆整体轮廓和所述部件轮廓的参数比例值对所述追踪车辆进行追踪生成追踪轨迹，其中，所述查询比对模块具体用于，将所述原始图像中的待确定车辆的参数比例值和所述追踪车辆的参数比例值进行比对，将满足第一预设条件的待确定车辆确定为目标车辆，所述待确定车辆为在原始图像数据中无法识别出车辆牌照的车辆，确定包含目标车辆的原始图像的采集时间和采集地点并进行反馈，以及分别计算所述车辆整体轮廓和所述部件轮廓对应的整体轮廓面积以及部件轮廓面积，依据所述整体轮廓面积和所述部件轮廓面积的面积比例值对所述追踪车辆进行追踪。
7.一种识别设备，包括：处理器、存储器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的车辆追踪方法。
8.一种包含识别设备可执行指令的存储介质，其特征在于，所述识别设备可执行指令在由识别设备处理器执行时用于执行如权利要求1-5中任一项所述的车辆追踪方法。
CN201811153051.2A 2018-09-30 2018-09-30 车辆追踪方法、装置、识别设备及存储介质 Active CN109389622B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811153051.2A CN109389622B (zh) 2018-09-30 2018-09-30 车辆追踪方法、装置、识别设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811153051.2A CN109389622B (zh) 2018-09-30 2018-09-30 车辆追踪方法、装置、识别设备及存储介质

Publications (2)

Publication Number Publication Date
CN109389622A CN109389622A (zh) 2019-02-26
CN109389622B true CN109389622B (zh) 2019-12-13

Family

ID=65418227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811153051.2A Active CN109389622B (zh) 2018-09-30 2018-09-30 车辆追踪方法、装置、识别设备及存储介质

Country Status (1)

Country Link
CN (1) CN109389622B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135318B (zh) * 2019-05-08 2023-05-12 佳都科技集团股份有限公司 过车记录的确定方法、装置、设备及存储介质
CN111444766B (zh) * 2020-02-24 2021-07-20 浙江科技学院 基于图像处理的车辆追踪方法、装置、计算机设备和存储介质
CN111474914B (zh) * 2020-02-24 2020-12-01 安徽省华腾农业科技有限公司经开区分公司 故障代码大数据存储***
CN114373216B (zh) * 2021-12-07 2024-07-02 图湃(北京)医疗科技有限公司 用于眼前节octa的眼动追踪方法、装置、设备和存储介质
CN116453071A (zh) * 2023-04-17 2023-07-18 北京睿芯通量科技发展有限公司 车辆属性信息的识别方法、装置、电子设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8190337B2 (en) * 2003-03-20 2012-05-29 Hemisphere GPS, LLC Satellite based vehicle guidance control in straight and contour modes
CN202422423U (zh) * 2011-12-20 2012-09-05 杭州海康威视***技术有限公司 车辆牌照识别装置及***
CN105139659A (zh) * 2015-10-09 2015-12-09 东方网力科技股份有限公司 车牌识别方法与装置
CN105788286A (zh) * 2016-05-19 2016-07-20 湖南博广信息科技有限公司 智能识别闯红灯***以及车辆行为检测抓拍方法

Also Published As

Publication number Publication date
CN109389622A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
CN109389622B (zh) 车辆追踪方法、装置、识别设备及存储介质
US11967109B2 (en) Vehicle localization using cameras
US10740658B2 (en) Object recognition and classification using multiple sensor modalities
Hua et al. Vehicle tracking and speed estimation from traffic videos
Chen et al. Lane departure warning systems and lane line detection methods based on image processing and semantic segmentation: A review
Javadi et al. Vehicle speed measurement model for video-based systems
McCall et al. Video-based lane estimation and tracking for driver assistance: survey, system, and evaluation
An et al. Real-time lane departure warning system based on a single FPGA
CN110738150B (zh) 相机联动抓拍方法、装置以及计算机存储介质
Ding et al. Fast lane detection based on bird’s eye view and improved random sample consensus algorithm
US20230177954A1 (en) Systems and methods for identifying vehicles using wireless device identifiers
CN112907867B (zh) 一种基于图像识别的预警方法、装置及服务器
Liu et al. Vehicle detection and ranging using two different focal length cameras
CN113688717A (zh) 图像识别方法、装置以及电子设备
CN114065876A (zh) 基于路侧多传感器的数据融合方法、装置、***及介质
US9898846B1 (en) Method and apparatus for traffic condition diagram generation
CN115424465A (zh) 停车场地图的构建方法、装置及存储介质
CN110581979B (zh) 一种图像采集***、方法及装置
CN112686136A (zh) 一种对象检测方法、装置及***
CN114842431A (zh) 一种识别道路护栏的方法、装置、设备及存储介质
CN111639640A (zh) 基于人工智能的车牌识别方法、装置及设备
CN113658424B (zh) 基于稀疏卫星定位数据的车辆频繁变道识别方法及装置
Gao et al. Crossing road monitoring system based on adaptive decision for illegal situation
US20240203107A1 (en) Obstacle identification method, vehicle-mounted device and storage medium
US20220228872A1 (en) Apparatus and method for generating road map

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province

Patentee after: Jiadu Technology Group Co.,Ltd.

Address before: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province

Patentee before: PCI-SUNTEKTECH Co.,Ltd.

CP01 Change in the name or title of a patent holder