CN111767839A - 一种车辆行驶轨迹确定方法、装置、设备及介质 - Google Patents
一种车辆行驶轨迹确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111767839A CN111767839A CN202010602124.2A CN202010602124A CN111767839A CN 111767839 A CN111767839 A CN 111767839A CN 202010602124 A CN202010602124 A CN 202010602124A CN 111767839 A CN111767839 A CN 111767839A
- Authority
- CN
- China
- Prior art keywords
- image
- track segment
- vehicle
- feature
- segment set
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000013598 vector Substances 0.000 claims description 58
- 230000004927 fusion Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 19
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种车辆行驶轨迹确定方法、装置、设备及介质,涉及人工智能中的图像识别技术,且可应用于区块链网络,其中,方法包括:获取第一图像集合和第二图像集合并进行检测,得到第一图像区域和第二图像区域;获取第一图像区域之间的第一相似度与第二图像区域之间的第二相似度;将第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合,将第二相似度大于该预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第二轨迹片段集合;根据第一轨迹片段集合和第二轨迹片段集合确定车辆的行驶轨迹。采用本申请实施例,可以提高车辆行驶轨迹的准确性。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种车辆行驶轨迹确定方法、装置、设备及介质。
背景技术
城市道路网络设置了大量的拍摄装置,这些拍摄装置每日产生海量的视频数据。但目前交通和公安等部门采用人工监控的方法,未能充分利用这些视频数据的价值。通过图像处理技术对图像中的车辆进行识别,并对车辆进行跟踪,能帮助交通和公安等部门完成交通监控和涉事车辆追踪等任务,极大地降低人力成本。
现有技术中只能确定单个拍摄装置拍摄的视频数据中的单个或者多个车辆的行驶路径,由于拍摄装置的拍摄范围较小,会导致对车辆追踪的效果不佳。
发明内容
本申请实施例提供一种车辆行驶轨迹确定方法、装置、设备及介质,可以提高车辆行驶轨迹的准确性,扩大对车辆追踪的范围。
本申请实施例一方面提供一种车辆行驶轨迹确定方法,包括:
获取第一拍摄装置拍摄得到的第一图像集合,以及第二拍摄装置拍摄得到的第二图像集合;
分别对该第一图像集合以及该第二图像集合进行检测,得到该第一图像集合中每帧图像中车辆对应的第一图像区域,以及该第二图像集合中每帧图像中车辆对应的第二图像区域;
获取该第一图像区域之间的第一相似度,获取该第二图像区域之间的第二相似度;
将该第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合,将该第二相似度大于该预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第二轨迹片段集合;
若该第一轨迹片段集合和该第二轨迹片段集合之间具有相似性,则根据该第一轨迹片段集合和该第二轨迹片段集合确定车辆的行驶轨迹。
本申请实施例一方面提供一种车辆行驶轨迹确定装置,包括:
图像获取模块,用于获取第一拍摄装置拍摄得到的第一图像集合,以及第二拍摄装置拍摄得到的第二图像集合;
区域获取模块,用于分别对该第一图像集合以及该第二图像集合进行检测,得到该第一图像集合中每帧图像中车辆对应的第一图像区域,以及该第二图像集合中每帧图像中车辆对应的第二图像区域;
相似度获取模块,用于获取该第一图像区域之间的第一相似度,获取该第二图像区域之间的第二相似度;
轨迹片段获取模块,用于将该第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合,将该第二相似度大于该预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第二轨迹片段集合;
行驶轨迹确定模块,用于若该第一轨迹片段集合和该第二轨迹片段集合之间具有相似性,则根据该第一轨迹片段集合和该第二轨迹片段集合确定车辆的行驶轨迹。
本申请一方面提供了一种计算机设备,包括:处理器、存储器、网络接口;
上述处理器与存储器、网络接口相连,其中,网络接口用于提供数据通信功能,上述存储器用于存储计算机程序,上述处理器用于调用上述计算机程序,以执行本申请实施例中上述一方面中的方法。
本申请实施例一方面提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令当被处理器执行时使该处理器执行上述第一方面的一种车辆行驶轨迹确定方法。
本申请实施例中,由于第一图像区域包含车辆的特征信息,因此通过计算每两个第一图像区域之间的相似度可以确定出同一车辆对应的第一图像区域,即确定出同一车辆在第一拍摄装置下的不同帧第一图像中的运动轨迹,即第一轨迹片段集合;同理,通过计算每两个第二图像区域之间的相似度可确定出同一车辆在第二拍摄装置下的不同帧第二图像中的运动轨迹,即第二轨迹片段集合。再通过计算第一轨迹片段集合和第二轨迹片段集合中的图像区域之间的相似性,从而确定出包含同一车辆的第一轨迹片段集合与第二轨迹片段集合,即确定出同一车辆在不同拍摄装置下的行驶轨迹,从而得到车辆在不同时间以及不同范围内的行驶轨迹,扩大对车辆追踪的范围;由于对不同的图像区域之间进行了多次特征提取和特征匹配,因此可以提高图像识别的准确性,从而提高确定车辆行驶轨迹的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种车辆行驶轨迹确定***的架构示意图;
图2是本申请实施例提供的一种车辆行驶轨迹确定方法的流程示意图;
图3是本申请实施例提供的一种特征提取网络示意图;
图4是本申请实施例提供的一种车辆行驶轨迹确定方法的流程示意图;
图5是本申请实施例提供的一种路况信息图;
图6是本申请实施例提供的一种车辆行驶轨迹确定装置的组成结构示意图;
图7是本申请实施例提供的一种计算机设备的组成结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中,计算机视觉技术(Computer Vision,CV)是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请涉及人工智能中的图像识别技术,利用图像识别技术确定出图像中的同一车辆对应的拍摄装置所对应的轨迹片段,得到车辆的行驶轨迹,可以提高确定行驶路径的准确性,扩大对车辆追踪的范围;本申请可适用于智慧政务、智慧教育等领域,有利于推动智慧城市的建设。
本申请实施例适用于对多个拍摄装置拍摄到的车辆图像进行检测,从而确定多个拍摄装置中拍摄到同一车辆的拍摄装置,进而确定出车辆在不同拍摄装置下的行驶轨迹的场景中。例如可以应用于对交通车辆的监控、对涉事车辆的追踪、以及其他需要进行车辆追踪的场景中。由于对每个拍摄装置中的图像都进行了处理,并确定出同一车辆对应的拍摄装置,从而确定出同一车辆对应的拍摄装置所对应的轨迹片段,进而得到车辆的行驶轨迹,可以提高确定行驶路径的准确性,扩大对车辆追踪的范围。
请参见图1,图1是本申请实施例提供的一种车辆行驶轨迹确定***的架构示意图。该***架构示意图包括第一拍摄装置101、第二拍摄装置102和车辆行驶轨迹确定装置103,其中,第一拍摄装置101例如可以为交通监控摄像头,或者其他可以实现拍摄视频数据的设备,例如手机、平板电脑、笔记本电脑、掌上电脑等等。第二拍摄装置102例如可以为交通监控摄像头,或者其他可以实现拍摄视频数据的设备,例如手机、平板电脑、笔记本电脑、掌上电脑等等。车辆行驶轨迹确定装置103例如可以为与道路交通控制中心的服务器连接的计算机设备,包括手机、平板电脑、笔记本电脑、掌上电脑等等。第一拍摄装置101与第二拍摄装置102可以拍摄视频数据,得到视频数据对应的图像集合,第一拍摄装置101与第二拍摄装置102的数量可以为一个,也可以为多个。可以理解的是,第一拍摄装置101与第二拍摄装置102为不同路段或者路口的拍摄装置,即第一拍摄装置101与第二拍摄装置102拍摄得到的图像集合不同。车辆行驶轨迹确定装置103可以对图像进行检测得到图像区域、计算图像区域之间的相似度、以及确定图像区域中的车辆是否为同一车辆,等等。
进一步的,如图1所示,在具体实施车辆行驶轨迹确定方法的过程中,例如,第一拍摄装置101对道路交通车辆进行拍摄后,得到第一图像集合,第一图像集合即第一拍摄装置101拍摄的视频数据中的多帧第一图像组成的集合,第一拍摄装置101将第一图像集合发送给车辆行驶轨迹确定装置103;第二拍摄装置102对道路交通车辆进行拍摄后,得到第二图像集合,第二图像集合即第二拍摄装置102拍摄的视频数据中的多帧第二图像组成的集合,第二拍摄装置102将第二图像集合发送给车辆行驶轨迹确定装置103;车辆行驶轨迹确定装置103分别对第一图像集合以及第二图像集合进行检测,得到第一图像集合中每帧图像中车辆对应的第一图像区域,以及第二图像集合中每帧图像中车辆对应的第二图像区域;车辆行驶轨迹确定装置103获取第一图像区域之间的第一相似度,获取第二图像区域之间的第二相似度;车辆行驶轨迹确定装置103将第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合,车辆行驶轨迹确定装置103将第二相似度大于预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第二轨迹片段集合;若第一轨迹片段集合和第二轨迹片段集合之间具有相似性,则车辆行驶轨迹确定装置103根据第一轨迹片段集合和第二轨迹片段集合确定车辆的行驶轨迹。由于对每个拍摄装置中的图像都进行了处理,并确定出同一车辆对应的拍摄装置,从而确定出同一车辆对应的轨迹片段,得到车辆在不同时间和不同范围内的行驶轨迹,可以提高确定行驶路径的准确性,扩大对车辆追踪的范围。
请参见图2,图2是本申请实施例提供的一种车辆行驶轨迹确定方法的流程示意图,本申请实施例可以通过计算机设备来执行,如图2所示,该方法包括:
S101,获取第一拍摄装置拍摄得到的第一图像集合。
这里,第一拍摄装置例如可以为交通监控摄像头,或者其他可以实现拍摄视频数据的设备,第一图像集合可以为使用第一拍摄装置对道路交通车辆进行拍摄得到的多帧图像组成的图像集合。可知,第一图像集合中每帧第一图像都对应一个图像帧标识,图像的图像帧标识用于唯一地指示该帧图像,例如可以为图像拍摄的时间、或者图像对应的编号等。
S102,对第一图像集合进行检测,得到第一图像集合中每帧图像中车辆对应的第一图像区域。
这里,第一图像集合中的每帧第一图像中包括至少一个第一图像区域,即每帧第一图像中包括至少一辆车,第一图像中一个车辆对应一个第一图像区域,即第一图像中第一图像区域的数量等于第一图像中车辆的数量。
具体实现中,可以使用基于单点多盒检测器(sdngle shot multdbox detector,SSD)算法的图像检测模型对第一图像集合中的每帧图像进行检测,得到第一图像集合中每帧图像中车辆对应的第一图像区域。
S103,获取第一图像区域之间的第一相似度。
这里,由于第一图像集合中每帧图像对应至少一个第一图像区域,因此得到的第一图像区域的数量为多个。第一图像区域包括第一图像集合中第一帧图像对应的至少一个第一图像区域、第一图像集合中第二帧图像对应的至少一个第一图像区域、第一图像集合中第三帧图像对应的至少一个第一图像区域,等等。
第一图像区域之间的第一相似度为任意两个第一图像区域之间的相似度,包括第一图像集合中第一帧图像对应的至少一个第一图像区域中任意两个第一图像区域之间的相似度、第一图像集合中第二帧图像对应的至少一个第一图像区域中任意两个第一图像区域之间的相似度、第一图像集合中第三帧图像对应的至少一个第一图像区域中任意两个第一图像区域之间的相似度,或者第一图像集合中第一帧图像对应的至少一个第一图像区域中任意一个第一图像区域与第一图像集合中第二帧图像对应的至少一个第一图像区域中任意一个第一图像区域之间的相似度、第一图像集合中第一帧图像对应的至少一个第一图像区域中任意一个第一图像区域与第一图像集合中第三帧图像对应的至少一个第一图像区域中任意一个第一图像区域之间的相似度、第一图像集合中第二帧图像对应的至少一个第一图像区域中任意一个第一图像区域与第一图像集合中第三帧图像对应的至少一个第一图像区域中任意一个第一图像区域之间的相似度,等等。
本申请实施例中,获取第一图像区域之间的第一相似度可以包括以下步骤:
首先,获取第一图像区域之间的第一重合度,以及第一图像区域的第一特征向量。
这里,第一特征向量用于指示第一图像区域的边缘信息。例如第一特征向量可以包括第一图像区域中的车辆的颜色、尺寸等信息。可以使用卷积神经网络提取第一图像区域的第一特征向量。第一重合度又可以称为交并比,两个第一图像区域的重合度具体是指两个第一图像区域的交并比。两个第一图像区域的重合度等于两个第一图像区域的交集除以两个第一图像区域的并集,用公式表达为:IoU=[area(A)∩area(B)]/[area(A)∪area(B)],area(A)为第一图像区域A,area(B)为第一图像区域B。具体实现中,可以根据两个第一图像区域分别在第一图像中的位置坐标计算两个第一图像区域的交并比。
在一个实施例中,第一图像集合中每帧第一图像都以第一图像中的同一位置为坐标原点建立坐标系,例如以第一图像的左上角为坐标原点建立坐标系,或者以左下角、右上角、中点位置等建立坐标系,因此可认为每个第一图像区域都是基于同一坐标原点得到的位置坐标,则可得到该坐标系下的各个第一图像区域对应的位置坐标,从而根据各个第一图像区域对应的位置坐标计算各个第一图像区域之间的交并比。
其次,根据第一图像区域的第一特征向量,确定第一图像区域之间的第一特征相似度。
这里,由于上述步骤提取了第一图像区域的第一特征向量,这里可以通过计算各个第一图像区域对应的第一特征向量之间的欧几里得距离得到第一特征相似度,相似度的计算方法还包括皮尔逊相关系数法、Cosine相似度法等,此处不做限定。
最后,根据第一重合度以及第一特征相似度确定第一图像区域之间的第一相似度。
这里,若任意两个第一图像区域之间的第一重合度大于重合度阈值,且该任意两个第一图像区域之间的第一特征相似度大于相似度阈值,则可确定该任意两个第一图像区域之间的第一相似度大于预设相似阈值。其中,重合度阈值例如可以为0.6、0.8、0.9等任意数值,相似度阈值例如可以为0.6、0.8、0.9等任意数值,预设相似阈值例如可以为0.6、0.8、0.9等任意数值,本申请实施例中对此不做限定。
例如,重合度阈值为0.6,相似度阈值为0.7,预设相似阈值为0.6,第一图像区域A和第一图像区域B之间的第一重合度为0.65,第一图像区域A和第一图像区域B之间的第一特征相似度为0.73,则第一图像区域A和第一图像区域B之间的第一相似度大于0.6。
S104,将第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合。
这里,将第一相似度大于预设相似阈值的所有第一图像区域添加至同一个轨迹片段集合。例如,第一图像区域A分别与第一图像区域B~第一图像区域D之间的相似度均大于预设相似阈值,则将第一图像区域A~第一图像区域D均加入同一个轨迹片段集合,得到第一轨迹片段集合1;第一图像区域E分别与第一图像区域F~第一图像区域H之间的相似度均大于预设相似阈值,则将第一图像区域E~第一图像区域H均加入同一个轨迹片段集合,得到第一轨迹片段集合2,等等,由此可得到至少一个第一轨迹片段集合。可知,每个第一轨迹片段集合中的第一图像区域的数量可以相等,也可以不相等,一个第一轨迹片段集合对应一个车辆,若第一拍摄装置拍摄到5个车辆,则得到5个第一轨迹片段集合。
本申请实施例中,具体可以通过以下过程将第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合:
一、将第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一候选轨迹片段集合。
例如,第一图像区域A分别与第一图像区域B~第一图像区域D之间的相似度均大于预设相似阈值,则将第一图像区域A~第一图像区域D均加入同一个轨迹片段集合,得到第一候选轨迹片段集合1;第一图像区域E分别与第一图像区域F~第一图像区域H之间的相似度均大于预设相似阈值,则将第一图像区域E~第一图像区域H均加入同一个轨迹片段集合,得到第一候选轨迹片段集合2,等等,由此可得到至少一个第一候选轨迹片段集合。
二、获取第一图像区域的区域帧标识。
这里,由于第一图像集合中每帧第一图像都对应一个图像帧标识,图像的图像帧标识用于唯一地指示该帧图像,例如可以为图像拍摄的时间、或者图像对应的编号等。因此第一图像区域的区域帧标识可以等于该第一图像区域对应的第一图像的图像帧标识,例如第一图像中包含3个第一图像区域,则该3个第一图像区域的区域帧标识均等于该第一图像的图像帧标识。即同一帧第一图像中的第一图像区域的区域帧标识相等,不同帧第一图像中的第一图像区域的区域帧标识不相等。
三、从第一候选轨迹片段集合中移除区域帧标识之差超出第一范围的第一图像区域,得到第二候选轨迹片段集合。
这里,第一范围例如可以为(0,1)、(0,2)、(0,3)等范围,即区域帧标识之差在该范围内表示该区域帧标识对应的第一图像区域可能为同一辆车在不同帧图像中的图像区域;若区域帧标识之差等于0则表示该两个第一图像区域为同一帧第一图像中的两个第一图像区域;若区域帧标识之差超出第一范围则表示该第一图像区域为不同帧第一图像中的两个第一图像区域,且该两个第一图像区域为不同车辆对应的图像区域。
四、获取第二候选轨迹片段集合中的第一图像区域的第三特征向量。
这里,第三特征向量用于指示第一图像区域的语义信息,例如可以为第一图像区域的类别等信息。可选的,第三特征向量可以为提取到的图像的浅层特征向量,第二特征向量可以为提取到的图像的深层特征向量。具体实现中,可以使用ResNet网络提取第一图像区域的第三特征向量。
五、根据第三特征向量确定第二候选轨迹片段集合中的第一图像区域之间的连接损失。
这里,基于提取到的第一图像区域的第三特征向量可得计算得到两个第一图像区域之间的连接度,可以根据两个第一图像区域之间的连接度计算两个第一图像区域之间的连接损失,从而计算得到第二候选轨迹片段集合中的任意两个第一图像区域之间的连接损失,具体计算方法可参考公式(1-1):
其中,c为两个第一图像区域之间的连接损失,pe为两个第一图像区域之间的连接度。
六、根据第二候选轨迹片段集合中的第一图像区域之间的连接损失确定第二候选轨迹片段集合的总连接损失。
这里,计算第二候选轨迹片段集合的总连接损失的方法可参考公式(1-2):
O=min∑π(u,w).c(u,w) (1-2)
其中,O为第二候选轨迹片段集合的总连接损失,π(u,w)为两个不同第一图像区域,π(u,w)的取值为1,c(u,w)为第一图像区域u与第一图像区域w之间的连接损失。
七、若第二候选轨迹片段集合的总连接损失小于连接损失阈值,则将第二候选轨迹片段集合确定为第一轨迹片段集合。
这里,第二候选轨迹片段集合的总连接损失小于连接损失阈值即第二候选轨迹片段集合的总连接损失O取最小值,则将第二候选轨迹片段集合确定为第一轨迹片段集合。
在一个实施例中,可以将第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一候选轨迹片段集合;获取第一图像区域的区域帧标识;从第一候选轨迹片段集合中移除区域帧标识之差超出第二范围的第一图像区域,得到第一轨迹片段集合。
这里,第二范围例如可以为(1,3)、(2,4)、(3,5)等范围,第二范围的最小值可以大于或等于第一范围的最大值。第一图像区域的区域帧标识之差在该第二范围内表示该第一图像区域的区域帧标识对应的第一图像区域可能为同一辆车在不同帧图像中的图像区域;若第一图像区域的区域帧标识之差等于0则表示该两个第一图像区域为同一帧第一图像中的两个第一图像区域;若第一图像区域的区域帧标识之差超出第二范围则表示该第一图像区域为不同帧第一图像中的两个第一图像区域,且该两个第一图像区域为不同车辆对应的图像区域。
S105,获取第二拍摄装置拍摄得到的第二图像集合。
这里,第二拍摄装置例如可以为交通监控摄像头,或者其他可以实现拍摄视频数据的设备,第二图像集合可以为使用第二拍摄装置对道路交通车辆进行拍摄得到的多帧图像组成的图像集合。可知,第二图像集合中每帧第二图像都对应一个图像帧标识,图像的图像帧标识用于唯一地指示该帧图像,例如可以为图像拍摄的时间、或者图像对应的编号等。第二拍摄装置的数量可以为多个。本申请实施例中,以对一个第二拍摄装置进行处理的过程为例进行说明,对其他任意一个第二拍摄装置进行处理的过程可以参考该第二拍摄装置的处理过程。
S106,对第二图像集合进行检测,得到第二图像集合中每帧图像中车辆对应的第二图像区域。
这里,第二图像集合中的每帧第二图像中包括至少一个第二图像区域,即每帧第二图像中包括至少一辆车,第二图像中一个车辆对应一个第二图像区域,即第二图像中第二图像区域的数量等于第二图像中车辆的数量。
具体实现中,可以使用基于SSD算法的图像检测模型对第二图像集合中的每帧图像进行检测,得到第二图像集合中每帧图像中车辆对应的第二图像区域。
S107,获取第二图像区域之间的第二相似度。
这里,由于第二图像集合中每帧图像对应至少一个第二图像区域,因此得到的第二图像区域的数量为多个。第二图像区域包括第二图像集合中第一帧图像对应的至少一个第二图像区域、第二图像集合中第二帧图像对应的至少一个第二图像区域、第二图像集合中第三帧图像对应的至少一个第二图像区域,等等。
第二图像区域之间的第二相似度为任意两个第二图像区域之间的相似度,包括第二图像集合中第一帧图像对应的至少一个第二图像区域中任意两个第二图像区域之间的相似度、第二图像集合中第二帧图像对应的至少一个第二图像区域中任意两个第二图像区域之间的相似度、第二图像集合中第三帧图像对应的至少一个第二图像区域中任意两个第二图像区域之间的相似度,或者第二图像集合中第一帧图像对应的至少一个第二图像区域中任意一个第二图像区域与第二图像集合中第二帧图像对应的至少一个第二图像区域中任意一个第二图像区域之间的相似度、第二图像集合中第一帧图像对应的至少一个第二图像区域中任意一个第二图像区域与第二图像集合中第三帧图像对应的至少一个第二图像区域中任意一个第二图像区域之间的相似度、第二图像集合中第二帧图像对应的至少一个第二图像区域中任意一个第二图像区域与第二图像集合中第三帧图像对应的至少一个第二图像区域中任意一个第二图像区域之间的相似度,等等。
本申请实施例中,获取第二图像区域之间的第二相似度可以包括以下步骤:
首先,获取第二图像区域之间的第二重合度,以及第二图像区域的第二特征向量。
这里,第二特征向量用于指示第二图像区域的边缘信息。例如第二特征向量可以包括第二图像区域中的车辆的颜色、尺寸等信息。可以使用卷积神经网络提取第二图像区域的第二特征向量。第二重合度又可以称为交并比,两个第二图像区域的重合度具体是指两个第二图像区域的交并比。两个第二图像区域的重合度等于两个第二图像区域的交集除以两个第二图像区域的并集,用公式表达为:IoU=[area(C)∩area(D)]/[area(C)∪area(D)],area(C)为第二图像区域C,area(D)为第二图像区域D。具体实现中,可以根据两个第二图像区域分别在第二图像中的位置坐标计算两个第二图像区域的交并比。
在一个实施例中,第二图像集合中每帧第二图像都以第二图像中的相同位置为坐标原点建立坐标系,例如以第二图像的左上角为坐标原点建立坐标系,或者以左下角、右上角、中点位置等建立坐标系,因此可认为每个第二图像区域都是基于同一坐标原点得到的位置坐标,则可得到该坐标系下的各个第二图像区域对应的位置坐标,从而根据各个第二图像区域对应的位置坐标计算各个第二图像区域之间的交并比。
其次,根据第二图像区域的第二特征向量,确定第二图像区域之间的第二特征相似度。
这里,由于上述步骤提取了第二图像区域的第二特征向量,这里可以通过计算各个第二图像区域对应的第二特征向量之间的欧几里得距离得到第二特征相似度,相似度的计算方法还包括皮尔逊相关系数法、Cosine相似度法等,此处不做限定。
最后,根据第二重合度以及第二特征相似度确定第二图像区域之间的第二相似度。
这里,若任意两个第二图像区域之间的第二重合度大于重合度阈值,且该任意两个第二图像区域之间的第二特征相似度大于相似度阈值,则可确定该任意两个第二图像区域之间的第二相似度大于预设相似阈值。
例如,重合度阈值为0.6,相似度阈值为0.7,预设相似阈值为0.6,第二图像区域C和第二图像区域D之间的第二重合度为0.65,第二图像区域C和第二图像区域D之间的第二特征相似度为0.73,则第二图像区域C和第二图像区域D之间的第二相似度大于0.6。
S108,将第二相似度大于预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第二轨迹片段集合。
这里,将第二相似度大于预设相似阈值的所有第二图像区域添加至同一个轨迹片段集合。例如,第二图像区域A分别与第二图像区域B~第二图像区域D之间的相似度均大于预设相似阈值,则将第二图像区域A~第二图像区域D均加入同一个轨迹片段集合,得到第二轨迹片段集合1;第二图像区域E分别与第二图像区域F~第二图像区域H之间的相似度均大于预设相似阈值,则将第二图像区域E~第二图像区域H均加入同一个轨迹片段集合,得到第二轨迹片段集合2,等等,由此可得到至少一个第二轨迹片段集合。可知,每个第二轨迹片段集合中的第二图像区域的数量相等,一个第二轨迹片段集合对应一个车辆,若一个第二拍摄装置拍摄到5个车辆,则得到5个第二轨迹片段集合。
本申请实施例中,具体可以通过以下过程将第二相似度大于预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第二轨迹片段集合:
一、将第二相似度大于预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第三候选轨迹片段集合。
二、获取第二图像区域的区域帧标识。
三、从第二候选轨迹片段集合中移除区域帧标识之差超出第一范围的第二图像区域,得到第四候选轨迹片段集合。
四、获取第四候选轨迹片段集合中的第二图像区域的第四特征向量,第四特征向量用于指示第二图像区域的语义信息。
五、根据第四特征向量确定第四候选轨迹片段集合中的第二图像区域之间的连接损失。
这里,具体确定第四候选轨迹片段集合中的第二图像区域之间的连接损失的方法可参考公式(1-1)。
六、根据第四候选轨迹片段集合中的第二图像区域之间的连接损失确定第四候选轨迹片段集合的总连接损失。
这里,具体确定第四候选轨迹片段集合的总连接损失的方法可参考公式(1-2)。
七、若第四候选轨迹片段集合的总连接损失小于连接损失阈值,则将第四候选轨迹片段集合确定为第二轨迹片段集合。
在一个实施例中,可以将第二相似度大于预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第二候选轨迹片段集合;获取第二图像区域的区域帧标识;从第二候选轨迹片段集合中移除区域帧标识之差超出第二范围的第二图像区域,得到第二轨迹片段集合。
这里,第二图像区域的区域帧标识之差在该范围内表示该第二图像区域的区域帧标识对应的第二图像区域可能为同一辆车在不同帧图像中的图像区域;若第二图像区域的区域帧标识之差等于0则表示该两个第二图像区域为同一帧第二图像中的两个第二图像区域;若第二图像区域的区域帧标识之差超出第二范围则表示该第二图像区域为不同帧第二图像中的两个第二图像区域,且该两个第二图像区域为不同车辆对应的图像区域。
S109,若第一轨迹片段集合和第二轨迹片段集合之间具有相似性,则根据第一轨迹片段集合和第二轨迹片段集合确定车辆的行驶轨迹。
这里,若第一轨迹片段集合和第二轨迹片段集合之间具有相似性,表示该第一轨迹片段集合和该第二轨迹片段集合为由不同拍摄装置在不同时刻拍摄到的同一车辆的轨迹片段集合,因此可以得到该车辆在不同拍摄装置中的轨迹片段集合,可以根据轨迹片段对应的时间将各个轨迹片段集合进行排序以及拼接,得到该车辆对应的长时间范围内的轨迹片段集合,由此可以确定该车辆的行驶轨迹。本申请实施例中是针对任意一个车辆对应的图像进行处理,得到该车辆在不同拍摄装置中的轨迹片段集合,从而得到该车辆的行驶轨迹,针对其他车辆,可以参考该行驶轨迹确定方法,从而确定出任意一个或者多个车辆的行驶轨迹。
本申请实施例中,可以通过以下过程确定第一轨迹片段集合和第二轨迹片段集合之间具有相似性。
一、获取第一轨迹片段集合中第一图像区域的第一图像特征和第一图像特征对应的第一权重,根据第一图像特征和第一权重,计算得到第一图像融合特征。
其中,第一图像特征包括第一特征向量和第三特征向量,即第一图像特征包括第一图像区域的边缘信息以及语义信息等。也就是说,第一图像特征包含的特征数量大于或等于第一特征向量包含的特征数量和第三特征向量包含的特征数量之和。
第一图像特征对应的第一权重可以根据需求设置,例如,可以设置第一轨迹片段集合中区域帧标识较小的n1个第一图像区域的第一权重大于区域帧标识较大的n2个第一图像区域的第一权重。
由于道路交通中车辆行驶过程中,车辆与任意一个拍摄装置之间的距离由远到近,再由近到远,因此拍摄装置拍摄到的前几帧图像中的车辆对应的第一图像区域较小,则可设置该图像区域对应的第一权重较小;拍摄装置拍摄到的后几帧图像中的车辆对应的第一图像区域较大,则可设置该图像区域对应的第一权重较大。
例如,拍摄装置拍摄到车辆对应的第一图像的数量为7,则可将前4张(即拍摄的时间在前的4张)第一图像对应的第一图像区域的第一权重设置为0.2、0.3、0.4等数值,将后3张第一图像对应的第一图像区域的第一权重设置为0.5、0.6、0.7等数值,即车辆对应的第一图像区域中面积较大的第一图像区域对应的第一权重较大。
可选的,例如拍摄装置为360°全方位的拍摄装置,即车辆行驶过程中与该拍摄装置之间的距离由远到近,再由近到远,拍摄得到的第一图像中的车辆对应的第一图像区域的面积由小变大,再由大变小,拍摄装置拍摄到车辆对应的第一图像的数量为7,则可将第1~2张(即拍摄的时间在前的2张)第一图像对应的第一图像区域的第一权重设置为0.2、0.3、0.4等数值,将第3~5张第一图像对应的第一图像区域的第一权重设置为0.5、0.6、0.7等数值,将第6~7张(即拍摄的时间在后的2张)第一图像对应的第一图像区域的第一权重设置为0.2、0.3、0.4等数值,即车辆对应的第一图像区域中面积较大的第一图像区域对应的第一权重较大。可以理解的是,同一车辆对应的第一轨迹片段集合中第一图像区域的第一权重之和等于1。
第一图像融合特征则包括第一轨迹片段集合中各个第一图像区域的图像特征和各个第一图像区域对应的权重。一个第一轨迹片段集合对应一个第一图像融合特征。
二、获取第一轨迹片段集合中第一图像区域的第一外观特征和第一图像区域的第一时间特征。
这里,第一外观特征包括第一图像特征和车辆的轮廓特征,即第一外观特征包括第一图像区域的边缘信息、语义信息、车辆的轮廓特征等。车辆的轮廓特征可以包括车辆的关键点,通过车辆关键点可以确定车辆的轮廓。例如可以包括车辆的36个关键点,或者更多的车辆关键点或更少的车辆关键点。可选的,第一外观特征还可以包括第一图像区域的车辆的方向特征等,车辆的方向特征用于指示车辆的行驶方向。也就是说,第一外观特征包含的特征数量大于第一图像特征包含的特征数量。第一图像区域的第一时间特征例如可以为第一图像区域对应的第一图像的拍摄时间,或者第一图像区域的区域帧标识等。
三、根据第一图像融合特征、第一车辆外观特征以及第一时间特征,得到第一轨迹片段集合对应的第一视频特征。
这里,通过对第一轨迹片段集合对应的第一图像融合特征、第一车辆外观特征以及第一时间特征进行融合,得到该第一轨迹片段集合对应的第一视频特征,由于第一视频特征包含了车辆的边缘信息、语义信息、车辆的轮廓特征以及车辆的方向特征等信息,因此可以较完整的反映该车辆在第一轨迹片段集合中的各个第一图像区域的运动情况。
这里,步骤一~步骤三的过程可以参考图3,图3是本申请实施例提供的一种特征提取网络示意图,图3中,F1表示第一图像特征,F2表示第一外观特征,F3表示第一时间特征,f表示图像,即第一轨迹片段集合中的第一图像区域。对于第一轨迹片段集合中的第一图像区域,通过提取每个第一图像区域的第一图像特征和设置第一权重,得到第一图像融合特征F1,通过提取每个第一图像区域的第一车辆外观特征F2以及提取每个第一图像区域的第一时间特征F3,对F1、F2、F3进行融合得到第一轨迹片段集合对应的视频特征,即得到第一拍摄装置拍摄到的该车辆对应的视频特征F4。
四、获取第二轨迹片段集合中第二图像区域的第二图像特征和第二图像特征对应的第二权重,根据第二图像特征和第二权重,计算得到第二图像融合特征。
其中,第二图像特征包括第二特征向量和第四特征向量,即第二图像特征包括第二图像区域的边缘信息以及语义信息等。也就是说,第二图像特征包含的特征数量大于或等于第二特征向量包含的特征数量和第四特征向量包含的特征数量之和。
第二图像特征对应的第二权重可以根据需求设置,例如,可以设置第二轨迹片段集合中区域帧标识较小的n3个第二图像区域的第二权重大于区域帧标识较大的n4个第二图像区域的第二权重。
由于道路交通中车辆行驶过程中,车辆与任意一个拍摄装置之间的距离由远到近,再由近到远,因此拍摄装置拍摄到的前几帧图像中的车辆对应的第二图像区域较小,则可设置该图像区域对应的第二权重较小;拍摄装置拍摄到的后几帧图像中的车辆对应的第二图像区域较大,则可设置该图像区域对应的第二权重较大。具体的第二图像区域的第二权重确定方法可参考第一图像区域的第一权重确定方法,此处不再赘述。
第二图像融合特征则包括第二轨迹片段集合中各个第二图像区域的图像特征和各个第二图像区域对应的权重。一个第二轨迹片段集合对应一个第二图像融合特征。
五、获取第二轨迹片段集合中第二图像区域的第二外观特征和第二图像区域的第二时间特征。
这里,第二外观特征包括第二图像特征和车辆的轮廓特征,即第二外观特征包括第二图像区域的边缘信息、语义信息、车辆的轮廓特征等。车辆的轮廓特征可以包括车辆的关键点,通过车辆关键点可以确定车辆的轮廓。例如可以包括车辆的36个关键点,或者更多的车辆关键点或更少的车辆关键点。可选的,第二外观特征还可以包括第二图像区域的车辆的方向特征等,车辆的方向特征用于指示车辆的行驶方向。也就是说,第二外观特征包含的特征数量大于第二图像特征包含的特征数量。第二图像区域的第二时间特征例如可以为第二图像区域对应的第二图像的拍摄时间,或者第二图像区域的区域帧标识等。
六、根据第二图像融合特征、第二车辆外观特征以及第二时间特征,得到第二轨迹片段集合对应的第二视频特征。
这里,通过对第二轨迹片段集合对应的第二图像融合特征、第二车辆外观特征以及第二时间特征进行融合,得到该第二轨迹片段集合对应的第二视频特征,由于第二视频特征包含了车辆的边缘信息、语义信息、车辆的轮廓特征以及车辆的方向特征等信息,因此可以较完整的反映该车辆在第二轨迹片段集合中的各个第一图像区域的运动情况。具体可以参考图3的方式得到第二轨迹片段集合对应的第二视频特征。
七、计算第一视频特征与第二视频特征之间的匹配度。
具体实现中,可以通过计算第一视频特征与第二视频特征之间的欧几里得距离得到第一视频特征与第二视频特征之间的匹配度,相似度的计算方法还包括皮尔逊相关系数法、Cosine相似度法等,此处不做限定。
八、若匹配度大于匹配度阈值,则确定第一轨迹片段集合和第二轨迹片段集合之间具有相似性。
本申请实施例中,若匹配度大于匹配度阈值,则确定第一轨迹片段集合和第二轨迹片段集合之间具有相似性,则根据第一轨迹片段集合和第二轨迹片段集合确定车辆的行驶轨迹;若匹配度大于或等于匹配度阈值,则确定第一轨迹片段集合和第二轨迹片段集合之间不具有相似性,则不再根据第一轨迹片段集合和第二轨迹片段集合确定车辆的行驶轨迹。这里,匹配度阈值例如可以为60%、70%、80%等任意数值,本申请实施例中对此不进行限定。本申请中的图像集合、图像区域、轨迹片段集合以及车辆行驶轨迹可以存储在区块链中。
可选的,本申请中的计算机设备可以是指区块链中的任一节点设备,所谓区块链是一种分布式数据存储、点对点传输(P2P传输)、共识机制、加密算法等计算机技术的新型应用模式,其本质上是一个去中心化的数据库;区块链可由多个借由密码学串接并保护内容的串连交易记录(又称区块)构成,用区块链所串接的分布式账本能让多方有效纪录交易,且可永久查验此交易(不可篡改)。其中,共识机制是指区块链网络中实现不同节点之间建立信任、获取权益的数学算法;也就是说,共识机制是区块链各网络节点共同认可的一种数学算法。本申请可利用区块链的共识机制,来实现确定出同一车辆在不同时间以及不同范围内的行驶轨迹,扩大对车辆追踪的范围,以及提高确定车辆行驶轨迹的准确性。
本申请实施例中,由于第一图像区域包含车辆的特征信息,因此通过计算每两个第一图像区域之间的相似度可以确定出同一车辆对应的第一图像区域,即确定出同一车辆在第一拍摄装置下的不同帧第一图像中的运动轨迹,即第一轨迹片段集合;同理,通过计算每两个第二图像区域之间的相似度可确定出同一车辆在第二拍摄装置下的不同帧第二图像中的运动轨迹,即第二轨迹片段集合。再通过计算第一轨迹片段集合和第二轨迹片段集合中的图像区域之间的相似性,从而确定出包含同一车辆的第一轨迹片段集合与第二轨迹片段集合,即确定出同一车辆在不同拍摄装置下的行驶轨迹,从而得到车辆在不同时间以及不同范围内的行驶轨迹,扩大对车辆追踪的范围;由于对不同的图像区域之间进行了多次特征提取和特征匹配,因此可以提高图像识别的准确性,从而提高确定车辆行驶轨迹的准确性。
可选的,在确定第二拍摄装置对应的第二轨迹片段集合之前,还可以多第二候选拍摄装置进行筛选,筛选出冗余的拍摄装置拍摄的第二轨迹片段集合,从而减少计算量,提高确定车辆的行驶轨迹的效率。具体方法请参见图4,图4是本申请实施例提供的一种车辆行驶轨迹确定方法的流程示意图,本申请实施例可以通过计算机设备来执行;如图4所示,该方法包括:
S201,获取路况信息图。
这里,路况信息图包括第一拍摄装置与多个第二候选拍摄装置所在的路况信息以及车辆在路况信息图中的位置区域。路况信息图例如可以为路段示意图或者路口示意图,路段示意图可以包括多个路口或者一段路径对应的多个路段,路口示意图例如包括多种路口,例如十字路口、交叉路口、三岔路口等等。路况信息图还包括拍摄装置,例如一个路口或者一个路段配置有一个拍摄装置。可选的,一个路口或者一个路段也可以配置多个拍摄装置。这里,路况信息图中可以包含一个第一拍摄装置和多个第二候选拍摄装置,第一拍摄装置和第二候选拍摄装置的数量之和可以等于路口或者路段的数量。
路况信息图中还包括车辆在路况信息图中的位置区域,由于车辆是运动的,因此每个路况信息图中车辆的位置区域不同。若车辆为静止的,则每个路况信息图中车辆的位置区域相同。路况信息图例如可以如图5所示,图5是本申请实施例提供的一种路况信息图,其中,箭头指示的方向为车辆应该行驶的方向。
S202,从路况信息图中确定车辆的候选行驶区域,以及确定车辆的标记区域。
这里,标记区域为路况信息图中标记的车辆的行驶区域,车辆的候选行驶区域为车辆可能行驶的区域,可知,一个候选行驶区域对应两个路口,即用两个路口表示一个候选行驶区域,一个标记区域对应两个路口。如图5所示,车辆的候选行驶区域包括[6,3]、[6,5]、[6,1]、[2,7]、[2,1]、[2,5]、[8,5]、[8,7]等等。车辆的标记区域例如可以为[8,5],或者为候选行驶区域中的任意一个区域。可选的,车辆的标记区域可以为候选行驶区域以外的可行驶区域。
S203,根据候选行驶区域、标记区域、车辆在路况信息图中的位置区域,确定车辆的实际行驶区域。
本申请实施例中,可以通过以下方式确定车辆的实际行驶区域:
首先,确定车辆在路况信息图中的位置区域与候选行驶区域之间的重叠区域。
这里,可以根据路况信息图中的任意一个位置为坐标原点建立坐标系,例如以路况信息图中的左上角为坐标原点建立坐标系,即可根据车辆在路况信息图中的位置得到车辆的位置区域对应的坐标,根据标注的候选行驶区域在路况信息图中的位置即可得到各个候选行驶区域对应的坐标,以及根据标记区域在路况信息图中的位置得到标记区域的坐标。根据车辆在路况信息图中的位置区域对应的坐标与候选行驶区域对应的坐标可计算得到车辆在路况信息图中的位置区域与候选行驶区域之间的交并比,再根据该交并比与该车辆在路况信息图中的位置区域的面积之间的比值,计算得到车辆在路况信息图中的位置区域与候选行驶区域之间的重叠区域的面积。
其次,根据重叠区域、候选行驶区域、标记区域,计算候选行驶区域中每个候选行驶区域与标记区域之间的偏差。
这里,根据重叠区域的面积、候选行驶区域、标记区域,计算候选行驶区域中每个候选行驶区域与标记区域之间的偏差的方法可参考公式(1-3):
最后,将最小偏差对应的候选行驶区域确定为车辆的实际行驶区域。
通过上述公式(1-3),可计算得到候选行驶区域中每个候选行驶区域与标记区域之间的偏差,偏差越小,表示该标记区域与该候选行驶区域之间的重合程度越大,即该候选行驶区域为标记区域的可能性越大,将该候选行驶区域确定为车辆的实际行驶区域;偏差越大,表示该标记区域与该候选行驶区域之间的重合程度越小,即该候选行驶区域为标记区域的可能性越小。
例如,3个候选行驶区域分别为候选行驶区域1~候选行驶区域3,计算得到3个候选行驶区域与标记区域之间的偏差分别为0.1、0.5、0.7,则将候选行驶区域1确定为车辆的实际行驶区域。
S204,将多个第二候选拍摄装置属于车辆的实际行驶区域中的第二候选拍摄装置确定为第二拍摄装置。
由于路况信息图中包含多个第二候选拍摄装置,上述步骤可以确定出车辆的实际行驶区域,因此将多个第二候选拍摄装置属于车辆的实际行驶区域中的第二候选拍摄装置确定为第二拍摄装置。例如确定候选行驶区域1为车辆的实际行驶区域,则将候选行驶区域1中的拍摄装置确定为第二拍摄装置。
本申请实施例是针对一个第一拍摄装置和多个第二候选拍摄装置进行的处理,得到与第一拍摄装置对应的第二拍摄装置,可以理解的是,对于多个第一候选拍摄装置和一个第二拍摄装置,也可以使用该方法进行处理,从而筛选出冗余的拍摄装置,得到与第一拍摄装置对应的第二拍摄装置,从而得到不同拍摄装置拍摄的同一车辆的轨迹片段集合,进而得到该车辆的行驶轨迹。
本申请实施例中,在确定第二拍摄装置对应的第二轨迹片段集合之前,通过对多个第二候选拍摄装置进行筛选,筛选出冗余的拍摄装置,从而可以筛选出冗余的拍摄装置拍摄图像对应的第二轨迹片段集合,可以减少后续计算第二图像区域之间的相似度,以及减少后续计算轨迹片段集合之间的相似性,进而减少计算量,提高确定车辆的行驶轨迹的效率。
上面介绍了本申请实施例的方法,下面介绍本申请实施例的装置。
参见图6,图6是本申请实施例提供的一种车辆行驶轨迹确定装置的组成结构示意图,上述一种车辆行驶轨迹确定装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该一种车辆行驶轨迹确定装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。该装置60包括:
图像获取模块601,用于获取第一拍摄装置拍摄得到的第一图像集合,以及第二拍摄装置拍摄得到的第二图像集合;
区域获取模块602,用于分别对该第一图像集合以及该第二图像集合进行检测,得到该第一图像集合中每帧图像中车辆对应的第一图像区域,以及该第二图像集合中每帧图像中车辆对应的第二图像区域;
相似度获取模块603,用于获取该第一图像区域之间的第一相似度,获取该第二图像区域之间的第二相似度;
轨迹片段获取模块604,用于将该第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合,将该第二相似度大于该预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第二轨迹片段集合;
行驶轨迹确定模块605,用于若该第一轨迹片段集合和该第二轨迹片段集合之间具有相似性,则根据该第一轨迹片段集合和该第二轨迹片段集合确定车辆的行驶轨迹。
可选的,该相似度获取模块603,具体用于:
获取该第一图像区域之间的第一重合度,以及该第一图像区域的第一特征向量,该第一特征向量用于指示该第一图像区域的边缘信息;
根据该第一图像区域的第一特征向量,确定该第一图像区域之间的第一特征相似度;
根据该第一重合度以及该第一特征相似度确定该第一图像区域之间的第一相似度;
获取该第二图像区域之间的第二重合度,以及该第二图像区域的第二特征向量,该第二特征向量用于指示该第二图像区域的边缘信息;
根据该第二图像区域的第二特征向量,确定该第二图像区域之间的第二特征相似度;
根据该第二重合度以及该第二特征相似度确定该第二图像区域之间的第二相似度。
可选的,该轨迹片段获取模块604,具体用于:
将该第一相似度大于该预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一候选轨迹片段集合;
获取该第一图像区域的区域帧标识;
从该第一候选轨迹片段集合中移除区域帧标识之差超出第一范围的第一图像区域,得到第二候选轨迹片段集合;
获取该第二候选轨迹片段集合中的第一图像区域的第三特征向量,该第三特征向量用于指示该第一图像区域的语义信息;
根据该第三特征向量确定该第二候选轨迹片段集合中的第一图像区域之间的连接损失;
根据该第二候选轨迹片段集合中的第一图像区域之间的连接损失确定该第二候选轨迹片段集合的总连接损失;
若该第二候选轨迹片段集合的总连接损失小于连接损失阈值,则将该第二候选轨迹片段集合确定为该第一轨迹片段集合。
可选的,该装置60还包括:拍摄装置确定模块606,用于:
获取路况信息图,该路况信息图包括该第一拍摄装置与多个第二候选拍摄装置所在的路况信息以及该车辆在该路况信息图中的位置区域;
从该路况信息图中确定该车辆的候选行驶区域,以及确定该车辆的标记区域,该标记区域为该路况信息图中标记的该车辆的行驶区域;
根据该候选行驶区域、该标记区域、该车辆在该路况信息图中的位置区域,确定该车辆的实际行驶区域;
将该多个第二候选拍摄装置属于该车辆的实际行驶区域中的第二候选拍摄装置确定为该第二拍摄装置。
可选的,该拍摄装置确定模块606,具体用于:
确定该车辆在该路况信息图中的位置区域与该候选行驶区域之间的重叠区域;
根据该重叠区域、该候选行驶区域、该标记区域,计算该候选行驶区域中每个候选行驶区域与该标记区域之间的偏差;
将最小偏差对应的候选行驶区域确定为该车辆的实际行驶区域。
可选的,该轨迹片段获取模块604,具体用于:
将该第一相似度大于该预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一候选轨迹片段集合;
获取该第一图像区域的区域帧标识;
从该第一候选轨迹片段集合中移除区域帧标识之差超出第二范围的第一图像区域,得到该第一轨迹片段集合。
可选的,该装置60还包括:相似性确定模块607,用于:
获取该第一轨迹片段集合中第一图像区域的第一图像特征和该第一图像特征对应的第一权重,根据该第一图像特征和该第一权重,计算得到第一图像融合特征,该第一图像特征包括该第一特征向量和该第三特征向量;
获取该第一轨迹片段集合中第一图像区域的第一外观特征和该第一图像区域的第一时间特征,该第一外观特征包括该第一图像特征和该车辆的轮廓特征;
根据该第一图像融合特征、该第一车辆外观特征以及该第一时间特征,得到第一轨迹片段集合对应的第一视频特征;
获取该第二轨迹片段集合中第二图像区域的第二图像特征和该第二图像特征对应的第二权重,根据该第二图像特征和该第二权重,计算得到第二图像融合特征,该第二图像特征包括该第二特征向量;
获取该第二轨迹片段集合中第二图像区域的第二外观特征和该第二图像区域的第二时间特征,该第二外观特征包括该第二图像特征和该车辆的轮廓特征;
根据该第二图像融合特征、该第二车辆外观特征以及该第二时间特征,得到第二轨迹片段集合对应的第二视频特征;
计算该第一视频特征与该第二视频特征之间的匹配度;
若该匹配度大于匹配度阈值,则确定该第一轨迹片段集合和该第二轨迹片段集合之间具有相似性。
需要说明的是,图6对应的实施例中未提及的内容可参见方法实施例的描述,这里不再赘述。
根据本申请的一个实施例,图2所示的一种车辆行驶轨迹确定方法所涉及的步骤可由图6所示的一种车辆行驶轨迹确定装置中的各个模块来执行。例如,图2中所示的步骤S101可由图6中的图像获取模块601来执行,图2中所示的步骤S102可由图6中的区域获取模块602来执行;图2中所示的步骤S103可由图6中的相似度获取模块603来执行;图2中所示的步骤S104可由图6中的轨迹片段获取模块604来执行;图2中所示的步骤S105可由图6中的图像获取模块601来执行,图2中所示的步骤S106可由图6中的区域获取模块602来执行;图2中所示的步骤S107可由图6中的相似度获取模块603来执行;图2中所示的步骤S108可由图6中的轨迹片段获取模块604来执行;图2中所示的步骤S109可由图6中的行驶轨迹确定模块605来执行。根据本申请的一个实施例,图6所示的一种车辆行驶轨迹确定中的各个模块可以分别或全部合并为一个或若干个单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个子单元,可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述模块是基于逻辑功能划分的,在实际应用中,一个模块的功能也可以由多个单元来实现,或者多个模块的功能由一个单元实现。在本申请的其它实施例中,一种车辆行驶轨迹确定装置也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算机设备上运行能够执行如图2中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图6中所示的一种车辆行驶轨迹确定装置,以及来实现本申请实施例的一种车辆行驶轨迹确定方法。上述计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算设备中,并在其中运行。
本申请实施例中,由于第一图像区域包含车辆的特征信息,因此通过计算每两个第一图像区域之间的相似度可以确定出同一车辆对应的第一图像区域,即确定出同一车辆在第一拍摄装置下的不同帧第一图像中的运动轨迹,即第一轨迹片段集合;同理,通过计算每两个第二图像区域之间的相似度可确定出同一车辆在第二拍摄装置下的不同帧第二图像中的运动轨迹,即第二轨迹片段集合。再通过计算第一轨迹片段集合和第二轨迹片段集合中的图像区域之间的相似性,从而确定出包含同一车辆的第一轨迹片段集合与第二轨迹片段集合,即确定出同一车辆在不同拍摄装置下的行驶轨迹,从而得到车辆在不同时间以及不同范围内的行驶轨迹,扩大对车辆追踪的范围;由于对不同的图像区域之间进行了多次特征提取和特征匹配,因此可以提高图像识别的准确性,从而提高确定车辆行驶轨迹的准确性。
参见图7,图7是本申请实施例提供的一种计算机设备的组成结构示意图。如图7所示,上述计算机设备70可以包括:处理器701,网络接口704和存储器705,此外,上述计算机设备70还可以包括:用户接口703,和至少一个通信总线702。其中,通信总线702用于实现这些组件之间的连接通信。其中,用户接口703可以包括显示屏(Display)、键盘(Keyboard),可选用户接口703还可以包括标准的有线接口、无线接口。网络接口704可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器705可以是高速RAM存储器,也可以是非易失性的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器705可选的还可以是至少一个位于远离前述处理器701的存储装置。如图7所示,作为一种计算机可读存储介质的存储器705中可以包括操作***、网络通信模块、用户接口模块以及设备控制应用程序。
在图7所示的计算机设备70中,网络接口704可提供网络通讯功能;而用户接口703主要用于为用户提供输入的接口;而处理器701可以用于调用存储器705中存储的设备控制应用程序,以实现:
获取第一拍摄装置拍摄得到的第一图像集合,以及第二拍摄装置拍摄得到的第二图像集合;
分别对该第一图像集合以及该第二图像集合进行检测,得到该第一图像集合中每帧图像中车辆对应的第一图像区域,以及该第二图像集合中每帧图像中车辆对应的第二图像区域;
获取该第一图像区域之间的第一相似度,获取该第二图像区域之间的第二相似度;
将该第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合,将该第二相似度大于该预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第二轨迹片段集合;
若该第一轨迹片段集合和该第二轨迹片段集合之间具有相似性,则根据该第一轨迹片段集合和该第二轨迹片段集合确定车辆的行驶轨迹。
应当理解,本申请实施例中所描述的计算机设备70可执行前文图2以及图4所对应实施例中对上述一种车辆行驶轨迹确定方法的描述,也可执行前文图6所对应实施例中对上述一种车辆行驶轨迹确定装置的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
本申请实施例中,由于第一图像区域包含车辆的特征信息,因此通过计算每两个第一图像区域之间的相似度可以确定出同一车辆对应的第一图像区域,即确定出同一车辆在第一拍摄装置下的不同帧第一图像中的运动轨迹,即第一轨迹片段集合;同理,通过计算每两个第二图像区域之间的相似度可确定出同一车辆在第二拍摄装置下的不同帧第二图像中的运动轨迹,即第二轨迹片段集合。再通过计算第一轨迹片段集合和第二轨迹片段集合中的图像区域之间的相似性,从而确定出包含同一车辆的第一轨迹片段集合与第二轨迹片段集合,即确定出同一车辆在不同拍摄装置下的行驶轨迹,从而得到车辆在不同时间以及不同范围内的行驶轨迹,扩大对车辆追踪的范围;由于对不同的图像区域之间进行了多次特征提取和特征匹配,因此可以提高图像识别的准确性,从而提高确定车辆行驶轨迹的准确性。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令当被计算机执行时使该计算机执行如前述实施例该的方法,该计算机可以为上述提到的计算机设备的一部分。例如为上述的处理器701。作为示例,程序指令可被部署在一个计算机设备上执行,或者被部署位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行,分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链网络。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,该的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种车辆行驶轨迹确定方法,其特征在于,包括:
获取第一拍摄装置拍摄得到的第一图像集合,以及第二拍摄装置拍摄得到的第二图像集合;
分别对所述第一图像集合以及所述第二图像集合进行检测,得到所述第一图像集合中每帧图像中车辆对应的第一图像区域,以及所述第二图像集合中每帧图像中车辆对应的第二图像区域;
获取所述第一图像区域之间的第一相似度,获取所述第二图像区域之间的第二相似度;
将所述第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合,将所述第二相似度大于所述预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第二轨迹片段集合;
若所述第一轨迹片段集合和所述第二轨迹片段集合之间具有相似性,则根据所述第一轨迹片段集合和所述第二轨迹片段集合确定车辆的行驶轨迹。
2.根据权利要求1所述的方法,其特征在于,所述获取所述第一图像区域之间的第一相似度,获取所述第二图像区域之间的第二相似度,包括:
获取所述第一图像区域之间的第一重合度,以及所述第一图像区域的第一特征向量,所述第一特征向量用于指示所述第一图像区域的边缘信息;
根据所述第一图像区域的第一特征向量,确定所述第一图像区域之间的第一特征相似度;
根据所述第一重合度以及所述第一特征相似度确定所述第一图像区域之间的第一相似度;
获取所述第二图像区域之间的第二重合度,以及所述第二图像区域的第二特征向量,所述第二特征向量用于指示所述第二图像区域的边缘信息;
根据所述第二图像区域的第二特征向量,确定所述第二图像区域之间的第二特征相似度;
根据所述第二重合度以及所述第二特征相似度确定所述第二图像区域之间的第二相似度。
3.根据权利要求1所述的方法,其特征在于,所述将所述第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合,包括:
将所述第一相似度大于所述预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一候选轨迹片段集合;
获取所述第一图像区域的区域帧标识;
从所述第一候选轨迹片段集合中移除区域帧标识之差超出第一范围的第一图像区域,得到第二候选轨迹片段集合;
获取所述第二候选轨迹片段集合中的第一图像区域的第三特征向量,所述第三特征向量用于指示所述第一图像区域的语义信息;
根据所述第三特征向量确定所述第二候选轨迹片段集合中的第一图像区域之间的连接损失;
根据所述第二候选轨迹片段集合中的第一图像区域之间的连接损失确定所述第二候选轨迹片段集合的总连接损失;
若所述第二候选轨迹片段集合的总连接损失小于连接损失阈值,则将所述第二候选轨迹片段集合确定为所述第一轨迹片段集合。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取路况信息图,所述路况信息图包括所述第一拍摄装置与多个第二候选拍摄装置所在的路况信息以及所述车辆在所述路况信息图中的位置区域;
从所述路况信息图中确定所述车辆的候选行驶区域,以及确定所述车辆的标记区域,所述标记区域为所述路况信息图中标记的所述车辆的行驶区域;
根据所述候选行驶区域、所述标记区域、所述车辆在所述路况信息图中的位置区域,确定所述车辆的实际行驶区域;
将所述多个第二候选拍摄装置属于所述车辆的实际行驶区域中的第二候选拍摄装置确定为所述第二拍摄装置。
5.根据权利要求4所述的方法,其特征在于,所述根据所述候选行驶区域、所述标记区域、所述车辆在所述路况信息图中的位置区域,确定所述车辆的实际行驶区域,包括:
确定所述车辆在所述路况信息图中的位置区域与所述候选行驶区域之间的重叠区域;
根据所述重叠区域、所述候选行驶区域、所述标记区域,计算所述候选行驶区域中每个候选行驶区域与所述标记区域之间的偏差;
将最小偏差对应的候选行驶区域确定为所述车辆的实际行驶区域。
6.根据权利要求1所述的方法,其特征在于,所述将所述第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合,包括:
将所述第一相似度大于所述预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一候选轨迹片段集合;
获取所述第一图像区域的区域帧标识;
从所述第一候选轨迹片段集合中移除区域帧标识之差超出第二范围的第一图像区域,得到所述第一轨迹片段集合。
7.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述第一轨迹片段集合中第一图像区域的第一图像特征和所述第一图像特征对应的第一权重,根据所述第一图像特征和所述第一权重,计算得到第一图像融合特征,所述第一图像特征包括所述第一特征向量和所述第三特征向量;
获取所述第一轨迹片段集合中第一图像区域的第一外观特征和所述第一图像区域的第一时间特征,所述第一外观特征包括所述第一图像特征和所述车辆的轮廓特征;
根据所述第一图像融合特征、所述第一车辆外观特征以及所述第一时间特征,得到第一轨迹片段集合对应的第一视频特征;
获取所述第二轨迹片段集合中第二图像区域的第二图像特征和所述第二图像特征对应的第二权重,根据所述第二图像特征和所述第二权重,计算得到第二图像融合特征,所述第二图像特征包括所述第二特征向量;
获取所述第二轨迹片段集合中第二图像区域的第二外观特征和所述第二图像区域的第二时间特征,所述第二外观特征包括所述第二图像特征和所述车辆的轮廓特征;
根据所述第二图像融合特征、所述第二车辆外观特征以及所述第二时间特征,得到第二轨迹片段集合对应的第二视频特征;
计算所述第一视频特征与所述第二视频特征之间的匹配度;
若所述匹配度大于匹配度阈值,则确定所述第一轨迹片段集合和所述第二轨迹片段集合之间具有相似性。
8.一种车辆行驶轨迹确定装置,其特征在于,包括:
图像获取模块,用于获取第一拍摄装置拍摄得到的第一图像集合,以及第二拍摄装置拍摄得到的第二图像集合;
区域获取模块,用于分别对所述第一图像集合以及所述第二图像集合进行检测,得到所述第一图像集合中每帧图像中车辆对应的第一图像区域,以及所述第二图像集合中每帧图像中车辆对应的第二图像区域;
相似度获取模块,用于获取所述第一图像区域之间的第一相似度,获取所述第二图像区域之间的第二相似度;
轨迹片段获取模块,用于将所述第一相似度大于预设相似阈值的第一图像区域添加至同一个轨迹片段集合,得到第一轨迹片段集合,将所述第二相似度大于所述预设相似阈值的第二图像区域添加至同一个轨迹片段集合,得到第二轨迹片段集合;
行驶轨迹确定模块,用于若所述第一轨迹片段集合和所述第二轨迹片段集合之间具有相似性,则根据所述第一轨迹片段集合和所述第二轨迹片段集合确定车辆的行驶轨迹。
9.一种计算机设备,其特征在于,包括:处理器、存储器以及网络接口;
所述处理器与所述存储器、所述网络接口相连,其中,所述网络接口用于提供数据通信功能,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602124.2A CN111767839B (zh) | 2020-06-28 | 2020-06-28 | 一种车辆行驶轨迹确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602124.2A CN111767839B (zh) | 2020-06-28 | 2020-06-28 | 一种车辆行驶轨迹确定方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767839A true CN111767839A (zh) | 2020-10-13 |
CN111767839B CN111767839B (zh) | 2024-05-31 |
Family
ID=72722527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010602124.2A Active CN111767839B (zh) | 2020-06-28 | 2020-06-28 | 一种车辆行驶轨迹确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767839B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949751A (zh) * | 2021-03-25 | 2021-06-11 | 深圳市商汤科技有限公司 | 车辆图像聚类及轨迹还原方法 |
CN113673403A (zh) * | 2021-08-12 | 2021-11-19 | 深圳普捷利科技有限公司 | 行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469299A (zh) * | 2016-08-31 | 2017-03-01 | 北京邮电大学 | 一种车辆搜索方法及装置 |
CN106980658A (zh) * | 2017-03-15 | 2017-07-25 | 北京旷视科技有限公司 | 视频标注方法及装置 |
CN108154119A (zh) * | 2017-12-25 | 2018-06-12 | 北京奇虎科技有限公司 | 基于自适应跟踪框分割的自动驾驶处理方法及装置 |
CN109035299A (zh) * | 2018-06-11 | 2018-12-18 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
CN109712428A (zh) * | 2019-02-27 | 2019-05-03 | 爱笔(北京)智能科技有限公司 | 一种停车位置定位方法及装置、*** |
CN110428448A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
CN110634153A (zh) * | 2019-09-19 | 2019-12-31 | 上海眼控科技股份有限公司 | 目标跟踪模板更新方法、装置、计算机设备和存储介质 |
CN110717414A (zh) * | 2019-09-24 | 2020-01-21 | 青岛海信网络科技股份有限公司 | 一种目标检测追踪方法、装置及设备 |
US20200074646A1 (en) * | 2017-09-04 | 2020-03-05 | Tencent Technology (Shenzhen) Company Limited | Method for obtaining image tracking points and device and storage medium thereof |
CN111047622A (zh) * | 2019-11-20 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 视频中对象的匹配方法和装置、存储介质及电子装置 |
CN111091115A (zh) * | 2019-12-31 | 2020-05-01 | 深圳中兴网信科技有限公司 | 车辆监控方法、装置、计算机设备及存储介质 |
CN111127520A (zh) * | 2019-12-26 | 2020-05-08 | 华中科技大学 | 一种基于视频分析的车辆跟踪方法和*** |
CN111178161A (zh) * | 2019-12-12 | 2020-05-19 | 重庆邮电大学 | 一种基于fcos的车辆追踪方法及*** |
-
2020
- 2020-06-28 CN CN202010602124.2A patent/CN111767839B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469299A (zh) * | 2016-08-31 | 2017-03-01 | 北京邮电大学 | 一种车辆搜索方法及装置 |
CN106980658A (zh) * | 2017-03-15 | 2017-07-25 | 北京旷视科技有限公司 | 视频标注方法及装置 |
US20200074646A1 (en) * | 2017-09-04 | 2020-03-05 | Tencent Technology (Shenzhen) Company Limited | Method for obtaining image tracking points and device and storage medium thereof |
CN108154119A (zh) * | 2017-12-25 | 2018-06-12 | 北京奇虎科技有限公司 | 基于自适应跟踪框分割的自动驾驶处理方法及装置 |
CN109035299A (zh) * | 2018-06-11 | 2018-12-18 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
WO2019237516A1 (zh) * | 2018-06-11 | 2019-12-19 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
CN109712428A (zh) * | 2019-02-27 | 2019-05-03 | 爱笔(北京)智能科技有限公司 | 一种停车位置定位方法及装置、*** |
CN110428448A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
CN110634153A (zh) * | 2019-09-19 | 2019-12-31 | 上海眼控科技股份有限公司 | 目标跟踪模板更新方法、装置、计算机设备和存储介质 |
CN110717414A (zh) * | 2019-09-24 | 2020-01-21 | 青岛海信网络科技股份有限公司 | 一种目标检测追踪方法、装置及设备 |
CN111047622A (zh) * | 2019-11-20 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 视频中对象的匹配方法和装置、存储介质及电子装置 |
CN111178161A (zh) * | 2019-12-12 | 2020-05-19 | 重庆邮电大学 | 一种基于fcos的车辆追踪方法及*** |
CN111127520A (zh) * | 2019-12-26 | 2020-05-08 | 华中科技大学 | 一种基于视频分析的车辆跟踪方法和*** |
CN111091115A (zh) * | 2019-12-31 | 2020-05-01 | 深圳中兴网信科技有限公司 | 车辆监控方法、装置、计算机设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949751A (zh) * | 2021-03-25 | 2021-06-11 | 深圳市商汤科技有限公司 | 车辆图像聚类及轨迹还原方法 |
CN113673403A (zh) * | 2021-08-12 | 2021-11-19 | 深圳普捷利科技有限公司 | 行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车 |
Also Published As
Publication number | Publication date |
---|---|
CN111767839B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368943B (zh) | 图像中对象的识别方法和装置、存储介质及电子装置 | |
CN110348463B (zh) | 用于识别车辆的方法和装置 | |
CN112037142B (zh) | 一种图像去噪方法、装置、计算机及可读存储介质 | |
CN112070071B (zh) | 视频中的对象标注方法、装置、计算机设备及存储介质 | |
CN114049512A (zh) | 模型蒸馏方法、目标检测方法、装置及电子设备 | |
CN111767839B (zh) | 一种车辆行驶轨迹确定方法、装置、设备及介质 | |
CN110619280B (zh) | 一种基于深度联合判别学习的车辆重识别方法及装置 | |
CN111753601A (zh) | 一种图像处理的方法、装置以及存储介质 | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
CN111753766A (zh) | 一种图像处理方法、装置、设备及介质 | |
CN113658265A (zh) | 相机标定方法、装置、电子设备及存储介质 | |
CN112507992A (zh) | 道路图像之间的拍摄距离确定方法、装置、设备及介质 | |
CN111626212A (zh) | 图片中对象的识别方法和装置、存储介质及电子装置 | |
CN115049731B (zh) | 一种基于双目摄像头的视觉建图和定位方法 | |
CN106023252A (zh) | 一种基于oab算法的多摄像机人体跟踪方法 | |
CN113450457B (zh) | 道路重建方法、装置、计算机设备和存储介质 | |
CN117011481A (zh) | 构建三维地图的方法、装置、电子设备及存储介质 | |
Barra et al. | Can Existing 3D Monocular Object Detection Methods Work in Roadside Contexts? A Reproducibility Study | |
CN112215205B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN114913470A (zh) | 一种事件检测方法及装置 | |
CN112257666B (zh) | 目标图像内容的聚合方法、装置、设备及可读存储介质 | |
CN112102398B (zh) | 一种定位方法、装置、设备及存储介质 | |
CN114332174A (zh) | 轨迹图像对齐方法、装置、计算机设备以及存储介质 | |
CN113705304A (zh) | 一种图像处理方法、装置、存储介质及计算机设备 | |
CN114639076A (zh) | 目标对象检测方法、装置、存储介质以及电子装置 |
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 |