CN102509457B - 一种车辆跟踪的方法及装置 - Google Patents

Abstract

本发明公开了一种车辆跟踪方法及装置，用以提高智能交通系统的效率。该方法包括：将从当前帧视频图像的检测区域内识别出的一个车牌确定为当前目标点，当所述当前目标点的车牌信息与一个待跟踪目标点的车牌信息匹配时，确定所述当前目标点为所述待跟踪目标点，并更新所述待跟踪目标点的跟踪列表信息；否则，确定所述当前目标点为新的待跟踪目标点，并建立所述新的待跟踪目标点的跟踪列表信息。

Description

一种车辆跟踪的方法及装置

技术领域

本发明涉及智能交通监控技术领域，特别涉及一种车辆跟踪的方法及装置。

背景技术

随着城市的迅猛发展，城市的人口和车辆在急剧增长，交通流量日益加大，交通拥堵现象日益严重，交通问题已经成为城市管理中的重大问题，其严重阻碍了城市的发展，特别是各种车辆违章现象的随时随地的发生，使得城市交通的监控变得非常困难，由此出现了运动目标视频跟踪技术用以监控车辆的智能交通系统。

目前车辆跟踪方法包括：基于车牌的跟踪捕获方法以及基于运动信息的跟踪捕获方法。其中，基于车牌的跟踪捕获方法包括：确定当前帧视频图像中当前目标点的地理位置信息，提取前一帧视频图像中所有已跟踪上目标点的地理位置信息，并获得当前目标点与所有已跟踪上目标点之间的最小距离，当该最小距离小于设定值时，则确定当前目标点为最小距离对应的已跟踪上目标点。这种方法必须首先定位出当前目标点的地理位置信息，对于未定位的车辆容易漏车，跟踪错误的几率也比较大。

基于运动信息的跟踪捕获方法包括：将当前帧视频图像中设定虚拟圈中的图像与前一帧视频图像中设定虚拟圈中的图像进行比较，获得帧差图，遍历帧差图中每个像素点是否为白点，若白点的个数超过半数像素点，将虚拟线圈的状态设定为1，否则设定为0。当虚拟线圈状态由0变为1时，则确定有车辆进入虚拟线圈，否则，确定车辆从虚拟线圈中离开，此时，捕获车辆。这种方法的局限性比较大，具有重复捕获、漏捕获等缺点，特别在交叉路口，重复捕获的可能性会更大。

可见，目前车辆跟踪方法的准确性还不高，直接影响了智能交通系统的效率。

发明内容

本发明实施例提供一种车辆跟踪方法及装置，用以提高智能交通系统的效率。

本发明实施例提供一种车辆跟踪方法，包括：

将从当前帧视频图像的检测区域内识别出的一个车牌确定为当前目标点；

将所述当前目标点的车牌信息分别与每个待跟踪目标点的车牌信息进行匹配；

当所述当前目标点的车牌信息与一个待跟踪目标点的车牌信息匹配时，确定所述当前目标点为所述待跟踪目标点，并更新所述待跟踪目标点的跟踪列表信息；否则，

确定所述当前目标点为新的待跟踪目标点，并建立所述新的待跟踪目标点的跟踪列表信息，其中，所述跟踪列表信息包括：所述待跟踪目标点在每帧视频图像上的位置信息，车牌字符标识，以及每帧视频图像的帧号和存储位置信息。

本发明实施例提供一种车辆跟踪的装置，包括：

识别单元，用于将从当前帧视频图像的检测区域内识别出的一个车牌确定为当前目标点；

匹配单元，用于将所述当前目标点的车牌信息分别与每个待跟踪目标点的车牌信息进行匹配；

第一跟踪单元，用于当所述当前目标点的车牌信息与一个待跟踪目标点的车牌信息匹配时，确定所述当前目标点为所述待跟踪目标点，并更新所述待跟踪目标点的跟踪列表信息；否则，确定所述当前目标点为新的待跟踪目标点，并建立所述新的待跟踪目标点的跟踪列表信息，其中，所述跟踪列表信息包括：所述待跟踪目标点在每帧视频图像上的位置信息，车牌字符标识，以及每帧视频图像的帧号和存储位置信息。

本发明实施例中，对于检测区域内的车辆，采用车牌信息匹配进行车辆跟踪，这样，只需要较小的计算量就可以实现准确的车辆跟踪，从而，不需要大量的人员参与车辆跟踪过程中，提高了智能交通系统的效率。

附图说明

图1为本发明实施例中车辆跟踪的流程图；

图2为本发明实施例中非检测区域内车辆跟踪的流程图；

图3为本发明实施例中车辆跟踪装置的结构图。

具体实施方式

本发明实施例中，通过摄像头获取了当前帧图像后，对当前帧图像检测区域内的每辆车的车牌进行识别，将识别出的每个车牌的车牌信息与每个待跟踪目标点的车牌信息进行匹配，根据匹配结果确定识别出的每个车牌是否为待跟踪目标点。其中，当识别出的一个车牌的车牌信息与一个待跟踪目标点的车牌信息匹配，则该识别出的车牌为该待跟踪目标点；当识别出的车牌的车牌信息与所有的待跟踪目标点的车牌信息都不匹配时，则确定该识别出的车牌未新的待跟踪目标点。

而对于未在检测区域中出现的待跟踪目标点，通过预测轨道跟踪，确定该待跟踪目标点是否还在当前帧视频图像中，其中，当预测区域中出现的目标车牌与待跟踪目标点匹配时，确定该标车牌为待跟踪目标点，否则，待跟踪目标点未出现在该当前帧视频图像中，即未被跟踪上。

本发明实施例中，通过摄像头可获取多车道中的车辆画面信息，根据路口的情况及摄像头安装的位置，确定视频图像中的检测区域及跟踪区域，检测区域设置的原则为，普通车辆在正常的速度下在检测区域出现的帧数在10帧及以上，一般将视频图像下方1/4到1/3确定为检测区域；将从检测区域的上端到对面路口的斑马线之间的区域设置为跟踪区域，在跟踪区域内不对车辆进行定位及识别，只对车辆进行预测跟踪。这样，既保证车牌识别准确，车辆可以正确跟踪，并节省时间。

本发明实施例中，每个待跟踪目标点都已在前面的视频图像中出现了，即待跟踪目标点已在上一帧视频图像中出现了，或在上上一帧视频图像中出现了，因此，已存储了每个待跟踪目标点的跟踪列表信息，其中，跟踪列表信息包括：待跟踪目标点在每帧视频图像上的位置信息，车牌字符标识，以及每帧视频图像的帧号和存储位置信息。例如：当前视频帧图像为第110帧视频图像，一个待跟踪目标点已分别出现在第108、109帧视频图像，则该待跟踪目标点的跟踪列表信息包括：车牌字符标识：0012300，出现在第108帧视频图像上的位置坐标为(x1，y1)，第108帧视频图像存储在存储单元8中，出现在第109帧视频图像上的位置坐标为(x2，y2)，第109帧视频图像存储在存储单元9中。

存储了每个待跟踪目标点的跟踪列表信息后，对于检测区域内的车辆，采用车牌信息匹配进行跟踪，对于未出现在检测区域内的待跟踪目标点，还需确定该待跟踪目标点是否出现在跟踪区域，即还需采用预测轨迹进行跟踪。

下面结合说明书附图对本发明实施例作进一步详细描述。

参见图1，本发明实施例车辆跟踪的具体过程包括：

步骤101：从当前帧视频图像的检测区域内识别出的一个车牌，并将识别出的车牌确定为当前目标点。

通过摄像头获取了当前帧图像并存入图像缓存区后，通过车牌定位、字符分割、车牌识别可识别出该当前帧视频图像的检测区域内的一个车牌，并获得了该车牌的车牌信息，车牌信息包括：车牌字符标识，以及该车牌在当前帧视频图像上的位置信息。

将识别出的车牌确定为当前目标点，并获得了当前目标点的车牌信息。

步骤102：将当前目标点的车牌信息分别与每个待跟踪目标点的车牌信息进行匹配，即在所有的待跟踪目标点中查找是否有一个待跟踪目标点的车牌信息与当前目标点的车牌信息匹配，若有，执行步骤103，否则，执行步骤104

由于车牌信息包括：车牌字符标识，以及该车牌在当前帧视频图像上的位置信息。因此，这里可首先根据位置信息进行匹配，若匹配不成功后，再采用车牌字符标识进行匹配。或者，直接采用车牌字符标识进行匹配。

较佳地，先根据位置信息进行匹配，然后采用车牌字符标识进行匹配，这样，计算量小，匹配比较过程简单。其中，根据位置信息进行匹配具体包括：

从每个待跟踪目标点的跟踪列表信息中，获取每个待跟踪目标点在上一帧视频图像上的位置信息，然后，根据当前目标点在当前帧视频图像上的位置信息，以及每个待跟踪目标点在上一帧视频图像上的位置信息，确定当前目标点与每个待跟踪目标点的距离，并将当前目标点与每个待跟踪目标点的距离中的最小距离与第一阈值进行比较，若当前目标点与每个待跟踪目标点的距离中的最小距离小于第一阈值时，确定该当前目标点与最小距离对应的第一待跟踪目标点匹配，执行步骤103，否则，采用车牌字符标识进行匹配。

第一阈值是车牌在图像中的最大宽度乘于一个比率值，该比率值大于1，一般，最大宽度是蓝色车牌在图像最底部时的宽度。

本发明实施例中，采用车牌字符标识进行匹配，可直接当前目标点的车牌字符标识与每个待跟踪目标的车牌字符标识进行比对，当相同字符的个数大于设定个数时，确定当前目标点与待跟踪目标匹配，执行步骤103，否则，执行步骤104。

为进一步减少计算量，还可将当前目标点与每个待跟踪目标点的距离中的次小距离与第二阈值进行比较，当次小距离小于第二阈值，再将当前目标点的车牌字符标识与次小距离对应的第二待跟踪目标的车牌字符标识进行比对当相同字符的个数大于设定个数时，确定当前目标点与第二待跟踪目标点匹配，执行步骤103，其他情况都执行步骤104。即当当前目标点与每个待跟踪目标点的距离中的次小距离小于第二阈值，且当前目标点的车牌字符标识与次小距离对应的第二待跟踪目标的车牌字符标识中相同字符的个数大于设定个数时，确定当前目标点与第二待跟踪目标点匹配，执行步骤103，否则，执行步骤步骤104。其中，第二阈值大于第一阈值，也与车牌在图像中的最大宽度有关。

这样，只需比对一次，就可确定当前目标点是否与待跟踪目标点匹配，极大地节省了资源。

步骤103：将当前目标确定为车牌信息匹配的待跟踪目标点，并更新待跟踪目标点的跟踪列表信息。

在所有的待跟踪目标点中已查找到一个待跟踪目标点的车牌信息与当前目标点的车牌信息匹配，因此，将当前目标点确定为车牌信息匹配的待跟踪目标点，并更新待跟踪目标点的跟踪列表信息。即将该待跟踪目标点在当前帧视频图像上的位置信息，当前帧视频图像的帧号和存储位置信息添加到跟踪列表信息中。

仍以上述的当前视频帧图像为第110帧视频图像，一个待跟踪目标点已分别出现在第108、109帧视频图像上为例，当识别出的当前目标点为该待跟踪目标点时，这里，更新后的跟踪列表信息包括：车牌字符标识：0012300，出现在第108帧视频图像上的位置坐标为(x1，y1)，第108帧视频图像存储在存储单元8中，出现在第109帧视频图像上的位置坐标为(x2，y2)，第109帧视频图像存储在存储单元9中，出现在第110帧视频图像上的位置坐标为(x3，y3)，第10帧视频图像存储在存储单元10中。

步骤104：将当前目标点确定为新的待跟踪目标点，并建立新的待跟踪目标点的跟踪列表信息。

由于在所有的待跟踪目标点中未查找到一个待跟踪目标点的车牌信息与当前目标点的车牌信息匹配，因此，将当前目标点确定为新的待跟踪目标点，并建立新的待跟踪目标点的跟踪列表信息。即该新的待跟踪目标点的跟踪列表信息包括：车牌字符标识，新的待跟踪目标点在当前帧视频图像上的位置信息，以及当帧视频图像的帧号和存储位置信息。

重复上述过程，可将从检测区域内识别出的每个车牌进行定位，并确定每个车牌为待跟踪目标点或为新的待跟踪目标点。若通过上述过程，对于每个待跟踪目标点，在当前帧视频图像的检测区域内都能确定一个目标点与其匹配，那么跟踪过程结束。若还有待跟踪目标点未出现在当前帧视频图像的检测区域内时，则该待跟踪目标点可能会出现跟踪区域，因此，在当前帧视频图像的检测区域内未检测到指定的一个待跟踪目标点时，还需进行后续的预测轨迹跟踪过程。例如：待跟踪目标点分别为车辆1、车辆2和车辆3。在当前帧视频图像的检测区域内出现了4个目标点，若通过上述跟踪过程，确定这4个目标点分别为车辆1、车辆2、车辆3和车辆4，此时，由于每个待跟踪目标点都已被跟踪上了，因此跟踪流程结束。若通过上述跟踪过程，确定这4个目标点分别为车辆1、车辆2、车辆4和车辆5。此时，由于车辆3未被跟踪上，车辆3可能会出现在跟踪区域，因此，还需进行后续的预测轨迹跟踪过程。

因此，本发明实施例中在当前帧视频图像的检测区域内未检测到指定的一个待跟踪目标点时，车辆跟踪过程还包括预测轨迹跟踪，参见图2，具体包括：

步骤201：从待跟踪目标点的跟踪列表信息中获取该待跟踪目标点在至少三帧视频图像中的位置信息。

从待跟踪目标点的跟踪列表信息中获取该待跟踪目标点在前面任意三帧，四帧或多帧视频图像中的位置信息，较佳地，获取该待跟踪目标点在前三帧视频图像中的位置信息，分别为A1(x1，y1)，A2(x2，y2)，A3(x3，y3)。

步骤202：根据获取的位置信息，确定当前帧视频图像中的预测区域。

已获取了待跟踪目标点在至少三帧视频图像中的位置信息，根据两点连成一条直线的原理，分别计算任意两点构成的直线的斜率和截距，然后获得平均斜率和截距，有了斜率和截距，即可根据根据y＝ax+b的原理，计算该待跟踪目标点在当前帧视频图像中的的位置信息。最后以该位置信息为中心的设定区域为预测区域。预测区域的大小与车牌的大小有关。

例如：获取的位置信息分别为A1(x1，y1)，A2(x2，y2)，A3(x3，y3)，分别计算直线A1A2的斜率tmpSlope1和截距tmpOffset1，直线A1A3的斜率tmpSlope2和截距tmpOffset2，直线A2A3的斜率tmpSlope3和截距tmpOffset3，然后求出平均斜率Slope和平均截距Offset，有了斜率和截距，可以根据y＝Slope(x)+Offset，计算待跟踪目标在当前帧视频图像上可能出现的大致位置B(x，y)。将以B(x，y)为中心的设定区域确定为预测区域。

步骤203：对预测区域中的车牌进行模板匹配，获取模板匹配的最小均值。

将待跟踪目标的车牌图像作为模板，将模板的左上角点和预测区域的左上角点重合，将与模板大小一致的一块区域作为当前目标区域，将模板与当前目标区域中对应像素的的灰度值做差，获得绝对值，并将当前目标区域中所有像素对应的绝对值就和，获得当前目标区域的均值；然后，以左上角点的下一个像素为重合点，仍然进行上述模板匹配过程，直至遍历预测区域中每个像素，获得每个目标区域对应的均值，比较每个目标区域对应的均值，获得模板匹配的最小均值。

步骤204：将模板匹配的最小均值与第三阈值进行比较，当最小均值小于第三阈值时，执行步骤205，否则，执行步骤206。

步骤205：将最小均值对应的目标区域确定为待跟踪目标点，并更新该待跟踪目标点的跟踪列表信息。

对预测区域中的车牌进行模板匹配时，获得每个目标区域对应的均值，当最小均值小于第三阈值时，确定最小均值对应的目标区域为真目标，即该目标区域为待跟踪目标点，并更新该待跟踪目标点的跟踪列表信息。更新过程包括：将目标区域的位置信息c(x，y)，以及当前帧视频图像的帧号和存储位置信息添加到跟踪列表信息中。

步骤206：在预测区域内进行粗定位，粗定位成功时，执行步骤207，否则，粗定位不成功，确定当前帧视频图像中未出现该待跟踪目标点。

获取预测区域的灰度图图像，并对灰度图像进行二值化处理，获得二值化图像，利用sobel算子提取二值化图像的边缘，并对整幅边缘二值化图进行逐行扫描，根据车牌垂直边缘的跳变的特点找到疑似的车牌所在的行，在特定的长度内，如果边缘跳变的个数达到一定值，则确定该特定长度为疑似车牌段，待所有行扫描结束后，再将疑似车牌段合并，并将临近行的且左右位置也比较接近的疑似车牌段合并，就会形成疑似的车牌扫描区域。如果这个疑似的车牌扫描区域的高度小于2倍车牌的高度，大于1/2倍车牌的高度，则确定粗定位成功，并将该疑似的车牌扫描区域确定为粗定位的车牌，否则，粗定位不成功，确定当前帧视频图像中未出现该待跟踪目标点。

步骤207：将粗定位的车牌确定为待跟踪目标点，并更新该待跟踪目标点的跟踪列表信息。

粗定位成功时，已将疑似的车牌扫描区域确定为粗定位的车牌，则获取该疑似的车牌扫描区域的位置信息，将该位置信息，以及当前帧视频图像的帧号和存储位置信息添加到跟踪列表信息中。

通过上述过程，可对未出现在当前帧视频图像的检测区域内的待跟踪目标点进行跟踪。当然在本发明另一实施例中，可不执行步骤206和207，即只进行模板匹配，而不进行粗定位。

本发明实施例中，通过摄像头可获取多车道中的车辆画面信息，将获取的当前帧视频图像存入图像缓存区中，在上述车辆跟踪完成后，可根据设定条件对车辆进行捕获。

这里，通过摄像头获取了当前帧图像后，采用循环存入的方式将其存入图像缓存区中，当确定一个待跟踪目标满足设定的捕获条件，则从该待跟踪目标的跟踪列表信息中查找到该待跟踪目标的最小视频图像帧号，并确定该最小视频图像帧号对应的存储位置信息，最后，根据该存储位置信息，从图像缓存区中提取对应的视频图像，并将提取的视频图像确定为捕获图像。

例如：图像缓存区分配了100个存储单元，每个单元存储一帧视频图像，每次摄像头获取一帧视频图像，就循环存入图像缓存区中，并在待跟踪目标的跟踪列表信息中包括存储位置信息。当一个待跟踪目标连续出现在10帧视频图像中，或该待跟踪目标连续出现违章情况时，在待跟踪目标的跟踪列表信息中查找到最小视频图像帧号，以及确定最小视频图像帧号对应的存储位置信。例如：最小视频图像帧号为103帧，存储位置信息为第3存储单元。则从第3存储单元中提取第103帧视频图像，并第103帧视频图像确定为捕获图像。

通过上述序列缓存式捕获算法，捕获车道都是刚出现在视野中的图像，车辆信息清晰，容易辨认。

根据上述车辆跟踪的过程，可以构建一种车辆跟踪的装置，参见图3，包括：识别单元100、匹配单元200和第一跟踪单元300，其中，

识别单元100，用于将从当前帧视频图像的检测区域内识别出的一个车牌确定为当前目标点。

匹配单元200，用于将当前目标点的车牌信息分别与每个待跟踪目标点的车牌信息进行匹配。

第一跟踪单元300，用于当当前目标点的车牌信息与一个待跟踪目标点的车牌信息匹配时，确定当前目标点为待跟踪目标点，并更新待跟踪目标点的跟踪列表信息；否则，确定当前目标点为新的待跟踪目标点，并建立新的待跟踪目标点的跟踪列表信息，其中，跟踪列表信息包括：待跟踪目标点在每帧视频图像上的位置信息，车牌字符标识，以及每帧视频图像的帧号和存储位置信息。

其中，匹配单元200，具体用于根据当前目标点在当前帧视频图像上的位置信息，以及每个待跟踪目标点在上一帧视频图像上的位置信息，确定当前目标点与每个待跟踪目标点的距离；当当前目标点与每个待跟踪目标点的距离中的最小距离小于第一阈值时，确定当前目标点与最小距离对应的第一待跟踪目标点匹配；否则，将当前目标点的字符标识信息与每个待跟踪目标点的字符标识信息进行匹配。

其中，匹配单元200将当前目标点的字符标识信息与每个待跟踪目标点的字符标识信息进行匹配过程可直接当前目标点的车牌字符标识与每个待跟踪目标的车牌字符标识进行比对，当相同字符的个数大于设定个数时，确定当前目标点与待跟踪目标匹配，否则确认不匹配。或者，该匹配单元200，还具体用于当当前目标点与每个待跟踪目标点的距离中的次小距离小于第二阈值，且当前目标点的车牌字符标识与次小距离对应的第二待跟踪目标的车牌字符标识中相同字符的个数大于设定个数时，确定当前目标点与第二待跟踪目标点匹配；否则，确定当前目标点为新的待跟踪目标点。

该车辆跟踪装置对于检测区域内的车辆，采用车牌信息匹配进行跟踪，对于未出现在检测区域内的待跟踪目标点，还需确定该待跟踪目标点是否出现在跟踪区域，即还需采用预测轨迹进行跟踪，因此，该车辆跟踪装置还包括第二跟踪单元。其中，

第二跟踪单元，用于在当前帧视频图像的检测区域内未检测到指定的一个待跟踪目标点时，从待跟踪目标点的跟踪列表信息中获取待跟踪目标点在至少三帧视频图像中的位置信息，根据至少三个位置信息，确定当前帧视频图像中的预测区域，对预测区域中的车牌进行模板匹配，获取模板匹配的最小均值，当最小均值小于第三阈值时，将所述最小均值对应的目标区域确定为待跟踪目标点，并更新待跟踪目标点的跟踪列表信息。

当最小均值大于或等于第三阈值时，可确定待跟踪目标点未被跟踪上，或者，第二跟踪单元进一步采用粗定位进行轨迹跟踪，因此，该第二跟踪单元，还用于当最小均值大于或等于第三阈值时，在预测区域内进行粗定位，当粗定位成功时，确定粗定位的车牌为待跟踪目标点，并更新待跟踪目标点的跟踪列表信息。

上述车辆跟踪完成后，还可根据设定条件对车辆进行捕获。因此，车辆跟踪装置还包括：捕获单元。

该捕获单元，用于当待跟踪目标满足设定的捕获条件时，从待跟踪目标的跟踪列表信息中查找到最小视频图像帧号，并确定最小视频图像帧号对应的存储位置信息；根据存储位置信息，从图像缓存区中提取对应的视频图像，并将提取的视频图像确定为捕获图像。

本发明实施例中，对于检测区域内的车辆，采用车牌信息匹配进行跟踪，对于未出现在检测区域内的待跟踪目标点，还需确定该待跟踪目标点是否出现在跟踪区域，即还需采用预测轨迹进行跟踪。这样，只需要较小的计算量就可以实现准确的车辆跟踪，从而，不需要大量的人员参与车辆跟踪过程中，提高了智能交通系统的效率。并且，准确的跟踪还有助于违章事件的判断。

另外，采用序列缓存捕获算法，捕获的车辆都是刚出现的视频图像，这样，车辆信息清洗，容易辨认。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种车辆跟踪的方法，其特征在于，包括：

将从当前帧视频图像的检测区域内识别出的一个车牌确定为当前目标点；

将所述当前目标点的车牌信息分别与每个待跟踪目标点的车牌信息进行匹配；

当所述当前目标点的车牌信息与一个待跟踪目标点的车牌信息匹配时，确定所述当前目标点为所述待跟踪目标点，并更新所述待跟踪目标点的跟踪列表信息；否则，

确定所述当前目标点为新的待跟踪目标点，并建立所述新的待跟踪目标点的跟踪列表信息，其中，所述跟踪列表信息包括：所述待跟踪目标点在每帧视频图像上的位置信息，车牌字符标识，以及每帧视频图像的帧号和存储位置信息；

其中，将所述当前目标点的车牌信息分别与每个待跟踪目标点的车牌信息进行匹配包括：

根据所述当前目标点在当前帧视频图像上的位置信息，以及每个待跟踪目标点在上一帧视频图像上的位置信息，确定所述当前目标点与每个待跟踪目标点的距离；

当所述当前目标点与每个待跟踪目标点的距离中的最小距离小于第一阈值时，确定所述当前目标点与所述最小距离对应的第一待跟踪目标点匹配；否则，将所述当前目标点的字符标识信息与每个待跟踪目标点的字符标识信息进行匹配。

2.如权利要求1所述的方法，其特征在于，将所述当前目标点的字符标识信息与每个待跟踪目标点的字符标识信进行匹配包括：

当所述当前目标点与每个待跟踪目标点的距离中的次小距离小于第二阈值，且所述当前目标点的车牌字符标识与所述次小距离对应的第二待跟踪目标的车牌字符标识中相同字符的个数大于设定个数时，确定所述当前目标点与所述第二待跟踪目标点匹配；否则，确定所述当前目标点为新的待跟踪目标点。

3.如权利要求1所述的方法，其特征在于，在当前帧视频图像的检测区域内未检测到指定的一个待跟踪目标点时，该方法还包括：

从所述待跟踪目标点的跟踪列表信息中获取所述待跟踪目标点在至少三帧视频图像中的位置信息；

根据所述在至少三帧视频图像中的位置信息，确定当前帧视频图像中的预测区域；

对所述预测区域中的车牌进行模板匹配，获取模板匹配的最小均值；

当所述最小均值小于第三阈值时，将所述最小均值对应的目标区域确定为所述待跟踪目标点，并更新所述待跟踪目标点的跟踪列表信息。

4.如权利要求3所述的方法，其特征在于，当所述最小均值大于或等于第三阈值时，还包括：

在所述预测区域内进行粗定位，当粗定位成功时，确定粗定位的车牌为所述待跟踪目标点，并更新所述待跟踪目标点的跟踪列表信息。

5.如权利要求1所述的方法，其特征在于，还包括：

当待跟踪目标满足设定的捕获条件时，从所述待跟踪目标的跟踪列表信息中查找到最小视频图像帧号，并确定最小视频图像帧号对应的存储位置信息；

根据所述存储位置信息，从图像缓存区中提取对应的视频图像，并将提取的视频图像确定为捕获图像。

6.一种车辆跟踪的装置，其特征在于，包括：

识别单元，用于将从当前帧视频图像的检测区域内识别出的一个车牌确定为当前目标点；

匹配单元，用于将所述当前目标点的车牌信息分别与每个待跟踪目标点的车牌信息进行匹配；

第一跟踪单元，用于当所述当前目标点的车牌信息与一个待跟踪目标点的车牌信息匹配时，确定所述当前目标点为所述待跟踪目标点，并更新所述待跟踪目标点的跟踪列表信息；否则，确定所述当前目标点为新的待跟踪目标点，并建立所述新的待跟踪目标点的跟踪列表信息，其中，所述跟踪列表信息包括：所述待跟踪目标点在每帧视频图像上的位置信息，车牌字符标识，以及每帧视频图像的帧号和存储位置信息；

其中，所述匹配单元，具体用于根据所述当前目标点在当前帧视频图像上的位置信息，以及每个待跟踪目标点在上一帧视频图像上的位置信息，确定所述当前目标点与每个待跟踪目标点的距离；当所述当前目标点与每个待跟踪目标点的距离中的最小距离小于第一阈值时，确定所述当前目标点与所述最小距离对应的第一待跟踪目标点匹配；否则，将所述当前目标点的字符标识信息与每个待跟踪目标点的字符标识信息进行匹配。

7.如权利要求6所述的装置，其特征在于，

所述匹配单元，还具体用于当所述当前目标点与每个待跟踪目标点的距离中的次小距离小于第二阈值，且所述当前目标点的车牌字符标识与所述次小距离对应的第二待跟踪目标的车牌字符标识中相同字符的个数大于设定个数时，确定所述当前目标点与所述第二待跟踪目标点匹配；否则，确定所述当前目标点为新的待跟踪目标点。

8.如权利要求6所述的装置，其特征在于，还包括：

第二跟踪单元，用于在当前帧视频图像的检测区域内未检测到指定的一个待跟踪目标点时，从所述待跟踪目标点的跟踪列表信息中获取所述待跟踪目标点在至少三帧视频图像中的位置信息，根据所述在至少三帧视频图像中的位置信息，确定当前帧视频图像中的预测区域，对所述预测区域中的车牌进行模板匹配，获取模板匹配的最小均值，当所述最小均值小于第三阈值时，将所述最小均值对应的目标区域确定为所述待跟踪目标点，并更新所述待跟踪目标点的跟踪列表信息。

9.如权利要求8所述的装置，其特征在于，

所述第二跟踪单元，还用于当所述最小均值大于或等于第三阈值时，在所述预测区域内进行粗定位，当粗定位成功时，确定粗定位的车牌为所述待跟踪目标点，并更新所述待跟踪目标点的跟踪列表信息。

10.如权利要求6所述的装置，其特征在于，还包括：

捕获单元，用于当待跟踪目标满足设定的捕获条件时，从所述待跟踪目标的跟踪列表信息中查找到最小视频图像帧号，并确定最小视频图像帧号对应的存储位置信息；根据所述存储位置信息，从图像缓存区中提取对应的视频图像，并将提取的视频图像确定为捕获图像。

Images