CN102542789A - 行车路径重建方法、系统及计算机程序产品 - Google Patents
行车路径重建方法、系统及计算机程序产品 Download PDFInfo
- Publication number
- CN102542789A CN102542789A CN2011101066708A CN201110106670A CN102542789A CN 102542789 A CN102542789 A CN 102542789A CN 2011101066708 A CN2011101066708 A CN 2011101066708A CN 201110106670 A CN201110106670 A CN 201110106670A CN 102542789 A CN102542789 A CN 102542789A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mobile object
- driving
- those
- path
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004590 computer program Methods 0.000 title claims description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000012417 linear regression Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Abstract
一种行车路径重建方法、系统及计算机程序产品,此方法先接收多个第一类路口监视器所拍摄的多张第一监视画面的车辆识别结果,并比对这些车辆识别结果,以找出相似车辆。然后,依据各个第一类路口监视器的配置位置及各部车辆的比对结果,估算各部车辆在这些配置位置之间移动的至少一个行经地点及行车时间。然后,查询配置在这些行经地点的第二类路口监视器所拍摄的多张第二监视画面中出现的至少一个移动物体的追踪信息。最后,将所述车辆与移动物体进行比对,以找出各部车辆所关联的移动物体,据以建立各部车辆的完整行车路径。
Description
技术领域
本发明是有关于一种车辆追踪并重建行车路径的方法、系统及计算机程序产品。
背景技术
传统对于行进中车辆的位置掌握,一般是通过全球定位系统(GlobalPositioning System,GPS)来达成。此方法的运作原理是在追踪目标车辆上安装一个GPS信号接收器,用以实时接收GPS信号,并通过无线通讯接口将定位信息上传至后端主机,藉以追踪该车辆位置。此类方法多应用于车队管理。但是,此方法有其应用上的限制,特别是在市区内受到建筑物的遮蔽时,接收器即无法接收到GPS信号。此外,因为必需在目标车辆上安装额外的装置,对于非特定目标位置的掌握,则无法可施。再者,目前学术界也已经提出通过设置于道路口的摄影机所取得的监视图像,进行车辆追踪的研究及方法。
跨摄影机追踪特定目标的最大挑战在于,需要对不同摄影机所检测到的移动物体物进行再识别(Re-identification),以去除重复的数据,同时保持目标信息的一致。传统上会应用监视范围相互重迭的摄影机,利用该重迭摄影机在重迭区域内,同一时间、同一位置所检测到的移动物体应为同一个目标物的物理特性,来集成多部摄影机的移动物体检测信息。此做法仰赖移动物体检测算法的正确性及坐标转换的精确度。一般而言,路口摄影机所拍摄到的监视图像在分析上,因为移动物体检测算法及坐标转换失真所导致的物体定位误差可以达目标物本身大小的0.5倍以上,尤其是可视范围愈大则误差值也愈大,并可能大于目标物本身的大小,因此当同一范围内有多个移动物体同时在移动时,再识别错误的机率很高。为了改善以上现象,一般的做法是改善移动物体检测算法以提高对象检测的信息正确性,或者改善坐标转换的做法以减小定位失真。
由于一般实务应用上,架设于路口的摄影机其分辨率均不高,且所需监视的范围通常较广,因此导致所取得的图像质量对于移动物体检测算法而言,较难得到较佳的结果。所以改善移动物体检测算法或改善坐标转换的做法,所能获得的改善成效有限。此外,移动物体检测算法受天候因素的影响十分大,一旦应用于户外,其所产生的误差通常较难以接受。由于上述问题所产生的影响,所以在跨影机追踪移动物体物时,所产生的移动轨迹正确性并不高。
发明内容
本发明提供一种行车路径重建方法、系统及计算机程序产品,同时使用车辆识别系统及路口监视器以重建车辆的行车路径。
本发明提出一种行车路径重建方法,此方法接收一车辆识别数据,其包括多个第一类路口监视器所拍摄的多张第一监视画面中每一个第一监视画面的车辆识别结果。接着,比对各个第一监视画面的车辆识别结果,以找出相似的至少一部车辆。然后,依据各个第一类路口监视器的配置位置以及各部车辆的比对结果,估算各部车辆在这些配置位置之间移动的至少一个行经地点及行车时间。之后,查询一移动物体追踪信息,其包括配置在上述行经地点的多个第二类路口监视器所拍摄的多张第二监视画面中出现的至少一个移动物体的追踪信息。最后,将上述的车辆及移动物体进行比对,以找出各部车辆所关联的移动物体,据以建立各部车辆的完整行车路径。
本发明提出一种行车路径重建系统,其包括车辆搜寻模块及路径重建模块。其中,车辆搜寻模块接收多个第一类路口监视器所拍摄的多张第一监视画面中每一个第一监视画面的车辆识别结果,比对各个第一监视画面的车辆识别结果,以找出相似的至少一部车辆,并依据各个第一类路口监视器的配置位置及各部车辆的比对结果,估算各部车辆在这些配置位置之间移动的至少一个行经地点及行车时间。路径重建模块查询配置在上述行经地点的多个第二类路口监视器所拍摄的多张第二监视画面中出现的至少一个移动物体的追踪信息,据以将所述车辆及移动物体进行比对,以找出各部车辆所关联该移动物体,并据以建立各部车辆的完整行车路径。
本发明还提供一种计算机程序产品,其经由电子装置加载以执行下列步骤:首先,接收一车辆识别数据,其包括多个第一类路口监视器所拍摄的多张第一监视画面中每一个第一监视画面的车辆识别结果。接着,比对各个第一监视画面的车辆识别结果,以找出相似的至少一部车辆。然后,依据各个第一类路口监视器的配置位置以及各部车辆的比对结果,估算各部车辆在这些配置位置之间移动的至少一个行经地点及行车时间。之后,查询一移动物体追踪信息,其包括配置在上述行经地点的多个第二类路口监视器所拍摄的多张第二监视画面中出现的至少一个移动物体的追踪信息。最后,将上述的车辆及移动物体进行比对,以找出各部车辆所关联的移动物体,据以建立各部车辆的完整行车路径。
基于上述,本发明的行车路径重建方法、系统及计算机程序产品利用车辆识别技术及移动物体的追踪技术,结合相似车辆比对、行经地点及时间估算等技术,藉以提高完整行车路径重建的正确性,并进一步利用关键影格的关联性建立技术,达到提高查询目标车辆相关信息的正确性的目的。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合所附图式作详细说明如下。
附图说明
图1是依照本发明第一实施例所绘示的行车路径重建系统的方块图。
图2是依照本发明第一实施例所绘示的行车路径重建方法的流程图。
图3是依照本发明第二实施例所绘示的车辆行车路径重建系统的示意图。
图4是依照本发明第二实施例所绘示的行车路径重建方法的流程图。
图5(a)及图5(b)是依照本发明一实施例所绘示的计算最少编辑操作次数的范例。
图6是依照本发明一实施例所绘示的线性回归处理结果的示意图。
图7是依照本发明一实施例所绘示的运动模型示意图。
[主要元件标号说明]
100、300:行车路径重建系统
110、310:车辆搜寻模块
120、320:路径重建模块
32:车辆识别系统
34:移动物体追踪系统
312:相似车辆比对单元
314:行车信息提供单元
316:行经地点估测单元
322:移动物体追踪数据库
324:追踪数据查询单元
326:线性回归过滤单元
328:运动模型过滤单元
330:关键影格关联模块
332:关键影格数据库
334:关联性建立单元
510、520、530、540:车牌图像
S210~S250:本发明第一实施例的行车路径重建方法的各步骤
S410~S430:本发明第二实施例的行车路径重建方法的各步骤
具体实施方式
由于具有车辆识别功能的路口监视器成本较高,一般只会被布建于少数的重要路口,至于其它路口则只布建一般的路口摄影机。然而,道路上行驶的车辆的种类、速度、方向等变化性相当大,若只使用少量路口监视器的车辆识别结果来作为重建车足迹的依据,将无法百分之百的保证其正确性,尤其是在车足迹经过多个路口之后,其正确性就会明显的降低。为了弥补无车辆识别系统的路口的信息,本发明所提出的方法是同时使用车辆识别系统及相对于车辆识别功能成本较低的路口监视器,应用移动物体追踪技术所产生的移动物体追踪信息,弥补只使用车辆识别结果产生车足迹的不足之处。
图1是依照本发明的第一实施例所绘示的行车路径重建系统的方块图。图2是依照本发明的第一实施例所绘示的行车路径重建方法的流程图。请同时参照图1及图2,本实施例的行车路径重建系统100包括车辆搜寻模块110及路径重建模块120,以下则搭配图2说明本实施例的方法的详细步骤:
首先,由车辆搜寻模块110接收由车辆识别系统(未绘示)输出的车辆识别数据(步骤S210),此数据包括出现在多个第一类路口监视器所拍摄的多张第一监视画面中每一个第一监视画面的车辆识别结果。其中,所述的第一类路口监视器支持车牌识别,而其所拍摄的第一监视画面将会送入车辆识别系统,以识别出其中的车辆,本实施例的车辆搜寻模块110即是接收由车辆识别系统输出的车辆识别结果。
接着,由车辆搜寻模块110比对各个第一监视画面的车辆识别结果,以找出相似的至少一部车辆(步骤S220),并依据各个第一类路口监视器的配置位置及各部车辆的比对结果,估算各部车辆在这些配置位置之间移动的至少一个行经地点及行车时间(步骤S230)。详言之,由于上述第一类路口监视器的成本较高,一般只配置在较重要的路口,即便有相似车辆出现在两个路口,还是无法确定车辆在这两个路口之间的行车路径。然而,本实施例仍基于历史统计信息,找出车辆在两个路口之间行驶可能行经的地点以及所花费的时间,而可用以作为后续追踪车辆的依据。
然后,由路径重建模块120查询一移动物体追踪信息,其包括配置在上述行经地点的多个第二类路口监视器所拍摄的多张第二监视画面中出现的至少一个移动物体的追踪信息(步骤S240)。其中,所述的第二类路口监视器不支持车牌识别,但其所拍摄的监视画面仍可通过移动物体追踪技术,追踪在各个监视画面之间的移动物体(即车辆),进而作为辅助重建行车路径的依据。
最后,路径重建模块120即将车辆搜寻模块110所比对的至少一部车辆与所查询的至少一个移动物体,依车辆与移动物体的时间、空间信息,及其特征如颜色统计值(Color Histogram)等进行比对,以找出各部车辆所关联的移动物体,据以建立各部车辆的完整行车路径(步骤S250)。简言之,路径重建模块120依照车辆搜寻模块110比对的车辆出现在各个第一类路口监视器的时间点,找出在第二类路口监视器中出现的可能移动物体,而结合此车辆识别结果及移动物体追踪结果,即可重建出车辆的完整行车路径。
综上所述,本实施例的行车路径重建方法是集成车辆识别系统及移动物体追踪系统的输出结果,据以建立各部车辆的完整行车路径,而可提高其信息正确性并重建完整的车足迹。
需说明的是,本发明在建立各部车辆的完整行车路径后,还包括取得关键影格的拍摄时间,进一步找出车足迹对应的关键影格,并建立其与关键影格的关联性,而可用以作为后续查询车足迹的依据。以下则再举一实施例详细说明。
图3是依照本发明的第二实施例所绘示的车辆行车路径重建系统的示意图。图4是依照本发明的第二实施例所绘示的行车路径重建方法的流程图。请同时参照图3及图4,本实施例的行车路径重建系统300包括车辆搜寻模块310、路径重建模块320及关键影格关联模块330。以下则搭配图4说明本实施例的方法的详细步骤:
首先,由车辆搜寻模块310接收车辆识别系统32输出的车辆识别结果,并比对各个第一监视画面的车辆识别结果,以找出出现在这些第一监视画面中相似的至少一部车辆(步骤S410)。
详言之,车辆搜寻模块310可再区分为相似车辆比对单元312、行车信息提供单元314及行经地点估测单元316。其中,相似车辆比对单元312用以比对在第一监视画面中出现的各部车辆的车辆特征,以识别出相似的车辆(步骤S411)。此处用来识别相似车辆的车辆特征包括车辆的车牌、车色或车种,而不限制其范围。
以车牌识别为例,本实施例将两部车辆的车牌号码的差异度定义为编辑距离(edit distance),而以此编辑距离的大小来决定这两部车辆是否相同或相似。
详言之,编辑距离的定义为两个字符串A与B之间,由字符串A转换成字符串B所需的最少编辑操作次数,符合规定的编辑操作包括单一字符的替换以及插入一个字符。举例来说,图5(a)及图5(b)是依照本发明一实施例所绘示的计算最少编辑操作次数的范例。其中,在图5(a)的车牌图像520中,车牌图像510的尾数88被删除,而达成此差异所需的最少编辑操作次数为2次。此外,在图5(b)的车牌图像540中,车牌图像530的前缀Q被删除,而达成此差异所需的最少编辑操作次数为1次。利用上述的编辑距离可量化车牌号码之间的差异性,而依照此最少编辑操作次数的大小,则可判定这两部车辆是否为相似车辆。
根据上述,本实施例的相似车辆比对单元312例如会撷取第一监视画面中出现的任两部车辆的车牌号码(即第一车牌号码及第二车牌号码),并计算将此第一车牌号码转换为第二车牌号码所需的最少编辑次数,然后与一个门坎值比较,而当最少编辑次数小于等于门坎值时,即将这两部车辆判定为相似车辆。
回到图3,行经地点估测单元316接着即依据相似车辆比对单元312所输出的各部车辆的比对结果,找出各部车辆有出现的第一监视画面及其相对应的配置位置(步骤S412),并查询由行车信息提供单元314提供的行车历史数据,据以判断各部车辆在这些配置位置之间行车所会经过的至少一个行经地点及行车时间,最后输出一个行车数据集合(步骤S413)。
详言之,行车信息提供单元314用以储存并提供行车历史信息,其包括统计以往车辆在第一类路口监视器的配置位置之间行车所会经过的至少一个行经地点及对应花费的行车时间。其中,行车信息提供单元314例如会事先分析各路口车辆行经的历史数据,如以统计分析的平均值和标准差建立各路口行车时间表及相连接的各路口间的行车路线,而可用以作为后续判断车辆行经地点及行车时间的依据。
此外,于系统运作期间,行经地点估测单元316会接收上述相似车辆比对单元312输出的车辆比对结果,并应用各路口车辆行经的历史数据,估算出目标车辆出现在各路口的机率,产生一个初阶的行经路口数据集合。再将所估算的行经路口集合与各路口行车时间表进行比对,去除时间上不合理(例如行车时间间隔过长或过短)的数据,产生第二阶的行经路口数据集合。
然后,由路径重建模块320查询配置在上述行经地点的第二类路口监视器所拍摄的多张第二监视画面中出现的至少一个移动物体的追踪信息,据以将各部车辆与移动物体,依车辆与移动物体的时间、空间信息,及其特征信息,如颜色统计值(Color Histogram)等进行比对,以找出各部车辆所关联的移动物体。其中,时间信息是以最接近过往统计出来的目标值者优先建立关联,如时间依过往统计结果99%的移动物体其间隔时间是在3到5秒内,且愈接近平均值4秒的移动物体其关联愈高。空间则是先搜寻相邻两个路口或以某特定距离内的移动物体来建立关联。时空信息亦可合并成速度并以过往统计结果来建立关联。特征信息则是表达成特征向量矩阵,再求得两特征向量矩阵的相似性。而相似性可以一般的相关系数方法来计算两个特征向量矩阵的关联性,如使用皮尔森或几何距离相关系数等。在进行上述比对的同时,路径重建模块320还更进一步以一个线性回归过滤法去除不合理的移动物体追踪信息,再依时间及空间的运动模型将移动物体追踪信息连结成移动轨迹,据以建立各部车辆完整且正确的行车路径(步骤S420)。
详言之,路径重建模块320包括移动物体追踪数据库322、追踪数据查询单元324、线性回归过滤单元326及运动模型过滤单元328。移动物体追踪数据库322用以储存由移动物体追踪系统34所分析的各个移动物体在第二监视画面中出现的位置、时间、尺寸、颜色及关键影格等分析数据。其中,移动物体追踪系统34利用配置在多个第二类路口监视器所拍摄的第二监视画面,追踪在这些第二监视画面中出现的移动物体,并分析各个移动物体在第二监视画面中出现的位置、时间、尺寸、颜色及关键影格,然后将分析结果储存于移动物体追踪数据库322。其中,所述的第二类路口监视器不支持车牌识别功能,而其所拍摄的监视画面将会送入移动物体追踪系统34,由移动物体追踪系统34进行移动物体的追踪。
追踪数据查询单元324则接收由车辆搜寻模块310的行经地点估测单元316输出的各部车辆对应的行车数据集合,而依据各个行车数据集合中的行车时间将这些行车数据集合排序(步骤S421),并依据各个行车数据集合中行经地点之间的地理位置关联性,找出可能行经的所有第二类路口监视器(步骤S422),以及依据所找出各该些第二类路口监视器的一地理位置数据,查询移动物体追踪数据库322,以取得各部车辆所关联的移动物体的移动物体追踪数据(步骤S423)。
详言之,路径重建模块320的输入数据来源有二,第一个输入数据来源为使用移动物体追踪技术所产生的数据,此数据包含移动物体的位置信息、时间、大小、关键影格等信息,而于系统运作期间此数据会被不断产生并储存于系统的数据储存媒体(即移动物体追踪数据库322)中;第二个输入数据来源为车辆搜寻模块310的输出-行经路口数据集合。路径重建模块320中的追踪数据查询单元324在接收行经路口数据集合之后,即会依各路口行经时间排序,并依其地理位置关联性找出所有可能行经的路口监视器,然后依路口监视器的地理位置信息,由移动物体追踪数据库322中取得对应的移动物体追踪数据。
需说明的是,路径重建模块320还包括线性回归过滤单元326及运动模型过滤单元328,可用以滤除不合理的移动物体追踪数据。其中,路径重建模块320重建行进路径的方法分成两阶段,先以一个线性回归过滤法去除不合理的移动物体追踪信息,再依时间及空间的运动模型将移动物体追踪信息连结成移动轨迹。
线性回归过滤单元326即依据各部车辆所会经过的行经地点及行车时间,推估一条正常行车路线,以及计算各个移动物体追踪数据与正常行车路线之间的差异,据以去除不合理的移动物体追踪数据(步骤S424)。详言之,通过前一步骤所获得的目标车辆行经路口的数据集合,可推估出目标车辆在其它仅建置路口监视器的路口的可能经过时间范围,并由移动物体追踪数据库322中取得移动物体追踪数据。此外,使用前一步骤所推估出来的正常行车路线作为依据,计算所有移动物体追踪数据与路线的时间、空间距离,以去除不合理的数据。
举例来说,图6是依照本发明一实施例所绘示的线性回归处理结果的示意图。请参照图6,本实施例的线性回归处理系针对原始移动物体追踪数据中的每一笔进行处理,计算其与正常行进轨迹的距离,并排除其中的界外值(outlier),以获得较合理的移动物体追踪数据。
另一方面,运动模型过滤单元328依据一个运动模型中的车辆速度及移动方向,推估各部车辆的可能移动范围,据以从线性回归过滤单元326所产生的移动物体追踪数据中,找出可能性最高的数据(步骤S425)。详言之,由于在大部分情况下,同一个区域内会有多部车辆在移动,且因为道路的限制,其行进方向相同的机率很高(一般不是同向就是反向),加上移动物体追踪的定位误差,造成同一时间点同一位置可能有多个物体存在,其中又以对向车道来车与目标交会最常发生。因此,本实施例在线性回归过滤之后,再使用一个运动模型处理剩下的移动物体追踪数据,以减少上述状况的影响。因为所追踪的目标物为车辆,而车辆的移动受到物理定律的限制,如速度、移动方向改变率等,所以本实施例即通过一个推估的运动模型来选择可能性最高的移动物体追踪数据。
举例来说,图7是依照本发明一实施例所绘示的运动模型示意图。请参照图7,本实施例使用车辆前一位置P1与目前位置P2的向量,在目前位置P2建立一个可能移动范围,其中d是由历史数据统计所得的车辆的最大移动距离,θ则为夹角。通过此可能移动范围,即可过滤界外值(例如位置Q1),而再针对所有界内值(例如位置Q2)进行相似度比对,即可找出最相似的点。最后,重复上述步骤,即可重建完整的行车路径。
最后,由关键影格关联模块330依据上述由车辆识别系统32所输出的各个第一监视画面的车辆识别结果,以及由移动物体追踪系统34所输出的移动物体追踪数据,产生至少一个关键影格,并建立各部车辆的完整行车路径与这些关键影格的关联性,以作为后续搜寻各部车辆的依据(步骤S430)。
其中,关键影格关联模块330可再区分为关键影格数据库332及关联性建立单元334。其中,关键影格数据库332即储存由上述各个第一监视画面的车辆识别结果以及上述的移动物体追踪数据产生的至少一个关键影格。关联性建立单元334则会建立各部车辆的行车路径与上述关键影格的关联性,以作为后续搜寻各部车辆的依据。
详言之,关键影格关联模块330的输入数据来源有三,第一个为上述车辆识别系统所产生的车辆识别结果,一般车辆识别系统均会产生一至数张不等的识别结果图像。第二个为上述移动物体追踪系统所产生的关键影格,依不同技术的做法,可能产生一至数张不等的关键影格。第三个则是上述路径重建模块330所产生的各部车辆的车足迹(即完整行车路径)。由于此车足迹中包含移动物体追踪所产生的数据,因此本实施例可依此数据中的时间、空间及监视器编号等信息,取得对应的一至数张关键影格,并建立该组关键影格与车足迹的关联。此外,因为车足迹中也包含车辆识别系统所产生的结果,因此本实施例亦依此将车辆识别其所产生的识别结果图像与车足迹建立关联。
本发明还提供一种计算机程序产品,其用以执行上述行车路径重建方法的各个步骤,此计算机程序产品是由数个程序指令所组成。特别是,在将此些程序指令加载计算机系统并执行之后,即可完成上述行车路径重建方法的步骤与上述行车路径重建系统的功能。综上所述,本发明的行车路径重建方法、系统及计算机程序产品同时使用车辆识别系统及相对于车辆识别功能成本较低的路口监视器,应用既有的移动物体追踪技术所产生的移动物体追踪信息,弥补只使用车辆识别结果产生车足迹的不足之处。此外,本发明依照移动物体追踪及车辆识别数据中的时间、监视器编号等信息,于关键影格数据库中取得对应的一至数张关键影格,并建立该组关键影格与车足迹的关联,而可供作为后续查询车足迹的依据。
虽然本发明已以实施例揭露如上,然其并非用以限定本发明,任何所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作些许的更动与润饰,故本发明的保护范围当视所附的权利要求范围所界定者为准。
Claims (27)
1.一种行车路径重建方法,包括:
接收一车辆识别数据,其包括多个第一类路口监视器所拍摄的多张第一监视画面中每一个第一监视画面的一车辆识别结果;
比对各该些第一监视画面的该车辆识别结果,以找出相似的至少一车辆;
依据各该些第一类路口监视器的一配置位置及各所述车辆的一比对结果,估算各所述车辆在该些配置位置之间移动的至少一行经地点及一行车时间;
查询一移动物体追踪信息,其包括配置在所述行经地点的多个第二类路口监视器所拍摄的多张第二监视画面中出现的至少一移动物体的一追踪信息;以及
比对所述车辆及所述移动物体,找出各所述车辆所关联的该移动物体,据以建立各所述车辆的一完整行车路径。
2.根据权利要求1所述的行车路径重建方法,其中比对各该些第一监视画面的该车辆识别结果,以找出相似的所述车辆的步骤包括:
比对在该些第一监视画面中出现的车辆的至少一车辆特征,以识别出相似的车辆。
3.根据权利要求2所述的行车路径重建方法,其中比对在该些第一监视画面中出现的车辆的所述车辆特征,以识别出相似的车辆的步骤包括:
撷取该些第一监视画面中出现的任两车辆的一第一车牌号码及一第二车牌号码;
计算该第一车牌号码转换为该第二车牌号码所需的一最少编辑次数,并与一门坎值比较;以及
当该最少编辑次数小于等于该门坎值时,判定该两车辆为相似的车辆。
4.根据权利要求2所述的行车路径重建方法,其中所述车辆特征包括车牌、车色或车种。
5.根据权利要求1所述的行车路径重建方法,其中依据各该些第一类路口监视器的该配置位置及各所述车辆的该比对结果,估算各所述车辆在该些配置位置之间移动的所述行经地点及该行车时间的步骤包括:
依据各所述车辆的该比对结果,找出各所述车辆有出现的该些第一监视画面及其相对应的该些配置位置;以及
查询一行车历史数据,据以判断各所述车辆在该些配置位置之间行车所会经过的行经地点及行车时间,输出一行车数据集合,其中
该行车历史信息系统计以往车辆在该些配置位置之间行车所会经过的行经地点及对应花费的行车时间。
6.根据权利要求1所述的行车路径重建方法,其中在查询该移动物体追踪信息的步骤之前,还包括:
储存各所述移动物体在该些第二监视画面中出现的一位置、一时间、一尺寸、一颜色及一关键影格于一移动物体追踪数据库。
7.根据权利要求6所述的行车路径重建方法,其中比对所述车辆及所述移动物体,找出各所述车辆所关联的该移动物体,据以建立各所述车辆的该完整行车路径的步骤包括:
接收各所述车辆对应的该行车数据集合;
依据各该些行车数据集合的该行车时间排序该些行车数据集合;
依据各该些行车数据集合中所述行经地点的一地理位置关联性,找出可能行经的所有第二类路口监视器;
依据所找出各该些第二类路口监视器的一地理位置数据,查询该移动物体追踪数据库,以取得各所述车辆所关联的该移动物体及其对应的至少一移动物体追踪数据;以及
结合各所述车辆对应的该行车数据集合及所关联的该移动物体的所述移动物体追踪数据,建立各所述车辆的该完整行车路径。
8.根据权利要求7所述的行车路径重建方法,其中取得各所述车辆所关联的该移动物体的步骤包括:
比对各所述车辆及各所述移动物体的一时间,搜寻出现时间最接近一历史统计间隔时间的该移动物体,以与各所述车辆建立关联。
9.根据权利要求7所述的行车路径重建方法,其中取得各所述车辆所关联的该移动物体的步骤包括:
比对各所述车辆及各所述移动物体的一空间信息,搜寻相邻两个路口或一特定距离内出现的该移动物体,以与各所述车辆建立关联。
10.根据权利要求7所述的行车路径重建方法,其中取得各所述车辆所关联的该移动物体的步骤包括:
表述各所述车辆及各所述移动物体为对应的一特征向量矩阵;
求取各该些特征向量矩阵之间的一相似性;以及
取该相似性最高的特征向量矩阵所对应的该车辆及该移动物体来建立关联性。
11.根据权利要求7所述的行车路径重建方法,其中在取得各所述车辆所关联的该移动物体的所述移动物体追踪数据的步骤之后,还包括:
依据各所述车辆所会经过的所述行经地点及该行车时间,推估一正常行车路线;以及
计算各所述移动物体追踪数据与该正常行车路线之间的一差异,据以去除不合理的移动物体追踪数据。
12.根据权利要求11所述的行车路径重建方法,其中在计算各所述移动物体追踪数据与该正常行车路线之间的该差异,据以去除不合理的移动物体追踪数据的步骤之后,还包括:
依据一运动模型中的一车辆速度及一移动方向,推估各所述车辆的一可能移动范围,据以从已去除不合理数据的移动物体追踪数据中,找出可能性最高的移动物体追踪数据。
13.根据权利要求7所述的行车路径重建方法,其中在建立各所述车辆的该完整行车路径的步骤之后,还包括:
依据各该些第一监视画面的该车辆识别结果以及所述移动物体追踪数据中所包含的至少一关键影格,建立各所述车辆的该完整行车路径与所述关键影格的一关联性,以作为搜寻各所述车辆的依据。
14.根据权利要求1所述的行车路径重建方法,其中该第一类路口监视器支持车牌识别,而该第二类路口监视器不支持车牌识别。
15.一种行车路径重建系统,包括:
一车辆搜寻模块,接收多个第一类路口监视器所拍摄的多张第一监视画面中每一个第一监视画面的一车辆识别结果,比对各该些第一监视画面的该车辆识别结果,以找出相似的至少一车辆,并依据各该些第一类路口监视器的一配置位置及各所述车辆的一比对结果,估算各所述车辆在该些配置位置之间移动的至少一行经地点及一行车时间;以及
一路径重建模块,查询配置在所述行经地点的多个第二类路口监视器所拍摄的多张第二监视画面中出现的至少一移动物体的一追踪信息,据以比对所述车辆及所述移动物体,找出各所述车辆所关联的该移动物体,并据以建立各所述车辆的一完整行车路径。
16.根据权利要求15所述的行车路径重建系统,其中该车辆搜寻模块包括:
一相似车辆比对单元,比对在该些第一监视画面中出现的车辆的至少一车辆特征,以识别出相似的所述车辆;
一行车信息提供单元,提供一行车历史信息,其包括统计以往车辆在该些配置位置之间行车所会经过的所述行经地点及对应花费的该行车时间;以及
一行经地点估测单元,依据各所述车辆的该比对结果,找出各所述车辆有出现的该些第一监视画面及其相对应的该些配置位置,并查询该行车历史数据,据以判断各所述车辆在该些配置位置之间行车所会经过的所述行经地点及该行车时间,输出一行车数据集合。
17.根据权利要求16所述的行车路径重建系统,其中该相似车辆比对单元包括撷取该些第一监视画面中出现的任两车辆的一第一车牌号码及一第二车牌号码,并计算该第一车牌号码转换为该第二车牌号码所需的一最少编辑次数,并与一门坎值比较,而当该最少编辑次数小于等于该门坎值时,判定该两车辆为相似的车辆。
18.根据权利要求16所述的行车路径重建系统,其中所述车辆特征包括车牌、车色或车种。
19.根据权利要求15所述的行车路径重建系统,其中该路径重建模块包括:
一移动物体追踪数据库,储存各所述移动物体在该些第二监视画面中出现的一位置、一时间、一尺寸、一颜色及一关键影格;
一追踪数据查询单元,接收各所述车辆对应的该行车数据集合,依据各该些行车数据集合的该行车时间排序该些行车数据集合,依据各该些行车数据集合中所述行经地点的一地理位置关联性,找出可能行经的所有第二类路口监视器,以及依据所找出各该些第二类路口监视器的一地理位置数据,查询该移动物体追踪数据库,以取得各所述车辆所关联的该移动物体的至少一移动物体追踪数据。
20.根据权利要求19所述的行车路径重建系统,其中该追踪数据查询单元包括比对各所述车辆及各所述移动物体的一时间,搜寻出现时间最接近一历史统计间隔时间的该移动物体,以与各所述车辆建立关联。
21.根据权利要求19所述的行车路径重建系统,其中该追踪数据查询单元包括比对各所述车辆及各所述移动物体的一空间信息,搜寻相邻两个路口或一特定距离内出现的该移动物体,以与各所述车辆建立关联。
22.根据权利要求19所述的行车路径重建系统,其中该追踪数据查询单元包括表述各所述车辆及各所述移动物体为对应的一特征向量矩阵,并求取各该些特征向量矩阵之间的一相似性,而取该相似性最高的特征向量矩阵所对应的该车辆及该移动物体来建立关联性。
23.根据权利要求19所述的行车路径重建系统,其中该路径重建模块还包括:
一线性回归过滤单元,依据各所述车辆所会经过的行经地点及行车时间,推估一正常行车路线,以及计算各所述移动物体追踪数据与该正常行车路线之间的一差异,据以去除不合理的移动物体追踪数据。
24.根据权利要求19所述的行车路径重建系统,其中该路径重建模块还包括:
一运动模型过滤单元,依据一运动模型中的一车辆速度及一移动方向,推估各所述车辆的一可能移动范围,据以从线性回归处理后的移动物体追踪数据中,找出可能性最高的移动物体追踪数据。
25.根据权利要求19所述的行车路径重建系统,还包括:
一关键影格关联模块,包括:
一关键影格数据库,储存由各该些第一监视画面的该车辆识别结果以及所述移动物体追踪数据产生的至少一关键影格;以及
一关联性建立单元,建立各所述车辆的该完整行车路径与所述关键影格的一关联性,以作为搜寻各所述车辆的依据。
26.根据权利要求15所述的行车路径重建系统,其中该第一类路口监视器支持车牌识别,而该第二类路口监视器不支持车牌识别。
27.一种计算机程序产品,经由一电子装置加载该程序以执行如权利要求1所述的行车路径重建方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW099146378A TWI425454B (zh) | 2010-12-28 | 2010-12-28 | 行車路徑重建方法、系統及電腦程式產品 |
TW099146378 | 2010-12-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102542789A true CN102542789A (zh) | 2012-07-04 |
Family
ID=46318085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101066708A Pending CN102542789A (zh) | 2010-12-28 | 2011-04-27 | 行车路径重建方法、系统及计算机程序产品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20120166080A1 (zh) |
CN (1) | CN102542789A (zh) |
TW (1) | TWI425454B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346943A (zh) * | 2013-08-09 | 2015-02-11 | 通用汽车环球科技运作有限责任公司 | 车辆路径评估 |
CN108804994A (zh) * | 2018-03-21 | 2018-11-13 | 朱林清 | 行进方向大数据识别方法 |
CN109377757A (zh) * | 2018-11-16 | 2019-02-22 | 宁波工程学院 | 基于含多源粗差的车牌识别数据的车辆出行轨迹提取方法 |
CN110785775A (zh) * | 2017-07-07 | 2020-02-11 | 三星电子株式会社 | 用于光学跟踪的系统和方法 |
CN112602128A (zh) * | 2018-06-18 | 2021-04-02 | R·A·艾勒森 | 道路交通导航系统 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101467454A (zh) * | 2006-04-13 | 2009-06-24 | 科汀科技大学 | 虚拟观测器 |
US9373033B2 (en) * | 2012-03-13 | 2016-06-21 | Massachusetts Institute Of Technology | Assisted surveillance of vehicles-of-interest |
US9738253B2 (en) * | 2012-05-15 | 2017-08-22 | Aps Systems, Llc. | Sensor system for motor vehicle |
US8971573B2 (en) * | 2012-09-12 | 2015-03-03 | Xerox Corporation | Video-tracking for video-based speed enforcement |
CN103150901B (zh) * | 2013-02-05 | 2015-02-18 | 长安大学 | 一种基于车辆运动矢量场分析的异常交通状况检测方法 |
US9733101B2 (en) * | 2015-05-18 | 2017-08-15 | International Business Machines Corporation | Vehicle convergence analysis based on sparse location data |
CN105448092B (zh) * | 2015-12-23 | 2018-03-23 | 浙江宇视科技有限公司 | 一种关联车辆的分析方法及装置 |
CN105788252B (zh) * | 2016-03-22 | 2018-05-01 | 连云港杰瑞电子有限公司 | 基于定点检测器和信号配时数据融合的城市干道车辆轨迹重构方法 |
US11972683B2 (en) * | 2016-05-25 | 2024-04-30 | Yunex Gmbh | Method, device and arrangement for tracking moving objects |
US11769407B1 (en) * | 2016-06-19 | 2023-09-26 | Platform Science, Inc. | System and method to generate position and state-based electronic signaling from a vehicle |
CN108897777B (zh) | 2018-06-01 | 2022-06-17 | 深圳市商汤科技有限公司 | 目标对象追踪方法及装置、电子设备和存储介质 |
CN117541455A (zh) * | 2018-10-31 | 2024-02-09 | 北京嘀嘀无限科技发展有限公司 | 用于确定推荐位置的系统和方法 |
CN112215427B (zh) * | 2020-10-19 | 2022-12-23 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
CN113870551B (zh) * | 2021-08-16 | 2023-07-28 | 清华大学 | 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 |
CN114061569B (zh) * | 2021-11-23 | 2022-12-23 | 武汉理工大学 | 基于光栅阵列传感技术的车辆轨迹跟踪方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1234690A (zh) * | 1999-03-11 | 1999-11-10 | 大连市公安局交通警察支队 | 自动跟踪拥挤路段的电视监控系统 |
CN1350941A (zh) * | 2000-10-27 | 2002-05-29 | 新鼎系统股份有限公司 | 移动车辆图像追踪的方法和装置 |
US20060165277A1 (en) * | 2004-12-03 | 2006-07-27 | Ying Shan | Method and apparatus for unsupervised learning of discriminative edge measures for vehicle matching between non-overlapping cameras |
US20060200307A1 (en) * | 2005-03-04 | 2006-09-07 | Lockheed Martin Corporation | Vehicle identification and tracking system |
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
CN101251927A (zh) * | 2008-04-01 | 2008-08-27 | 东南大学 | 基于视频技术的车辆检测与跟踪方法 |
JP2010092248A (ja) * | 2008-10-08 | 2010-04-22 | Nec Corp | 車両追跡装置及び車両追跡方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4111171C1 (zh) * | 1991-04-06 | 1992-05-27 | Mannesmann Kienzle Gmbh, 7730 Villingen-Schwenningen, De | |
US5434927A (en) * | 1993-12-08 | 1995-07-18 | Minnesota Mining And Manufacturing Company | Method and apparatus for machine vision classification and tracking |
US6826292B1 (en) * | 2000-06-23 | 2004-11-30 | Sarnoff Corporation | Method and apparatus for tracking moving objects in a sequence of two-dimensional images using a dynamic layered representation |
US20030053659A1 (en) * | 2001-06-29 | 2003-03-20 | Honeywell International Inc. | Moving object assessment system and method |
KR100725669B1 (ko) * | 2001-10-26 | 2007-06-08 | 손승남 | 주행차량 인식 시스템 |
US20050033505A1 (en) * | 2002-12-05 | 2005-02-10 | Premier Wireless, Inc. | Traffic surveillance and report system |
US7764808B2 (en) * | 2003-03-24 | 2010-07-27 | Siemens Corporation | System and method for vehicle detection and tracking |
WO2006002298A2 (en) * | 2004-06-22 | 2006-01-05 | Sarnoff Corporation | Method and apparatus determining camera pose |
US7639841B2 (en) * | 2004-12-20 | 2009-12-29 | Siemens Corporation | System and method for on-road detection of a vehicle using knowledge fusion |
ITTO20060214A1 (it) * | 2006-03-22 | 2007-09-23 | Kria S R L | Sistema di rilevamento di veicoli |
US20080112593A1 (en) * | 2006-11-03 | 2008-05-15 | Ratner Edward R | Automated method and apparatus for robust image object recognition and/or classification using multiple temporal views |
US8213685B2 (en) * | 2007-01-05 | 2012-07-03 | American Traffic Solutions, Inc. | Video speed detection system |
US8098889B2 (en) * | 2007-01-18 | 2012-01-17 | Siemens Corporation | System and method for vehicle detection and tracking |
US8712105B2 (en) * | 2007-04-16 | 2014-04-29 | Redflex Traffic Systems Pty, Ltd. | Vehicle speed verification system and method |
US8457360B2 (en) * | 2008-09-25 | 2013-06-04 | National Ict Australia Limited | Detection of vehicles in an image |
US8311343B2 (en) * | 2009-02-12 | 2012-11-13 | Laser Technology, Inc. | Vehicle classification by image processing with laser range finder |
CN101923734B (zh) * | 2010-07-15 | 2012-07-04 | 严皓 | 基于移动网络的高速公路车辆行驶路径识别系统的实现方法 |
-
2010
- 2010-12-28 TW TW099146378A patent/TWI425454B/zh not_active IP Right Cessation
-
2011
- 2011-04-27 CN CN2011101066708A patent/CN102542789A/zh active Pending
- 2011-06-20 US US13/163,753 patent/US20120166080A1/en not_active Abandoned
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1234690A (zh) * | 1999-03-11 | 1999-11-10 | 大连市公安局交通警察支队 | 自动跟踪拥挤路段的电视监控系统 |
CN1350941A (zh) * | 2000-10-27 | 2002-05-29 | 新鼎系统股份有限公司 | 移动车辆图像追踪的方法和装置 |
US20060165277A1 (en) * | 2004-12-03 | 2006-07-27 | Ying Shan | Method and apparatus for unsupervised learning of discriminative edge measures for vehicle matching between non-overlapping cameras |
US20060200307A1 (en) * | 2005-03-04 | 2006-09-07 | Lockheed Martin Corporation | Vehicle identification and tracking system |
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
CN101251927A (zh) * | 2008-04-01 | 2008-08-27 | 东南大学 | 基于视频技术的车辆检测与跟踪方法 |
JP2010092248A (ja) * | 2008-10-08 | 2010-04-22 | Nec Corp | 車両追跡装置及び車両追跡方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346943A (zh) * | 2013-08-09 | 2015-02-11 | 通用汽车环球科技运作有限责任公司 | 车辆路径评估 |
CN110785775A (zh) * | 2017-07-07 | 2020-02-11 | 三星电子株式会社 | 用于光学跟踪的系统和方法 |
CN110785775B (zh) * | 2017-07-07 | 2023-12-01 | 三星电子株式会社 | 用于光学跟踪的系统和方法 |
CN108804994A (zh) * | 2018-03-21 | 2018-11-13 | 朱林清 | 行进方向大数据识别方法 |
CN108804994B (zh) * | 2018-03-21 | 2019-03-26 | 上海长普智能科技有限公司 | 行进方向大数据识别方法 |
CN112602128A (zh) * | 2018-06-18 | 2021-04-02 | R·A·艾勒森 | 道路交通导航系统 |
CN112602128B (zh) * | 2018-06-18 | 2023-12-12 | R·A·艾勒森 | 道路交通导航系统 |
CN109377757A (zh) * | 2018-11-16 | 2019-02-22 | 宁波工程学院 | 基于含多源粗差的车牌识别数据的车辆出行轨迹提取方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI425454B (zh) | 2014-02-01 |
US20120166080A1 (en) | 2012-06-28 |
TW201227629A (en) | 2012-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542789A (zh) | 行车路径重建方法、系统及计算机程序产品 | |
US11037305B2 (en) | Method and apparatus for processing point cloud data | |
Ahmad et al. | {CarMap}: Fast 3d feature map updates for automobiles | |
CN105528359B (zh) | 用于存储行进轨迹的方法和系统 | |
CN111104903B (zh) | 一种深度感知交通场景多目标检测方法和系统 | |
CN110753892A (zh) | 在自动驾驶车辆中用于经由交叉模态验证的即时物体标记的方法和系统 | |
CN103942811B (zh) | 分布式并行确定特征目标运动轨迹的方法与系统 | |
CN110869559A (zh) | 用于自动驾驶车辆中的集成的全局式与分布式学习的方法和系统 | |
CN103996036B (zh) | 一种地图数据采集方法及装置 | |
CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和系统 | |
CN101848377B (zh) | 一种基于云计算及海量视频检索的多视频录入装置智能联动的装置和方法 | |
Neubert et al. | Beyond holistic descriptors, keypoints, and fixed patches: Multiscale superpixel grids for place recognition in changing environments | |
Efrat et al. | 3d-lanenet+: Anchor free lane detection using a semi-local representation | |
CN113255552B (zh) | 公交车载视频乘客od分析方法、装置及存储介质 | |
WO2017200889A1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
Getahun et al. | A deep learning approach for lane detection | |
Platinsky et al. | Collaborative augmented reality on smartphones via life-long city-scale maps | |
CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
Tsintotas et al. | Dimensionality reduction through visual data resampling for low-storage loop-closure detection | |
Patel et al. | Car detection based algorithm for automatic parking space detection | |
Liu et al. | Dloam: Real-time and robust lidar slam system based on cnn in dynamic urban environments | |
Kumar et al. | Resource efficient edge computing infrastructure for video surveillance | |
Tran et al. | iTASK-Intelligent traffic analysis software kit | |
CN112738725A (zh) | 半封闭区域目标人群的实时识别方法、装置、设备和介质 | |
CN116033544A (zh) | 室内停车场定位方法、计算机设备、存储介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120704 |