CN109325467A - 一种基于视频检测结果的车辆跟踪方法 - Google Patents
一种基于视频检测结果的车辆跟踪方法 Download PDFInfo
- Publication number
- CN109325467A CN109325467A CN201811215199.4A CN201811215199A CN109325467A CN 109325467 A CN109325467 A CN 109325467A CN 201811215199 A CN201811215199 A CN 201811215199A CN 109325467 A CN109325467 A CN 109325467A
- Authority
- CN
- China
- Prior art keywords
- track
- video
- tracking
- detection
- result
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种基于视频检测结果的车辆跟踪方法,采用以下步骤,步骤1:摄像头采集监控区域视频,将采集到的视频流传送到处理模块中所述处理模块对摄像视频进行解码,得到连续的图像帧,将该图像帧传送到图像检测模块中;步骤2:该图像检测模块通过对当前图片帧中的车辆进行识别,得到n个检测框,n>0;步骤3:图像检测模块对n个检测框分别赋予唯一编号,使得每一辆车在视频流中的连续图片帧中具有相同编号。能够在极少计算成本上补全现有基于图像检测方案的不足,提高检测结果,便于后续的视频数据结构化。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种基于视频检测结果的车辆跟踪方法。
背景技术
随着道路卡口监控摄像头的普及,基于摄像机的车辆检测技术得到了广泛的应用。基于图像的视频检测和属性分析系统在近几年因为深度学习取得了较高的突破,然而单张图像往往存在遮挡等复杂情况使得检测等技术出现错误,因此如何利用跟踪技术串联多帧的结果来进一步的提取结构化信息是一个很大的问题。
传统意义上的跟踪算法往往使用光流或者梯度直方图等底层特征在新一帧的图像上进行模板匹配来获得下一帧的位置,而近年来的深度特征准确性更高,能够更精确的预测。但是目前检测已经采用深度学习的方法来进行检测,对计算力已经有了较大的压力,进一步使用复杂的跟踪模块不太实际。
发明内容
本发明针对现有技术的不足,提出一种基于视频检测结果的车辆跟踪方法,具体技术方案如下:
一种基于视频检测结果的车辆跟踪方法,其特征在于:
采用以下步骤,
步骤1:摄像头采集监控区域视频,将采集到的视频流传送到处理模块中;
所述处理模块对摄像视频进行解码,得到连续的图像帧,将该图像帧传送到图像检测模块中;
步骤2:该图像检测模块通过对当前图片帧中的车辆进行识别,得到n个检测框,n>0;
步骤3:图像检测模块对n个检测框分别赋予唯一编号,使得每一辆车在视频流中的连续图片帧中具有相同编号;
步骤4:处理模块针对每个编号,判断该编号是否对应设置有跟踪活跃轨迹集,如果是,则进入步骤6,否则,进入步骤5;
步骤5:处理模块针对该编号建立有对应的跟踪活跃轨迹集,初始化跟踪活跃轨迹和完结轨迹为空集,将该编号对应的检测框加入到跟踪活跃轨迹集中;
步骤6:将该编号对应的活跃轨迹集中的检测框与当前检测结果的检测框进行匹配得分计算:
该匹配得分的方式为,匹配得分为计算使用活跃轨迹集中的矩形框与当前检测结果中的矩形框的重合比例;
步骤7:根据匹配得分利用匈牙利算法计算得到对应的匹配结果,设置有参考阈值,如果匹配得分高于阈值,则进入步骤8,否则,进入步骤9;
步骤8:将当前检测结果中的矩形框加入到该编号对应的活跃轨迹集;
步骤9:设置有不匹配计数器和参考值,不匹配计数器中的值加一,将该编号对应的活跃轨迹集转换为完结轨迹集;
步骤10:重复步骤2至步骤9直到最后一帧数,将所有的活跃轨迹更替为完结轨迹,得到最后的跟踪结果。
进一步地:对跟踪结果进行卡尔曼滤波器,完成完结轨迹集的滤波和补全。
本发明的有益效果为:第一,能够在极少计算成本上补全现有基于图像检测方案的不足,提高检测结果,便于后续的视频数据结构化。具有一下几点显著的社会和经济效益:
第二,能够提升现有基于图像检测方案的不足,能够过滤图像检测的结果避免抖动,能够抑制出现的错误检测,能够补全轨迹中缺失的检测,大大提高检测的效果。
第三,不需要高昂的计算成本,现有的跟踪方案往往利用图像特征,结构复杂计算消耗高,本方法完全不使用图像特征,通过检测的结果进行优化,在几乎不增加计算量的基础上改善检测结果。
附图说明
图1为本发明的工作流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示:一种基于视频检测结果的车辆跟踪方法,采用以下步骤,
步骤1:摄像头采集监控区域视频,将采集到的视频流传送到处理模块中;
所述处理模块对摄像视频进行解码,得到连续的图像帧,将该图像帧传送到图像检测模块中;
步骤2:该图像检测模块通过对当前图片帧中的车辆进行识别,得到n个检测框,n>0;
步骤3:图像检测模块对n个检测框分别赋予唯一编号,使得每一辆车在视频流中的连续图片帧中具有相同编号;
步骤4:处理模块针对每个编号,判断该编号是否对应设置有跟踪活跃轨迹集,如果是,则进入步骤6,否则,进入步骤5;
步骤5:处理模块针对该编号建立有对应的跟踪活跃轨迹集,初始化跟踪活跃轨迹和完结轨迹为空集,将该编号对应的检测框加入到跟踪活跃轨迹集中;
步骤6:将该编号对应的活跃轨迹集中的检测框与当前检测结果的检测框进行匹配得分计算:
该匹配得分的方式为,匹配得分为计算使用活跃轨迹集中的矩形框与当前检测结果中的矩形框的重合比例;
步骤7:根据匹配得分利用匈牙利算法计算得到对应的匹配结果,设置有参考阈值,如果匹配得分高于阈值,则进入步骤8,否则,进入步骤9;
步骤8:将当前检测结果中的矩形框加入到该编号对应的活跃轨迹集;
步骤9:设置有不匹配计数器和参考值,不匹配计数器中的值加一,将该编号对应的活跃轨迹集转换为完结轨迹集;
步骤10:重复步骤2至步骤9直到最后一帧数,将所有的活跃轨迹更替为完结轨迹,得到最后的跟踪结果。对跟踪结果进行卡尔曼滤波器,完成完结轨迹集的滤波和补全。
Claims (2)
1.一种基于视频检测结果的车辆跟踪方法,其特征在于:
采用以下步骤,
步骤1:摄像头采集监控区域视频,将采集到的视频流传送到处理模块中;
所述处理模块对摄像视频进行解码,得到连续的图像帧,将该图像帧传送到图像检测模块中;
步骤2:该图像检测模块通过对当前图片帧中的车辆进行识别,得到n个检测框,n>0;
步骤3:图像检测模块对n个检测框分别赋予唯一编号,使得每一辆车在视频流中的连续图片帧中具有相同编号;
步骤4:处理模块针对每个编号,判断该编号是否对应设置有跟踪活跃轨迹集,如果是,则进入步骤6,否则,进入步骤5;
步骤5:处理模块针对该编号建立有对应的跟踪活跃轨迹集,初始化跟踪活跃轨迹和完结轨迹为空集,将该编号对应的检测框加入到跟踪活跃轨迹集中;
步骤6:将该编号对应的活跃轨迹集中的检测框与当前检测结果的检测框进行匹配得分计算:
该匹配得分的方式为,匹配得分为计算使用活跃轨迹集中的矩形框与当前检测结果中的矩形框的重合比例;
步骤7:根据匹配得分利用匈牙利算法计算得到对应的匹配结果,设置有参考阈值,如果匹配得分高于阈值,则进入步骤8,否则,进入步骤9;
步骤8:将当前检测结果中的矩形框加入到该编号对应的活跃轨迹集;
步骤9:设置有不匹配计数器和参考值,不匹配计数器中的值加一,将该编号对应的活跃轨迹集转换为完结轨迹集;
步骤10:重复步骤2至步骤9直到最后一帧数,将所有的活跃轨迹更替为完结轨迹,得到最后的跟踪结果。
2.根据权利要求1所述一种基于视频检测结果的车辆跟踪方法,其特征在于:
对跟踪结果进行卡尔曼滤波器,完成完结轨迹集的滤波和补全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811215199.4A CN109325467A (zh) | 2018-10-18 | 2018-10-18 | 一种基于视频检测结果的车辆跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811215199.4A CN109325467A (zh) | 2018-10-18 | 2018-10-18 | 一种基于视频检测结果的车辆跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109325467A true CN109325467A (zh) | 2019-02-12 |
Family
ID=65261434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811215199.4A Pending CN109325467A (zh) | 2018-10-18 | 2018-10-18 | 一种基于视频检测结果的车辆跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325467A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717445A (zh) * | 2019-10-09 | 2020-01-21 | 清华大学 | 一种用于自动驾驶的前车距离跟踪系统与方法 |
CN111027580A (zh) * | 2019-04-03 | 2020-04-17 | 泰州阿法光电科技有限公司 | 多参数现场采集系统 |
CN114582140A (zh) * | 2022-01-17 | 2022-06-03 | 浙江银江智慧交通工程技术研究院有限公司 | 城市道路交叉口交通流量的识别方法、系统、装置和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750527A (zh) * | 2012-06-26 | 2012-10-24 | 浙江捷尚视觉科技有限公司 | 一种银行场景中长期稳定的人脸检测与跟踪方法及装置 |
CN105046220A (zh) * | 2015-07-10 | 2015-11-11 | 华为技术有限公司 | 一种多目标跟踪方法、装置及设备 |
CN106803263A (zh) * | 2016-11-29 | 2017-06-06 | 深圳云天励飞技术有限公司 | 一种目标跟踪方法及装置 |
CN107491715A (zh) * | 2016-06-13 | 2017-12-19 | 北京文安智能技术股份有限公司 | 一种基于视频分析的地铁车厢客流统计方法、装置及系统 |
CN108022258A (zh) * | 2017-10-20 | 2018-05-11 | 南京邮电大学 | 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法 |
CN108363997A (zh) * | 2018-03-20 | 2018-08-03 | 南京云思创智信息科技有限公司 | 一种在视频中对特定人的实时跟踪方法 |
CN108509896A (zh) * | 2018-03-28 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 一种轨迹跟踪方法、装置和存储介质 |
-
2018
- 2018-10-18 CN CN201811215199.4A patent/CN109325467A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750527A (zh) * | 2012-06-26 | 2012-10-24 | 浙江捷尚视觉科技有限公司 | 一种银行场景中长期稳定的人脸检测与跟踪方法及装置 |
CN105046220A (zh) * | 2015-07-10 | 2015-11-11 | 华为技术有限公司 | 一种多目标跟踪方法、装置及设备 |
CN107491715A (zh) * | 2016-06-13 | 2017-12-19 | 北京文安智能技术股份有限公司 | 一种基于视频分析的地铁车厢客流统计方法、装置及系统 |
CN106803263A (zh) * | 2016-11-29 | 2017-06-06 | 深圳云天励飞技术有限公司 | 一种目标跟踪方法及装置 |
CN108022258A (zh) * | 2017-10-20 | 2018-05-11 | 南京邮电大学 | 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法 |
CN108363997A (zh) * | 2018-03-20 | 2018-08-03 | 南京云思创智信息科技有限公司 | 一种在视频中对特定人的实时跟踪方法 |
CN108509896A (zh) * | 2018-03-28 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 一种轨迹跟踪方法、装置和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027580A (zh) * | 2019-04-03 | 2020-04-17 | 泰州阿法光电科技有限公司 | 多参数现场采集系统 |
CN111027580B (zh) * | 2019-04-03 | 2020-11-03 | 诸暨良嘉环保科技咨询有限公司 | 多参数现场采集系统 |
CN110717445A (zh) * | 2019-10-09 | 2020-01-21 | 清华大学 | 一种用于自动驾驶的前车距离跟踪系统与方法 |
CN110717445B (zh) * | 2019-10-09 | 2022-08-23 | 清华大学 | 一种用于自动驾驶的前车距离跟踪系统与方法 |
CN114582140A (zh) * | 2022-01-17 | 2022-06-03 | 浙江银江智慧交通工程技术研究院有限公司 | 城市道路交叉口交通流量的识别方法、系统、装置和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348445B (zh) | 一种融合空洞卷积和边缘信息的实例分割方法 | |
CN109325467A (zh) | 一种基于视频检测结果的车辆跟踪方法 | |
CN109285179A (zh) | 一种基于多特征融合的运动目标跟踪方法 | |
CN104361353B (zh) | 一种感兴趣区域的定位方法在仪表监控识别中的应用 | |
AU2014346263B2 (en) | Complex background-oriented optical character recognition method and device | |
CN104036287A (zh) | 一种基于人类运动显著轨迹的视频分类方法 | |
CN103839038A (zh) | 一种人数统计的方法及装置 | |
CN105069408A (zh) | 一种复杂场景下基于人脸识别的视频人像跟踪方法 | |
CN103257992A (zh) | 一种相似视频检索的方法及系统 | |
CN108288015A (zh) | 基于时间尺度不变性的视频中人体动作识别方法及系统 | |
CN105424709A (zh) | 一种基于图像标记的水果表面缺陷检测方法 | |
CN103559724A (zh) | 一种高粘连度细胞环境下的多细胞同步跟踪方法 | |
CN106612457B (zh) | 视频序列对齐方法和系统 | |
CN105574515A (zh) | 一种无重叠视域下的行人再识别方法 | |
WO2014082480A1 (zh) | 一种人数及人群运动方向的计算方法及装置 | |
CN107993488A (zh) | 一种基于鱼眼相机的车位识别方法、系统及介质 | |
CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
CN109886242A (zh) | 一种行人重识别的方法及系统 | |
CN101908214B (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
CN102663777A (zh) | 基于多视点视频的目标跟踪方法及系统 | |
CN108986143A (zh) | 一种视频中目标检测跟踪方法 | |
CN104090658A (zh) | 基于hog特征的人体图像检测方法 | |
CN105426816A (zh) | 一种处理人脸图像的方法及装置 | |
CN104091178A (zh) | 基于hog特征人体感知分类器的训练方法 | |
CN111091057A (zh) | 一种信息处理方法、装置及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |
|
RJ01 | Rejection of invention patent application after publication |