CN109427190A - 车辆追踪方法及装置 - Google Patents
车辆追踪方法及装置 Download PDFInfo
- Publication number
- CN109427190A CN109427190A CN201710724414.2A CN201710724414A CN109427190A CN 109427190 A CN109427190 A CN 109427190A CN 201710724414 A CN201710724414 A CN 201710724414A CN 109427190 A CN109427190 A CN 109427190A
- Authority
- CN
- China
- Prior art keywords
- image
- target vehicle
- vehicle
- characteristic information
- information
- 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
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了车辆追踪方法及装置,所述方法包括:获取目标车辆的特征信息;若判断获知所述特征信息为结构化特征信息,根据所述特征信息,基于训练好的卷积神经网络在结构化特征数据库中查找所述目标车辆当前位置的位置信息;或若判断获知所述特征信息为图像,根据所述特征信息,在非结构化图像数据库中查找所述目标车辆的图像,并确定所述目标车辆当前位置的位置信息;向位于所述当前位置的布控终端发送报警信号,以供所述布控终端进行报警,实现对所述目标车辆的追踪。本发明提供的车辆追踪方法及装置,应用范围更广。同时,对于提供的目标车辆的特征信息类型不同,设计两种不同的目标车辆当前位置的确定方法。
Description
技术领域
本发明涉及道路管理领域,更具体地,涉及车辆追踪方法及装置。
背景技术
公路交通具有通行能力大、运行速度快、运输成本低、安全程度高、行车舒适等突出优势,是现代化综合运输体系中最重要的基础设施之一,承担省际间、区域间以及城乡间的客货运输,对于支撑经济发展、服务人民群众、推动社会发展进步发挥着重要的作用。
目前,存在一种道路综合防控方法,用于对道路上的行驶车辆进行车辆的追踪和定位。具体方法为:在道路卡口采集通过的车辆数据并缓存在前置服务器,利用区间测速与车辆识别技术对在道路卡口采集到的车辆数据进行二次处理,对目标车辆数据上传并存储在政府职能部门数据管理平台。将车辆的预警数据发送到终端设备进行车辆的预警提示。
现有技术中,根据道路卡口的摄像头采集到的车辆数据进行区间测速以及车辆识别和报警,以实现对车辆进行追踪。但是这种方法只是针对于利用道路卡口摄像头采集到的车辆数据进行车辆追踪,并不能根据提供的车辆数据进行车辆追踪。现急需一种基于提供的车辆数据对车辆的追踪的方法及装置。
发明内容
为克服上述问题或者至少部分地解决上述问题,本发明提供了车辆追踪方法及装置。
一方面,本发明提供了一种车辆追踪方法,包括:
S11,获取目标车辆的特征信息;
S12,若判断获知所述特征信息为结构化特征信息,根据所述特征信息,基于训练好的卷积神经网络在结构化特征数据库中查找所述目标车辆当前位置的位置信息;
S13,若判断获知所述特征信息为图像信息,根据所述特征信息,在非结构化图像数据库中查找所述目标车辆的图像,并基于查找到的图像确定所述目标车辆当前位置的位置信息;
S14,向位于所述当前位置的布控终端发送报警信号,以供所述布控终端进行报警,实现对所述目标车辆的追踪。
优选地,在所述S14之前还包括:
对位于所述当前位置的目标车辆进行行驶速度筛查;
相应地,所述S14进一步包括:
当所述目标车辆的行驶速度不超过预设阈值时,向所述布控终端发送报警信号,所述预设阈值为道路最高限速的预设倍数值。
优选地,所述目标车辆的行驶速度通过如下方法计算:
获取上报位置、上报时刻和所述目标车辆到达所述当前位置的时刻,所述上报位置为所述目标车辆的初始位置,所述上报时刻为所述目标车辆到达所述初始位置对应的时刻;
根据所述上报位置、所述上报时刻和所述目标车辆到达所述当前位置的时刻,计算所述目标车辆由所述上报位置行驶至所述当前位置的过程中的行驶速度。
优选地,所述结构化特征数据库和所述非结构化图像数据库通过如下方法得到:
获取每条道路上车辆的图像,并存储至所述非结构化图像数据库中;
若判断获知所述每条道路上车辆的图像中存在结构化特征信息,则提取每条道路上车辆的图像中的结构化特征信息,并存储至所述结构化特征数据库中。
优选地,所述获取每条道路上车辆的图像具体包括:
通过可移动的摄像头采集每条道路上车辆的图像;和/或,
通过设置在道路卡口的摄像头采集每条道路上车辆的图像。
优选地,所述通过可移动的摄像头采集每条道路上车辆的图像具体包括:
通过设置在智能网联汽车上的多个摄像头采集每条道路上车辆的图像。
优选地,所述训练好的卷积神经网络通过以下方法获取:
将所述结构化特征数据库中的所有结构化特征数据作为训练样本,对卷积神经网络进行训练,得到训练后的卷积神经网络。
优选地,所述S13中根据所述特征信息,在非结构化图像数据库中查找所述目标车辆的图像,具体包括:
将所述特征信息缩小至预设像素数的尺寸;
采用浮点算法将所述特征信息转化为灰度图像;
遍历所述灰度图像的每一个像素,若所述每一个像素与所述灰度图像的平均像素值的比较结果为所述每一个像素大于所述灰度图像的平均像素值,记录为1,否则记录为0,并将所有记录结果作为所述灰度图像的标识信息;
分别计算所述灰度图像的标识信息与所述非结构化图像数据库中的每一图像的汉明距离,在所述非结构图像数据库中选取汉明距离小于预设值的图像。
优选地,所述获取每条道路上车辆的图像时还包括:
获取所述每条道路上车辆的图像的拍摄位置和拍摄时刻,并存储至所述非结构化图像数据库中,所述拍摄位置为所述车辆在所述拍摄时刻所处的位置。
另一方面,本发明提供了一种车辆追踪装置,包括:获取模块、第一查找模块、第二查找模块和发送模块。其中,获取模块用于获取上报的目标车辆的特征信息;第一查找模块用于若判断获知所述特征信息为结构化特征信息,根据所述特征信息,基于训练好的卷积神经网络在结构化特征数据库中查找所述目标车辆当前位置的位置信息;第二查找模块用于根据所述特征信息,基于以图搜图技术在非结构化图像数据库中查找所述目标车辆的图像,并基于查找到的图像确定所述目标车辆当前位置的位置信息;发送模块用于向位于所述当前位置的布控终端发送报警信号,以供所述布控终端进行报警,实现对所述目标车辆的追踪。
本发明提供的车辆追踪方法及装置,根据上报的目标车辆的特征信息类型,将不同的输入值输入至非结构化图像数据库中或者结构化特征数据库中。利用训练好的卷积神经网络在结构化特征数据库中查找目标车辆的当前位置,或利用以图搜图技术在非结构化图像数据库中查找目标车辆的图像,并基于查找到的图像确定目标车辆的当前位置;向位于所述当前位置的布控终端发送报警信号,实现对目标车辆的追踪。本实施例中提供的车辆追踪方法,不仅仅适用于根据道路卡口摄像头获取到的目标车辆的图像追踪目标车辆,还适用于根据其他途径获取到的目标车辆的特征信息追踪目标车辆,应用范围更广。同时,这种方法针对于提供的目标车辆的特征信息类型不同,设计两种不同的目标车辆当前位置的确定方法,使得无论提供何种类型的特征信息,都可以实现对目标车辆进行追踪。
附图说明
图1为本发明实施例提供的车辆追踪方法的流程示意图;
图2为本发明实施例提供的车辆追踪方法的流程示意图;
图3为本发明实施例提供的车辆追踪装置的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本发明一实施例中提供了一种车辆追踪方法,包括:
S11,获取目标车辆的特征信息;
S12,若判断获知所述特征信息为结构化特征信息,根据所述特征信息,基于训练好的卷积神经网络在结构化特征数据库中查找所述目标车辆当前位置的位置信息;
S13,若判断获知所述特征信息为图像信息,根据所述特征信息,在非结构化图像数据库中查找所述目标车辆的图像,并基于查找到的图像确定所述目标车辆当前位置的位置信息;
S14,向位于所述当前位置的布控终端发送报警信号,以供所述布控终端进行报警,实现对所述目标车辆的追踪。
具体地,本实施例中,目标车辆通常为违章车辆,如超速车辆、肇事车辆等,还可以是有违章嫌疑的车辆。目标车辆的特征信息具体可包括:包含目标车辆相关信息在内的图像、目标车辆的车型、颜色、车牌和/或是否有行车记录仪等。其中,特征信息又可按类别分为结构化特征信息和非结构化特征信息,非结构化特征信息可以是目标车辆的图像等不能提供具体有关目标车辆的信息的特征信息,结构化特征信息可以是目标车辆的车型、颜色、车牌和/或是否有行车记录仪等可以提供目标车辆的具体信息的特征信息。
本发明的执行主体为云平台,云平台获取由工作人员上报的或网络自行上报的目标车辆的特征信息,这通常是一种报警信息,例如,在位置B上工作人员发现A车超速,且已知A车的车牌号。则此时工作人员可上报A车的车牌号和位置B,车牌号即作为A车的特征信息,位置B也可作为一个附加特征信息进行上报。
当云平台获取到的特征信息为结构化特征信息时,则根据所述特征信息,基于训练好的卷积神经网络在结构化特征数据库中查找目标车辆当前位置的位置信息。当云平台获取到的特征信息为图像信息时,则根据所述特征信息,基于以图搜图技术在非结构化图像数据库中查找所述目标车辆的图像,并基于查找到的图像确定所述目标车辆当前位置的位置信息。目标车辆的图像可以是包含目标车辆相关信息在内的图片或视频。
这里的布控终端通常设置在交通指挥中心或每条道路上设置的摄像头所在的位置,云平台向位于目标车辆当前位置的布控终端发送报警信号,使布控终端进行报警,实现对目标车辆的追踪。报警的方式可以是利用布控终端界面显示目标车辆的当前位置,或在目标车辆经过当前位置时,处于当前位置的布控终端发出声音或者光亮,以确定这辆车为需要追踪的目标车辆。
在获取目标车辆的特征信息时还可以获取目标车辆的上报位置和上报时刻。上报位置是指目标车辆被发现违规或有可能违规的位置,上报时刻则是指目标车辆被发现违规或有可能违规的时刻。能够确定目标车辆的当前位置,即说明已经追踪到目标车辆,掌握了目标车辆的当前位置。
目标车辆的特征信息、上传位置和上传时刻还可存储至政府职能部门的数据管理平台,便于调取违规车辆的信息以及对违规车辆的追踪。
本实施例中非结构化图像数据库中预先存储有每条道路上过往车辆的图像,结构化特征数据库中预先存储有每条道路上过往车辆的结构化特征。无论是通过结构化特征数据库中存储的车辆的特征信息,还是通过非结构化图像数据库中存储的车辆的图像,都可以充分体现出目标车辆在某一时刻所处的位置,通过目标车辆的位置即可实现对目标车辆的追踪。
需要说明的是,本实施例中的S12和S13是相互独立的,执行S12或者执行S13,主要是取决于获取的目标车辆的特征信息的类型,若此特征信息为结构化特征信息时,执行S12。若不是结构化特征,则执行S13。S12或S13的执行结果,将直接影响到S14的执行。
本实施例中,根据提供的目标车辆的特征信息类型,将不同的输入值输入至非结构化图像数据库中或者结构化特征数据库中。利用训练好的卷积神经网络在结构化特征数据库中查找目标车辆的当前位置或利用以图搜图技术在非结构化图像数据库中查找目标车辆的图像,并基于查找到的图像确定目标车辆的当前位置;向位于目标车辆当前位置的布控终端发送报警信号,实现对目标车辆的追踪。本实施例中提供的车辆追踪方法,不仅仅适用于根据道路卡口摄像头获取到的目标车辆的图像追踪目标车辆,还适用于根据其他途径获取到的目标车辆的特征信息追踪目标车辆,应用范围更广。同时,这种方法针对于提供的目标车辆的特征信息类型不同,设计两种不同的目标车辆当前位置的确定方法,使得无论提供何种类型的特征信息,都可以实现对目标车辆进行追踪。
在上述实施例的基础上,在所述S14之前还包括:
对位于所述当前位置目标车辆进行行驶速度筛查;
相应地,S14进一步包括:
当所述目标车辆的行驶速度不超过预设阈值时,向所述布控终端发送报警信号,所述预设阈值为道路最高限速的预设倍数值。
具体地,为了保证得到的目标车辆当前位置的位置信息的正确性,确保准确追踪到目标车辆,需要处于所述当前位置的目标车辆进行行驶速度筛查,对于行驶速度不超过预设阈值的目标车辆,在经过布控终端时云平台向其发送报警信号,进行报警,以实现对目标车辆的追踪。这里的预设倍数可以设置为2倍,即预设阈值为道路最高限速的2倍。
在上述实施例的基础上,所述目标车辆的行驶速度通过如下方法计算:
获取上报位置、上报时刻和所述目标车辆到达所述当前位置的时刻,所述上报位置为所述目标车辆的初始位置,所述上报时刻为所述目标车辆到达所述初始位置对应的时刻;
根据所述上报位置、所述上报时刻和所述目标车辆到达所述当前位置的时刻,计算所述目标车辆由所述上报位置行驶至所述当前位置的过程中的行驶速度。
具体地,由于报警的目的是使公安机关或其他工作人员可以追踪到目标车辆的当前位置,进而实行抓捕或盘问。由此,需要考虑确定的目标车辆的当前位置是否使目标车辆的行驶速度满足不超过预设阈值,满足这个条件的目标车辆即为有效的目标车辆,否则即为无效的目标车辆,对于有效的目标车辆进行报警,对于无效的目标车辆不进行报警。这里,对有效的目标车辆进行报警,使得报警的结果更加真实可靠。
例如,若预设倍数设置为2倍,城市内道路的最高限速为30km/h,则预设阈值为60km/h。根据目标车辆的当前位置和目标车辆的上报位置,计算出目标车辆的行驶距离d;根据目标车辆到达当前位置的时刻以及上报时刻,计算出目标车辆行驶d的行驶时间段t;则在t时间段内目标车辆的行驶速度为v=d/t。如果d/t>60km/h,则判定处于所述当前位置的目标车辆为无效车辆,否则判定处于所述当前位置的目标车辆为有效车辆。
在上述实施例的基础上,结构化特征数据库和非结构化图像数据库通过如下方法得到:
获取每条道路上车辆的图像,并存储至所述非结构化图像数据库中;若判断获知所述每条道路上车辆的图像中存在结构化特征信息,则提取所述结构化特征信息,并存储至所述结构化特征数据库中。
还可在获取每条道路上车辆的图像后还包括:获取所述目标车辆以及所述每条道路上车辆的图像的拍摄位置和拍摄时刻。并将获取的拍摄时刻和拍摄的车辆位置与车辆的图像或结构化特征一并存储在非结构化图像数据库或结构化特征数据库中,本实施例中图像的拍摄位置即为车辆的当前位置。
还可以将车辆的图像、获取的车辆位置和获取图像的时刻一并存储至政府职能部门的数据管理平台,便于调取违规车辆的信息以及对违规车辆的追踪。
云平台获取车辆的图像的方法可以有多种,可以是云平台通过摄像头获取,也可以是通过其他可以实时拍摄车辆图像的装置,本实施例在此不做限定。这种获取图像的动作可以是云平台主动采集图像,也可以是由拍摄图像的装置主动进行、并主动传给云平台,此时云平台属于被动获得图像。根据云平台的承受能力还可随机选取获取图像的位置,可以实时获取,也可以是以一定的频率获取,以避免获取到的车辆图像太多造成冗余。
将车辆的图像存储之非结构化图像数据库中时,为便于后续查找目标车辆的图像,需要去除图像的细节,只保留照片内的结构和明暗等基本信息,去除不同尺寸和比例带来的图像差异。将获得的车辆的图像缩小至8*8的像素尺寸,并利用浮点算法将缩小后的车辆图像转化为灰度图像,浮点算法的公式为Gray=R*0.3+G*0.59+B*0.11,其中,R、G、B分别代表着红、绿、蓝三原色的CMYK值。计算进行灰度处理后的图像的所有像素点的平均值。遍历灰度图像中的每一个像素,若像素值大于平均值则记录为1,否则记录为0,将所有记录结果组合在一起,构成一个64位的标识信息,每一个图像的所有记录结果按相同的记录顺序构成标识信息。非结构化图像数据库中存储的是车辆的灰度图像,每个灰度图像均具有一个独有的标识信息。
在上述实施例的基础上,获取每条道路上车辆的图像具体包括:
通过可移动的摄像头采集每条道路上车辆的图像;和/或,
通过设置在道路卡口的摄像头采集每条道路上车辆的图像。
此处获取每条道路上车辆的图像有三种方案,其中,利用可移动的摄像头和道路卡口的摄像头同时采集每条道路上车辆的图像,可以实现车辆数据的完整性,同时也可避免因道路卡口的数量有限导致的无法对车辆进行有效布控。
通过可移动的摄像头采集每条道路上车辆的图像时,可移动的摄像头可以不止一个,可以通过可移动的装置携带多个拍摄不同方位的摄像头获取不同方位的车辆的图像。作为优选方案,可选用智能网联汽车携带多个摄像头,多个摄像头分别位于智能网联汽车四周的不同位置,以实现多方位的拍摄。大大增加了获取图像位置,提高了覆盖范围。相比于道路卡口摄像头只能拍摄有限角度的车辆图像,智能网联汽车可以拍摄周围360度的车辆图像。
智能网联汽车是指搭载先进的车载传感器、控制器、执行器等装置,并融合现代通信与网络技术,实现车与X(X可以是人、车、路和/或后台等)智能信息交换共享,具备复杂的环境感知、智能决策、协同控制和执行等功能,可实现安全、舒适、节能、高效行驶,并最终可替代人来操作的新一代汽车。
智能网联汽车最重要的传感器包含摄像头、毫米波雷达以及激光雷达等,而摄像头获取的信息是最为丰富的,通过现代通信与网络技术,将获取的信息传输到云平台,并将有用的信息处理、汇总,接入到政府智能管理部门的数据平台,将会对支撑经济发展,服务人民群众、有效打击犯罪、推动社会进步发挥重要作用。
以下均以智能网联汽车携带的多个摄像头和道路卡口的摄像头同时采集每条道路上车辆的图像为例进行说明。
在上述实施例的基础上,训练好的卷积神经网络通过以下方法获取:
将所述结构化特征数据库中的所有结构化特征数据作为训练样本,对卷积神经网络进行训练,得到训练后的卷积神经网络。
具体地,首先设计用于查找车辆位置的卷积神经网络,卷积神经网络的输入层设置为车辆图像,中间层采用卷积层和全部连接层提取车辆图像中的结构化特征,输出层则利用提取到的结构化特征通过输出分支分别得到图像中的车辆信息。
利用结构化特征数据库中的所有结构化特征对设计的卷积神经网络的参数进行迭代训练,得到训练后的卷积神经网络。可根据输入的目标车辆的图像,对图像中车辆的型号、颜色进行查找,并判断是否安装行车记录仪。
在上述实施例的基础上,所述S13中根据所述特征信息,在非结构化图像数据库中查找所述目标车辆的图像,具体包括:
S131,将所述特征信息缩小至预设像素数的尺寸;
S132,采用浮点算法将所述特征信息转化为灰度图像;
S133,遍历所述灰度图像的每一个像素,若所述每一个像素与所述灰度图像的平均像素值的比较结果为所述每一个像素大于所述灰度图像的平均像素值,记录为1,否则记录为0,并将所有记录结果作为所述灰度图像的标识信息;
S134,分别计算所述灰度图像的标识信息与所述非结构化图像数据库中的每一图像的汉明距离,在所述非结构图像数据库中选取汉明距离小于预设值的图像。
具体地,由于S13的前提时特征信息为图像,即工作人员上报的为目标车辆的图像。首先将获取的目标车辆的图像缩小至预设像素数的尺寸,作为优选的方案,可以将预设像素数设定为64,并且为8*8的像素尺寸。目的是为了去除图像的细节,只保留照片内的结构和明暗等基本信息,去除不同尺寸和比例带来的图像差异。利用浮点算法将缩小后的目标车辆图像转化为灰度图像,浮点算法的公式为Gray=R*0.3+G*0.59+B*0.11,其中,R、G、B分别代表着红、绿、蓝三原色的CMYK值。计算进行灰度处理后的图像的所有像素点的平均值。遍历灰度图像中的每一个像素,若像素值大于平均值则记录为1,否则记录为0,将所有记录结果组合在一起,构成一个64位的标识信息,目标车辆图像的所有像素对应的记录结果按一定的记录顺序构成标识信息。这里的记录顺序与构成非结构化特征数据库时记录结果的记录顺序是相同的。
得到目标车辆的灰度图像的标识信息后,分别计算所述灰度图像的标识信息与所述非结构化图像数据库中的每一图像的汉明距离,在所述非结构图像数据库中选取汉明距离小于预设值的图像。对应的预设值可设置为5,即选取汉明距离小于5的图像作为所述目标车辆当前的图像,并以此确定所述目标车辆当前位置的位置信息。
本实施例中,通过以图搜图技术对提供的目标车辆的图片查找到目标车辆的当前位置,为车辆追踪提供了一种新方法。
如图2所示,本发明的另一实施例提供了一种车辆追踪方法,根据提供的需要进行追踪的目标车辆的特征信息,如肇事车辆等违法车辆的肇事时间、位置、型号、颜色、车牌、是否有行车记录仪以及拍摄到的图像等信息,在非结构化图像数据库以及结构化特征数据库中查找目标车辆当前位置的位置信息。本实施例中,假设工作人员上报了位于A地的肇事车辆C的报警信息,这个报警信息即为工作人员已知的关于车辆C的特征信息,将并将特征信息上报至云平台。具体的处理步骤如下:
S21,云平台根据工作人员提供的位置信息A,以A为中心,在A周围的方圆5公里内进行布控,包括利用智能网联汽车上的摄像头和道路卡口的摄像头对道路上的车辆拍摄图像。
云平台向在布控范围内的智能网联汽车发送上报指令,使智能网联汽车根据上报指令上报摄像头拍摄的图像信息,其中智能网联汽车上传的位置可以由云平台选定,选定的位置个数云平台可以根据自身的容量决定,具体的位置信息在布控范围内随机选择,以车辆C的初始位置信息为原点,整个布控范围的坐标可以表示为:
Xn=random(0,5*1000);Yn=random(0,5*1000);
其中,n的取值范围为(0≤n≤N)。
云平台周期性的向通过此位置的智能网联汽车发送上报指令,使经过此位置的智能网联汽车上报拍摄到的图像信息。若云平台获取到的图像信息中包括结构化特征信息,则执行S221;否则执行S222。
S221,提取结构化特征。
S23,将提取的结构化特征存储至结构化特征数据库中。
S222,将获取到的图像存储至非结构化图像数据库中。
上述步骤是构建结构化特征数据库和非结构化图数据库的步骤。下面介绍如何通过构建的这两种数据库查找车辆C的当前所处位置。
云平台获取到车辆C的报警信息,当报警信息为结构化特征信息时从S241开始执行,当报警信息为图像时从S242开始执行。
S241,报警信息为结构化特征信息,将结构化特征信息输入至结构化特征数据库中;
S251,基于卷积神经网络技术,利用训练好的卷积神经网络在结构化特征数据库中查找车辆C当前位置D的位置信息。
S26,对位于所述当前位置D上的车辆C进行行驶速度筛查,判断车辆C在初始位置至当前位置D的时间段内的行驶速度是否超过道路最高限速的两倍。若未超过,则执行S71,否则执行S72。
S271,车辆C为有效车辆,向处于当前位置D的布控终端发送报警信号,使布控终端进行报警,实现对车辆C的追踪。
S272,车辆C为无效车辆,不向布控终端发送报警信号。
S242,报警信息为图像,将图像输入至非结构化图像数据库中。
S252,利用以图搜图技术,在非结构化图像数据库中查找车辆C的图像,并基于查找到的图像确定车辆C当前位置D的位置信息。此时,当前位置D即为非结构化图像数据库中查找到的图像的拍摄位置。
S26,对位于当前位置D上的车辆C进行行驶速度筛查,判断车辆C在初始位置至当前位置D的时间段内的行驶速度是否超过道路最高限速的两倍。若未超过,则执行S71,否则执行S72。
S271,车辆C为有效车辆,向处于当前位置D的布控终端发送报警信号,使布控终端进行报警,实现对车辆C的追踪。
S272,车辆C为无效车辆,不向布控终端发送报警信号。
上述步骤中,对位于当前位置D的车辆C进行行驶速度筛查,筛查方法如下:
根据当前位置D以及车辆C的初始位置,计算出车辆C的行驶距离d;
根据车辆C到达当前位置D的时刻以及位于初始位置的时刻,计算出车辆C行驶d距离的行驶时间段t;
如果d/t>2*Vlim,则判定处于当前位置D的车辆C为无效车辆,否则判定处于当前位置的车辆C为有效车辆。其中,Vlim为道路最高限速。
如图3所示,本发明的另一实施例提供了一种车辆追踪装置,其特征在于,包括:获取模块21、第一查找模块22、第二查找模块23和发送模块24。
其中,获取模块21用于获取上报的目标车辆的特征信息;
第一查找模块22若判断获知所述特征信息为结构化特征信息,根据所述特征信息,基于训练好的卷积神经网络在结构化特征数据库中查找所述目标车辆当前位置的位置信息;
第二查找模块23用于若判断获知所述特征信息为图像信息,根据所述特征信息,基于以图搜图技术在非结构化图像数据库中查找所述目标车辆的图像,并基于查找到的图像确定所述目标车辆当前位置的位置信息;
发送模块24用于向位于所述当前位置的布控终端发送报警信号,以供所述布控终端进行报警,实现对所述目标车辆的追踪。
具体地,本实施例的具体操作流程和各模块的作用与上述方法类实施例是一一对应的,在此不再赘述。
本实施例中,根据上报的目标车辆的特征信息类型,将不同的输入值输入至非结构化图像数据库中或者结构化特征数据库中。利用第一查找模块基于训练好的卷积神经网络在结构化特征数据库中查找目标车辆当前位置,或利用第二查找模块基于以图搜图技术在非结构化图像数据库中查找目标车辆的图像,并基于查找到的图像确定目标车辆的当前位置;最后由发送模块向位于所述当前位置的布控终端发送报警信号,实现对目标车辆的追踪。本实施例中提供的车辆追踪装置,不仅仅适用于根据道路卡口摄像头获取到的目标车辆的图像追踪目标车辆,还适用于根据其他途径获取到的目标车辆的特征信息追踪目标车辆,应用范围更广。同时,这种方法针对于提供的目标车辆的特征信息类型不同,设计两种不同的目标车辆当前位置的查找模块,使得无论提供何种类型的特征信息,都可以实现对目标车辆进行追踪。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆追踪方法,其特征在于,包括:
S11,获取目标车辆的特征信息;
S12,若判断获知所述特征信息为结构化特征信息,根据所述特征信息,基于训练好的卷积神经网络在结构化特征数据库中查找所述目标车辆当前位置的位置信息;
S13,若判断获知所述特征信息为图像信息,根据所述特征信息,在非结构化图像数据库中查找所述目标车辆的图像,并基于查找到的图像确定所述目标车辆当前位置的位置信息;
S14,向位于所述当前位置的布控终端发送报警信号,以供所述布控终端进行报警,实现对所述目标车辆的追踪。
2.根据权利要求1所述的方法,其特征在于,在所述S14之前还包括:
对位于所述当前位置的目标车辆进行行驶速度筛查;
相应地,所述S14进一步包括:
当所述目标车辆的行驶速度不超过预设阈值时,向所述布控终端发送报警信号,所述预设阈值为道路最高限速的预设倍数值。
3.根据权利要求2所述的方法,其特征在于,所述目标车辆的行驶速度通过如下方法计算:
获取上报位置、上报时刻和所述目标车辆到达所述当前位置的时刻,所述上报位置为所述目标车辆的初始位置,所述上报时刻为所述目标车辆到达所述初始位置对应的时刻;
根据所述上报位置、所述上报时刻和所述目标车辆到达所述当前位置的时刻,计算所述目标车辆由所述上报位置行驶至所述当前位置的过程中的行驶速度。
4.根据权利要求1所述的方法,其特征在于,所述结构化特征数据库和所述非结构化图像数据库通过如下方法得到:
获取每条道路上车辆的图像,并存储至所述非结构化图像数据库中;
若判断获知所述每条道路上车辆的图像中存在结构化特征信息,则提取每条道路上车辆的图像中的结构化特征信息,并存储至所述结构化特征数据库中。
5.根据权利要求4所述的方法,其特征在于,所述获取每条道路上车辆的图像具体包括:
通过可移动的摄像头采集每条道路上车辆的图像;和/或,
通过设置在道路卡口的摄像头采集每条道路上车辆的图像。
6.根据权利要求5所述的方法,其特征在于,所述通过可移动的摄像头采集每条道路上车辆的图像具体包括:
通过设置在智能网联汽车上的多个摄像头采集每条道路上车辆的图像。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述训练好的卷积神经网络通过以下方法获取:
将所述结构化特征数据库中的所有结构化特征数据作为训练样本,对卷积神经网络进行训练,得到训练后的卷积神经网络。
8.根据权利要求1-6中任一项所述的方法,其特征在于,所述S13中根据所述特征信息,在非结构化图像数据库中查找所述目标车辆的图像,具体包括:
将所述特征信息缩小至预设像素数的尺寸;
采用浮点算法将所述特征信息转化为灰度图像;
遍历所述灰度图像的每一个像素,若所述每一个像素与所述灰度图像的平均像素值的比较结果为所述每一个像素大于所述灰度图像的平均像素值,记录为1,否则记录为0,并将所有记录结果作为所述灰度图像的标识信息;
分别计算所述灰度图像的标识信息与所述非结构化图像数据库中的每一图像的汉明距离,在所述非结构图像数据库中选取汉明距离小于预设值的图像。
9.根据权利要求4所述的方法,其特征在于,所述获取每条道路上车辆的图像时还包括:
获取所述每条道路上车辆的图像的拍摄位置和拍摄时刻,并存储至所述非结构化图像数据库中,所述拍摄位置为所述车辆在所述拍摄时刻所处的位置。
10.一种车辆追踪装置,其特征在于,包括:
获取模块,用于获取目标车辆的特征信息;
第一查找模块,用于若判断获知所述特征信息为结构化特征信息,根据所述特征信息,基于训练好的卷积神经网络在结构化特征数据库中查找所述目标车辆当前位置的位置信息;
第二查找模块,用于若判断获知所述特征信息为图像信息,根据所述特征信息,在非结构化图像数据库中查找所述目标车辆的图像,并基于查找到的图像确定所述目标车辆当前位置的位置信息;
发送模块,用于向位于所述当前位置的布控终端发送报警信号,以供所述布控终端进行报警,实现对所述目标车辆的追踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710724414.2A CN109427190A (zh) | 2017-08-22 | 2017-08-22 | 车辆追踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710724414.2A CN109427190A (zh) | 2017-08-22 | 2017-08-22 | 车辆追踪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109427190A true CN109427190A (zh) | 2019-03-05 |
Family
ID=65498146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710724414.2A Pending CN109427190A (zh) | 2017-08-22 | 2017-08-22 | 车辆追踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109427190A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533903A (zh) * | 2019-09-12 | 2019-12-03 | 北京智联云海科技有限公司 | 一种基于数据中心实现车辆追踪的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045820A (zh) * | 2015-06-25 | 2015-11-11 | 浙江立元通信技术股份有限公司 | 一种处理海量级数据的视频图像信息的方法及数据库系统 |
CN105144200A (zh) * | 2013-04-27 | 2015-12-09 | 数据飞讯公司 | 用于处理非结构化数字的基于内容的检索引擎 |
US20160062973A1 (en) * | 2014-08-28 | 2016-03-03 | Industrial Audit Corporation | Collecting and auditing structured data layered on unstructured objects |
CN106339973A (zh) * | 2016-08-31 | 2017-01-18 | 安徽四创电子股份有限公司 | 一种基于数据平台的警卫安保系统及其警卫安保方法 |
CN106600969A (zh) * | 2016-12-19 | 2017-04-26 | 安徽百诚慧通科技有限公司 | 一种智慧化道路综合防控方法及系统 |
CN106682644A (zh) * | 2017-01-11 | 2017-05-17 | 同观科技(深圳)有限公司 | 一种基于移动摄像设备的双动态车辆监测管理系统和方法 |
CN106886785A (zh) * | 2017-02-20 | 2017-06-23 | 南京信息工程大学 | 一种基于多特征哈希学习的航拍图像快速匹配算法 |
CN106991695A (zh) * | 2017-03-27 | 2017-07-28 | 苏州希格玛科技有限公司 | 一种图像配准方法及装置 |
-
2017
- 2017-08-22 CN CN201710724414.2A patent/CN109427190A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105144200A (zh) * | 2013-04-27 | 2015-12-09 | 数据飞讯公司 | 用于处理非结构化数字的基于内容的检索引擎 |
US20160062973A1 (en) * | 2014-08-28 | 2016-03-03 | Industrial Audit Corporation | Collecting and auditing structured data layered on unstructured objects |
CN105045820A (zh) * | 2015-06-25 | 2015-11-11 | 浙江立元通信技术股份有限公司 | 一种处理海量级数据的视频图像信息的方法及数据库系统 |
CN106339973A (zh) * | 2016-08-31 | 2017-01-18 | 安徽四创电子股份有限公司 | 一种基于数据平台的警卫安保系统及其警卫安保方法 |
CN106600969A (zh) * | 2016-12-19 | 2017-04-26 | 安徽百诚慧通科技有限公司 | 一种智慧化道路综合防控方法及系统 |
CN106682644A (zh) * | 2017-01-11 | 2017-05-17 | 同观科技(深圳)有限公司 | 一种基于移动摄像设备的双动态车辆监测管理系统和方法 |
CN106886785A (zh) * | 2017-02-20 | 2017-06-23 | 南京信息工程大学 | 一种基于多特征哈希学习的航拍图像快速匹配算法 |
CN106991695A (zh) * | 2017-03-27 | 2017-07-28 | 苏州希格玛科技有限公司 | 一种图像配准方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533903A (zh) * | 2019-09-12 | 2019-12-03 | 北京智联云海科技有限公司 | 一种基于数据中心实现车辆追踪的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961790B (zh) | 基于四维实景交通仿真的恶劣天气预警管理系统及方法 | |
CN104882001B (zh) | 基于行车记录仪的驾驶行为监控方法、装置及系统 | |
CN102724482B (zh) | 基于gps和gis的智能视觉传感网络运动目标接力跟踪系统 | |
CN106652551A (zh) | 一种车位检测方法及设备 | |
CN107567005B (zh) | 基于人工免疫系统的车联网车辆异常行为检测方法及系统 | |
CN108919256A (zh) | 四维实景交通仿真车辆超速全程跟踪检测报警系统及方法 | |
CN110235188A (zh) | 用于交通监控、事件检测和变化预测的视频数据和gis映射 | |
CN109993969A (zh) | 一种路况判定信息获取方法、装置及设备 | |
CN105474286B (zh) | 对于在车对x网络中待转发的数据包的过滤 | |
CN111275980A (zh) | 基于互联网+智能交通视频监控管理系统的大数据应用平台 | |
CN109212513A (zh) | 多目标在雷达间数据传递、数据融合及连续跟踪定位方法 | |
CN106971544B (zh) | 一种直接利用静态图像来检测车辆拥堵的方法 | |
CN110155079A (zh) | 基于区块链技术的辅助驾驶系统及方法 | |
CN106251663A (zh) | 一种智能交通机器人 | |
CN106331636A (zh) | 基于行为事件触发的输油管道智能视频监控系统及方法 | |
CN206300797U (zh) | 自动驾驶车辆的静态障碍物响应性能测试场 | |
CN108320517A (zh) | 车牌和车辆识别系统及监测服务器 | |
CN105788280A (zh) | 一种基于车联网的智慧城市车辆自动追踪系统 | |
CN113642403B (zh) | 基于边缘计算的人群异动智能安全检测系统 | |
CN113255439B (zh) | 一种障碍物识别方法、装置、系统、终端及云端 | |
CN106448267A (zh) | 基于车联网的道路交通事故链阻断系统 | |
CN202584429U (zh) | 一种交通违法监控和处理系统 | |
CN111862656A (zh) | 智能运载工具的地图更新方法及装置、存储介质、处理器 | |
CN106157574A (zh) | 一种水政执法动态监控智能预警的方法 | |
CN112257683A (zh) | 一种面向车辆运行轨迹监测的跨镜追踪方法 |
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: 20190305 |
|
RJ01 | Rejection of invention patent application after publication |