CN110390286B - 车辆轨迹跟踪测试数据制作方法、装置、预测及结果测试方法 - Google Patents
车辆轨迹跟踪测试数据制作方法、装置、预测及结果测试方法 Download PDFInfo
- Publication number
- CN110390286B CN110390286B CN201910644559.0A CN201910644559A CN110390286B CN 110390286 B CN110390286 B CN 110390286B CN 201910644559 A CN201910644559 A CN 201910644559A CN 110390286 B CN110390286 B CN 110390286B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- view
- bayonet
- passing
- 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.)
- Active
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆轨迹跟踪测试数据制作方法,包括:定义期望的车辆轨迹参数,至少包括车辆静态参数和经过各卡口的车辆动态参数;获取卡口ID和设备ID;获取同一车辆在不同位置出现的图片,以该图片作为该车辆经过一个卡口的远景图;从所述远景图中截取该车辆的近景图和车牌图;将车辆近景图和车牌图进行格式转换,形成图片数据;将过车数据发送至视图库,所述过车数据至少由所述卡口ID、所述设备ID、实际过车时间、所述远景图、所述近景图、所述车牌图、所述静态参数、所述动态参数和所述图片数据组成。本发明用于解决实际工程中,针对车辆轨迹跟踪测试时的数据来源问题。
Description
技术领域
本发明涉及智慧安防领域,更具体地说,涉及智慧安防中一种车辆轨迹跟踪测试数据制作方法、装置、预测及结果测试方法。
背景技术
在智能安防领域,特别是智慧交通中,车辆轨迹跟踪是一项十分重要的亮点功能。通常,车辆经过不同卡口产生的位置数据形成车辆的轨迹,轨迹预测需要利用既有卡口位置数据对计算未来经过的卡口位置,然后再结合原有数据进行跟踪,该业务功能一般由应用平台实现。然而在实际工程中对这一功能的测试和验证却极为不便。因为在轨迹跟踪开始后,需要模拟未来的某个时间点产生某个卡口设备下的过车数据。常用的作法是用Postman、Jemeter等工具手动发送数据。然而,该方法需要有人值守或者定时操作,并且每次发送数据需要单独制作并修改,还很难具备规律性。这些问题使得研发测试人员在面临比较复杂的轨迹跟踪场景的测试和数据采集时,表现得力不从心。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种车辆轨迹跟踪测试数据制作方法、装置、预测及结果测试方法,用于解决实际工程中,针对车辆轨迹跟踪测试时的数据来源问题。
为实现上述目的及其他相关目的,本发明提供一种车辆轨迹跟踪测试数据制作方法,其中车辆经过不同卡口产生的位置数据形成车辆的轨迹,所述制作方法包括:
定义期望的车辆轨迹参数,至少包括车辆静态参数和经过各卡口的车辆动态参数;
获取卡口ID和设备ID;
获取同一车辆在不同位置出现的图片,以该图片作为该车辆经过一个卡口的远景图;
从所述远景图中截取该车辆的近景图和车牌图;
将车辆近景图和车牌图进行格式转换,形成图片数据;
将过车数据发送至视图库,所述过车数据至少由所述卡口ID、所述设备ID、实际过车时间、所述远景图、所述近景图、所述车牌图、所述静态参数、所述动态参数和所述图片数据组成。
可选地,通过标准采集接口将所述过车数据发送至所述标准视图库。
可选地,该数据制作方法还包括:
获取卡口的经纬度;
根据所述经纬度计算相邻两卡口之间的间隔距离;
以第一个卡口与第二个卡口之间的间隔距离为单位,对所有相邻卡口之间的间隔距离进行归一化处理,得到归一化间隔距离;
以所述归一化间隔距离放大预设基础间隔时间;
以放大后的基础间隔时间作为实际发送间隔时间将每个卡口的过车数据依次发至视图库。
可选地,对所述车辆近景图和车牌图进行脱敏处理。
为实现上述目的及其他相关目的,本发明还提供一种车辆轨迹跟踪测试数据制作装置,其中车辆经过不同卡口产生的位置数据形成车辆的轨迹,所述制作装置包括:
定义模块,用于定义期望的车辆轨迹参数,至少包括车辆静态参数和经过各卡口的车辆动态参数;
图片提取模块,用于获取同一车辆在不同位置出现的图片,以该图片作为该车辆经过一个卡口的远景图;
图片截取模块,用于从所述远景图中截取该车辆的近景图和车牌图;
图片处理模块,用于将车辆近景图和车牌图进行格式转换,形成图片数据;
图片发送模块,用于将过车数据发送至视图库,所述过车数据至少由卡口ID、设备ID、实际过车时间、所述远景图、所述近景图、所述车牌图、所述静态参数、所述动态参数和所述图片数据组成。
可选地,通过标准采集接口将所述过车数据发送至所述标准视图库。
可选地,该数据制作装置还包括:
数据提取模块,用于获取卡口的经纬度;
距离计算模块,用于根据所述经纬度计算相邻两卡口之间的间隔距离;
归一化模块,用于以第一个卡口与第二个卡口之间的间隔距离为单位,对所有相邻卡口之间的间隔距离进行归一化处理,得到归一化间隔距离;
放大模块,用于以所述归一化间隔距离放大预设基础间隔时间;
所述图片发送模块以放大后的基础间隔时间作为实际发送间隔时间将每个卡口的过车数据依次发至视图库。
可选地,该制作装置还包括脱敏模块,用于对所述车辆近景图和车牌图进行脱敏处理。
为实现上述目的及其他相关目的,本发明还提供一种车辆轨迹预测方法,利用所述的过车数据获得预测卡口。
为实现上述目的及其他相关目的,本发明还提供一种车辆轨迹预测结果的测试方法,该测试方法包括:
获取所述的预测卡口的卡口数据;
将所述预测卡口的卡口数据与所述的车辆轨迹中的卡口的卡口数据进行对比;
识别并记录与所述车辆轨迹中的卡口数据一致的所述预测卡口数据;
根据与所述车辆轨迹中的卡口数据一致的所述预测卡口的卡口数据所对应的卡口的数量和所有预测卡口数计算预测准确率。
如上所述,本发明的一种车辆轨迹跟踪测试数据制作方法、装置、预测及结果测试方法,具有以下有益效果:
本发明可解决使用标准视图库的安防系统中,在针对车辆轨迹跟踪这一较为复杂业务场景时,解决车辆轨迹跟踪测试、数据制作的问题。通过本发明,测试人员可作为两个角色来参与整个业务场景。首先作为车辆驾驶员,即被跟踪对象,制定好一条预想的行驶轨迹,定义相关轨迹参数。本发明会根据这个轨迹及参数制作好相应数据,并且在适合的时间和约定的卡口产生相应的模拟数据,并将这些数据上传到标准视图库。此后,测试人员会作为安防系统用户的角色,参与轨迹跟踪,查看、体验功能效果,并可记录预测算法的准确度。并且,本发明解决了被跟踪者和跟踪者之间作为两个个体的独立性,者有利于产品的验证和测试。
附图说明
图1是本发明方案的系统与视图库交互模型示意图;
图2是本发明一实施例中一种车辆轨迹跟踪测试数据制作方法的流程图;
图3是本发明一实施例中一种车辆轨迹跟踪测试数据制作装置的示意图;
图4是本发明一实施例中一种车辆轨迹预测结果的测试方法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
为使本发明的技术方案及优点更加清楚明白,下面结合附图对实施方式进一步详细说明。
图1是本发明方案的系统与视图库交互模型示意图。图中实线为标准安防系统的业务交互流程,虚线为本发明方案与标准安防系统的交互流程。
与标准安防系统的交互步骤主要有三步。一、本发明方案的使用者在定义轨迹以后,需要通过各个卡口名称从设备接入平台获得该卡口的卡口ID、设备ID和经纬度。二、通过本发明方案制作好数据以后,需要通过标准采集接口发送至视图库。三、在轨迹跟踪业务中,每产生一个卡口的数据,安防系统中车辆的走向一般会有相应算法进行轨迹预测,此时需要从视图库得到预测轨迹经过的下一个卡口的数据,以作为本发明计算轨迹预测准确度的重要数据之一。
车辆轨迹跟踪业务场景中,基于一定的规则,用户在获知车辆在卡口A出现后,开始进行跟踪。一般来讲,车辆在卡口A出现后,再次被卡口B抓拍到的时间将在跟踪开始之后,即一个未来时间。因此用户无法知道卡口B的位置和过车信息。基于深度学习的轨迹跟踪算法可预测出车辆下一个被抓拍到的卡口位置,但是该位置的数据具有随机性,并且过车数据只能实地产生,无法在测试、演示等活动中获取任意轨迹数据,因为无法满足该业务功能测试内容的多样性。因此,本实施例提供一种车辆轨迹跟踪测试数据的制作方法,如图2所示,该方法包括:
步骤S110、定义期望的车辆轨迹参数,至少包括车辆静态参数和经过各卡口的车辆动态参数;
车辆轨迹参数具体包括目标轨迹经过所有卡口的车辆静态参数、经过各卡口的车辆动态参数以及用于计算相邻卡口之间发送数据的基础间隔时间。下面对这些参数进行说明。
用户可模拟车辆驾驶人,计划一条需要经过的轨迹,告知本系统需要经过的卡口名称和设备名称,以通过该参数获得卡口ID和设备ID。记为NodeA、NodeB、……。
基础间隔时间是为了计算车辆通过相邻两个卡口之间的间隔时间,表达一条轨迹并进行跟踪需要在多个卡口按顺序间隔发送制作的数据,因此该时间用来控制发送数据的频次,实际使用时,会按照相邻两个卡口归一化距离对基础间隔时间进行放大,记为T。
车辆静态参数是表达车辆固有属性,例如车牌号码、车身颜色等,车辆静态参数整个轨迹的所有卡口唯一,目的是为了用同一车辆产生数据形成轨迹,满足物理规律。
车辆动态参数是表达车辆经过各个卡口的动态属性,例如车辆行驶速度、是否开车打电话、是否系安全带等。
步骤S111、获取卡口ID和设备ID。
具体地,本实施例是通过标准采集接口接入平台来获取数据,标准采集接口是通过卡口ID、设备ID来表示卡口,且接入平台通过卡口ID、设备ID关联经纬度来表达卡口位置。因此,在制作过车数据时,需要通过与标准设备接入平台交互,获得轨迹经过的所有卡口的卡口ID、设备ID和经纬度。卡口A的位置参数为[tollgatID_A,deviceID_A,longitude_A,latitude_A]。
步骤S112、获取同一车辆在不同位置出现的图片,以该图片作为该车辆经过一个卡口的远景图;
步骤S113、从所述远景图中截取该车辆的近景图和车牌图。
具体地,从图片库中取用同一车辆不同位置的远景图片,以此作为该车辆经过一个卡口的远景图,并截取该车辆的近景图和车牌图。为更大程度的模拟轨迹跟踪这一业务特性,在图片库中,一定是取用同一车辆在不同路口抓拍图片作为一个卡口的远景图。
其中,远景图是指经过一卡口抓拍到不仅包含了车辆还包括周围环境的图片,而近景图是指仅包含该车辆的图片。
一般来说,在远景图片中截取的近景图和牌图都包括了敏感信息,因此,需要对这些图片进行脱敏处理,脱敏可以采用手动脱敏,也可以采用自动脱敏。需要说明的是,对图片进行脱敏的实现方法的可以采用现有的技术来实现。
步骤S114、将车辆近景图和车牌图进行格式转换,形成图片数据;
具体地,可以转换为Base64数据。
步骤S115、将过车数据发送至视图库,所述过车数据至少由所述卡口ID、所述设备ID、实际过车时间、所述远景图、所述近景图、所述车牌图、所述静态参数、所述动态参数和所述图片数据组成。
其中,过车数据按照标准GA/T 1400.3-2017附表A.10机动车对象的数据结构和约束的字典项,组成车辆信息的请求数据Json,通过标准采集接口发送至视图库。
在一些实施例中,该数据制作方法还包括:
步骤S1121、根据所述经纬度计算相邻两卡口之间的间隔距离;
步骤S1122、以第一个卡口与第二个卡口之间的间隔距离为单位,对所有相邻卡口之间的间隔距离进行归一化处理,得到归一化间隔距离;
表达轨迹必须具备物理上的多个卡口位置,按照一定的时间间隔在各个位置发送数据。一般来讲,地图上按照既有道路的卡口之间的间隔距离均不一致,因此需要将各卡口位置的经纬度上传至地图服务器,获得卡口位置之间的图上路程距离,记为LA,B,LB,C,LC,D,……。然后再用前两个卡口位置的间隔距离进行归一化,得到归一化间隔距离为L’A,B=LA,B/LA,B,L’B,C=LB,C/LA,B,L’C,D=LC,D/LA,B。其中,LA,B表示点A、B实际距离,L’A,B表示归一化的A、B的间隔距离,LB,C表示点B、C间的实际距离,L’B,C表示归一化的B、C的间隔距离,LC,D表示点C、D间的实际距离,L’C,D表示归一化的C、D间的间隔距离。
步骤S1123、以所述归一化间隔距离放大所述基础间隔时间T。例如,将卡口A与卡口B间的间隔距离作为一个标准,可以定义为1,即L’A,B=LA,B/LA,B=1,则对应的TA,B=T,
L’B,C=LB,C/LA,B,则TB,C=L’B,C*T,TB,C表示归一化间隔距离放大预设基础间隔时间后得到的B,C间的实际发送间隔时间;
L’C,D=LC,D/LA,B,则TC,D=L’C,D*T,TC,D表示归一化间隔距离放大预设基础间隔时间后得到的C,D间的实际发送间隔时间;
……
归一化实际距离对预设基础间隔时间的放大可表示为,当Li,j小于LA,B时,L’i,j=Li,j/LA,B显然小于1,因此放大的倍数为小于1的数,实际缩小了预设基础间隔时间;反之则为大于1的倍数,实际放大了预设基础间隔时间。
形成轨迹需要一系列卡口数据的组合,遍历步骤S110中定义轨迹中的卡口,以放大后的预设基础间隔时间作为实际发送间隔时间循环执行步骤S112至步骤S115的操作,将每个卡口的过车数据依次发至视图库,即可形成轨迹。
本发明提出一种车辆轨迹跟踪测试数据制作方法。该方法首先需要用户定义一条期望的车辆轨迹,然后将同一车辆经过不同卡口的脱敏图片数据和结构化数据进行关联制作,最后利用视图库的标准车辆采集接口发送制作完成的数据,使得视图库中可在指定的时间、地点(卡口)产生过车数据。这些制作后的过车数据会模拟在规定的时间和地点被发送到视图库,由此解决实际工程中,针对这一复杂场景的测试时的数据来源问题。
传统的人工产生数据需要驾驶车辆驶过架设的卡口,让车辆图片抓拍机抓拍到该车辆,然后再将行使的轨迹以及路过的卡口反馈到测试人员,统计预测算法的准确度。与之相比,本发明产生数据所表示的轨迹更灵活多样,并且可大量节省这一业务的研发成本,缩短研发周期。
本发明已在实际工程中验证并实现。实际应用已表现出应用型强,便捷性高,适用业务场景复杂等一系列特点。
如图3所示,一种车辆轨迹跟踪测试数据制作装置,包括:
定义模块110,用于定义期望的车辆轨迹参数,至少包括车辆静态参数和经过各卡口的车辆动态参数;
图片提取模块111,用于获取同一车辆在不同位置出现的图片,以该图片作为该车辆经过一个卡口的远景图;
图片截取模块112,用于从所述远景图中截取该车辆的近景图和车牌图;
图片处理模块113,用于将车辆近景图和车牌图进行格式转换,形成图片数据;
图片发送模块114,用于将过车数据发送至视图库,所述过车数据至少由所述卡口ID、所述设备ID、实际过车时间、所述远景图、所述近景图、所述车牌图、所述静态参数、所述动态参数和所述图片数据组成。
在一些实施例中,通过标准采集接口将所述过车数据发送至所述标准视图库。
在一些实施例中,该数据制作装置还包括:
数据提取模块,用于获取卡口的经纬度;
距离计算模块,用于根据所述经纬度计算相邻两卡口之间的间隔距离;
归一化模块,用于以第一个卡口与第二个卡口之间的间隔距离为单位,对所有相邻卡口之间的间隔距离进行归一化处理,得到归一化间隔距离;
放大模块,用于以所述归一化间隔距离放大预设基础间隔时间;
所述图片发送模块以放大后的预设基础间隔时间作为实际发送间隔时间将每个卡口的过车数据依次发至视图库。
在一些实施例中,该制作装置还包括脱敏模块,用于对所述车辆近景图和车牌图进行脱敏处理。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例的内容请参见方法部分的实施例的描述,这里暂不赘述。
轨迹跟踪需要一系列预测算法,预测算法是通过利用前面实施例中获得的过车数据进行预测,获得预测卡口。而预测算法的准确度需要大量数据进行测试。本发明还涉及智慧安防中一种车辆轨迹预测结果的测试方法。车辆轨迹预测结果测试流程如图4所示,实施过程如下。
步骤S210.从视图库获取预测卡口的卡口数据。车辆轨迹预测的方法繁多,但准确度有待提升。在安防系统中,该预测算法一般由应用平台完成,其数据会保留在视图库中(备注:若没有保留在视图库中,本步骤可直接从应用获取相关预测卡口数据)。使用步骤115完成当前卡口数据的制作和发送后,算法会实时更新预测结果,此时该步骤将直接调用接口获取算法预测的下一个卡口的信息并记录。
步骤S220.将所述预测卡口的卡口数据与所述的车辆轨迹中的卡口的卡口数据进行对比。一般地,与预测卡口进行对比的是车辆轨迹中的当前卡口的下一个卡口。
步骤S230.识别并记录与所述车辆轨迹中的卡口数据一致的所述预测卡口数据。可以认为预测卡口的卡口中数据与定义的卡口的卡口数据相差在一定范围内就算准确。
步骤S240.根据与所述车辆轨迹中的卡口数据一致的所述预测卡口的卡口数据所对应的卡口的数量和所有预测卡口数计算预测准确率。利用步骤S110中定义的所有卡口数据,求取步骤S220中正确预测卡口的百分比,即得到预测准确度。特别地,当步骤S110中定义的卡口数量越大,此处获得的准确度就越准确。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种车辆轨迹跟踪测试数据制作方法,其中车辆经过不同卡口产生的位置数据形成车辆的轨迹,其特征在于,所述制作方法包括:
定义期望的车辆轨迹参数,至少包括车辆静态参数和经过各卡口的车辆动态参数;
获取卡口ID和设备ID;
获取同一车辆在不同位置出现的图片,以该图片作为该车辆经过一个卡口的远景图;
从所述远景图中截取该车辆的近景图和车牌图;
将车辆近景图和车牌图进行格式转换,形成图片数据;
获取卡口的经纬度;
根据所述经纬度计算相邻两卡口之间的间隔距离;
以第一个卡口与第二个卡口之间的间隔距离为单位,对所有相邻卡口之间的间隔距离进行归一化处理,得到归一化间隔距离;
以所述归一化间隔距离放大预设基础间隔时间;
以放大后的基础间隔时间作为实际发送间隔时间将每个卡口的过车数据依次发至视图库;所述过车数据至少由所述卡口ID、所述设备ID、实际过车时间、所述远景图、所述近景图、所述车牌图、所述静态参数、所述动态参数和所述图片数据组成。
2.根据权利要求1所述的一种车辆轨迹跟踪测试数据制作方法,其特征在于,通过标准采集接口将所述过车数据发送至所述标准视图库。
3.根据权利要求1所述的一种车辆轨迹跟踪测试数据制作方法,其特征在于,对所述车辆近景图和车牌图进行脱敏处理。
4.一种车辆轨迹跟踪测试数据制作装置,其中车辆经过不同卡口产生的位置数据形成车辆的轨迹,其特征在于,所述制作装置包括:
定义模块,用于定义期望的车辆轨迹参数,至少包括车辆静态参数和经过各卡口的车辆动态参数;
图片提取模块,用于获取同一车辆在不同位置出现的图片,以该图片作为该车辆经过一个卡口的远景图;
图片截取模块,用于从所述远景图中截取该车辆的近景图和车牌图;
图片处理模块,用于将车辆近景图和车牌图进行格式转换,形成图片数据;
数据提取模块,用于获取卡口的经纬度;
距离计算模块,用于根据所述经纬度计算相邻两卡口之间的间隔距离;
归一化模块,用于以第一个卡口与第二个卡口之间的间隔距离为单位,对所有相邻卡口之间的间隔距离进行归一化处理,得到归一化间隔距离;
放大模块,用于以所述归一化间隔距离放大预设基础间隔时间;
图片发送模块,用于以放大后的基础间隔时间作为实际发送间隔时间将每个卡口的过车数据依次发至视图库,所述过车数据至少由卡口ID、设备ID、实际过车时间、所述远景图、所述近景图、所述车牌图、所述静态参数、所述动态参数和所述图片数据组成。
5.根据权利要求4所述的一种车辆轨迹跟踪测试数据制作装置,其特征在于,通过标准采集接口将所述过车数据发送至所述标准视图库。
6.根据权利要求4所述的一种车辆轨迹跟踪测试数据制作装置,其特征在于,该制作装置还包括脱敏模块,用于对所述车辆近景图和车牌图进行脱敏处理。
7.一种车辆轨迹预测方法,其特征在于,利用权利要求1~3任意一项所述的过车数据获得预测卡口。
8.一种车辆轨迹预测结果的测试方法,其特征在于,该测试方法包括:
获取如权利要求7所述的预测卡口的卡口数据;
将所述预测卡口的卡口数据与如权利要求1所述的车辆轨迹中的卡口的卡口数据进行对比;
识别并记录与所述车辆轨迹中的卡口数据一致的所述预测卡口数据;
根据与所述车辆轨迹中的卡口数据一致的所述预测卡口的卡口数据所对应的卡口的数量和所有预测卡口数计算预测准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910644559.0A CN110390286B (zh) | 2019-07-17 | 2019-07-17 | 车辆轨迹跟踪测试数据制作方法、装置、预测及结果测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910644559.0A CN110390286B (zh) | 2019-07-17 | 2019-07-17 | 车辆轨迹跟踪测试数据制作方法、装置、预测及结果测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390286A CN110390286A (zh) | 2019-10-29 |
CN110390286B true CN110390286B (zh) | 2021-08-24 |
Family
ID=68286677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910644559.0A Active CN110390286B (zh) | 2019-07-17 | 2019-07-17 | 车辆轨迹跟踪测试数据制作方法、装置、预测及结果测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390286B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950520B (zh) * | 2020-08-27 | 2022-12-02 | 重庆紫光华山智安科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507413A (zh) * | 2017-08-29 | 2017-12-22 | 广东蔚海数问大数据科技有限公司 | 车辆位置预测方法及装置 |
CN107705574A (zh) * | 2017-10-09 | 2018-02-16 | 荆门程远电子科技有限公司 | 一种精准快速的道路违章停车全自动抓拍系统 |
CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
-
2019
- 2019-07-17 CN CN201910644559.0A patent/CN110390286B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507413A (zh) * | 2017-08-29 | 2017-12-22 | 广东蔚海数问大数据科技有限公司 | 车辆位置预测方法及装置 |
CN107705574A (zh) * | 2017-10-09 | 2018-02-16 | 荆门程远电子科技有限公司 | 一种精准快速的道路违章停车全自动抓拍系统 |
CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
Non-Patent Citations (1)
Title |
---|
基于卡口监控数据的车辆轨迹判定系统的设计与实现;胡玉玲;《中国优秀硕士学位论文全文数据库信息科技辑》;20190615;第3、22-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110390286A (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427917B (zh) | 用于检测关键点的方法和装置 | |
EP3582146A1 (en) | Method, apparatus, device and medium for classifying driving scenario data | |
CN112364439B (zh) | 自动驾驶系统的仿真测试方法、装置以及存储介质 | |
CN108776808A (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
CN108830837A (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
CN113435226B (zh) | 信息处理方法和装置 | |
CN108427941B (zh) | 用于生成人脸检测模型的方法、人脸检测方法和装置 | |
CN110363176B (zh) | 一种图像分析方法及装置 | |
CN112215120B (zh) | 视觉搜索区域的确定方法、装置及驾驶模拟器 | |
CN114092920B (zh) | 一种模型训练的方法、图像分类的方法、装置及存储介质 | |
CN110263748A (zh) | 用于发送信息的方法和装置 | |
CN108509921A (zh) | 用于生成信息的方法和装置 | |
CN110390286B (zh) | 车辆轨迹跟踪测试数据制作方法、装置、预测及结果测试方法 | |
CN111768361A (zh) | 地下空间品质评价及其可视化呈现方法及系统 | |
CN112748453B (zh) | 道路侧定位方法、装置、设备及存储介质 | |
CN110427998A (zh) | 模型训练、目标检测方法及装置、电子设备、存储介质 | |
CN113869427A (zh) | 一种场景分析方法、装置、电子设备及存储介质 | |
CN112766130A (zh) | 一种课堂教学质量监测方法、系统、终端及存储介质 | |
US20210390427A1 (en) | Enhanced collection of training data for machine learning to improve worksite safety and operations | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN111401423A (zh) | 用于自动驾驶车辆的数据处理方法和装置 | |
CN115576990A (zh) | 视觉真值数据与感知数据的评测方法、装置、设备及介质 | |
CN109271954B (zh) | 用于检测模型可靠性的方法及装置 | |
CN114218288B (zh) | 一种行车路线推荐方法、装置、存储介质及终端 | |
CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |