CN110532916A - 一种运动轨迹确定方法及装置 - Google Patents
一种运动轨迹确定方法及装置 Download PDFInfo
- Publication number
- CN110532916A CN110532916A CN201910770952.4A CN201910770952A CN110532916A CN 110532916 A CN110532916 A CN 110532916A CN 201910770952 A CN201910770952 A CN 201910770952A CN 110532916 A CN110532916 A CN 110532916A
- Authority
- CN
- China
- Prior art keywords
- motion profile
- target object
- mark
- frame sequence
- image frame
- 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.)
- Granted
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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
公开了一种运动轨迹确定方法、装置、计算机可读存储介质及电子设备,该方法包括:对图像帧序列进行检测,以识别所述图像帧序列中的目标对象;对所述图像帧序列进行匹配,以获得所述目标对象的第一运动轨迹集合;对所述目标对象的第一运动轨迹集合进行轨迹聚合,获得所述目标对象的第二运动轨迹集合。本发明的技术方案通过对运动轨迹集合进行聚合,以聚集目标对象分散的运动轨迹,从而提高了目标对象的运动轨迹的完整性及准确性。
Description
技术领域
本申请涉及图像处理技术领域,且更具体地,涉及一种运动轨迹确定方法及装置。
背景技术
为了分析目标对象的运动行为,通常需要确定目标对象的运动轨迹。
目前的方法,主要通过分析大量目标对象的行为信息,利用神经网络算法自动检测出多帧图像中的目标对象,然后利用目标追踪算法将多帧图像中的同一目标对象标记为同一个标识,根据标识确定目标对象的运动轨迹。
但是,目前的目标追踪算法对目标对象的追踪能力较低。例如,目标对象在运动过程中由于视野遮挡等原因,可能会出现连续多帧图像中未出现同一目标对象,采用目前的目标追踪算法对目标对象进行标记时,可能会导致多帧图像中的同一目标对象被标记为不同的标识,降低了目标对象的运动轨迹的完整性及准确性。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种运动轨迹确定方法、装置、计算机可读存储介质及电子设备,通过对运动轨迹集合进行聚合,以聚集目标对象分散的运动轨迹,从而提高了目标对象的运动轨迹的完整性及准确性。
根据本申请的一个方面,提供了一种运动轨迹确定方法,包括:
对图像帧序列进行检测,以识别所述图像帧序列中的目标对象;
对所述图像帧序列进行匹配,以获得所述目标对象的第一运动轨迹集合;
对所述目标对象的第一运动轨迹集合进行轨迹聚合,获得所述目标对象的第二运动轨迹集合。
根据本申请的第二方面,提供了一种运动轨迹确定装置,包括:
识别模块,用于对图像帧序列进行检测,以识别所述图像帧序列中的目标对象;
第一轨迹获取模块,用于对所述图像帧序列进行匹配,以获得所述目标对象的第一运动轨迹集合;
第二轨迹获取模块,用于对所述目标对象的第一运动轨迹集合进行轨迹聚合,获得所述目标对象的第二运动轨迹集合。
根据本申请的第三方面,提高了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述的运动轨迹确定方法。
根据本申请的第三方面,提高了一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述的运动轨迹确定方法。
与现有技术相比,本发明提供的一种运动轨迹确定方法、装置、计算机可读存储介质及电子设备,至少包括以下有益效果:
本实施例通过对运动轨迹集合进行聚合,以聚集目标对象分散的运动轨迹,从而得到目标对象完整的运动轨迹,有效保证了目标对象的运动轨迹的准确性及完整性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的运动轨迹确定方法的流程示意图;
图2是本申请一示例性实施例提供的运动轨迹确定方法中步骤103的流程示意图;
图3是本申请一示例性实施例提供的运动轨迹确定方法中步骤1032的流程示意图;
图4是本申请一示例性实施例提供的运动轨迹确定方法中步骤102的流程示意图;
图5是本申请一示例性实施例提供的运动轨迹确定方法中步骤1022的匹配结果示意图;
图6是本申请第一种示例性实施例提供的运动轨迹确定装置的结构示意图;
图7是本申请第二种示例性实施例提供的运动轨迹确定装置的结构示意图;
图8是本申请第二种示例性实施例提供的运动轨迹确定装置中第一标记单元6032的结构示意图;
图9是本申请第四种示例性实施例提供的运动轨迹确定装置的结构示意图;
图10是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
运动轨迹可表现出目标对象从开始位置到结束位置所经过的路线信息,对于理解目标对象的运动行为具有重要的参考价值。目前,主要通过对图像中的目标对象进行检测、识别及跟踪,以获取目标对象的运动轨迹,通过跟踪获取的目标对象的运动轨迹有助于进一步分析目标对象的运动行为,进而实现对目标对象的运行行为的理解。
目前,当目标对象在行驶过程中通过天桥、高架桥、自动收费站等遮挡物时,航拍得到的图像中不会出现目标对象,导致目标检测算法无法感知到目标对象的存在,故无法获取目标对象对应的轨迹信息;在另一种场景中,当获取的图像中目标对象的颜色与路面颜色较接近时,利用现有技术中的目标检测算法可能会出现漏检的情况,同时考虑到实际场景是复杂的,各方面的因素都可能会增加目标检测与目标追踪的难度,比如,光照条件的改变,场景中固定物体的移去或增加,目标对象之间的相互遮挡等。上述情况都可能会导致目标对象的完整运动轨迹被分散为多个运动轨迹,降低了运动轨迹的完整性及准确性。
本实施例充分考虑到不完整的运动轨迹,通过对目标对象的运动轨迹集合进行聚合,从而将不完整的运动轨迹聚合为完整的运动轨迹,以修正目标对象的运动轨迹,从而有效保证了运动轨迹的完整性及准确性。
在介绍本申请的基础构思之后,下面将结合附图来具体介绍本申请所述提供技术方案的各种非限制性实施例。
示例性方法
图1是本申请一示例性实施例提供的运动轨迹确定方法的流程示意图。本实施例可应用在电子设备上,具体可以应用于服务器或一般计算机上。如图1所示,本申请一示例性实施例提供的运动轨迹确定方法至少包括如下步骤:
步骤101,对图像帧序列进行检测,以识别所述图像帧序列中的目标对象。
目前,随着计算机技术的快速发展,在自动驾驶领域、安防领域及交通领域产生了海量的图像帧序列,图像帧序列是信息传递的重要载体,同时图像帧序列中包含的大量的运动信息,是研究目标对象的运动轨迹的重要信息来源。为了确定目标对象的运动轨迹,通常需要对图像帧序列进行检测,以识别图像帧序列中的目标对象,显而易见的,目标对象的数量为一个或多个。在这里,可以采用现有技术中的神经网络算法对图像帧序列进行检测。
具体地,图像帧序列包括但不限于车载相机拍摄的连续帧图像、航拍的连续帧图像或者从视频中按照一定帧频率提取的连续帧图像。在这里,可以根据实际的需求,获取不同的图像帧序列,比如,从历史视频片段提取出图像帧序列,以确定历史视频片段中目标对象的运动轨迹,从而预测该目标对象的运动行为,或者,在利用无人机实时跟踪目标对象时,定期获取无人机航拍的连续多帧图像,并对定期获取的连续多帧图像进行轨迹聚合,以提高目标追踪算法的准确性。
目标对象具体指的是能够产生运动轨迹的物体,比如车辆或者行人。举例来说,以目标对象为车辆,图像帧序列为无人机航拍的多帧图像,每帧图像包括道路上行驶的车辆及道路外停车区域的车辆为例,考虑到道路外停车区域的车辆通常不会产生运动轨迹或者产生的运动轨迹的参考价值较小,为了提高目标检测效率及准确性,可提取每帧图像中的道路区域,对每帧图像的道路区域进行检测,以识别每帧图像中道路上的若干个车辆。
步骤102,对所述图像帧序列进行匹配,以获得所述目标对象的第一运动轨迹集合。
图像帧序列中每帧图像包括若干个目标对象,而识别的多帧图像中的若干个目标对象之间是彼此孤立的,为了获取目标对象的运动轨迹以更为准确的理解目标对象的运动行为,通常需要对相邻帧图像进行匹配,以确定每帧图像中的若干个目标对象与其相邻帧图像的若干个目标对象之间的对应关系,从而获得各个目标对象的第一运动轨迹,并利用各个目标对象分别对应的第一运动轨迹形成第一运动轨迹集合。
步骤103,对所述目标对象的第一运动轨迹集合进行轨迹聚合,获得所述目标对象的第二运动轨迹集合。
当对图像帧序列进行检测、识别及匹配的过程中出现目标对象缺失时,可能会导致目标对象的完整的运动轨迹被分散为若干个不完整的运动轨迹,从而使得得到的第一运动轨迹集合中的第一运动轨迹通常是不完整的。不完整的第一运动轨迹通常不能准确的反映目标对象的运动情况,不利于分析目标对象的运动行为。通过对第一运动轨迹集合进行聚合,以聚集每个目标对象对应的若干个不完整的第一运动轨迹,从而形成目标对象的第二运动轨迹集合,该第二运动轨迹集合中的第二运动轨迹是完整的运动轨迹,具有较高的完整性及准确性。
需要说明的是,目标对象缺失的原因包括但不限于图像帧序列中未出现该目标对象,或者在检测图像帧序列中的目标对象时出现漏检及误检等情况,或者在识别图像帧序列中的目标对象时出现漏识及误识,或者在对图像帧序列进行匹配时出现错误匹配及为匹配等情况。举例来说,当目标对象连续出现在第1帧图像至第i帧图像中,在第i帧图像至第i+n帧图像中该目标对象未出现,在第n+N帧图像之后连续出现该目标对象,则可认为在第i帧图像至第i+n帧图像中该目标对象缺失。
具体的,第二运动轨迹集合包括聚合的不完整的第一运动轨迹,或者包括聚合的不完整的第一运动轨迹及完整的第一运动轨迹,第二运动轨迹集合的具体内容可以根据实际的需求确定,本发明对此不做限定。
本实施例充分考虑到目标对象缺失导致的完整的运动轨迹被分散为若干个运动轨迹的情况,通过对目标对象的运动轨迹集合进行聚合,将不完整的运动轨迹聚合为完整的运动轨迹,以修正目标对象的运动轨迹,从而有效保证了运动轨迹的完整性及准确性。
图2示出了如图1所示的实施例中对所述目标对象的第一运动轨迹集合进行轨迹聚合,获得所述目标对象的第二运动轨迹集合步骤的流程示意图。
如图2所示,在上述图1所示实施例的基础上,本申请一个示例性实施例中,步骤103所示对所述目标对象的第一运动轨迹集合进行轨迹聚合,获得所述目标对象的第二运动轨迹集合步骤,具体可以包括如下步骤:
步骤1031,确定所述目标对象的第一运动轨迹集合中轨迹信息满足第一预设条件的第一运动轨迹。
第一运动轨迹集合包括若干个完整的第一运动轨迹及由若干个完整的运动轨迹分散的若干个第一运动轨迹,每个第一运动轨迹包含能够描述第一运动轨迹的时间位置关系的轨迹信息,针对每个第一运动轨迹,通过判断该第一运动轨迹的轨迹信息与其他第一运动轨迹的轨迹信息是否满足第一预设条件,该第一预设条件指示了完整的运动轨迹分散的若干个运动轨迹的轨迹信息之间的关系,从而确定出能够与该第一运动轨迹形成完整的运动轨迹的若干个第一运动轨迹。相应的,对于不满足第一预设条件的若干个第一运动轨迹,则说明这些第一运动轨迹是完整的。
需要说明的是,第一运动轨迹包括第一运动轨迹的开始点及结束点,若该第一运动轨迹是不完整的,则该第一运动轨迹的开始点和/或结束点指示了完整的运动轨迹的分散点。在这里,为方便描述,对于任意两个第一运动轨迹,将开始点时间较早的第一运动轨迹确定为在先运动轨迹,开始点时间较晚的第一运动轨迹确定为在后运动轨迹。
当目标对象缺失时,该目标对象的运动轨迹也是缺失的,而该目标对象缺失时是处于运动状态的,故一个完整的运动轨迹被分散时,在分散点前的第一运动轨迹的结束点及分散点后的第一运动轨迹的开始点之间对应有时间差、距离差及平均速度,故时间差、距离差及平均速度是度量两个第一运动轨迹是否对应同一完整的运动轨迹的标准。
具体的,对于大多数场景来说,场景中的遮挡物的遮挡距离是固定的,不同目标对象的运动速度通常不同,故目标对象通过遮挡物的时间是不同的,即目标对象缺失的时间是不同的,考虑到遮挡物通常都是天桥、高架桥、自动收费站等,而目标对象在行驶过程中的运动速度通常会限制在一定范围内,故目标对象通过遮挡物的时间通常位于一定的时间范围内。考虑到同一目标对象通过遮挡物前的时间点早于通过遮挡物后的时间点,即可聚合的在先运动轨迹的结束点时间与在后运动轨迹的开始点时间具有相关性,在某些场景中,比如不同目标对象依次通过遮挡物时,通过判断在先运动轨迹的结束点时间和在后运动轨迹的开始点时间的早晚及时间差是否满足第一预设条件,即可将不完整的两个第一运动轨迹进行聚合,在这里,轨迹信息包括第一运动轨迹的开始点时间和结束点时间,第一预设条件包括:在后运动轨迹的开始点时间晚于在先运动轨迹的结束点时间,且在后运动轨迹的开始点时间与在先运动轨迹的结束点时间的时间差不大于第一预设值。在这里,第一预设值指示了时间差阈值。
对于图像帧序列中的任意一帧图像而言,与目标对象是否缺失无关,该帧图像中的目标对象的运动速度决定了该目标对象出现在下一帧图像中的位置。目标对象在行驶过程中的运动速度通常会限制在一定范围内,故在确定了第一预设值之后,此时,即可根据时间差阈值确定距离差阈值,距离差阈值及时间差阈值的比值可限制目标对象的最大运动速度。同时,目标对象的运动轨迹具有行驶方向,对于同一目标对象而言,在时间序列上的位置变化即可体现出目标对象的行驶方向。考虑到可聚合的在先运动轨迹的结束点位置与在后运动轨迹的开始点位置具有相关性,为了进一步提高轨迹聚合的准确性,对于满足上述第一预设条件的在先运动轨迹及在后运动轨迹,进一步判断在先运动轨迹的结束点与在后运动轨迹的开始点的位置关系及距离差是否满足第一预设条件,相应的,轨迹信息还包括第一运动轨迹的开始点位置和结束点位置,第一预设条件还包括:在后运动轨迹的开始点位置在在先运动轨迹的结束点位置的前方,且在后运动轨迹的开始点位置与在先运动轨迹的结束点位置的距离差不大于第二预设值。在这里,前方具体指的是目标对象的行驶方向。显而易见的,第二预设值为距离差阈值。
考虑到目标对象缺失的时间通常较短,而目标对象在短时间内的运动速度不会发生较大改变,即目标对象缺失前的第一运动轨迹的平均速度及缺失后的第一运动轨迹的平均速度,与目标对象缺失的时间对应的平均速度相近,为了准确描述目标对象缺失的时间的平均速度变化,可确定目标对象缺失的时间对应的平均速度,与缺失的时间前后分别对应的第一运动轨迹的平均速度的平均值的差值,该差值不考虑不同目标对象的运动速度的差异,适用范围更广,同时该差值通常位于一定范围内,对于满足上述第一预设条件的两个第一运动轨迹,为了进一步提高轨迹聚合的准确性,则第一预设条件还包括:在后运动轨迹的开始点位置与在先运动轨迹的结束点位置之间的平均速度与在先运动轨迹和在后运动轨迹的平均速度的差值不大于第三预设值,第三预设值指示了目标对象缺失的时间的平均速度的相对变化值。
举例来说,目标对象缺失的时间对应的平均速度为V1,缺失的时间点之前的第一运动轨迹的平均速度为V2,缺失的时间点之后的第一运动轨迹的平均速度为V3,则第一预设条件中涉及的差值为V1-(V2+V3)/2。
需要说明的,对于复杂的场景,比如,高速公路的三车道,每个车道对应的有不同的行驶速度限制,此时同向行驶的不同目标对象的运动速度是不同的,同时同向行驶的不同目标对象在行驶过程中也会遇到不同的遮挡距离的遮挡物,在这里,不同遮挡物的遮挡距离之间的差值是合理的,为了确保在复杂的场景中可准确的对目标对象的第一运动轨迹进行聚合,需要综合考虑在先运动轨迹的开始点及在后运动轨迹的结束点之间的时间早晚、时间差、位置前后、距离差及平均速度的相对变化,确定合适的第一预设值、第二预设值及第三预设值,以适应复杂的场景。显而易见,对于简单的场景,比如,目标对象及遮挡物的数量较少,同时不同目标对象的运动速度相近,不同遮挡物的遮挡距离相近或者若干个遮挡物为同一遮挡物,可考虑在先运动轨迹的开始点及在后运动轨迹的结束点之间的时间早晚、时间差、位置前后及距离差,确定合适的第一预设值和/或第二预设值,以快速准确的进行轨迹聚合。
对于目标对象缺失的时间过长或者过短的特殊场景,比如,目标对象在长隧道中行驶,该目标对象缺失的时间过长,缺失的时间对应的距离过大,特殊场景不适用大多数的场景,需要单独确定特殊场景的第一预设条件中的第一预设值、和/或第二预设值、和/或第三预设值。
步骤1032,将所述满足第一预设条件的第一运动轨迹对应的目标对象标记为相同的标识。
第一运动轨迹集合的每个第一运动轨迹对应一个目标对象,每个目标对象对应有一个标识,标识可用于区分不同目标对象,关联同一目标对象,考虑到目标对象缺失,可能会导致同一目标对象被识别为其他的目标对象,从而导致同一目标对象可能对应有若干个不同的标识,而满足第一预设条件的若干个第一运动轨迹对应同一目标对象,通过将满足第一预设条件的第一运动轨迹对应的目标对象标记为相同的标识,对同一目标对象对应的不同标识进行归一化,从而确定出同一目标对象对应的若干个不完整的第一运动轨迹,实现同一目标对象对应的不同第一运动轨迹的关联,确保了该目标对象的运动轨迹的完整性。需要说明的是,完整的第一运动轨迹对应的目标对象的标识保持不变。
步骤1033,将具有同一标识的目标对象对应的所述第一运动轨迹进行聚合,以获得所述目标对象的第二运动轨迹集合。
通过将同一标识的目标对象对应的若干个第一运动轨迹进行聚合,以确定该标识的目标对象对应的第二运动轨迹,该第二运动轨迹是完整的运动轨迹。利用各个标识的目标对象分别对应的第二运动轨迹形成第二运动轨迹集合。显而易见的,可直接将完整的第一运动轨迹加入第二运动轨迹集合中,以满足后续对目标对象的运动行为的理解分析。
本实施例通过为满足第一预设条件的第一运动轨迹对应的目标对象设置相同的标识,以纠正不同目标对象之间的关系,通过对同一标识的目标对象对应的若干个第一运动轨迹进行聚合,以提高运动轨迹的完整性,进而确定出准确性及完整性较高的第二运动轨迹集合。
图3示出了如图2所示的实施例中将所述满足第一预设条件的第一运动轨迹对应的目标对象标记为相同的标识步骤的流程示意图。
如图3所示,在上述图2所示实施例的基础上,本申请一个示例性实施例中,步骤1032所示将所述满足第一预设条件的第一运动轨迹对应的目标对象标记为相同的标识步骤,具体可以包括如下步骤:
步骤10321,获取所述在先运动轨迹对应的目标对象的标识。
在目标追踪的场景中,当目标对象第一次被识别出来时,通常会为该目标对象设置一个标识,通过该标识以追踪该目标对象,当该目标对象被识别为其他目标对象时,会为该目标对象设置新的标识,导致该目标对象的目标追踪中断,依次类推,当目标对象多次被识别为新的目标对象时,该目标对象对应有多个不同的标识,显而易见的,同一目标对象的多个不同标识的出现时间与第一运动轨迹的开始时间点是对应的,因此,通过在后运动轨迹的标识可以确定第一次为目标对象设置的标识,以追踪目标对象,因此需获取在先运动轨迹对应的目标对象的标识,在这里,目标对象的标识包括但不限于数字及字母等。
步骤10322,将所述在先运动轨迹对应的目标对象的标识替换所述在后运动轨迹对应的目标对象的标识。
通过将在先运动轨迹对应的目标对象的标识替换在后运动轨迹对应的目标对象的标识,以将同一目标对象的不同标识进行归一化处理,以便确定第一次对目标对象设置的标识,从而追踪目标对象。
举例来说,以三个满足第一预设条件的第一运动轨迹对应的目标对象的标识为a、b、c,三个标识的出现时间早晚的顺序为b、a、c为例,则在利用在先运动轨迹对应的标识替换在后运动轨迹对应的标识后,三个满足第一预设条件的第一运动轨迹对应的目标对象的标识为b。
本实施例通过利用在先运动轨迹对应的目标对象的标识替换在后运动轨迹对应的目标对象的标识,从而将目标对象的若干个不同标识进行归一化处理,以追踪目标对象,从而提高了目标追踪的准确性。
图4示出了如图1所示的实施例中对所述图像帧序列进行匹配,以获得所述目标对象的第一运动轨迹集合步骤的流程示意图。
如图4所示,在上述图1所示实施例的基础上,本申请一个示例性实施例中,步骤102所示对所述图像帧序列进行匹配,以获得所述目标对象的第一运动轨迹集合步骤,具体可以包括如下步骤:
步骤1021,获取所述图像帧序列中每帧图像中的目标对象的位置信息。
在图像帧序列中,目标对象在不同时间点的位置是变化的,利用目标对象在不同时间点的位置即可形成该目标对象的运动轨迹,该运动轨迹随着时间而不断延伸,即运动轨迹是时间函数。图像帧序列是目标对象的位置信息的集合,位置信息为目标对象的行为理解和运动分析提供了数据基础,为了确定目标对象的运动轨迹,需获取该目标对象在图像帧序列中每帧图像中的位置信息,位置信息指示了帧图像中的目标对象在图像采集时间点对应的定位位置,在这里,不同目标对象的定位位置是在同一坐标系的,以准确反映出目标对象的位置变化,由于在对第一运动轨迹集合进行轨迹聚合时,无需考虑在先运动轨迹的结束点位置与在后运动轨迹的开始点位置的高度差值,因此以平面坐标系中的坐标点表示目标对象的定位位置即可,以提高轨迹聚合的效率。举例来说,目标对象在第i帧图像的位置信息为(t,x,y),其中,t表示第i帧图像的图像采集时间,x表示目标对象在第i帧图像中的像素坐标对应在平面坐标系中的横坐标值,y表示目标对象在第i帧图像中的像素坐标对应在平面坐标中的纵坐标值。
具体地,对于一帧图像来说,该帧图像包括若干个目标对象,每个目标对象对应有一个平面坐标点,具体的,选择一个参考点描述目标对象在每帧图像中的出现的位置,比如,以目标对象的形心为描述的参考点,通过对图像帧序列进行检测,以识别目标对象,之后,即可确定识别的目标对象在图像帧序列中的像素坐标,通过像素坐标与平面坐标系之间的转换模型,即可得到目标对象在平面坐标系的坐标点的坐标值,并将该坐标点的坐标值确定为该目标对象的定位位置。
步骤1022,若任意一帧所述图像中的目标对象与其相邻帧所述图像中的目标对象的位置信息满足第二预设条件,则将所述满足第二预设条件的目标对象标记相同的标识。
在这里,通过相邻帧图像中目标对象之间的位置信息,确定目标对象之间的距离,根据目标对象之间的距离对目标对象进行匹配,以确定同一目标对象,并通过同一标识建立同一目标对象之间的联系,从而形成目标对象的第一运动轨迹,在这里,标识包括但不限于数字、字母等。具体的,对于图像帧序列中的任意一帧图像,当该帧图像中的目标对象与其前一帧或者后一帧图像中的目标对象之间的位置信息满足第二预设条件时,则说明该帧图像中的目标对象与其前一帧或者后一帧图像中的目标对象之间的距离满足距离阈值,此时,该帧图像中的目标对象与其前一帧或者后一帧图像中的目标对象为同一目标对象,通过为同一目标对象设置相同的标识,不同的目标对象设置不同的标识,以区分图像中不同的目标对象,并建立同一目标对象之间的联系。
举例来说,请参考图5,在第二帧图像中,由于天桥的遮挡,导致标识为3的车辆被挡住,当此车辆在第三帧图像再次出现在视野中时就会被认为是新进入的车辆,因为在第一帧图像与第二帧图像中的车辆匹配时,第一帧图像中标识为3的车辆在第二帧图像中找不到任何一车辆与之匹配,同理第二帧图像和第三帧图像匹配时标识为3的车辆也找不到任何一车辆与之匹配,所以只能认为标识为3的车辆是新加入的车,并为标识为3的车辆设置一个一个新的标识5,基于上述相似的原理,可确定标识为6的车辆是新加入的车辆。对于标识为1、2、4的车辆的匹配过程相似,这里仅以标识为1的车辆为例进行说明,标识为1的车辆在第一帧图像与第二帧图像中的车辆匹配时,第一帧图像中标识为1的车辆在第二帧图像中找到与标识为1车辆的距离满足预设距离阈值的车辆进行匹配,因此,将第二帧图像中与标识为1的车辆匹配的车辆的标识设置为1,以表示第一帧图像与第二帧图像中的同一车辆。
步骤1023,将所述图像帧序列中具有同一标识的目标对象的位置信息进行聚合,以获得所述目标对象的第一运动轨迹集合。
在图像帧序列间建立目标对象的匹配关系之后,可确定目标对象对应的若干个位置信息,通过将一系列位置信息关联起来即可得到目标对象的运动轨迹。
具体地,图像帧序列中每帧图像中不同的目标对象对应有不同标识,多帧图像中的同一标识对应同一目标对象,通过将图像帧序列中同一标识对应的目标对象的位置信息进行聚合,可确定该标识对应的目标对象的第一运动轨迹,各个标识对应的目标对象的第一运动轨迹形成第一运动轨迹集合。举例来说,标识为1的目标对象对应在第1帧图像中的位置信息为(t1,x1,y1)、第2帧图像中的位置信息为(t2,x2,y2)、……、第N帧图像中的位置信息为(tN,xN,yN),则标识为1的目标对象的第一运动轨迹为(t1,x1,y1)-<(t2,x2,y2)-<……-<(tN,xN,yN)。
本实施例通过目标对象的位置信息进行图像帧序列中目标对象的匹配,并对匹配的目标对象设置相同的标识,以建立同一目标对象之间的联系,通过将同一标识的目标对象的位置信息进行聚合以形成目标对象的第一运动轨迹集合。
示例性装置
基于与本申请方法实施例相同的构思,本申请实施例还提供了一种运动轨迹确定装置。
图6示出了本申请一示例性实施例提供的一种运动轨迹确定装置的结构示意图。
识别模块601,用于对图像帧序列进行检测,以识别所述图像帧序列中的目标对象;
第一轨迹获取模块602,用于对所述图像帧序列进行匹配,以获得所述目标对象的第一运动轨迹集合;
第二轨迹获取模块603,用于对所述目标对象的第一运动轨迹集合进行轨迹聚合,获得所述目标对象的第二运动轨迹集合。
如图7所示,在一个示例性实施例中,所述第二轨迹获取模块603,包括:
第一轨迹确定单元6031,用于确定所述目标对象的第一运动轨迹集合中轨迹信息满足第一预设条件的第一运动轨迹。
第一标记单元6032,用于将所述满足第一预设条件的第一运动轨迹对应的目标对象标记为相同的标识。
第二轨迹确定单元6033,用于将具有同一标识的目标对象对应的所述第一运动轨迹进行聚合,以获得所述目标对象的第二运动轨迹集合。
如图8所示,在一个示例性实施例中,所述第一标记单元6032,包括:
获取子单元60321,用于获取所述在先运动轨迹对应的目标对象的标识。
替换子单元60322,用于将所述在先运动轨迹对应的目标对象的标识替换所述在后运动轨迹对应的目标对象的标识。
如图9所示,在一个示例性实施例中,所述第一轨迹获取模块602,包括:
获取单元6021,用于获取所述图像帧序列中每帧图像中的目标对象的位置信息。
第二标记单元6022,用于若任意一帧所述图像中的目标对象与其相邻帧所述图像中的目标对象的位置信息满足第二预设条件,则将所述满足第二预设条件的目标对象标记相同的标识。
聚合单元6023,用于将所述图像帧序列中具有同一标识的目标对象的位置信息进行聚合,以获得所述目标对象的第一运动轨迹集合。
示例性电子设备
图10图示了根据本申请实施例的电子设备的框图。
如图10所示,电子设备100包括一个或多个处理器101和存储器102。
处理器101可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备100中的其他组件以执行期望的功能。
存储器102可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器101可以运行所述程序指令,以实现上文所述的本申请的各个实施例的运动轨迹确定方法及/或者其他期望的功能。
在一个示例中,电子设备100还可以包括:输入装置103和输出装置104,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
当然,为了简化,图10中仅示出了该电子设备100中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备100还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的运动轨迹确定方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的运动轨迹确定方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种运动轨迹确定方法,包括:
对图像帧序列进行检测,以识别所述图像帧序列中的目标对象;
对所述图像帧序列进行匹配,以获得所述目标对象的第一运动轨迹集合;
对所述目标对象的第一运动轨迹集合进行轨迹聚合,获得所述目标对象的第二运动轨迹集合。
2.根据权利要求1所述的方法,其中,所述对所述目标对象的第一运动轨迹集合进行轨迹聚合,获得所述目标对象的第二运动轨迹集合,包括:
确定所述目标对象的第一运动轨迹集合中轨迹信息满足第一预设条件的第一运动轨迹;
将所述满足第一预设条件的第一运动轨迹对应的目标对象标记为相同的标识;
将具有同一标识的目标对象对应的所述第一运动轨迹进行聚合,以获得所述目标对象的第二运动轨迹集合。
3.根据权利要求2所述的方法,其中,所述轨迹信息包括第一运动轨迹的开始点时间和结束点时间;
所述第一预设条件包括:在后运动轨迹的开始点时间晚于在先运动轨迹的结束点时间,且所述在后运动轨迹的开始点时间与所述在先运动轨迹的结束点时间的时间差不大于第一预设值。
4.根据权利要求3所述的方法,其中,所述轨迹信息还包括第一运动轨迹的开始点位置和结束点位置;
所述第一预设条件还包括:所述在后运动轨迹的开始点位置在所述在先运动轨迹的结束点位置的前方,且所述在后运动轨迹的开始点位置与所述在先运动轨迹的结束点位置的距离差不大于第二预设值。
5.根据权利要求4所述的方法,其中,所述第一预设条件还包括:所述在后运动轨迹的开始点位置与所述在先运动轨迹的结束点位置之间的平均速度与所述在先运动轨迹和在后运动轨迹的平均速度的差值不大于第三预设值。
6.根据权利要求2至5中任一项所述的方法,其中,所述将所述满足第一预设条件的第一运动轨迹对应的目标对象标记为相同的标识,包括:
获取所述在先运动轨迹对应的目标对象的标识;
将所述在先运动轨迹对应的目标对象的标识替换所述在后运动轨迹对应的目标对象的标识。
7.根据权利要求1所述的方法,其中,所述对所述图像帧序列进行匹配,以获得所述目标对象的第一运动轨迹集合,包括:
获取所述图像帧序列中每帧图像中的目标对象的位置信息;
若任意一帧所述图像中的目标对象与其相邻帧所述图像中的目标对象的位置信息满足第二预设条件,则将所述满足第二预设条件的目标对象标记相同的标识;
将所述图像帧序列中具有同一标识的目标对象的位置信息进行聚合,以获得所述目标对象的第一运动轨迹集合。
8.一种运动轨迹确定装置,包括:
识别模块,用于对图像帧序列进行检测,以识别所述图像帧序列中的目标对象;
第一轨迹获取模块,用于对所述图像帧序列进行匹配,以获得所述目标对象的第一运动轨迹集合;
第二轨迹获取模块,用于对所述目标对象的第一运动轨迹集合进行轨迹聚合,获得所述目标对象的第二运动轨迹集合。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一所述的运动轨迹确定方法。
10.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-7任一所述的运动轨迹确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910770952.4A CN110532916B (zh) | 2019-08-20 | 2019-08-20 | 一种运动轨迹确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910770952.4A CN110532916B (zh) | 2019-08-20 | 2019-08-20 | 一种运动轨迹确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532916A true CN110532916A (zh) | 2019-12-03 |
CN110532916B CN110532916B (zh) | 2022-11-04 |
Family
ID=68663835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910770952.4A Active CN110532916B (zh) | 2019-08-20 | 2019-08-20 | 一种运动轨迹确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532916B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126807A (zh) * | 2019-12-12 | 2020-05-08 | 浙江大华技术股份有限公司 | 行程切分方法和装置、存储介质及电子装置 |
CN111429791A (zh) * | 2020-04-09 | 2020-07-17 | 浙江大华技术股份有限公司 | 身份确定方法、装置、存储介质及电子装置 |
CN111667508A (zh) * | 2020-06-10 | 2020-09-15 | 北京爱笔科技有限公司 | 一种检测方法和相关装置 |
CN111723304A (zh) * | 2020-01-03 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 一种轨迹点识别方法和相关装置 |
CN112044075A (zh) * | 2020-09-18 | 2020-12-08 | 网易(杭州)网络有限公司 | 运动轨迹的生成方法和装置 |
CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
CN112543935A (zh) * | 2019-12-31 | 2021-03-23 | 商汤国际私人有限公司 | 一种图像识别方法及装置、计算机可读存储介质 |
CN112925948A (zh) * | 2021-02-05 | 2021-06-08 | 上海依图网络科技有限公司 | 视频处理方法及其装置、介质、芯片和电子设备 |
CN113129330A (zh) * | 2020-01-14 | 2021-07-16 | 北京地平线机器人技术研发有限公司 | 一种可移动设备的轨迹预测方法及装置 |
WO2023071171A1 (zh) * | 2021-10-29 | 2023-05-04 | 上海商汤智能科技有限公司 | 轨迹拼接和事件检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799863A (zh) * | 2012-07-02 | 2012-11-28 | 中国计量学院 | 视频监控中的团体人群异常行为检测方法 |
CN103914685A (zh) * | 2014-03-07 | 2014-07-09 | 北京邮电大学 | 一种基于广义最小团图和禁忌搜索的多目标跟踪方法 |
CN103929685A (zh) * | 2014-04-15 | 2014-07-16 | 中国华戎控股有限公司 | 一种视频摘要生成及索引方法 |
CN103955947A (zh) * | 2014-03-21 | 2014-07-30 | 南京邮电大学 | 一种基于连续最小能量与表观模型的多目标关联跟踪方法 |
US20140219531A1 (en) * | 2013-02-06 | 2014-08-07 | University of Virginia Licensing and Ventures Group | Systems and methods for accelerated dynamic magnetic resonance imaging |
CN107169989A (zh) * | 2017-04-17 | 2017-09-15 | 南京邮电大学 | 一种基于数据关联与轨迹评估的多目标跟踪方法 |
CN107346414A (zh) * | 2017-05-24 | 2017-11-14 | 北京航空航天大学 | 行人属性识别方法和装置 |
CN108257146A (zh) * | 2018-01-15 | 2018-07-06 | 新疆大学 | 运动轨迹显示方法及装置 |
CN108898099A (zh) * | 2018-06-28 | 2018-11-27 | 北京三快在线科技有限公司 | 数据处理方法及装置、计算机可读存储介质、电子设备 |
CN109978968A (zh) * | 2019-04-10 | 2019-07-05 | 广州虎牙信息科技有限公司 | 运动对象的视频绘制方法、装置、设备及存储介质 |
-
2019
- 2019-08-20 CN CN201910770952.4A patent/CN110532916B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799863A (zh) * | 2012-07-02 | 2012-11-28 | 中国计量学院 | 视频监控中的团体人群异常行为检测方法 |
US20140219531A1 (en) * | 2013-02-06 | 2014-08-07 | University of Virginia Licensing and Ventures Group | Systems and methods for accelerated dynamic magnetic resonance imaging |
CN103914685A (zh) * | 2014-03-07 | 2014-07-09 | 北京邮电大学 | 一种基于广义最小团图和禁忌搜索的多目标跟踪方法 |
CN103955947A (zh) * | 2014-03-21 | 2014-07-30 | 南京邮电大学 | 一种基于连续最小能量与表观模型的多目标关联跟踪方法 |
CN103929685A (zh) * | 2014-04-15 | 2014-07-16 | 中国华戎控股有限公司 | 一种视频摘要生成及索引方法 |
CN107169989A (zh) * | 2017-04-17 | 2017-09-15 | 南京邮电大学 | 一种基于数据关联与轨迹评估的多目标跟踪方法 |
CN107346414A (zh) * | 2017-05-24 | 2017-11-14 | 北京航空航天大学 | 行人属性识别方法和装置 |
CN108257146A (zh) * | 2018-01-15 | 2018-07-06 | 新疆大学 | 运动轨迹显示方法及装置 |
CN108898099A (zh) * | 2018-06-28 | 2018-11-27 | 北京三快在线科技有限公司 | 数据处理方法及装置、计算机可读存储介质、电子设备 |
CN109978968A (zh) * | 2019-04-10 | 2019-07-05 | 广州虎牙信息科技有限公司 | 运动对象的视频绘制方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
CYNTHIA SUNG 等: "Trajectory Clustering for Motion Prediction", 《2012 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 * |
吴笛 等: "基于密度的轨迹时空聚类分析", 《地球信息科学学报》 * |
张会乔 等: "基于标记和轨迹预测的多目标跟踪方法", 《微计算机信息》 * |
梁浩哲 等: "基于运动相似性的监控轨迹聚合分析", 《国防科技大学学报》 * |
袁冠 等: "基于结构相似度的轨迹聚类算法", 《通信学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126807B (zh) * | 2019-12-12 | 2023-10-10 | 浙江大华技术股份有限公司 | 行程切分方法和装置、存储介质及电子装置 |
CN111126807A (zh) * | 2019-12-12 | 2020-05-08 | 浙江大华技术股份有限公司 | 行程切分方法和装置、存储介质及电子装置 |
CN112543935A (zh) * | 2019-12-31 | 2021-03-23 | 商汤国际私人有限公司 | 一种图像识别方法及装置、计算机可读存储介质 |
CN112543935B (zh) * | 2019-12-31 | 2024-05-21 | 商汤国际私人有限公司 | 一种图像识别方法及装置、计算机可读存储介质 |
CN111723304A (zh) * | 2020-01-03 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 一种轨迹点识别方法和相关装置 |
CN113129330A (zh) * | 2020-01-14 | 2021-07-16 | 北京地平线机器人技术研发有限公司 | 一种可移动设备的轨迹预测方法及装置 |
CN113129330B (zh) * | 2020-01-14 | 2024-05-10 | 北京地平线机器人技术研发有限公司 | 一种可移动设备的轨迹预测方法及装置 |
CN111429791A (zh) * | 2020-04-09 | 2020-07-17 | 浙江大华技术股份有限公司 | 身份确定方法、装置、存储介质及电子装置 |
CN111667508A (zh) * | 2020-06-10 | 2020-09-15 | 北京爱笔科技有限公司 | 一种检测方法和相关装置 |
CN111667508B (zh) * | 2020-06-10 | 2023-10-24 | 北京爱笔科技有限公司 | 一种检测方法和相关装置 |
CN112044075A (zh) * | 2020-09-18 | 2020-12-08 | 网易(杭州)网络有限公司 | 运动轨迹的生成方法和装置 |
CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
CN112347993B (zh) * | 2020-11-30 | 2023-03-17 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
CN112925948A (zh) * | 2021-02-05 | 2021-06-08 | 上海依图网络科技有限公司 | 视频处理方法及其装置、介质、芯片和电子设备 |
WO2023071171A1 (zh) * | 2021-10-29 | 2023-05-04 | 上海商汤智能科技有限公司 | 轨迹拼接和事件检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN110532916B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532916A (zh) | 一种运动轨迹确定方法及装置 | |
Ramanishka et al. | Toward driving scene understanding: A dataset for learning driver behavior and causal reasoning | |
Moers et al. | The exid dataset: A real-world trajectory dataset of highly interactive highway scenarios in germany | |
CN112069643B (zh) | 一种自动驾驶仿真场景生成方法及装置 | |
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
Zyner et al. | Acfr five roundabouts dataset: Naturalistic driving at unsignalized intersections | |
CN105513342A (zh) | 一种基于视频跟踪的车辆排队长度计算方法 | |
KR20210052031A (ko) | 딥러닝 기반 교통 흐름 분석 방법 및 시스템 | |
CN110675637A (zh) | 车辆违法视频的处理方法、装置、计算机设备及存储介质 | |
CN108154146A (zh) | 一种基于图像识别的车辆追踪方法 | |
CN109427191A (zh) | 一种行驶检测方法及装置 | |
CN112562406B (zh) | 一种越线行驶的识别方法及装置 | |
CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
CN110986994B (zh) | 一种基于高噪音车辆轨迹数据的换道意图自动标注方法 | |
Amini et al. | Development of a conflict risk evaluation model to assess pedestrian safety in interaction with vehicles | |
CN106611147A (zh) | 车辆追踪方法和装置 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
Charouh et al. | Video analysis and rule-based reasoning for driving maneuver classification at intersections | |
CN113095345A (zh) | 数据匹配方法、装置和数据处理设备 | |
Zaki et al. | Comprehensive safety diagnosis using automated video analysis: Applications to an urban intersection in Edmonton, Alberta, Canada | |
CN113538968B (zh) | 用于输出信息的方法和装置 | |
Chen et al. | A framework for real-time vehicle counting and velocity estimation using deep learning | |
Peiris et al. | Computer vision based approach for traffic violation detection | |
CN117392621B (zh) | 一种机动车右转不礼让行人行为识别方法及系统 |
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 |