CN111444766A - 基于图像处理的车辆追踪方法、装置、计算机设备和存储介质 - Google Patents
基于图像处理的车辆追踪方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111444766A CN111444766A CN202010113009.9A CN202010113009A CN111444766A CN 111444766 A CN111444766 A CN 111444766A CN 202010113009 A CN202010113009 A CN 202010113009A CN 111444766 A CN111444766 A CN 111444766A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- tracked
- predicted
- distance
- euclidean distance
- 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
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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于图像处理的车辆追踪方法、装置、计算机设备和存储介质。所述方法包括:对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;对待追踪车辆进行位置预测,获取预测车辆及位置;获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;基于所述马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;基于所述判断结果标记预测车辆的序号。上述基于图像处理的车辆追踪方法、装置、计算机设备和存储介质能够对视频中尺寸变化,且追踪过程中被遮挡的车辆进行有效追踪,追踪效果较好。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种基于图像处理的车辆追踪方法、装置、计算机设备和存储介质。
背景技术
车辆追踪就是在连续视频帧中,识别出车辆,并预测每一个车辆的下一个位置,将检测位置与预测位置相关联。并根据特定的关系,标记同一个车辆为同一序号,不将每一帧中的车辆都赋值新的序号ID,以实现在连续帧中标记出同一车辆,以此实现车辆追踪。
目前主要的追踪方法有核相关滤波(KCF)算法,但是KCF算法的追踪框是预先设定好的,对于固定尺寸的目标适用,但对于视频中尺寸会变化的物体,就无法追踪,在车辆追踪方面,视频中,车辆由于与相机有不同的距离,车辆尺寸不能固定,且在追踪过程中易被遮挡,因此传统追踪方法效果较差。
发明内容
基于此,有必要针对传统追踪方法对视频中尺寸变化且易被遮挡的物体的追踪效果较差的技术问题,提供一种基于图像处理的车辆追踪方法、装置、计算机设备和存储介质。
一种基于图像处理的车辆追踪方法,所述方法包括:
对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;
对待追踪车辆进行位置预测,获取预测车辆及位置;
获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;
基于所述马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;
基于所述判断结果标记预测车辆的序号。
在其中一个实施例中,所述对监测图像进行检测,得到待追踪车辆包括:
将监测图像输入YOLO卷积神经网络中进行检测,得到待追踪车辆及位置。
在其中一个实施例中,所述对待追踪车辆进行位置预测,获取预测车辆及位置包括:
通过卡尔曼滤波对待追踪车辆进行位置预测,获取预测车辆及位置。
在其中一个实施例中,所述基于所述马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果包括:
基于所述马氏距离以及余弦距离得到预测车辆的关联度量;
若所述关联度量在预设范围内,则基于所述欧式距离判断预测车辆是否为待追踪车辆,得到判断结果。
在其中一个实施例中,所述基于所述欧式距离判断预测车辆是否为待追踪车辆,得到判断结果包括:
基于预测车辆在图像中所处的区域,判断所述欧式距离是否在预设阈值内,得到判断结果。
在其中一个实施例中,所述基于预测车辆在图像中所处的区域,判断所述欧式距离是否在预设阈值内,得到判断结果包括:
若所述欧式距离在预设阈值内,则预测车辆为待追踪车辆。
在其中一个实施例中,所述基于所述判断结果标记预测车辆的序号包括:
若所述预测车辆为待追踪车辆,则将所述预测车辆标记为第一序号。
一种基于图像处理的车辆追踪装置,所述装置包括:
检测模块,用于对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;
预测模块,用于对待追踪车辆进行位置预测,获取预测车辆及位置;
获取模块,用于获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;
判断模块,用于基于所述马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;
标记模块,用于基于所述判断结果标记预测车辆的序号。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;
对待追踪车辆进行位置预测,获取预测车辆及位置;
获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;
基于所述马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;
基于所述判断结果标记预测车辆的序号。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;
对待追踪车辆进行位置预测,获取预测车辆及位置;
获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;
基于所述马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;
基于所述判断结果标记预测车辆的序号。
上述基于图像处理的车辆追踪方法、装置、计算机设备和存储介质,通过对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;对待追踪车辆进行位置预测,获取预测车辆及位置;获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;基于所述马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;基于所述判断结果标记预测车辆的序号的方法进行车辆追踪,能够对视频中尺寸变化,且追踪过程中被遮挡的车辆进行有效追踪,追踪效果较好。
附图说明
图1为本发明一实施例的基于图像处理的车辆追踪方法的流程示意图;
图2为本发明一实施例的基于图像处理的车辆追踪方法的YOLO神经网络的网络架构图;
图3为本发明一实施例的基于图像处理的车辆追踪方法的监测图像;
图4为本发明一实施例的基于图像处理的车辆追踪方法中基于COCO数据集训练的YOLO神经网络的检测效果图;
图5为本发明一实施例的基于图像处理的车辆追踪方法中基于BDD100K数据集训练的YOLO神经网络的检测效果图;
图6为本发明一实施例的基于图像处理的车辆追踪方法的序号标记图;
图7为传统追踪方法的遮挡情况图;
图8为本发明一实施例的基于图像处理的车辆追踪方法的遮挡情况图;
图9为本发明一实施例的基于图像处理的车辆追踪装置的结构框图;
图10为本发明一实施例的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
请参阅图1,图1为本发明一实施例的基于图像处理的车辆追踪方法的流程示意图。
在本实施例中,基于图像处理的车辆追踪方法包括:
步骤100,对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号。
可以理解的,监测图像即为待追踪视频中的每一帧图像,对监测图像进行逐帧处理,在某一帧图像中确定待追踪车辆,
步骤110,对待追踪车辆进行位置预测,获取预测车辆及位置。
示例性地,基于先验知识对对待追踪车辆进行位置预测,预测待追踪车辆在后续检测图像中是否存在及其位置。
步骤120,获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离。
步骤130,基于马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果。
示例性地,基于先验知识判断马氏距离、余弦距离以及欧式距离是否符合预设范围,以判断预测车辆是否为待追踪车辆。
步骤140,基于判断结果标记预测车辆的序号。
可以理解的,若预测车辆为待追踪车辆,则将预测车辆标记为第一序号,即与待追踪车辆使用同一序号。
上述基于图像处理的车辆追踪方法,通过对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;对待追踪车辆进行位置预测,获取预测车辆及位置;获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;基于马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;基于判断结果标记预测车辆的序号的方法进行车辆追踪,能够对视频中尺寸变化的车辆进行有效追踪,追踪效果较好。
在其它实施例中,对监测图像进行检测,得到待追踪车辆包括将监测图像输入YOLO卷积神经网络中进行检测,得到待追踪车辆,并将待追踪车辆及其位置存入detection集合。
请参阅图2,图2为本发明一实施例的基于图像处理的车辆追踪方法的YOLO神经网络的网络架构图。YOLO卷积神经网络,共有53个卷积层,每个卷积层之后是BN和LeakyReLU层。YOLO卷积神经网络有5种不同尺寸的RELU组件,数据集采用BDD100K数据集和COCO数据集分别训练,BDD100K包含7万张图片的训练集、2万张图片的验证集和1万张图片的测试集,一共拥有大巴车、交通灯、交通标识、行人、自行车、货车、摩托车、小汽车、火车和骑行者10个类别,COCO数据集一共有33万张图片,包含80个类别。
在其它实施例中,对待追踪车辆进行位置预测,获取预测车辆及位置包括通过卡尔曼滤波对待追踪车辆进行位置预测,获取预测车辆及位置。具体地,通过卡尔曼滤波预测待追踪车辆在下一帧监测图像中的位置,并将预测的位置存入predicted集合中,并且不对predicted集合进行定期清除,这样能够延长每一个待追踪车辆的生命周期。
示例性地,计算马氏距离的公式为:
其中a是预测位置的顺序号,b是待追踪车辆位置的顺序号,db是第b个待追踪车辆位置的状态描述(位置横坐标,位置纵坐标、纵横比、高度),Sa是由kalman滤波器预测得到的在当前时刻观测空间的协方差矩阵。计算的马氏距离代表第a个预测位置和第b个待追踪车辆位置的距离。
计算余弦距离的公式为:
其中a是预测位置的顺序号,b是待追踪车辆位置的顺序号,k是当前最新位置的顺序号。Ri是所有目标的外观描述度量,由神经网络提取外观信息,并L2标准化得到。计算的余弦距离是第a个预测位置和第b个待追踪车辆位置的距离。
计算欧式距离的公式为:
其中i是预测位置的顺序号,j是待追踪车辆位置的顺序号,p代表位置的横坐标,q代表位置的纵坐标。计算的欧式距离是第i个预测位置和第j个待追踪车辆位置的距离。
在其它实施例中,基于马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果包括基于马氏距离以及余弦距离得到预测车辆的关联度量;若关联度量在预设范围内,则基于欧式距离判断预测车辆是否为待追踪车辆,得到判断结果。
对于马氏距离和余弦距离的筛选,使用阈值函数进行筛选。筛选的阈值函数为:
dis(a,b)=∏[d(a,b)≤t(1)]。
其中d(a,b)代表筛选前的距离,dis(a,b)分别代表经过阈值函数筛选后的距离。t(1)是卡方分布的0.95分位点。
具体地,将马氏距离和余弦距离在筛选后,基于马氏距离以及余弦距离得到预测车辆的关联度量,即将马氏距离和余弦距离合并。其中,将马氏距离和余弦距离合并的公式为:
Ua,b=vdism(a,b)+(1-v)disc(a,b)。
其中dism(a,b)是筛选后的马氏距离,disc是筛选后的余弦距离。v是合并的超参数。Ua,b是融合后的距离度量结果。
在其它实施例中,基于欧式距离判断预测车辆是否为待追踪车辆,得到判断结果包括基于预测车辆在图像中所处的区域,判断欧式距离是否在预设阈值内,得到判断结果。
可以理解的,若待追踪车辆在追踪过程中未被遮挡,则可在每一帧的监测图像中对其进行连续位置追踪,只需更改待追踪车辆的位置坐标,不需重新对其标记序号,实现长生命周期的追踪。若待追踪车辆在追踪过程中被遮挡,则需基于欧式距离判断预测车辆是否为待追踪车辆。具体地,本实施例中的欧式距离为:获取待检测车辆在连续位置追踪过程中的每一位置坐标,计算预测车辆的位置坐标与每一位置坐标的欧氏距离,并选取其中的最小欧氏距离。
示例性地,若预测目标的关联度量在预设范围内,则基于预测车辆在监测图像中所处的区域,划分不同的阈值,distance阈值分别为10、15、30、80,distance2阈值分别为100、300、550。对于靠近图像中心较近的目标,distance分配的阈值为10或15;距离图像中心较远的目标,分配的阈值为30或80。因为在车辆追踪的视频中,拍摄时视频的中心点,尽量靠近视距的最远处,因此越靠近中心,即为越远处的车辆。其中,distance为欧氏距离,distance2为预测车辆与图像中心点距离参数。
具体地,当distance2<100且distance<10时,或者100<distance2<300且10<distance<15时,或者300<distance2<550且15<distance<30时,或者distance2>550且30<distance<80时,满足以上阈值条件时,则预测车辆为待追踪车辆,因此将预测车辆标记为第一序号,仅更新待追踪车辆的位置信息。具体地,对欧式距离设定阈值的公式为:
Z(a,b)=∏[do(a,b)≤t(1)]。
其中do(a,b)是阈值筛选前的欧式距离,t(1)是阈值(100,300,550),Z(a,b)是经过阈值筛选后的欧式距离。
若欧氏距离不在预设阈值内,则预测车辆不为待检测车辆,为其标记新的序号。
对于在BDD100K数据集上训练的YOLO训练集,对于车辆类别的检测,平均准确率达到52%,对于在COCO数据集上训练的YOLO数据集,平均准确率达到55%。
对于追踪效果,需要统计每一段视频中的车辆总数Num,将非车辆目标识别为车辆的数量FPs,将车辆目标没有识别为车辆的数量FNs,成功追踪的车辆的数量MTs,失败追踪的车辆的数量MLs,以及车辆序号Id。
下表1-16中,分别为使用原先的追踪算法(DS),与使用本申请实施例中的基于图像处理的车辆追踪方法(MDS)对不同监测视频进行车辆追踪的效果对比,车辆识别神经网络模型分别是在BDD100K数据集和COCO数据集上训练得到。可以看出,本申请实施例中的基于图像处理的车辆追踪方法(MDS)与原先的追踪算法(DS)相比,追踪效果提升明显。
表1-8使用的神经网络模型是在BDD100K数据集上训练的,分别对比DS和MDS算法的效果。表9-16使用的神经网络模型是在COCO数据集上训练的,分别对比DS和MDS算法的效果。
表1
表2
表3
表4
表5
表6
表7
表8
表9
表10
表11
表12
表13
表14
表15
表16
请参阅图3至图8,图3至图8为本发明一实施例的基于图像处理的车辆追踪方法的效果展示图。图3为本发明一实施例的基于图像处理的车辆追踪方法的监测图像;图4为本发明一实施例的基于图像处理的车辆追踪方法中基于COCO数据集训练的YOLO神经网络的检测效果图;图5为本发明一实施例的基于图像处理的车辆追踪方法中基于BDD100K数据集训练的YOLO神经网络的检测效果图,其中,方框部位为神经网络检测到的车辆;图6为本发明一实施例的基于图像处理的车辆追踪方法的序号标记图;图7为传统追踪方法的遮挡情况图;图8为本发明一实施例的基于图像处理的车辆追踪方法的遮挡情况图。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种基于图像处理的车辆追踪装置,包括:检测模块200、预测模块210、获取模块220、判断模块230和标记模块240,其中:
检测模块200,用于对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号。
检测模块200,还用于将监测图像输入YOLO卷积神经网络中进行检测,得到待追踪车辆及位置。
预测模块210,用于对待追踪车辆进行位置预测,获取预测车辆及位置。
预测模块210,还用于通过卡尔曼滤波对待追踪车辆进行位置预测,获取预测车辆及位置。
获取模块220,用于获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离。
判断模块230,用于基于马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果。
判断模块230,还用于:
基于马氏距离以及余弦距离得到预测车辆的关联度量;
若关联度量在预设范围内,则基于欧式距离判断预测车辆是否为待追踪车辆,得到判断结果。
判断模块230,还用于基于预测车辆在图像中所处的区域,判断欧式距离是否在预设阈值内,得到判断结果。
判断模块230,还用于若欧式距离在预设阈值内,则预测车辆为待追踪车辆。
标记模块240,用于基于判断结果标记预测车辆的序号。
标记模块240,还用于若预测车辆为待追踪车辆,则将预测车辆标记为第一序号。
关于基于图像处理的车辆追踪装置的具体限定可以参见上文中对于基于图像处理的车辆追踪方法的限定,在此不再赘述。上述基于图像处理的车辆追踪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于图像处理的车辆追踪方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;
对待追踪车辆进行位置预测,获取预测车辆及位置;
获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;
基于马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;
基于判断结果标记预测车辆的序号。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将监测图像输入YOLO卷积神经网络中进行检测,得到待追踪车辆及位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过卡尔曼滤波对待追踪车辆进行位置预测,获取预测车辆及位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于马氏距离以及余弦距离得到预测车辆的关联度量;
若关联度量在预设范围内,则基于欧式距离判断预测车辆是否为待追踪车辆,得到判断结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于预测车辆在图像中所处的区域,判断欧式距离是否在预设阈值内,得到判断结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若欧式距离在预设阈值内,则预测车辆为待追踪车辆。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若预测车辆为待追踪车辆,则将预测车辆标记为第一序号。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;
对待追踪车辆进行位置预测,获取预测车辆及位置;
获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;
基于马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;
基于判断结果标记预测车辆的序号。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将监测图像输入YOLO卷积神经网络中进行检测,得到待追踪车辆及位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过卡尔曼滤波对待追踪车辆进行位置预测,获取预测车辆及位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于马氏距离以及余弦距离得到预测车辆的关联度量;
若关联度量在预设范围内,则基于欧式距离判断预测车辆是否为待追踪车辆,得到判断结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于预测车辆在图像中所处的区域,判断欧式距离是否在预设阈值内,得到判断结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若欧式距离在预设阈值内,则预测车辆为待追踪车辆。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若预测车辆为待追踪车辆,则将预测车辆标记为第一序号。
上述基于图像处理的车辆追踪方法、装置、计算机设备和存储介质,通过对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;对待追踪车辆进行位置预测,获取预测车辆及位置;获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;基于马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;基于判断结果标记预测车辆的序号的方法进行车辆追踪,能够对视频中尺寸变化,且追踪过程中被遮挡的车辆进行有效追踪,追踪效果较好。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于图像处理的车辆追踪方法,其特征在于,所述方法包括:
对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;
对待追踪车辆进行位置预测,获取预测车辆及位置;
获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;
基于所述马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;
基于所述判断结果标记预测车辆的序号。
2.根据权利要求1所述的车辆追踪方法,其特征在于,所述对监测图像进行检测,得到待追踪车辆包括:
将监测图像输入YOLO卷积神经网络中进行检测,得到待追踪车辆及位置。
3.根据权利要求1所述的车辆追踪方法,其特征在于,所述对待追踪车辆进行位置预测,获取预测车辆及位置包括:
通过卡尔曼滤波对待追踪车辆进行位置预测,获取预测车辆及位置。
4.根据权利要求1所述的车辆追踪方法,其特征在于,所述基于所述马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果包括:
基于所述马氏距离以及余弦距离得到预测车辆的关联度量;
若所述关联度量在预设范围内,则基于所述欧式距离判断预测车辆是否为待追踪车辆,得到判断结果。
5.根据权利要求4所述的车辆追踪方法,其特征在于,所述基于所述欧式距离判断预测车辆是否为待追踪车辆,得到判断结果包括:
基于预测车辆在图像中所处的区域,判断所述欧式距离是否在预设阈值内,得到判断结果。
6.根据权利要求5所述的车辆追踪方法,其特征在于,所述基于预测车辆在图像中所处的区域,判断所述欧式距离是否在预设阈值内,得到判断结果包括:
若所述欧式距离在预设阈值内,则预测车辆为待追踪车辆。
7.根据权利要求6所述的车辆追踪方法,其特征在于,所述基于所述判断结果标记预测车辆的序号包括:
若所述预测车辆为待追踪车辆,则将所述预测车辆标记为第一序号。
8.一种基于图像处理的车辆追踪装置,其特征在于,所述车辆追踪装置包括:
检测模块,用于对监测图像进行检测,得到待追踪车辆及位置,并将待追踪车辆标记为第一序号;
预测模块,用于对待追踪车辆进行位置预测,获取预测车辆及位置;
获取模块,用于获取预测车辆与待追踪车辆之间的马氏距离、余弦距离以及欧式距离;
判断模块,用于基于所述马氏距离、余弦距离以及欧式距离判断预测车辆是否为待追踪车辆,得到判断结果;
标记模块,用于基于所述判断结果标记预测车辆的序号。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述车辆追踪方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的车辆追踪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010113009.9A CN111444766B (zh) | 2020-02-24 | 2020-02-24 | 基于图像处理的车辆追踪方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010113009.9A CN111444766B (zh) | 2020-02-24 | 2020-02-24 | 基于图像处理的车辆追踪方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444766A true CN111444766A (zh) | 2020-07-24 |
CN111444766B CN111444766B (zh) | 2021-07-20 |
Family
ID=71648666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010113009.9A Active CN111444766B (zh) | 2020-02-24 | 2020-02-24 | 基于图像处理的车辆追踪方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444766B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861907A (zh) * | 2023-03-02 | 2023-03-28 | 山东华夏高科信息股份有限公司 | 一种头盔检测方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108985065A (zh) * | 2018-07-20 | 2018-12-11 | 武汉理工大学 | 应用改进的马氏距离计算方法进行固件漏洞检测的方法及系统 |
CN109389622A (zh) * | 2018-09-30 | 2019-02-26 | 佳都新太科技股份有限公司 | 车辆追踪方法、装置、识别设备及存储介质 |
CN109829445A (zh) * | 2019-03-01 | 2019-05-31 | 大连理工大学 | 一种视频流中的车辆检测方法 |
CN110634153A (zh) * | 2019-09-19 | 2019-12-31 | 上海眼控科技股份有限公司 | 目标跟踪模板更新方法、装置、计算机设备和存储介质 |
-
2020
- 2020-02-24 CN CN202010113009.9A patent/CN111444766B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108985065A (zh) * | 2018-07-20 | 2018-12-11 | 武汉理工大学 | 应用改进的马氏距离计算方法进行固件漏洞检测的方法及系统 |
CN109389622A (zh) * | 2018-09-30 | 2019-02-26 | 佳都新太科技股份有限公司 | 车辆追踪方法、装置、识别设备及存储介质 |
CN109829445A (zh) * | 2019-03-01 | 2019-05-31 | 大连理工大学 | 一种视频流中的车辆检测方法 |
CN110634153A (zh) * | 2019-09-19 | 2019-12-31 | 上海眼控科技股份有限公司 | 目标跟踪模板更新方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
LU LOU等: "Vehicles Detection of Traffic Flow Video Using Deep Learning", 《IEEE》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861907A (zh) * | 2023-03-02 | 2023-03-28 | 山东华夏高科信息股份有限公司 | 一种头盔检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111444766B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443210B (zh) | 一种行人跟踪方法、装置以及终端 | |
CN108133172B (zh) | 视频中运动对象分类的方法、车流量的分析方法及装置 | |
JP6347211B2 (ja) | 情報処理システム、情報処理方法及びプログラム | |
CN109740424A (zh) | 交通违规识别方法及相关产品 | |
CN111770306B (zh) | 场景监控方法、装置、计算机设备和存储介质 | |
CN109670383B (zh) | 视频遮蔽区域选取方法、装置、电子设备及系统 | |
CN111310653A (zh) | 佩戴头盔的检测方法、装置、计算机设备和存储介质 | |
CN110751012B (zh) | 目标检测评估方法、装置、电子设备及存储介质 | |
CN109615904A (zh) | 停车管理方法、装置、计算机设备和存储介质 | |
CN109711427A (zh) | 目标检测方法及相关产品 | |
CN110738150A (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
CN111783665A (zh) | 一种动作识别方法、装置、存储介质和电子设备 | |
CN111382735B (zh) | 夜间车辆检测方法、装置、设备及存储介质 | |
CN110930434A (zh) | 目标对象跟踪方法、装置、存储介质和计算机设备 | |
CN112200131A (zh) | 一种基于视觉的车辆碰撞检测方法、智能终端及存储介质 | |
CN109766867A (zh) | 车辆运行状态确定方法、装置、计算机设备和存储介质 | |
CN112132216B (zh) | 车型识别方法、装置、电子设备及存储介质 | |
CN109446926A (zh) | 一种交通监控方法及装置、电子设备和存储介质 | |
CN112183304A (zh) | 离位检测方法、系统及计算机存储介质 | |
CN113869137A (zh) | 事件检测方法、装置、终端设备及存储介质 | |
US20200334471A1 (en) | Recognition method and apparatus for false detection of an abandoned object and image processing device | |
CN111444766B (zh) | 基于图像处理的车辆追踪方法、装置、计算机设备和存储介质 | |
CN111382606A (zh) | 摔倒检测方法、摔倒检测装置和电子设备 | |
CN115620098B (zh) | 跨摄像头行人跟踪算法的评价方法、系统和电子设备 | |
CN112580457A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 |
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 |