CN111862624B - 车辆匹配方法、装置、存储介质及电子装置 - Google Patents
车辆匹配方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN111862624B CN111862624B CN202010746260.9A CN202010746260A CN111862624B CN 111862624 B CN111862624 B CN 111862624B CN 202010746260 A CN202010746260 A CN 202010746260A CN 111862624 B CN111862624 B CN 111862624B
- Authority
- CN
- China
- Prior art keywords
- matrix
- matching
- vehicle
- frame
- region
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种车辆匹配方法、装置、存储介质及电子装置,其中,该方法包括:构建距离矩阵,其中,距离矩阵的横轴包括当前帧图像中包括的车辆的检测信息,距离矩阵的纵轴包括历史车辆的跟踪信息,其中,历史车辆的跟踪信息是基于历史帧图像中包括的车辆的检测信息确定的,历史帧图像与当前帧图像为连续帧图像,且历史帧图像的拍摄时间早于当前帧图像的拍摄时间;构建与距离矩阵对应的匹配矩阵;基于距离矩阵和匹配矩阵对当前帧图像中包括的车辆与历史车辆进行匹配,以得到匹配结果。通过本发明,解决了相关技术中存在的车辆匹配准确率低的问题,提高了车辆匹配的准确率。
Description
技术领域
本发明实施例涉及通信领域,具体而言,涉及一种车辆匹配方法、装置、存储介质及电子装置。
背景技术
目前智能交通技术广泛发展,而车辆是交通领域最重要的处理对象,通常需要对车辆进行检测和跟踪,利用完整的跟踪轨迹进行车辆行为的判定。最常见的城市道路交通场景中,车辆众多,容易发生遮挡和拥堵,会严重影响跟踪轨迹的完整性和准确率,是业界一直存在的难点。
在相关技术中,通常是通过改进目标的关联方法和轨迹预测方法来提高车辆匹配的准确率,但对于复杂环境下的匹配准确率提升有限。
由此可知,相关技术中存在车辆匹配准确率低的问题。
针对相关技术中存在的上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种车辆匹配方法、装置、存储介质及电子装置,以至少解决相关技术中存在的车辆匹配准确率低的问题。
根据本发明的一个实施例,提供了一种车辆匹配方法,包括:构建距离矩阵,其中,所述距离矩阵的横轴包括当前帧图像中包括的车辆的检测信息,所述距离矩阵的纵轴包括历史车辆的跟踪信息,其中,所述历史车辆的跟踪信息是基于历史帧图像中包括的车辆的检测信息确定的,所述历史帧图像与所述当前帧图像为连续帧图像,且所述历史帧图像的拍摄时间早于所述当前帧图像的拍摄时间;构建与所述距离矩阵对应的匹配矩阵,其中,所述匹配矩阵是对所述距离矩阵中包括的各距离值执行第一操作后得到的矩阵;基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果。
根据本发明的另一个实施例,提供了一种车辆匹配装置,包括:第一构建模块,用于构建距离矩阵,其中,所述距离矩阵的横轴包括当前帧图像中包括的车辆的检测信息,所述距离矩阵的纵轴包括历史车辆的跟踪信息,其中,所述历史车辆的跟踪信息是基于历史帧图像中包括的车辆的检测信息确定的,所述历史帧图像与所述当前帧图像为连续帧图像,且所述历史帧图像的拍摄时间早于所述当前帧图像的拍摄时间;第二构建模块,用于构建与所述距离矩阵对应的匹配矩阵,其中,所述匹配矩阵是对所述距离矩阵中包括的各距离值执行第一操作后得到的矩阵;匹配模块,用于基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,确定当前帧图像中包括的车辆的检测信息,以及根据历史帧图像中包括的车辆的检测信息确定出历史车辆的跟踪信息,根据检测信息和跟踪信息构建出距离矩阵,在构建出与距离矩阵对应的匹配矩阵,根据距离矩阵和匹配矩阵对当前帧图像中包括的车辆与历史车辆进行匹配。利用距离矩阵和匹配矩阵能够有效对车辆进行匹配,因此,可以解决相关技术中存在的车辆匹配准确率低的问题,提高了车辆匹配的准确率。
附图说明
图1是本发明实施例的一种车辆匹配方法的移动终端的硬件结构框图;
图2是根据本发明实施例的车辆匹配方法的流程图;
图3是根据本发明实施例的车辆匹配装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种车辆匹配方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的车辆匹配方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种车辆匹配方法,图2是根据本发明实施例的车辆匹配方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,构建距离矩阵,其中,所述距离矩阵的横轴包括当前帧图像中包括的车辆的检测信息,所述距离矩阵的纵轴包括历史车辆的跟踪信息,其中,所述历史车辆的跟踪信息是基于历史帧图像中包括的车辆的检测信息确定的,所述历史帧图像与所述当前帧图像为连续帧图像,且所述历史帧图像的拍摄时间早于所述当前帧图像的拍摄时间;
步骤S204,构建与所述距离矩阵对应的匹配矩阵,其中,所述匹配矩阵是对所述距离矩阵中包括的各距离值执行第一操作后得到的矩阵;
步骤S206,基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果。
在上述实施例中,距离矩阵可以是欧式距离矩阵,车辆检测信息和车辆跟踪信息可以包括目标框、目标类型、目标姿态,其中,目标框就是目标外接矩阵框;目标类型包括但不限于车身、车牌、车尾、车头、车窗、车灯、车轮、车顶等;目标姿态包括车尾、车头、侧身等。在车辆匹配时,可以首先定义跟踪的关联匹配准则,首先构建欧式距离矩阵。矩阵横轴的宽度是当前所有车身的检测信息的数量,矩阵纵轴的宽度是历史所有车身的跟踪信息的数量。车辆在画面中逐帧运动,所谓跟踪信息,就是把所有当前检测信息串联起来,直接体现就是位移的变化,位移的变化可以通过当前目标框中心点和历史某帧目标框中心的欧式距离体现。即,可以按行列遍历矩阵,计算检测目标框和跟踪信息目标框中心点的欧式距离。欧式距离在二维图像中的计算公式,设当前目标框中心点坐标为(x0,y0),历史某帧目标框中心点坐标为(x1,y1),然后,构建出与距离矩阵相对应的匹配矩阵,该匹配矩阵的大小可以等同于欧式距离矩阵,距离矩阵和匹配矩阵的数值初始化均可以为0。在对车辆进行匹配时,可以按行列遍历欧式距离矩阵,获取欧式距离最小的矩阵下标,将匹配矩阵对应下标位置数值+1。最终数值为2的下标即是关联匹配成功的检测和跟踪信息,并且将该下标所在的同行同列内的所有欧式距离设为极大值。以当前所有车辆的检测数目为总次数,循环执行上述操作,以实现当前所有车辆的匹配,则能让所有车辆检测与跟踪信息得到最大最优的匹配。
可选地,上述步骤的执行主体可以是后台处理器,或者其他的具备类似处理能力的设备,还可以是至少集成有图像获取设备以及数据处理设备的机器,其中,图像获取设备可以包括摄像头等图形采集模块,数据处理设备可以包括计算机、手机等终端,但不限于此。
通过本发明,确定当前帧图像中包括的车辆的检测信息,以及根据历史帧图像中包括的车辆的检测信息确定出历史车辆的跟踪信息,根据检测信息和跟踪信息构建出距离矩阵,在构建出与距离矩阵对应的匹配矩阵,根据距离矩阵和匹配矩阵对当前帧图像中包括的车辆与历史车辆进行匹配。利用距离矩阵和匹配矩阵能够确定出当前帧图像的最优匹配对,因此,可以解决相关技术中存在的车辆匹配准确率低的问题,提高了车辆匹配的准确率。
在一个示例性实施例中,所述方法还包括:基于所述当前帧图像中包括的多个区域框对所述当前帧图像中包括的多个车辆进行初始化,以确定出所述当前帧图像中包括的各个车辆,其中,所述区域框用于框选车辆的目标区域且不同类型的区域框用于标注车辆的不同的目标区域。在本实施例中,交通场景采集的视频数据中,一个车辆通常存在三种呈现状态,车尾、车头、侧身,即车辆的目标区域可以为车尾、车头、车侧身等,则区域框(对应于上述目标框)可以是车尾框、车牌框、车窗框、车身框等。不同类型的目标区域可以利用不同类型的区域框进行标注。其中,不同类型的区域框可以是颜色不同,也可以是形状不同,本发明对区域框不做限制。例如,可以用红色(该颜色仅是一种示例性说明,以下类似)的区域框标注车牌,用绿色的区域框标注车尾,用蓝色的区域框标注车身,用白色的区域框标注车窗等。当相邻车辆发生交叉或遮挡,车身的检测稳定性首先下降,其次是车牌和车尾,如果车窗也不稳定,则说明车辆间发生了严重遮挡。此时如果车身、车牌都没有检测结果,可以利用车尾初始化目标。如果车尾也没有检测结果,不能利用车窗初始化目标,因为算法最终需要从车身或车尾框内检测和识别出车牌,而车窗定位不到车牌位置。通常判断车辆的行为都需要知道车牌信息,而侧身状态下,车辆无法获取车牌信息,则不能进行初始化,但可以进行关联匹配。如果一个车身框里有以下情况:1)存在两个或两个以上车尾;2)存在两个或两个以上车头;3)存在至少一个车头和至少一个车尾。判断该车身是至少由两个车辆相邻重叠导致,可以利用车尾或车头初始化目标。
在一个示例性实施例中,基于所述当前帧图像中包括的多个区域框对所述当前帧图像中包括的多个车辆进行初始化,以确定出所述当前帧图像中包括的各个车辆包括:从所述多个区域框中确定出存在重叠的第一区域框和第二区域框;对所述第一区域框和所述第二区域框均执行以下初始化操作以确定出所述当前帧图像中包括的各个车辆:在确定所述第一区域框和所述第二区域框的重叠面积满足第一条件且所述第一区域框的中心点和所述第二区域框的中心点满足第二条件的情况下,确定所述第一区域框和所述第二区域框所框选的区域所对应的车辆为同一车辆;在确定所述第一区域框和所述第二区域框的重叠面积不满足所述第一条件,和/或,所述第一区域框的中心点和所述第二区域框的中心点不满足所述第二条件的情况下,确定所述第一区域框和所述第二区域框所框选的区域所对应的车辆为不同的车辆;其中,所述第一区域框和所述第二区域框的类型不同。在本实施例中,开始目标跟踪,可以利用车辆的检测信息进行初始化,确定出当前帧图像中包括的各个车辆。当第一区域框和第二区域框的重叠面积满足第一条件且第一区域框的中心点和第二区域框的中心点满足第二条件时,确定第一区域框和所述第二区域框所框选的区域所对应的车辆为同一车辆;当第一区域框和第二区域框的重叠面积不满足第一条件,和/或,第一区域框的中心点和第二区域框的中心点不满足第二条件时,确定第一区域框和第二区域框所框选的区域所对应的车辆为不同的车辆。其中,第一区域框、第二区域框可以分别是车身框、车尾框、车牌框、车窗框等中的一个,第一区域框和第二区域框的类型不同,即当第一区域框为车身框时,第二区域框可以为除车身框外的任意一个区域框。
在一个示例性实施例中,在所述第一区域框的类型为用于指示车辆的车身的区域框,且所述第二区域框的类型为用于指示车辆的车尾的区域框或者为用于指示车辆的车牌的区域框的情况下,确定所述第一区域框和所述第二区域框的重叠面积满足第一条件且所述第一区域框的中心点和所述第二区域框的中心点满足第二条件包括:确定所述第一区域框和所述第二区域框的重叠面积与所述第一区域框的面积的比值大于第一阈值,且所述第一区域框的中心点的纵坐标小于所述第二区域框的中心点的纵坐标;在所述第一区域框的类型为用于指示车辆的车身的区域框,且所述第二区域框的类型为用于指示车辆的车窗的区域框的情况下,确定所述第一区域框和所述第二区域框的重叠面积满足第一条件且所述第一区域框的中心点和所述第二区域框的中心点满足第二条件包括:确定所述第一区域框和所述第二区域框的重叠面积与所述第一区域框的面积的比值大于第二阈值,且所述第一区域框的中心点的纵坐标大于所述第二区域框的中心点的纵坐标。在本实施例中,可以车身作为跟踪主信息,车身框内包含车尾、车窗、车牌等三个跟踪辅信息,这四个信息一起完成跟踪目标初始化,具体如下:记车身框的面积为S0,中心点为(Cx0,Cy0);车尾框面积为S1,中心点为(Cx1,Cy1);车窗框面积为S2,中心点为(Cx2,Cy2);车牌框面积为S3,中心点为(Cx3,Cy3)。如果满足1)Cy1>Cy0,2)车身框和车尾框重叠面积/S1>0.8(对应于上述第一阈值,该取值仅是一种可实现方式,可以根据实际应用场景自定义第一阈值的大小,例如还可以取0.7,0.9等),则判断车尾和车身属于同一个车辆目标,共享同一个标识ID。如果满足1)Cy2<Cy0,2)车身框和车窗框重叠面积/S2>0.8(对应于上述第二阈值,该取值仅是一种可实现方式,可以根据实际应用场景自定义第二阈值的大小,例如还可以取0.7,0.9等),则判断车窗和车身属于同一个车辆目标,共享同一个标识ID。如果满足1)Cy3>Cy0,2)车身框和车牌框重叠面积/S3>0.9(对应于上述第一阈值,该取值仅是一种可实现方式,可以根据实际应用场景自定义第一阈值的大小,例如还可以取0.7,0.95等),则判断车牌和车身属于同一个车辆目标,共享同一个标识ID。
在一个示例性实施例中,从所述多个区域框中确定出存在重叠的第一区域框和第二区域框包括:从所述多个区域框中确定出满足第三条件的所述第一区域框以及与所述第一区域框重叠的所述第二区域框;其中,所述第三条件包括:所述第一区域框中仅存在一个车头或者仅存在一个车尾。在本实施例中,可以将多个区域框中仅存在一个车头或仅存在一个车尾的区域框确定为第一区域框和第二区域框。
在一个示例性实施例中,构建与所述距离矩阵对应的匹配矩阵,以及,基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果包括:构建与所述距离矩阵行列数相同的初始匹配矩阵,其中,所述初始匹配矩阵中包括的数值均为0;通过如下方式基于所述距离矩阵对所述初始匹配矩阵进行调整,以得到所述匹配矩阵:逐行遍历所述距离矩阵,获取距离最小的第一矩阵下标;将所述初始匹配矩阵中对应于所述第一矩阵下标的位置的数值+1;逐列遍历所述距离矩阵,获取距离最小的第二矩阵下标;将所述初始匹配矩阵中对应于所述第二矩阵下标的位置的数值+1;在确定出所述匹配矩阵中存在数值为2的下标后,将数值为2的下标对应的所述当前帧图像中的车辆和所述历史车辆相匹配;在确定出所述匹配矩阵中存在未包括数值为2的下标的目标行的情况下,将数值为2的下标所对应的距离矩阵中的下标所在的行和列中的所有下标的值设为预定值,并重新执行基于所述距离矩阵对所述初始匹配矩阵进行调整,以得到所述匹配矩阵的操作,并在确定出所述匹配矩阵中存在数值为2的下标后,将数值为2的下标对应的所述当前帧图像中的车辆和所述历史车辆相匹配。在本实施例中,设距离矩阵M1,匹配矩阵M2,可以先将距离矩阵和匹配矩阵初始化为0,距离矩阵的宽和高可以相等,也可以不等,例如,可以宽大于高,或者宽小于高,本发明对此不作限制。其中,距离矩阵的宽度就是当前检测信息的个数,高度就是历史跟踪信息的个数。按行列遍历检测信息和跟踪信息,取需要的数据(例如,目标框中心点),计算值填充进距离矩阵,其中,距离矩阵的值可以根据检测信息和跟踪信息的目标框中心点计算得到。当然也可以利用其他检测信息和跟踪信息计算得到。例如,距离矩阵的值可以为0.8*(目标框中心点的欧式距离)+0.2(当前和历史目标框的宽度差值+当前历史目标框的高度差值)。匹配矩阵的值是根据距离矩阵操作得到的。设初始化的距离矩阵为初始化的匹配矩阵为在开始匹配过程中,按行列遍历。先计算获得M1值,比如可知矩阵下标(0,0)位置数值1,是所在行的欧式距离最小值,则在匹配矩阵中,将矩阵下标为(0,0)位置的数据+1;在距离矩阵中矩阵下标(0,0)位置数值1也是所在列的欧式距离最小值,则在匹配矩阵中,将矩阵下标为(0,0)位置的数据+1,此时,在匹配矩阵中,将矩阵下标为(0,0)位置的数据的数值为2。同样矩阵下标(1,3),矩阵下标(2,2),矩阵下标(3,1),都类似(0,0),故容易计算M2,得这种情况,4个检测信息和4个跟踪信息均一对一,全部达成最优匹配,是理想的情况。需要说明的是,当检测信息均达到最优匹配时,可以不将距离矩阵对应下标所在的同行同列内的所有欧式距离设为极大值。
在本实施例中,常规情况下,可能存在经过一次操作后检测信息没有全部达到最优匹配的情况。例如,按行列遍历距离矩阵后,得到此时,第0、1、3序号的跟踪信息均匹配检测信息成功。剩余一个第2序号,接下来,将距离矩阵对应下标中(0,0)、(1,3)、(3,2)所在的同行同列内的所有欧式距离设为预设值,其中,预设值可以为当前帧图像的斜对角线长度,或者为固定某一数值,该预设值应大于距离矩阵中包括的数值,例如,预定值可以取100(该取值仅是一种可实现方式,预定值还可以取90,150,200等,本发明对此不作限制)。当预设值为100时,所有得到新的基于新的M1,重新计算M2,容易得此时第2序号的跟踪信息匹配成功,需要说明的是,第2序号经过两次操作匹配成功,相比于第0、1、3序号,第2序号的匹配成功可信度会降低。
需要说明的是,可以先按行遍历距离矩阵,确定距离矩阵中每行的最小值,将对应的匹配矩阵中的数值+1,然后再按列遍历距离矩阵,确定距离矩阵中每列的最小值,将对应的匹配矩阵中的数值+1。还可以先按列遍历距离矩阵,再按行遍历距离矩阵。本发明对遍历的顺序不做限制。
在一个示例性实施例中,所述检测信息和所述跟踪信息的信息类型相同。在本实施例中,在目标初始化之后,可以进行连续画面帧的目标轨迹跟踪。在轨迹跟踪时,需要保证检测信息和跟踪信息的信息类型相同。进行相同类型的目标检测信息的关联匹配。
在一个示例性实施例中,在基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果之后,所述方法还包括:基于所述匹配结果对所述当前帧中包括的所述车辆进行跟踪。在本实施例中,在目标运动过程中,由于遮挡会导致某些检测丢失,因此,可以利用同一个车辆其余的检测信息进行关联匹配,只有当车身、车尾、车窗、车牌等同时检测丢失,才会导致目标跟踪失败,大大降低了跟踪中断的概率,最大保证跟踪连续。
在前述实施例中,使用纯视频算法,利用目标的复合检测结果,更合理的初始化目标,更有效的解决车辆遮挡问题,提升跟踪轨迹连续性。利用高效的目标关联匹配方法,联合提升跟踪轨迹连续性,对于车辆拥挤的情况处理更好。此外,采用性能良好的算法,速度极快,特别是部署在中低端芯片,整体性价比很高。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种车辆匹配装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例的车辆匹配装置的结构框图,如图3所示,该装置包括:
第一构建模块32,用于构建距离矩阵,其中,所述距离矩阵的横轴包括当前帧图像中包括的车辆的检测信息,所述距离矩阵的纵轴包括历史车辆的跟踪信息,其中,所述历史车辆的跟踪信息是基于历史帧图像中包括的车辆的检测信息确定的,所述历史帧图像与所述当前帧图像为连续帧图像,且所述历史帧图像的拍摄时间早于所述当前帧图像的拍摄时间;
第二构建模块34,用于构建与所述距离矩阵对应的匹配矩阵,其中,所述匹配矩阵是对所述距离矩阵中包括的各距离值执行第一操作后得到的矩阵;
匹配模块36,用于基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果。
在一个示例性实施例中,所述装置可以用于基于所述当前帧图像中包括的多个区域框对所述当前帧图像中包括的多个车辆进行初始化,以确定出所述当前帧图像中包括的各个车辆,其中,所述区域框用于框选车辆的目标区域且不同类型的区域框用于标注车辆的不同的目标区域。
在一个示例性实施例中,所述装置可以通过如下方式实现基于所述当前帧图像中包括的多个区域框对所述当前帧图像中包括的多个车辆进行初始化,以确定出所述当前帧图像中包括的各个车辆:从所述多个区域框中确定出存在重叠的第一区域框和第二区域框;对所述第一区域框和所述第二区域框均执行以下初始化操作以确定出所述当前帧图像中包括的各个车辆:在确定所述第一区域框和所述第二区域框的重叠面积满足第一条件且所述第一区域框的中心点和所述第二区域框的中心点满足第二条件的情况下,确定所述第一区域框和所述第二区域框所框选的区域所对应的车辆为同一车辆;在确定所述第一区域框和所述第二区域框的重叠面积不满足所述第一条件,和/或,所述第一区域框的中心点和所述第二区域框的中心点不满足所述第二条件的情况下,确定所述第一区域框和所述第二区域框所框选的区域所对应的车辆为不同的车辆;其中,所述第一区域框和所述第二区域框的类型不同。
在一个示例性实施例中,所述装置可以通过如下方式实现在所述第一区域框的类型为用于指示车辆的车身的区域框,且所述第二区域框的类型为用于指示车辆的车尾的区域框或者为用于指示车辆的车牌的区域框的情况下,确定所述第一区域框和所述第二区域框的重叠面积满足第一条件且所述第一区域框的中心点和所述第二区域框的中心点满足第二条件:确定所述第一区域框和所述第二区域框的重叠面积与所述第一区域框的面积的比值大于第一阈值,且所述第一区域框的中心点的纵坐标小于所述第二区域框的中心点的纵坐标;所述装置可以通过如下方式实现在所述第一区域框的类型为用于指示车辆的车身的区域框,且所述第二区域框的类型为用于指示车辆的车窗的区域框的情况下,确定所述第一区域框和所述第二区域框的重叠面积满足第一条件且所述第一区域框的中心点和所述第二区域框的中心点满足第二条:确定所述第一区域框和所述第二区域框的重叠面积与所述第一区域框的面积的比值大于第二阈值,且所述第一区域框的中心点的纵坐标大于所述第二区域框的中心点的纵坐标。
在一个示例性实施例中,所述装置可以通过如下方式实现从所述多个区域框中确定出存在重叠的第一区域框和第二区域框:从所述多个区域框中确定出满足第三条件的所述第一区域框以及与所述第一区域框重叠的所述第二区域框;其中,所述第三条件包括:所述第一区域框中仅存在一个车头或者仅存在一个车尾。
在一个示例性实施例中,所述第二构建模块34和所述匹配模块36可以通过如下方式实现构建与所述距离矩阵对应的匹配矩阵,以及,基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果:构建与所述距离矩阵行列数相同的初始匹配矩阵,其中,所述初始匹配矩阵中包括的数值均为0;通过如下方式基于所述距离矩阵对所述初始匹配矩阵进行调整,以得到所述匹配矩阵:逐行遍历所述距离矩阵,获取距离最小的第一矩阵下标;将所述初始匹配矩阵中对应于所述第一矩阵下标的位置的数值+1;逐列遍历所述距离矩阵,获取距离最小的第二矩阵下标;将所述初始匹配矩阵中对应于所述第二矩阵下标的位置的数值+1;在确定出所述匹配矩阵中存在数值为2的下标后,将数值为2的下标对应的所述当前帧图像中的车辆和所述历史车辆相匹配;在确定出所述匹配矩阵中存在未包括数值为2的下标的目标行的情况下,将数值为2的下标所对应的距离矩阵中的下标所在的行和列中的所有下标的值设为预定值,并重新执行基于所述距离矩阵对所述初始匹配矩阵进行调整,以得到所述匹配矩阵的操作,并在确定出所述匹配矩阵中存在数值为2的下标后,将数值为2的下标对应的所述当前帧图像中的车辆和所述历史车辆相匹配。
在一个示例性实施例中,所述检测信息和所述跟踪信息的信息类型相同。
在一个示例性实施例中,所述装置还可以用于在基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果之后,基于所述匹配结果对所述当前帧中包括的所述车辆进行跟踪。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,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)
1.一种车辆匹配方法,其特征在于,包括:
构建距离矩阵,其中,所述距离矩阵的横轴包括当前帧图像中包括的车辆的检测信息,所述距离矩阵的纵轴包括历史车辆的跟踪信息,其中,所述历史车辆的跟踪信息是基于历史帧图像中包括的车辆的检测信息确定的,所述历史帧图像与所述当前帧图像为连续帧图像,且所述历史帧图像的拍摄时间早于所述当前帧图像的拍摄时间,所述距离矩阵的值是基于所述当前帧图像中包括的车辆的目标框和所述历史帧图像中包括的车辆的目标框所确定的;
构建与所述距离矩阵对应的匹配矩阵,其中,所述匹配矩阵是对所述距离矩阵执行第一操作后得到的矩阵;
基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果;
其中,构建与所述距离矩阵对应的匹配矩阵,以及,基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果包括:构建与所述距离矩阵行列数相同的初始匹配矩阵,其中,所述初始匹配矩阵中包括的数值均为0;通过如下方式基于所述距离矩阵对所述初始匹配矩阵进行调整,以得到所述匹配矩阵:逐行遍历所述距离矩阵,获取距离最小的第一矩阵下标;将所述初始匹配矩阵中对应于所述第一矩阵下标的位置的数值+1;逐列遍历所述距离矩阵,获取距离最小的第二矩阵下标;将所述初始匹配矩阵中对应于所述第二矩阵下标的位置的数值+1;在确定出所述匹配矩阵中存在数值为2的下标后,将数值为2的下标对应的所述当前帧图像中的车辆和所述历史车辆相匹配;在确定出所述匹配矩阵中存在未包括数值为2的下标的目标行的情况下,将数值为2的下标所对应的距离矩阵中的下标所在的行和列中的所有下标的值设为预定值,并重新执行基于所述距离矩阵对所述初始匹配矩阵进行调整,以得到所述匹配矩阵的操作,并在确定出所述匹配矩阵中存在数值为2的下标后,将数值为2的下标对应的所述当前帧图像中的车辆和所述历史车辆相匹配。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述当前帧图像中包括的多个区域框对所述当前帧图像中包括的多个车辆进行初始化,以确定出所述当前帧图像中包括的各个车辆,其中,所述区域框用于框选车辆的目标区域且不同类型的区域框用于标注车辆的不同的目标区域。
3.根据权利要求2所述的方法,其特征在于,基于所述当前帧图像中包括的多个区域框对所述当前帧图像中包括的多个车辆进行初始化,以确定出所述当前帧图像中包括的各个车辆包括:
从所述多个区域框中确定出存在重叠的第一区域框和第二区域框;
对所述第一区域框和所述第二区域框均执行以下初始化操作以确定出所述当前帧图像中包括的各个车辆:
在确定所述第一区域框和所述第二区域框的重叠面积满足第一条件且所述第一区域框的中心点和所述第二区域框的中心点满足第二条件的情况下,确定所述第一区域框和所述第二区域框所框选的区域所对应的车辆为同一车辆;
在确定所述第一区域框和所述第二区域框的重叠面积不满足所述第一条件,和/或,所述第一区域框的中心点和所述第二区域框的中心点不满足所述第二条件的情况下,确定所述第一区域框和所述第二区域框所框选的区域所对应的车辆为不同的车辆;
其中,所述第一区域框和所述第二区域框的类型不同。
4.根据权利要求3所述的方法,其特征在于,包括:
在所述第一区域框的类型为用于指示车辆的车身的区域框,且所述第二区域框的类型为用于指示车辆的车尾的区域框或者为用于指示车辆的车牌的区域框的情况下,确定所述第一区域框和所述第二区域框的重叠面积满足第一条件且所述第一区域框的中心点和所述第二区域框的中心点满足第二条件包括:确定所述第一区域框和所述第二区域框的重叠面积与所述第一区域框的面积的比值大于第一阈值,且所述第一区域框的中心点的纵坐标小于所述第二区域框的中心点的纵坐标;
在所述第一区域框的类型为用于指示车辆的车身的区域框,且所述第二区域框的类型为用于指示车辆的车窗的区域框的情况下,确定所述第一区域框和所述第二区域框的重叠面积满足第一条件且所述第一区域框的中心点和所述第二区域框的中心点满足第二条件包括:确定所述第一区域框和所述第二区域框的重叠面积与所述第一区域框的面积的比值大于第二阈值,且所述第一区域框的中心点的纵坐标大于所述第二区域框的中心点的纵坐标。
5.根据权利要求4所述的方法,其特征在于,从所述多个区域框中确定出存在重叠的第一区域框和第二区域框包括:
从所述多个区域框中确定出满足第三条件的所述第一区域框以及与所述第一区域框重叠的所述第二区域框;
其中,所述第三条件包括:所述第一区域框中仅存在一个车头或者仅存在一个车尾。
6.根据权利要求1所述的方法,其特征在于,所述检测信息和所述跟踪信息的信息类型相同。
7.根据权利要求1所述的方法,其特征在于,在基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果之后,所述方法还包括:
基于所述匹配结果对所述当前帧中包括的所述车辆进行跟踪。
8.一种车辆匹配装置,其特征在于,包括:
第一构建模块,用于构建距离矩阵,其中,所述距离矩阵的横轴包括当前帧图像中包括的车辆的检测信息,所述距离矩阵的纵轴包括历史车辆的跟踪信息,其中,所述历史车辆的跟踪信息是基于历史帧图像中包括的车辆的检测信息确定的,所述历史帧图像与所述当前帧图像为连续帧图像,且所述历史帧图像的拍摄时间早于所述当前帧图像的拍摄时间,所述距离矩阵的值是基于所述当前帧图像中包括的车辆的目标框和所述历史帧图像中包括的车辆的目标框所确定的;
第二构建模块,用于构建与所述距离矩阵对应的匹配矩阵,其中,所述匹配矩阵是对所述距离矩阵中包括的各距离值执行第一操作后得到的矩阵;
匹配模块,用于基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果;
其中,所述第二构建模块通过如下方式实现构建与所述距离矩阵对应的匹配矩阵,以及,所述匹配矩阵通过如下方式实现基于所述距离矩阵和所述匹配矩阵对所述当前帧图像中包括的车辆与所述历史车辆进行匹配,以得到匹配结果:构建与所述距离矩阵行列数相同的初始匹配矩阵,其中,所述初始匹配矩阵中包括的数值均为0;通过如下方式基于所述距离矩阵对所述初始匹配矩阵进行调整,以得到所述匹配矩阵:逐行遍历所述距离矩阵,获取距离最小的第一矩阵下标;将所述初始匹配矩阵中对应于所述第一矩阵下标的位置的数值+1;逐列遍历所述距离矩阵,获取距离最小的第二矩阵下标;将所述初始匹配矩阵中对应于所述第二矩阵下标的位置的数值+1;在确定出所述匹配矩阵中存在数值为2的下标后,将数值为2的下标对应的所述当前帧图像中的车辆和所述历史车辆相匹配;在确定出所述匹配矩阵中存在未包括数值为2的下标的目标行的情况下,将数值为2的下标所对应的距离矩阵中的下标所在的行和列中的所有下标的值设为预定值,并重新执行基于所述距离矩阵对所述初始匹配矩阵进行调整,以得到所述匹配矩阵的操作,并在确定出所述匹配矩阵中存在数值为2的下标后,将数值为2的下标对应的所述当前帧图像中的车辆和所述历史车辆相匹配。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010746260.9A CN111862624B (zh) | 2020-07-29 | 2020-07-29 | 车辆匹配方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010746260.9A CN111862624B (zh) | 2020-07-29 | 2020-07-29 | 车辆匹配方法、装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862624A CN111862624A (zh) | 2020-10-30 |
CN111862624B true CN111862624B (zh) | 2022-05-03 |
Family
ID=72945318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010746260.9A Active CN111862624B (zh) | 2020-07-29 | 2020-07-29 | 车辆匹配方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862624B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112491999B (zh) * | 2020-11-18 | 2022-10-11 | 成都佳华物链云科技有限公司 | 一种数据上报方法及装置 |
CN113990101B (zh) * | 2021-11-19 | 2023-04-07 | 深圳市捷顺科技实业股份有限公司 | 一种禁停区域车辆检测方法及其系统和处理装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011154634A (ja) * | 2010-01-28 | 2011-08-11 | Toshiba Information Systems (Japan) Corp | 画像処理装置、画像処理方法及び画像処理用プログラム |
CN102592148A (zh) * | 2011-12-29 | 2012-07-18 | 华南师范大学 | 基于非负矩阵分解和多种距离函数的人脸识别方法 |
CN106846374A (zh) * | 2016-12-21 | 2017-06-13 | 大连海事大学 | 多摄像头场景下车辆的轨迹计算方法 |
CN108805900A (zh) * | 2017-05-03 | 2018-11-13 | 杭州海康威视数字技术股份有限公司 | 一种跟踪目标的确定方法及装置 |
CN108932728A (zh) * | 2018-06-20 | 2018-12-04 | 南京航空航天大学 | 基于视觉监控的跟踪方法 |
CN110009662A (zh) * | 2019-04-02 | 2019-07-12 | 北京迈格威科技有限公司 | 人脸跟踪的方法、装置、电子设备及计算机可读存储介质 |
CN110084829A (zh) * | 2019-03-12 | 2019-08-02 | 上海阅面网络科技有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
CN110135642A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 一种基于dtw距离的交通流量序列相似性度量方法 |
CN110348392A (zh) * | 2019-07-12 | 2019-10-18 | 上海眼控科技股份有限公司 | 车辆匹配方法及设备 |
CN110428448A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
CN110688940A (zh) * | 2019-09-25 | 2020-01-14 | 北京紫睛科技有限公司 | 一种快速的基于人脸检测的人脸追踪方法 |
CN110853076A (zh) * | 2019-11-08 | 2020-02-28 | 重庆市亿飞智联科技有限公司 | 一种目标跟踪方法、装置、设备及存储介质 |
CN110942449A (zh) * | 2019-10-30 | 2020-03-31 | 华南理工大学 | 一种基于激光与视觉融合的车辆检测方法 |
CN111145555A (zh) * | 2019-12-09 | 2020-05-12 | 浙江大华技术股份有限公司 | 一种检测车辆违章的方法和装置 |
CN111161320A (zh) * | 2019-12-30 | 2020-05-15 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、目标跟踪装置及计算机可读介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894366B (zh) * | 2009-05-21 | 2014-01-29 | 北京中星微电子有限公司 | 一种获取标定参数的方法、装置及一种视频监控系统 |
WO2017161544A1 (zh) * | 2016-03-25 | 2017-09-28 | 深圳大学 | 一种基于单摄像头视频序列匹配的车辆测速方法及其系统 |
CN106408593B (zh) * | 2016-09-18 | 2019-05-17 | 东软集团股份有限公司 | 一种基于视频的车辆跟踪方法及装置 |
-
2020
- 2020-07-29 CN CN202010746260.9A patent/CN111862624B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011154634A (ja) * | 2010-01-28 | 2011-08-11 | Toshiba Information Systems (Japan) Corp | 画像処理装置、画像処理方法及び画像処理用プログラム |
CN102592148A (zh) * | 2011-12-29 | 2012-07-18 | 华南师范大学 | 基于非负矩阵分解和多种距离函数的人脸识别方法 |
CN106846374A (zh) * | 2016-12-21 | 2017-06-13 | 大连海事大学 | 多摄像头场景下车辆的轨迹计算方法 |
CN108805900A (zh) * | 2017-05-03 | 2018-11-13 | 杭州海康威视数字技术股份有限公司 | 一种跟踪目标的确定方法及装置 |
CN108932728A (zh) * | 2018-06-20 | 2018-12-04 | 南京航空航天大学 | 基于视觉监控的跟踪方法 |
CN110084829A (zh) * | 2019-03-12 | 2019-08-02 | 上海阅面网络科技有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
CN110009662A (zh) * | 2019-04-02 | 2019-07-12 | 北京迈格威科技有限公司 | 人脸跟踪的方法、装置、电子设备及计算机可读存储介质 |
CN110135642A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 一种基于dtw距离的交通流量序列相似性度量方法 |
CN110348392A (zh) * | 2019-07-12 | 2019-10-18 | 上海眼控科技股份有限公司 | 车辆匹配方法及设备 |
CN110428448A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
CN110688940A (zh) * | 2019-09-25 | 2020-01-14 | 北京紫睛科技有限公司 | 一种快速的基于人脸检测的人脸追踪方法 |
CN110942449A (zh) * | 2019-10-30 | 2020-03-31 | 华南理工大学 | 一种基于激光与视觉融合的车辆检测方法 |
CN110853076A (zh) * | 2019-11-08 | 2020-02-28 | 重庆市亿飞智联科技有限公司 | 一种目标跟踪方法、装置、设备及存储介质 |
CN111145555A (zh) * | 2019-12-09 | 2020-05-12 | 浙江大华技术股份有限公司 | 一种检测车辆违章的方法和装置 |
CN111161320A (zh) * | 2019-12-30 | 2020-05-15 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、目标跟踪装置及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111862624A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862624B (zh) | 车辆匹配方法、装置、存储介质及电子装置 | |
KR102354260B1 (ko) | 광 필드 데이터 처리 방법 및 디바이스 | |
Costea et al. | Creating roadmaps in aerial images with generative adversarial networks and smoothing-based optimization | |
CN109409377B (zh) | 图像中文字的检测方法及装置 | |
CN111192377B (zh) | 一种图像处理方法及装置 | |
US11037303B2 (en) | Optical flow based detection and tracking of multiple moving objects in successive frames | |
CN110543877A (zh) | 标识识别方法及其模型的训练方法、装置和电子系统 | |
CN115841649A (zh) | 一种用于城市复杂场景的多尺度人数统计方法 | |
CN111310727B (zh) | 对象检测方法及装置、存储介质、电子装置 | |
Pautrat et al. | Gluestick: Robust image matching by sticking points and lines together | |
WO2020082866A1 (zh) | 运动轨迹合成方法及电子设备 | |
CN110837786A (zh) | 基于空间通道的密度图产生方法、装置、电子终端及介质 | |
CN115249355B (zh) | 目标关联方法、设备及计算机可读存储介质 | |
CN107680093A (zh) | 一种保护压板的连接式开关的投退状态的辨识方法及装置 | |
CN117372900A (zh) | 一种基于无人机的交通路口旋转多目标跟踪方法及系统 | |
CN112052949A (zh) | 目标模型的获取方法及装置、电子设备和存储介质 | |
CN111540014A (zh) | 位置关系的确定方法及装置、存储介质、电子装置 | |
CN113191221B (zh) | 基于全景相机的车辆检测方法、装置以及计算机存储介质 | |
CN114882530A (zh) | 一种面向行人检测的轻量级卷积神经网络模型 | |
CN110334751A (zh) | 用于捆扎节点的图像处理方法及装置、终端 | |
CN111292331B (zh) | 图像处理的方法与装置 | |
CN115830342A (zh) | 检测框的确定方法、装置、存储介质及电子装置 | |
CN115690224A (zh) | 雷达和相机的外参标定方法、电子设备及存储介质 | |
CN113989753A (zh) | 一种多目标检测处理方法及装置 | |
CN113689466B (zh) | 一种基于特征点的平面跟踪方法、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 |