CN112507957A - 一种车辆关联方法、装置、路侧设备及云控平台 - Google Patents

一种车辆关联方法、装置、路侧设备及云控平台 Download PDF

Info

Publication number
CN112507957A
CN112507957A CN202011520233.6A CN202011520233A CN112507957A CN 112507957 A CN112507957 A CN 112507957A CN 202011520233 A CN202011520233 A CN 202011520233A CN 112507957 A CN112507957 A CN 112507957A
Authority
CN
China
Prior art keywords
observation
current vehicle
point
sequence
relative
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
Application number
CN202011520233.6A
Other languages
English (en)
Other versions
CN112507957B (zh
Inventor
曹获
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Zhilian Beijing Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011520233.6A priority Critical patent/CN112507957B/zh
Publication of CN112507957A publication Critical patent/CN112507957A/zh
Priority to EP21190441.2A priority patent/EP3940667A3/en
Priority to US17/444,891 priority patent/US20210390334A1/en
Priority to KR1020210127050A priority patent/KR102595678B1/ko
Priority to JP2021179818A priority patent/JP7280331B2/ja
Application granted granted Critical
Publication of CN112507957B publication Critical patent/CN112507957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • 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
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开公开了一种车辆关联方法、装置、路侧设备及云控平台，涉及人工智能技术领域，尤其涉及智能交通领域。具体实现方案为：针对每一个观测点，按照预设周期采集当前车辆在道路上行驶的图像；基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于当前车辆的原始观测序列；基于每一个观测点对于当前车辆的原始观测序列，确定每一个观测相对于当前车辆的目标观测序列；基于每一个观测相对于当前车辆的目标观测序列，检测出每两个观测点所观测到的当前车辆是否为同一个车辆。本公开能够有效地防止单帧图像异常带来的误关联，从而可以提高关联成功率。

Description

一种车辆关联方法、装置、路侧设备及云控平台
技术领域
本公开涉及人工智能技术领域，进一步涉及智能交通技术，尤其涉及一种车辆关联方法、装置、路侧设备及云控平台。
背景技术
车辆关联是当今智能交通及其相关技术的一个核心课题。在现实环境中仅仅凭借单一的观测点并不能准确的得到想要被观测车辆的全部信息。不同的观测点在不同方向和不同角度上采集到的信息并不相同。所以将不同观测点所得到的针对同一个车辆的数据结合起来得到一个车辆在各个方向或者各个角度上的高精度信息就变得极为有必要。
传统的关联方法大多基于单帧图像进行，而单帧图像具有局限性，无法准确地将不同观测点采集到的图像关联起来，关联成功率较低。
发明内容
本公开提供了一种车辆关联方法、装置、路侧设备及云控平台，能够有效地防止单帧图像异常带来的误关联，从而可以提高关联成功率。
根据本公开的第一方面，提供了一种车辆关联方法，所述方法包括：
针对每一个观测点，按照预设周期采集当前车辆在道路上行驶的图像；
基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于所述当前车辆的原始观测序列；
基于每一个观测点对于所述当前车辆的原始观测序列，确定每一个观测相对于所述当前车辆的目标观测序列；
基于每一个观测相对于所述当前车辆的目标观测序列，检测出每两个观测点所观测到的所述当前车辆是否为同一个车辆。
根据本公开的第二方面，提供了一种车辆关联装置，所述装置包括：采集模块、确定模块和检测模块；其中，
所述采集模块，用于针对每一个观测点，按照预设周期采集当前车辆在道路上行驶的图像；
所述确定模块，用于基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于所述当前车辆的原始观测序列；基于每一个观测点对于所述当前车辆的原始观测序列，确定每一个观测相对于所述当前车辆的目标观测序列；
所述检测模块，用于基于每一个观测相对于所述当前车辆的目标观测序列，检测出每两个观测点所观测到的所述当前车辆是否为同一个车辆。
根据本公开的第三方面，提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的车辆关联方法。
根据本公开的第四方面，提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的车辆关联方法。
根据本公开的第五方面，提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的车辆关联方法。
根据本公开的第六方面，提供了一种路侧设备，包括本申请实施例所述的电子设备。
根据本公开的第七方面，提供了一种云控平台，包括本申请实施例所述的电子设备。
根据本申请的技术解决了现有技术中基于单帧图像进行关联，而单帧图像具有局限性，无法准确地将不同观测点采集到的图像关联起来，关联成功率较低的技术问题，本申请提供的技术方案，能够有效地防止单帧图像异常带来的误关联，从而可以提高关联成功率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本申请实施例提供的车辆关联方法的第一流程示意图；
图2是本申请实施例提供的车辆关联方法的第二流程示意图；
图3是本申请实施例提供的车辆关联方法的第三流程示意图；
图4是本申请提供的车辆在道路上行驶的场景图；
图5是本申请实施例提供的车辆关联装置的结构示意图；
图6是本申请实施例提供的检测模块的结构示意图；
图7是用来实现本申请实施例的车辆关联方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例提供的车辆关联方法的第一流程示意图，该方法可以由车辆关联装置或者电子设备或者路侧设备来执行，该装置或者电子设备或者路侧设备可以由软件和/或硬件的方式实现，该装置或者电子设备或者路侧设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，车辆关联方法可以包括以下步骤：
S101、针对每一个观测点，按照预设周期采集当前车辆在道路上行驶的图像。
在本步骤中，针对每一个观测点，电子设备可以按照预设周期采集当前车辆在道路上行驶的图像。本申请中的观测点可以是各种类型的图像采集设备，例如，照相机、摄像机等。具体地，在车辆行驶过程中，电子设备可以按照预设周期对该车辆采集图像，例如，采集频率可以为60Hz。
S102、基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于当前车辆的原始观测序列。
在本步骤中，电子设备可以基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于当前车辆的原始观测序列。具体地，电子设备可以基于每一个观测点在预设时间段内采集到的图像，确定出每一个观测点在采集到各张图像时当前车辆所在的位置；然后根据每一个观测点在采集到各张图像时当前车辆所在的位置，以及每一个观测点采集各张图像的时间点，确定出每一个观测点在各个时间点上的观测数据；其中，观测数据包括：时间点和位置；再根据每一个观测点在各个时间点上的观测数据，得到每一个观测点相对于当前车辆的原始观测序列。
S103、基于每一个观测点对于当前车辆的原始观测序列，确定每一个观测相对于当前车辆的目标观测序列。
在本步骤中，电子设备可以基于每一个观测点对于当前车辆的原始观测序列，确定每一个观测相对于当前车辆的目标观测序列。具体地，电子设备可以根据每一个观测点对于当前车辆的原始观测序列中的各个观测数据，检测每一个观测点相对于当前车辆的原始观测序列是否满足截取条件；若每一个观测点相对于当前车辆的原始观测序列满足截取条件，则电子设备可以基于各个原始观测序列中的各个观测数据中的时间点，对每一个观测点相对于当前车辆的原始观测序列进行截取处理，从而得到每一个观测相对于当前车辆的目标观测序列。
S104、基于每一个观测相对于当前车辆的目标观测序列，检测出每两个观测点所观测到的当前车辆是否为同一个车辆。
在本步骤中，电子设备可以基于每一个观测相对于当前车辆的目标观测序列，检测出每两个观测点所观测到的当前车辆是否为同一个车辆。具体地，电子设备可以基于每一个观测相对于当前车辆的目标观测序列，计算每两个观测点观测到当前车辆的行驶轨迹的平均长度，以及每两个观测点观测到当前车辆的行驶轨迹之间的面积；然后根据每两个观测点观测到当前车辆的行驶轨迹之间的面积，以及每两个观测点观测到当前车辆的行驶轨迹的平均长度，计算每两个观测点所观测到的当前车辆的相似度；再根据每两个观测点所观测到的当前车辆的相似度，检测出每两个观测点所观测到的当前车辆是否为同一个车辆。
本申请实施例提出的车辆关联方法，针对每一个观测点，先按照预设周期采集当前车辆在道路上行驶的图像；然后基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于当前车辆的原始观测序列；接着基于每一个观测点对于当前车辆的原始观测序列，确定每一个观测相对于当前车辆的目标观测序列；再基于每一个观测相对于当前车辆的目标观测序列，检测出每两个观测点所观测到的当前车辆是否为同一个车辆。也就是说，本申请可以基于每一个观测点相对于当前车辆的原始观测序列进行车辆关联。而在现有的车辆关联方法中，传统的关联方法大多基于单帧图像进行。因为本申请采用了基于每一个观测点相对于当前车辆的原始观测序列进行车辆关联的技术手段，克服了现有技术中基于单帧图像进行关联，而单帧图像具有局限性，无法准确地将不同观测点采集到的图像关联起来，关联成功率较低的技术问题，本申请提供的技术方案，能够有效地防止单帧图像异常带来的误关联，从而可以提高关联成功率；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例提供的车辆关联方法的第二流程示意图。如图2所示，车辆关联方法可以包括以下步骤：
S201、针对每一个观测点，按照预设周期采集当前车辆在道路上行驶的图像。
S202、基于每一个观测点在预设时间段内采集到的图像，确定出每一个观测点在采集到各张图像时当前车辆所在的位置。
在本步骤中，电子设备可以基于每一个观测点在预设时间段内采集到的图像，确定出每一个观测点在采集到各张图像时当前车辆所在的位置。具体地，电子设备可以对每一个观测点在预设时间段内采集到的图像进行识别，例如，电子设备可以将每一个观测点在预设时间段内采集到的图像输入至预先训练好的图像识别模型中，通过该图像识别模型确定出每一个观测点在采集到各张图像时当前车辆所在的位置。
S203、根据每一个观测点在采集到各张图像时当前车辆所在的位置，以及每一个观测点采集各张图像的时间点，确定出每一个观测点在各个时间点上的观测数据；其中，观测数据包括：时间点和位置。
在本步骤中，电子设备可以根据每一个观测点在采集到各张图像时当前车辆所在的位置，以及每一个观测点采集各张图像的时间点，确定出每一个观测点在各个时间点上的观测数据；其中，观测数据包括：时间点和位置。具体地，假设观测点A在采集到各张图像时当前车辆所在的位置为A1、A2、A3、….、An；n为大于等于1的自然数；则A1表示观测点A在第一个时间点上的观测数据；A2表示观测点A在第二个时间点上的观测数据；以此类推。
S204、根据每一个观测点在各个时间点上的观测数据，得到每一个观测点相对于当前车辆的原始观测序列。
S205、基于每一个观测点对于当前车辆的原始观测序列，确定每一个观测相对于当前车辆的目标观测序列。
S206、基于每一个观测相对于当前车辆的目标观测序列，检测出每两个观测点所观测到的当前车辆是否为同一个车辆。
本申请实施例提出的车辆关联方法，针对每一个观测点，先按照预设周期采集当前车辆在道路上行驶的图像；然后基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于当前车辆的原始观测序列；接着基于每一个观测点对于当前车辆的原始观测序列，确定每一个观测相对于当前车辆的目标观测序列；再基于每一个观测相对于当前车辆的目标观测序列，检测出每两个观测点所观测到的当前车辆是否为同一个车辆。也就是说，本申请可以基于每一个观测点相对于当前车辆的原始观测序列进行车辆关联。而在现有的车辆关联方法中，传统的关联方法大多基于单帧图像进行。因为本申请采用了基于每一个观测点相对于当前车辆的原始观测序列进行车辆关联的技术手段，克服了现有技术中基于单帧图像进行关联，而单帧图像具有局限性，无法准确地将不同观测点采集到的图像关联起来，关联成功率较低的技术问题，本申请提供的技术方案，能够有效地防止单帧图像异常带来的误关联，从而可以提高关联成功率；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图3是本申请实施例提供的车辆关联方法的第三流程示意图。如图3所示，车辆关联方法可以包括以下步骤：
S301、针对每一个观测点，按照预设周期采集当前车辆在道路上行驶的图像。
S302、基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于当前车辆的原始观测序列。
S303、基于每一个观测点对于当前车辆的原始观测序列，确定每一个观测相对于当前车辆的目标观测序列。
在本步骤中，电子设备可以基于每一个观测点对于当前车辆的原始观测序列，确定每一个观测相对于当前车辆的目标观测序列。具体地，电子设备可以根据每一个观测点对于当前车辆的原始观测序列中的各个观测数据，检测每一个观测点相对于当前车辆的原始观测序列是否满足截取条件；若每一个观测点相对于当前车辆的原始观测序列满足截取条件，则电子设备可以基于各个原始观测序列中的各个观测数据中的时间点，对每一个观测点相对于当前车辆的原始观测序列进行截取处理，得到每一个观测相对于当前车辆的目标观测序列。例如，假设针对观测点A，采集到的原始观测序列分别为：A1、A2、A3、A4、A5、A6、A7、A8、A9、A10；针对观测点B，采集到的原始观测序列分别为：B7、B8、B9、B10。因此本步骤可以将观测点A采集到的原始观测序列进行截取，得到A7、A8、A9、A10，这样可以和观测点B采集到的原始观测序列对齐。
S304、基于每一个观测相对于当前车辆的目标观测序列，计算每两个观测点观测到当前车辆的行驶轨迹的平均长度，以及每两个观测点观测到当前车辆的行驶轨迹之间的面积。
在本步骤中，电子设备可以基于每一个观测相对于当前车辆的目标观测序列，计算每两个观测点观测到当前车辆的行驶轨迹的平均长度，以及每两个观测点观测到当前车辆的行驶轨迹之间的面积。具体地，电子设备可以在计算每两个观测点观测到当前车辆的行驶轨迹的平均长度时，可以先在每一个观测相对于当前车辆的目标观测序列中提取出各个观测数据中的位置；然后基于每一个观测相对于当前车辆的目标观测序列中提取出各个观测数据中的位置，计算每一个观测点观测到当前车辆的行驶轨迹的长度；然后根据每一个观测点观测到当前车辆的行驶轨迹的长度，计算出每两个观测点观测到当前车辆的行驶轨迹的平均长度。例如，假设观测点A在采集到各张图像时当前车辆所在的位置为A1、A2、A3、…、An；n为大于等于1的自然数；假设观测点B在采集到各张图像时当前车辆所在的位置为B1、B2、B3、…、Bm；m为大于等于1的自然数；则观测点A观测到当前车辆的行驶轨迹的长度可以表示为：dist(A1，A2、A3、…、An)；观测点B观测到当前车辆的行驶轨迹的长度可以表示为：dist(B1、B2、B3、…、Bm)；观测点A和观测点B观测到当前车辆的行驶轨迹的平均长度可以表示为：Length＝[dist(A1，A2、A3、…、An)+dist(B1、B2、B3、…、Bm)]/2。
S305、根据每两个观测点观测到当前车辆的行驶轨迹之间的面积，以及每两个观测点观测到当前车辆的行驶轨迹的平均长度，计算每两个观测点所观测到的当前车辆的相似度。
在本步骤中，电子设备可以根据每两个观测点观测到当前车辆的行驶轨迹之间的面积，以及每两个观测点观测到当前车辆的行驶轨迹的平均长度，计算每两个观测点所观测到的当前车辆的相似度。具体的，假设每两个观测点观测到当前车辆的行驶轨迹之间的面积为SA；假设每两个观测点观测到当前车辆的行驶轨迹的平均长度为Length，则电子设备可以采用以下公式计算每两个观测点所观测到的当前车辆的相似度：Similarity＝1-SA/(Length×Length)。
S306、根据每两个观测点所观测到的当前车辆的相似度，检测出每两个观测点所观测到的当前车辆是否为同一个车辆。
图4为本申请提供的车辆在道路上行驶的场景图。如图4所示，同一个车辆在某些单帧情况下偏离较大，而轨迹相似度都比较高，因此利用面积划分的轨迹相似度方法可以去除噪声，避免对运动中的物体因为单帧信息不准所导致的误关联。
本申请实施例提出的车辆关联方法，针对每一个观测点，先按照预设周期采集当前车辆在道路上行驶的图像；然后基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于当前车辆的原始观测序列；接着基于每一个观测点对于当前车辆的原始观测序列，确定每一个观测相对于当前车辆的目标观测序列；再基于每一个观测相对于当前车辆的目标观测序列，检测出每两个观测点所观测到的当前车辆是否为同一个车辆。也就是说，本申请可以基于每一个观测点相对于当前车辆的原始观测序列进行车辆关联。而在现有的车辆关联方法中，传统的关联方法大多基于单帧图像进行。因为本申请采用了基于每一个观测点相对于当前车辆的原始观测序列进行车辆关联的技术手段，克服了现有技术中基于单帧图像进行关联，而单帧图像具有局限性，无法准确地将不同观测点采集到的图像关联起来，关联成功率较低的技术问题，本申请提供的技术方案，能够有效地防止单帧图像异常带来的误关联，从而可以提高关联成功率；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图5是本申请实施例提供的车辆关联装置的结构示意图。如图5所示，所述装置500包括：采集模块501、确定模块502和检测模块503；其中，
所述采集模块501，用于针对每一个观测点，按照预设周期采集当前车辆在道路上行驶的图像；
所述确定模块502，用于基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于所述当前车辆的原始观测序列；基于每一个观测点对于所述当前车辆的原始观测序列，确定每一个观测相对于所述当前车辆的目标观测序列；
所述检测模块503，用于基于每一个观测相对于所述当前车辆的目标观测序列，检测出每两个观测点所观测到的所述当前车辆是否为同一个车辆。
进一步的，所述确定模块502，具体用于基于每一个观测点在所述预设时间段内采集到的图像，确定出每一个观测点在采集到各张图像时所述当前车辆所在的位置；根据每一个观测点在采集到各张图像时所述当前车辆所在的位置，以及每一个观测点采集各张图像的时间点，确定出每一个观测点在各个时间点上的观测数据；其中，所述观测数据包括：时间点和位置；根据每一个观测点在各个时间点上的观测数据，得到每一个观测点相对于所述当前车辆的原始观测序列。
进一步的，所述确定模块502，具体用于根据每一个观测点对于所述当前车辆的原始观测序列中的各个观测数据，检测每一个观测点相对于所述当前车辆的原始观测序列是否满足截取条件；若每一个观测点相对于所述当前车辆的原始观测序列满足所述截取条件，则基于各个原始观测序列中的各个观测数据中的时间点，对每一个观测点相对于所述当前车辆的原始观测序列进行截取处理，得到每一个观测相对于所述当前车辆的目标观测序列。
图6是本申请实施例提供的检测模块的结构示意图。如图6所示，所述检测模块503包括：计算子模块5031和检测子模块5032；其中，
所述计算子模块5031，用于基于每一个观测相对于所述当前车辆的目标观测序列，计算每两个观测点观测到所述当前车辆的行驶轨迹的平均长度，以及每两个观测点观测到所述当前车辆的行驶轨迹之间的面积；根据每两个观测点观测到所述当前车辆的行驶轨迹之间的面积，以及每两个观测点观测到所述当前车辆的行驶轨迹的平均长度，计算每两个观测点所观测到的所述当前车辆的相似度；
所述检测子模块5032，用于根据每两个观测点所观测到的所述当前车辆的相似度，检测出每两个观测点所观测到的所述当前车辆是否为同一个车辆。
进一步的，计算子模块5031，具体用于在每一个观测相对于所述当前车辆的目标观测序列中提取出各个观测数据中的位置；基于每一个观测相对于所述当前车辆的目标观测序列中提取出各个观测数据中的位置，计算每一个观测点观测到所述当前车辆的行驶轨迹的长度；根据每一个观测点观测到所述当前车辆的行驶轨迹的长度，计算出每两个观测点观测到所述当前车辆的行驶轨迹的平均长度。
上述车辆关联装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的车辆关联方法。
实施例五
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如车辆关联方法。例如，在一些实施例中，车辆关联方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的车辆关联方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车辆关联方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请公开的实施例，本公开还提供了一种路侧设备和一种云控平台，路侧设备和云控平台可以包括本申请实施例所述的电子设备。该路侧设备除了包括电子设备，还可以包括通信部件等，电子设备可以和通信部件一体集成，也可以分体设置。电子设备可以获取感知设备(如路侧相机)的数据，例如图片和视频等，从而进行视频处理和数据计算。
云控平台在云端执行处理，云控平台包括的电子设备可以获取感知设备(如路侧相机)的数据，例如图片和视频等，从而进行视频处理和数据计算；云控平台也可以称为车路协同管理平台、边缘计算平台、云计算平台、中心系统、云端服务器等。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种车辆关联方法，所述方法包括：
针对每一个观测点，按照预设周期采集当前车辆在道路上行驶的图像；
基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于所述当前车辆的原始观测序列；
基于每一个观测点对于所述当前车辆的原始观测序列，确定每一个观测相对于所述当前车辆的目标观测序列；
基于每一个观测相对于所述当前车辆的目标观测序列，检测出每两个观测点所观测到的所述当前车辆是否为同一个车辆。
2.根据权利要求1所述的方法，所述基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于所述当前车辆的原始观测序列，包括：
基于每一个观测点在所述预设时间段内采集到的图像，确定出每一个观测点在采集到各张图像时所述当前车辆所在的位置；
根据每一个观测点在采集到各张图像时所述当前车辆所在的位置，以及每一个观测点采集各张图像的时间点，确定出每一个观测点在各个时间点上的观测数据；其中，所述观测数据包括：时间点和位置；
根据每一个观测点在各个时间点上的观测数据，得到每一个观测点相对于所述当前车辆的原始观测序列。
3.根据权利要求1所述的方法，所述基于每一个观测点对于所述当前车辆的原始观测序列，确定每一个观测相对于所述当前车辆的目标观测序列，包括：
根据每一个观测点对于所述当前车辆的原始观测序列中的各个观测数据，检测每一个观测点相对于所述当前车辆的原始观测序列是否满足截取条件；
若每一个观测点相对于所述当前车辆的原始观测序列满足所述截取条件，则基于各个原始观测序列中的各个观测数据中的时间点，对每一个观测点相对于所述当前车辆的原始观测序列进行截取处理，得到每一个观测相对于所述当前车辆的目标观测序列。
4.根据权利要求1所述的方法，所述基于每一个观测相对于所述当前车辆的目标观测序列，检测出每两个观测点所观测到的所述当前车辆是否为同一个车辆，包括：
基于每一个观测相对于所述当前车辆的目标观测序列，计算每两个观测点观测到所述当前车辆的行驶轨迹的平均长度，以及每两个观测点观测到所述当前车辆的行驶轨迹之间的面积；
根据每两个观测点观测到所述当前车辆的行驶轨迹之间的面积，以及每两个观测点观测到所述当前车辆的行驶轨迹的平均长度，计算每两个观测点所观测到的所述当前车辆的相似度；
根据每两个观测点所观测到的所述当前车辆的相似度，检测出每两个观测点所观测到的所述当前车辆是否为同一个车辆。
5.根据权利要求4所述的方法，所述基于每一个观测相对于所述当前车辆的目标观测序列，计算每两个观测点观测到所述当前车辆的行驶轨迹的平均长度，包括：
在每一个观测相对于所述当前车辆的目标观测序列中提取出各个观测数据中的位置；
基于每一个观测相对于所述当前车辆的目标观测序列中提取出各个观测数据中的位置，计算每一个观测点观测到所述当前车辆的行驶轨迹的长度；
根据每一个观测点观测到所述当前车辆的行驶轨迹的长度，计算出每两个观测点观测到所述当前车辆的行驶轨迹的平均长度。
6.一种车辆关联装置，所述装置包括：采集模块、确定模块和检测模块；其中，
所述采集模块，用于针对每一个观测点，按照预设周期采集当前车辆在道路上行驶的图像；
所述确定模块，用于基于每一个观测点在预设时间段内采集到的图像，确定每一个观测点相对于所述当前车辆的原始观测序列；基于每一个观测点对于所述当前车辆的原始观测序列，确定每一个观测相对于所述当前车辆的目标观测序列；
所述检测模块，用于基于每一个观测相对于所述当前车辆的目标观测序列，检测出每两个观测点所观测到的所述当前车辆是否为同一个车辆。
7.根据权利要求6所述的装置，所述确定模块，具体用于基于每一个观测点在所述预设时间段内采集到的图像，确定出每一个观测点在采集到各张图像时所述当前车辆所在的位置；根据每一个观测点在采集到各张图像时所述当前车辆所在的位置，以及每一个观测点采集各张图像的时间点，确定出每一个观测点在各个时间点上的观测数据；其中，所述观测数据包括：时间点和位置；根据每一个观测点在各个时间点上的观测数据，得到每一个观测点相对于所述当前车辆的原始观测序列。
8.根据权利要求6所述的装置，所述确定模块，具体用于根据每一个观测点对于所述当前车辆的原始观测序列中的各个观测数据，检测每一个观测点相对于所述当前车辆的原始观测序列是否满足截取条件；若每一个观测点相对于所述当前车辆的原始观测序列满足所述截取条件，则基于各个原始观测序列中的各个观测数据中的时间点，对每一个观测点相对于所述当前车辆的原始观测序列进行截取处理，得到每一个观测相对于所述当前车辆的目标观测序列。
9.根据权利要求6所述的装置，所述检测模块包括：计算子模块和检测子模块；其中，
所述计算子模块，用于基于每一个观测相对于所述当前车辆的目标观测序列，计算每两个观测点观测到所述当前车辆的行驶轨迹的平均长度，以及每两个观测点观测到所述当前车辆的行驶轨迹之间的面积；根据每两个观测点观测到所述当前车辆的行驶轨迹之间的面积，以及每两个观测点观测到所述当前车辆的行驶轨迹的平均长度，计算每两个观测点所观测到的所述当前车辆的相似度；
所述检测子模块，用于根据每两个观测点所观测到的所述当前车辆的相似度，检测出每两个观测点所观测到的所述当前车辆是否为同一个车辆。
10.根据权利要求9所述的装置，计算子模块，具体用于在每一个观测相对于所述当前车辆的目标观测序列中提取出各个观测数据中的位置；基于每一个观测相对于所述当前车辆的目标观测序列中提取出各个观测数据中的位置，计算每一个观测点观测到所述当前车辆的行驶轨迹的长度；根据每一个观测点观测到所述当前车辆的行驶轨迹的长度，计算出每两个观测点观测到所述当前车辆的行驶轨迹的平均长度。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
14.一种路侧设备，包括如权利要求11所述的电子设备。
15.一种云控平台，包括如权利要求11所述的电子设备。
CN202011520233.6A 2020-12-21 2020-12-21 一种车辆关联方法、装置、路侧设备及云控平台 Active CN112507957B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202011520233.6A CN112507957B (zh) 2020-12-21 2020-12-21 一种车辆关联方法、装置、路侧设备及云控平台
EP21190441.2A EP3940667A3 (en) 2020-12-21 2021-08-09 Vehicle association method and device, roadside equipment and cloud control platform
US17/444,891 US20210390334A1 (en) 2020-12-21 2021-08-11 Vehicle association method and device, roadside equipment and cloud control platform
KR1020210127050A KR102595678B1 (ko) 2020-12-21 2021-09-27 차량 연계 방법, 차량 연계 장치, 노변 장치 및 클라우드 제어 플랫폼
JP2021179818A JP7280331B2 (ja) 2020-12-21 2021-11-02 車両関連付け方法、車両関連付け装置、電子機器、コンピュータ可読記憶媒体、路側機器、クラウドコントロールプラットフォームおよびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011520233.6A CN112507957B (zh) 2020-12-21 2020-12-21 一种车辆关联方法、装置、路侧设备及云控平台

Publications (2)

Publication Number Publication Date
CN112507957A true CN112507957A (zh) 2021-03-16
CN112507957B CN112507957B (zh) 2023-12-15

Family

ID=74923028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011520233.6A Active CN112507957B (zh) 2020-12-21 2020-12-21 一种车辆关联方法、装置、路侧设备及云控平台

Country Status (5)

Country Link
US (1) US20210390334A1 (zh)
EP (1) EP3940667A3 (zh)
JP (1) JP7280331B2 (zh)
KR (1) KR102595678B1 (zh)
CN (1) CN112507957B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202912A (zh) * 2021-11-15 2022-03-18 新奇点智能科技集团有限公司 交通服务提供方法、装置、服务器及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014085316A1 (en) * 2012-11-27 2014-06-05 Cloudparc, Inc. Controlling use of a single multi-vehicle parking space using multiple cameras
CN103927764A (zh) * 2014-04-29 2014-07-16 重庆大学 一种结合目标信息和运动估计的车辆跟踪方法
US20170004386A1 (en) * 2015-07-02 2017-01-05 Agt International Gmbh Multi-camera vehicle identification system
WO2017157119A1 (zh) * 2016-03-18 2017-09-21 中兴通讯股份有限公司 一种车辆异常行为的识别方法及装置
CN107545582A (zh) * 2017-07-04 2018-01-05 深圳大学 基于模糊逻辑的视频多目标跟踪方法及装置
TWI617998B (zh) * 2017-07-18 2018-03-11 Chunghwa Telecom Co Ltd System and method for car number identification data filtering
CN109118766A (zh) * 2018-09-04 2019-01-01 华南师范大学 一种基于交通卡口的同行车辆判别方法及装置
CN110780289A (zh) * 2019-10-23 2020-02-11 北京信息科技大学 基于场景雷达的多目标车辆跟踪方法及装置
CN110874925A (zh) * 2018-08-31 2020-03-10 百度在线网络技术（北京）有限公司 智能路侧单元及其控制方法
CN111275983A (zh) * 2020-02-14 2020-06-12 北京百度网讯科技有限公司 车辆追踪方法、装置、电子设备和计算机可读存储介质
US20200265710A1 (en) * 2019-02-20 2020-08-20 Baidu Online Network Technology (Beijing) Co., Ltd. Travelling track prediction method and device for vehicle
CN111914664A (zh) * 2020-07-06 2020-11-10 同济大学 基于重识别的车辆多目标检测和轨迹跟踪方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5996903B2 (ja) 2012-03-28 2016-09-21 セコム株式会社 移動物体追跡装置
US10296828B2 (en) * 2017-04-05 2019-05-21 Here Global B.V. Learning a similarity measure for vision-based localization on a high definition (HD) map
US10599161B2 (en) * 2017-08-08 2020-03-24 Skydio, Inc. Image space motion planning of an autonomous vehicle
JP6831117B2 (ja) 2018-11-29 2021-02-17 技研トラステム株式会社 移動体追跡方法及びこれに用いる画像処理装置
DE112020002604T5 (de) * 2019-05-29 2022-03-03 Mobileye Vision Technologies Ltd. Systeme und verfahren für die fahrzeugnavigation
WO2021011617A1 (en) * 2019-07-15 2021-01-21 Mobileye Vision Technologies Ltd. Reducing stored parameters for a navigation system
US11125575B2 (en) * 2019-11-20 2021-09-21 Here Global B.V. Method and apparatus for estimating a location of a vehicle
WO2021262945A1 (en) * 2020-06-25 2021-12-30 Mobileye Vision Technologies Ltd. Motion-based online calibration of a multi-camera
WO2022087194A1 (en) * 2020-10-21 2022-04-28 IAA, Inc. Automated vehicle condition grading

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014085316A1 (en) * 2012-11-27 2014-06-05 Cloudparc, Inc. Controlling use of a single multi-vehicle parking space using multiple cameras
CN103927764A (zh) * 2014-04-29 2014-07-16 重庆大学 一种结合目标信息和运动估计的车辆跟踪方法
US20170004386A1 (en) * 2015-07-02 2017-01-05 Agt International Gmbh Multi-camera vehicle identification system
WO2017157119A1 (zh) * 2016-03-18 2017-09-21 中兴通讯股份有限公司 一种车辆异常行为的识别方法及装置
CN107204114A (zh) * 2016-03-18 2017-09-26 中兴通讯股份有限公司 一种车辆异常行为的识别方法及装置
CN107545582A (zh) * 2017-07-04 2018-01-05 深圳大学 基于模糊逻辑的视频多目标跟踪方法及装置
TWI617998B (zh) * 2017-07-18 2018-03-11 Chunghwa Telecom Co Ltd System and method for car number identification data filtering
CN110874925A (zh) * 2018-08-31 2020-03-10 百度在线网络技术（北京）有限公司 智能路侧单元及其控制方法
CN109118766A (zh) * 2018-09-04 2019-01-01 华南师范大学 一种基于交通卡口的同行车辆判别方法及装置
US20200265710A1 (en) * 2019-02-20 2020-08-20 Baidu Online Network Technology (Beijing) Co., Ltd. Travelling track prediction method and device for vehicle
CN110780289A (zh) * 2019-10-23 2020-02-11 北京信息科技大学 基于场景雷达的多目标车辆跟踪方法及装置
CN111275983A (zh) * 2020-02-14 2020-06-12 北京百度网讯科技有限公司 车辆追踪方法、装置、电子设备和计算机可读存储介质
CN111914664A (zh) * 2020-07-06 2020-11-10 同济大学 基于重识别的车辆多目标检测和轨迹跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RAVI P. RAMACHANDRAN等: "A PATTERN RECOGNITION AND FEATURE FUSION FORMULATION FOR VEmCLE REIDENTIFICATION IN INTELLIGENT TRANSPORTATION SYSTEMS", 《IEEE XPLORE》, pages 3840 - 3843 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202912A (zh) * 2021-11-15 2022-03-18 新奇点智能科技集团有限公司 交通服务提供方法、装置、服务器及存储介质
CN114202912B (zh) * 2021-11-15 2023-08-18 新奇点智能科技集团有限公司 交通服务提供方法、装置、服务器及存储介质

Also Published As

Publication number Publication date
JP2022098433A (ja) 2022-07-01
EP3940667A2 (en) 2022-01-19
KR20210125447A (ko) 2021-10-18
US20210390334A1 (en) 2021-12-16
CN112507957B (zh) 2023-12-15
KR102595678B1 (ko) 2023-10-27
EP3940667A3 (en) 2022-03-16
JP7280331B2 (ja) 2023-05-23

Similar Documents

Publication Publication Date Title
JP7273129B2 (ja) 車線検出方法、装置、電子機器、記憶媒体及び車両
CN113205037B (zh) 事件检测的方法、装置、电子设备以及可读存储介质
EP4145844A1 (en) Method and apparatus for detecting jitter in video, electronic device, and storage medium
CN113392794B (zh) 车辆跨线识别方法、装置、电子设备和存储介质
CN112785625A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN112528927A (zh) 基于轨迹分析的置信度确定方法、路侧设备及云控平台
CN112597895A (zh) 基于偏移量检测的置信度确定方法、路侧设备及云控平台
CN112507957B (zh) 一种车辆关联方法、装置、路侧设备及云控平台
CN113920158A (zh) 跟踪模型的训练与交通对象跟踪方法、装置
CN114037087A (zh) 模型训练方法及装置、深度预测方法及装置、设备和介质
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质
JP7258101B2 (ja) 画像の手ぶれ補正方法、装置、電子機器、記憶媒体、コンピュータプログラム製品、路側機およびクラウド制御プラットフォーム
CN115131315A (zh) 一种图像的变化检测方法、装置、设备及存储介质
CN114119990A (zh) 用于图像特征点匹配的方法、装置及计算机程序产品
CN113378836A (zh) 图像识别方法、装置、设备、介质及程序产品
CN112560726A (zh) 目标检测置信度确定方法、路侧设备及云控平台
CN114694138B (zh) 一种应用于智能驾驶的路面检测方法、装置及设备
CN114490909B (zh) 对象关联方法、装置和电子设备
CN114049615B (zh) 行驶环境中交通对象融合关联方法、装置及边缘计算设备
CN115906001A (zh) 多传感器融合目标检测方法、装置、设备及自动驾驶车辆
CN112541465A (zh) 一种车流量统计方法、装置、路侧设备及云控平台
CN114693777A (zh) 交通标志的空间位置确定方法、装置及电子设备
CN113360688A (zh) 信息库的构建方法、装置及系统
CN117710459A (zh) 三维信息的确定方法、装置及计算机程序产品
JP2023535661A (ja) 車両の車線区画線踏み越え認識方法、装置、電子機器、記憶媒体及びコンピュータプログラム

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211026

Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant