CN112528927B - 基于轨迹分析的置信度确定方法、路侧设备及云控平台 - Google Patents
基于轨迹分析的置信度确定方法、路侧设备及云控平台 Download PDFInfo
- Publication number
- CN112528927B CN112528927B CN202011524356.7A CN202011524356A CN112528927B CN 112528927 B CN112528927 B CN 112528927B CN 202011524356 A CN202011524356 A CN 202011524356A CN 112528927 B CN112528927 B CN 112528927B
- Authority
- CN
- China
- Prior art keywords
- track
- information
- detection frame
- processed
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 287
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 8
- 230000010365 information processing Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 41
- 238000012545 processing Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了基于轨迹分析的置信度确定方法及装置,涉及智能交通技术领域。具体实现方案为:针对于待处理视频中的每一帧待处理图像,执行如下操作:确定该待处理图像中的各目标对象的检测框信息,得到检测框信息集合;根据该待处理图像中的各目标对象的历史轨迹,预测该待处理图像中各目标对象的轨迹信息,得到轨迹信息集合;根据轨迹信息集合与检测框信息集合的匹配度,确定针对该待处理图像中的检测框信息集合的检测结果的置信度;根据预设时间窗内的各待处理图像对应的检测结果的置信度,确定待处理视频对应的检测结果的置信度。本方案提供了一种基于轨迹分析的置信度确定方法,提高了信息处理的准确度。
Description
技术领域
本公开涉及计算机技术领域,具体涉及智能交通技术,为一种基于轨迹分析的置信度确定方法、装置、电子设备、计算机可读存储介质、路侧设备、云控平台及以及程序产品。
背景技术
在国家大力推行的新基建建设的过程中,基于相机的障碍物感知算法扮演着重要的作用。其中,基于人工智能深度学习模型的障碍物感知算法取得的长足的发展。在异常工况(例如雨、雪、雾、夜、视频流中断等)时,感知模型对障碍物的召回率和准确率都会有一定程度的下降。
发明内容
本公开提供了一种基于轨迹分析的置信度确定方法、装置、电子设备、存储介质、路侧设备、云控平台以及程序产品。
根据第一方面,本公开提供了一种基于轨迹分析的置信度确定方法,包括:针对于待处理视频中的每一帧待处理图像,执行如下操作:确定该待处理图像中的各目标对象的检测框信息,得到检测框信息集合;根据该待处理图像中的各目标对象的历史轨迹,预测该待处理图像中各目标对象的轨迹信息,得到轨迹信息集合;根据轨迹信息集合与检测框信息集合的匹配度,确定针对该待处理图像中的检测框信息集合的检测结果的置信度;根据预设时间窗内的各待处理图像对应的检测结果的置信度,确定待处理视频对应的检测结果的置信度。
根据第二方面,本公开提供了一种基于轨迹分析的置信度确定装置,包括:执行单元,被配置成针对于待处理视频中的每一帧待处理图像,执行如下操作:确定该待处理图像中的各目标对象的检测框信息,得到检测框信息集合;根据该待处理图像中的各目标对象的历史轨迹,预测该待处理图像中各目标对象的轨迹信息,得到轨迹信息集合;根据轨迹信息集合与检测框信息集合的匹配度,确定针对该待处理图像中的检测框信息集合的检测结果的置信度;确定单元,被配置成根据预设时间窗内的各待处理图像对应的检测结果的置信度,确定待处理视频对应的检测结果的置信度。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述第一方面中任一项的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行上述第一方面中任一项的方法。
根据第五方面,提供了一种路侧设备,包括如第三方面的电子设备。
根据第六方面,提供了一种云控平台,包括如第三方面的电子设备。
根据第七方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现第一方面任一项的方法。
根据本公开的技术,基于待处理图像中的目标对象的预测轨迹信息与实际的检测框信息的匹配,确定了待处理视频对应的检测结果的置信度,提供了一种基于轨迹分析的置信度确定方法,提高了信息处理的准确度。
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是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的基于轨迹分析的置信度确定方法的一个实施例的流程图;
图3是根据本公开的基于轨迹分析的置信度确定方法的一个应用场景的示意图;
图4是根据本公开的基于轨迹分析的置信度确定方法的又一个实施例的流程图;
图5是根据本公开的基于轨迹分析的置信度确定装置协同配合的一个实施例的流程图;
图6是适于用来实现本公开的实施例的电子设备/终端设备或服务器的计算机系统的结构示意图。
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,而不会背离本申请的范围和精神。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。
图1示出了可以应用本公开的基于轨迹分析的置信度确定方法及装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时,其可以是支持网络连接,信息获取、交互、显示、处理等功能的各种电子设备,包括但不限于摄像头、智能手机、平板电脑、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如接收终端设备101、102、103获取的待处理视频,确定待处理视频的检测结果的置信度的后台处理服务器。例如,后台处理服务器确定待处理视频中的每一帧待处理图像的检测结果的置信度,然后基于预设时间窗内的各待处理图像对应的检测结果的置信度,确定待处理视频对应的检测结果的置信度。作为示例,服务器105可以是云端服务器。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是,本公开的实施例所提供的基于轨迹分析的置信度确定方法可以由服务器执行,也可以由终端设备执行,还可以由服务器和终端设备彼此配合执行。相应地,基于轨迹分析的置信度确定装置包括的各个部分(例如各个单元、各个模块)可以全部设置于服务器中,也可以全部设置于终端设备中,还可以分别设置于服务器和终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。当基于轨迹分析的置信度确定方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括基于轨迹分析的置信度确定方法运行于其上的电子设备(例如服务器或终端设备)。
继续参考图2,示出了基于轨迹分析的置信度确定方法的一个实施例的流程200,包括以下步骤:
步骤201,针对于待处理视频中的每一帧待处理图像,执行如下操作:
步骤2011,确定该待处理图像中的各目标对象的检测框信息,得到检测框信息集合。
本实施例中,基于轨迹分析的置信度确定方法的执行主体(例如图1中的服务器)可以通过有线连接方式或无线连接方式从远程,或从本地获取待处理视频。其中,待处理视频可以是视频拍摄装置所拍摄的、包括任意内容的视频。作为示例,待处理视频可以是监控摄像头拍摄的表征交通情况的视频。
针对于待处理视频中的每一帧待处理图像,上述执行主体可以确定该待处理图像中的各目标对象的检测框信息,得到检测框信息集合。
其中,目标对象可以是待处理图像中所包括的所有可移动的目标物。作为示例,目标对象可以是待处理图像中包括的车辆、行人等。检测框用于表征该待处理图像中目标对象对应的区域。每一个目标对象对应于一个检测框信息,该待处理图像中的所有目标对象的检测框信息组成该待处理图像对应的检测框信息集合。
作为示例,上述执行主体可以通过检测框识别模型确定待处理图像中的目标对象的检测框。其中,检测框识别模型用于表征待处理图像与目标对象的检测框的对应关系。检测框识别模型可以采用卷积神经网络、循环神经网络、残差神经网络等网络模型基于机器学习算法训练得到。
在本实施例的一些可选的实现方式中,针对于待处理图像中的每一帧待处理图像,上述执行主体可以基于预设区域,确定目标对象的检测框信息,得到检测框信息集合。
继续以待处理视频是监控摄像头获取的表征交通情况的视频为例,监控摄像头所拍摄的区域中包括道路两旁的建筑、树木等固定对象和道路上的车辆、行人等移动对象。预设区域可以设置为道路所对应的区域,从而使得上述执行主体可以只针对于道路区域进行移动对象的检测。
本实现方式中,通过设置预设区域,减小了检测框的确定范围,可以提高上述执行主体针对目标对象的检测框信息的处理效率。进一步的,基于人工智能深度学习模型的障碍物感知算法,一般针对于移动障碍物进行检测,预设区域可以设置为移动对象所对应的区域,从而使得上述执行主体可以针对性地确定移动的目标对象的轨迹信息,避免获取固定对象的检测框信息,提高了信息处理的针对性。
步骤2012,根据该待处理图像中的各目标对象的历史轨迹,预测该待处理图像中各目标对象的轨迹信息,得到轨迹信息集合。
本实施例中,上述执行主体可以根据该待处理图像中的各目标对象的历史轨迹,预测该待处理图像中各目标对象的轨迹信息,得到轨迹信息集合。
针对于待处理视频从初始帧至该待处理图像的每一帧待处理图像,都会对所包括的目标对象进行检测,得到对应的检测框信息。从而,每一个目标对象,在不同的待处理图像中存在不同的检测框信息。将同一目标对象从出现在待处理视频的待处理图像开始,可以将其所对应的检测框信息组合成表征该目标对象的运动轨迹的历史轨迹。
作为示例,监控摄像头为朝向车辆驶来的方向的摄像头。相对于监控摄像头,车辆从远处向监控摄像头驶来。从车辆进入监控摄像头的视野,至驶出摄像头的视野的过程,在摄像头拍摄的监控视频中表现车辆为从视频画面的上方进入视频画面,逐渐从视频画面的下方驶出。在从车辆驶入视画面所对应的待处理图像开始,上述执行主体可以检测到车辆,确定车辆的检测框,并且相对于当前待处理图像,下一帧待处理图像中的车辆的检测框在视频画面中的位置更靠下。从而,车辆的轨迹信息可以通过包括车辆对象的每帧待处理中的检测框信息进行表示。
根据目标对象在之前的待处理图像中的历史轨迹,上述执行主体可以预测目标对象在当前待处理图像的检测框位置,也即预测目标对象在当前待处理图像中的轨迹信息。
作为示例,上述执行主体可以确定相邻帧待处理图像之间,目标对象的检测框的偏移信息,并根据相邻帧待处理图像之间的时间间隔,以及历史轨迹确定目标对象在该待处理图像中的轨迹信息。
作为又一示例,上述执行主体可以通过轨迹预测模型确定目标对象在该待处理图像中的轨迹信息。其中,轨迹预测模型用于根据目标对象的历史轨迹预测目标对象在该待处理图像中的轨迹信息。
针对于每一个目标对象,上述执行主体根据该目标对象的历史轨迹,预测该目标对象在该待处理图像中的轨迹信息,从而得到包括所有目标对象的轨迹信息的轨迹信息集合。
步骤2013,根据轨迹信息集合与检测框信息集合的匹配度,确定针对该待处理图像中的检测框信息集合的检测结果的置信度。
本实施例中,上述执行主体可以根据步骤2012得到的轨迹信息集合与步骤2011得到的检测框信息集合的匹配度,确定针对该待处理图像中的检测框信息集合的检测结果的置信度。
可以理解,针对于轨迹信息集合中的每一个轨迹信息,上述执行主体可以确定检测框集合中是否存在与该轨迹信息匹配的检测框信息。通过集合中每个元素信息的匹配,上述执行主体可以确定两个集合之间的匹配度。
作为示例,上述执行主体可以将轨迹信息集合和检测框信息集合中匹配的信息的数量,与检测框信息集合中的检测框信息的数量的比值,确定为针对该待处理图像中的检测框信息集合的检测结果的置信度。例如,轨迹信息集合中包括10个轨迹信息,检测框信息集合中包括10个检测框信息,轨迹信息集合中有8个轨迹信息与检测框信息集合中的8个检测框信息相匹配,则针对该待处理图像中的检测框信息集合的检测结果的置信度为8/10=0.8。
在本实施例的一些可选的实现方式中,上述执行主体可以根据该待处理图像中的各目标对象的历史轨迹的状态信息,将轨迹信息集合划分为移动轨迹集合和非移动轨迹集合。其中,状态信息用于表征,在截止到该待处理图像前的待处理视频中,历史轨迹所对应的目标对象是否一直处于移动状态。
可以理解,目标对象若在待处理视频中一直处于移动状态,表明该目标对象自进入视频画面开始,一直处于待处理视频的拍摄装置的视野范围内,能够被拍摄装置拍摄到。当目标对象被障碍物遮挡,或者驶出拍摄装置的视野范围,则认为在截止到该待处理图像前的待处理视频中,该目标对象并未一直处于移动状态。
本实现方式中,通过将检测框信息集合进行划分,可以通过后续步骤对划分后的移动轨迹集合和非移动轨迹集合进行不同的匹配,提高了置信度的准确度。
在本实施例的一些可选的实现方式中,状态信息为不大于预设阈值的自然数。上述执行主体还可以针对于该待处理图像中的每个目标对象,执行如下操作:
响应于确定在该待处理图像的检测框信息集合中存在与该目标对象的轨迹信息相匹配的检测框,将该目标对象的状态信息所表征的自然数加一。其中,当状态信息达到预设阈值时,不再增加。也即,当目标对象的状态信息达到预设阈值,且该目标对象在后续的待处理图像的检测框信息一直与所预测的轨迹信息相匹配,则该目标对象的状态信息一直等于预设阈值。
响应于确定在该待处理图像的检测框信息集合中不存在与该目标对象的轨迹信息相匹配的检测框,将该目标对象的状态信息所表征的自然数减一。其中,当状态信息为零时,不再减小。也即,当目标对象的状态信息达到零,即使该目标对象在下一帧待处理图像的检测框信息并未与所预测的轨迹信息相匹配,该目标对象的状态信息也不再减小。本实现方式中,通过预设阈值,可以便捷地确定目标对象的状态信息。
其中,预设阈值可以根据实际情况具体设置。例如,预设阈值可以设置为20。
作为示例,截止到该待处理图像的上一帧待处理图像,目标对象A的状态信息为20。若该待处理图像中,根据目标对象A的历史轨迹所预测的轨迹信息与检测框信息不匹配,则该待处理图像中目标对象的状态信息为20-1=19;若该待处理图像中,根据目标对象A的历史轨迹所预测的轨迹信息与检测框信息匹配,则该待处理图像中目标对象的状态信息仍为20。
在本实施例的一些可选的实现方式中,上述执行主体将状态信息等于预设阈值的目标对象的轨迹信息划分至移动轨迹集合;将状态信息大于零且小于预设阈值的目标对象的轨迹信息划分至非移动轨迹集合。本实现方式中,通过自然数所表征的状态信息,可以快速地对目标对象的轨迹信息进行划分。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤2013:
第一,根据移动轨迹集合与检测框信息集合的匹配度,确定第一轨迹匹配集合、第一轨迹不匹配集合和第一检测框不匹配集合。
其中,第一轨迹匹配集合中为移动轨迹集合中匹配到检测框信息集合中的检测框的轨迹信息,第一轨迹不匹配集合中为移动轨迹集合中未匹配到检测框信息集合中的检测框的轨迹信息,第一检测框不匹配集合中为检测框信息集合中未匹配到移动轨迹集合中的轨迹信息的检测框信息。
作为示例,移动轨迹集合为{A1,B1,C1,D1,E1,F1},检测框信息集合为{A1,B1,C2,D2,E1,F1},则第一轨迹匹配集合为{A1,B1,E1,F1},第一轨迹不匹配集合{C1,D1},第一检测框不匹配集合为{C2,D2}。
可以理解,针对于第一轨迹匹配集合、第一轨迹不匹配集合中各轨迹信息所对应的目标对象,可以根据上述状态信息的更新方式更新状态信息。针对于第一轨迹匹配集合中各轨迹信息所对应的目标对象的匹配次数。其中,匹配次数表征截止到该待处理图像,目标对象在待处理视频中的各待处理图像中的轨迹信息与检测框信息的匹配次数。
可以理解,针对于目标对象的历史轨迹所预测的、该目标对象在该待处理图像中的轨迹信息,在该待处理图像应该存在与之相匹配的检测框信息。当在该待处理图像并未检测到目标对象对应的检测框信息时,可以判定待处理图像中并不包括本应出现于待处理图像中的目标对象。本实施例中,可以将在该待处理图像并未检测到的目标对象认定为漏检目标对象。第一轨迹不匹配集合中的所有轨迹信息对应的目标对象均为漏检目标对象。
第二,根据非移动轨迹集合与第一检测框不匹配集合的匹配度,确定第二出轨迹匹配集合、第二轨迹不匹配集合和第二检测框不匹配集合。
其中,第二轨迹匹配集合中为非移动轨迹集合中匹配到第一检测框不匹配集合中的检测框的轨迹信息,第二轨迹不匹配集合中为非移动轨迹集合中未匹配到第一检测框不匹配集合中的检测框的轨迹信息,第二检测框不匹配集合中为第一检测框不匹配集合中未匹配到非移动轨迹集合中的轨迹信息的检测框信息。
本实现方式中,可以采用类似于上述第一步骤中的集合之间的匹配方式,确定出对应的第二出轨迹匹配集合、第二轨迹不匹配集合和第二检测框不匹配集合。通过第二步骤所示的二次匹配过程,可以在一定程度上避免由于障碍物遮挡目标对象带来的错误推理结果。
作为示例,待处理视频为摄像头获取的表征十字路口的交通情况的视频,在车辆A自西向东行驶的过程中,存在一段时间,车辆A被自北向南行驶的车辆B遮挡,导致摄像头不能获取拍摄到车辆A。当这段时间过去后,车辆A重新被摄像头拍摄到。
在车辆A被车辆B遮挡的这段时间内,由于车辆A并未被摄像头获取,这段时间对应的待处理视频中没有车辆A。针对于这段时间内的待处理视频中的每一帧待处理图像,车辆A的状态信息由预设阈值一直减小,也即车辆A的轨迹信息并未划分至移动轨迹集合,而是被划分至非移动轨迹集合。当车辆A重新出现在待处理视频中所对应的待处理图像中时,由于移动轨迹集合中不包括车辆A的轨迹信息,因此,该待处理图像中的车辆A的检测框信息被划分至第一检测框不匹配集合中。将非移动轨迹集合与第一检测框不匹配集合进行匹配,可以将被遮挡的目标对象重新确定,在一定程度上避免由于障碍物遮挡目标对象带来的错误推理结果。
第三,根据第一轨迹不匹配集合、第二轨迹不匹配集合,确定针对该待处理图像中的检测框信息集合的检测结果的置信度。
作为示例,上述执行主体可以通过如下公式确定待处理图像的置信度:
其中,P为针对待处理图像中的检测框信息集合的检测结果的置信度,M为第一轨迹不匹配集合中的轨迹信息的数量,N为第一轨迹不匹配集合中的轨迹信息的数量,Q为检测框信息集合中检测框的数量。
在本实施例的一些可选的实现方式中,上述执行主体将第一轨迹不匹配集合中的轨迹信息的数量确定为第一数值;将第二轨迹不匹配集合中,匹配次数小于预设阈值的目标对象的轨迹信息的数量确定为第二数值,其中,匹配次数表征截止到该待处理图像,目标对象在待处理视频中的各待处理图像中的轨迹信息与检测框信息的匹配次数;将检测框信息集合中的检测框信息的数量确定为第三数值;根据第一数值、第二数值以及第三数值,确定针对该待处理图像中的检测框信息集合的检测结果的置信度。本实现方式中,将第二轨迹不匹配集合中,匹配次数小于预设阈值的目标对象的轨迹信息的数量确定为第二数值,进一步提高了置信度的准确度。
在本实施例的一些可选的实现方式中,从第二轨迹不匹配集合中,去除状态信息所表征的数值为零的目标对象的轨迹信息,得到更新后第二轨迹不匹配集合;将更新后第二轨迹不匹配集合中,匹配次数小于预设阈值的目标对象的轨迹信息的数量,确定为第二数值。本实现方式中,过滤掉第二轨迹不匹配集合中,状态信息所表征的数值为零的目标对象的轨迹信息,进一步提高了置信度的准确度。
步骤202,根据预设时间窗内的各待处理图像对应的检测结果的置信度,确定待处理视频对应的检测结果的置信度。
本实施例中,上述执行主体可以根据预设时间窗内的各待处理图像对应的检测结果的置信度,确定待处理视频对应的检测结果的置信度。其中,预设时间窗的时间长度可以根据实际情况具体设置。例如,预设时间窗的时间长度为5秒钟。
作为示例,上述执行主体可以基于滑动的预设时间窗,将处于预设时间窗内的各待处理图像对应的检测结果的置信度的平均值,确定为待处理视频当前的检测结果的置信度。可以理解,待处理视频在不同时间段的检测结果的置信度可能不同。
继续参见图3,图3是根据本实施例的基于轨迹分析的置信度确定方法的应用场景的一个示意图。在图3所示的应用场景中,摄像头301拍摄表征交通情况的待处理视频,并将待处理视频实时传输至服务器302。服务器302针对于待处理视频中的每一帧待处理图像,执行如下操作:首先,确定该待处理图像中的各目标对象的检测框信息,得到检测框信息集合3021。其中,检测框信息集合中包括4个检测框信息。然后,根据该待处理图像中的各目标对象的历史轨迹,预测该待处理图像中各目标对象的轨迹信息,得到轨迹信息集合3022。其中,轨迹信息集合中包括4个轨迹信息。最后,根据轨迹信息集合与检测框信息集合的匹配度,确定出检测框信息集合包括3个与轨迹信息集合中的轨迹信息匹配的检测框信息,从而确定针对该待处理图像中的检测框信息集合的检测结果的置信度为0.75。最终,服务器302根据预设时间窗内的各待处理图像对应的检测结果的置信度,确定待处理视频对应的检测结果的置信度。
本实施例中,基于待处理图像中的目标对象的预测轨迹信息与实际的检测框信息的匹配,确定了待处理视频对应的检测结果的置信度,提供了一种基于轨迹分析的置信度确定方法,提高了信息处理的准确度。
在本实施例的一些可选的实现方式中,上述执行主体还可以将待处理视频以及每一帧待处理图像的检测结果的置信度信息发送至对待处理视频进行后续操作的终端设备,以使得终端设备根据待处理视频以及每一帧待处理图像的检测结果的置信度信息进行相应操作。
继续参考图4,示出了根据本申请的基于轨迹分析的置信度确定方法的另一个实施例的示意性流程400,包括以下步骤:
步骤401,针对于待处理视频中的每一帧待处理图像,执行如下操作:
步骤4011,确定该待处理图像中的各目标对象的检测框信息,得到检测框信息集合。
步骤4012,根据该待处理图像中的各目标对象的历史轨迹的状态信息,将轨迹信息集合划分为移动轨迹集合和非移动轨迹集合。
其中,状态信息用于表征,在截止到该待处理图像前的待处理视频中,历史轨迹所对应的目标对象是否一直处于移动状态。
步骤4013,根据移动轨迹集合与检测框信息集合的匹配度,确定第一轨迹匹配集合、第一轨迹不匹配集合和第一检测框不匹配集合。
其中,第一轨迹匹配集合中为移动轨迹集合中匹配到检测框信息集合中的检测框的轨迹信息,第一轨迹不匹配集合中为移动轨迹集合中未匹配到检测框信息集合中的检测框的轨迹信息,第一检测框不匹配集合中为检测框信息集合中未匹配到移动轨迹集合中的轨迹信息的检测框信息。
步骤4014,根据非移动轨迹集合与第一检测框不匹配集合的匹配度,确定第二出轨迹匹配集合、第二轨迹不匹配集合和第二检测框不匹配集合。
其中,第二轨迹匹配集合中为非移动轨迹集合中匹配到第一检测框不匹配集合中的检测框的轨迹信息,第二轨迹不匹配集合中为非移动轨迹集合中未匹配到第一检测框不匹配集合中的检测框的轨迹信息,第二检测框不匹配集合中为第一检测框不匹配集合中未匹配到非移动轨迹集合中的轨迹信息的检测框信息。
步骤4015,根据第一轨迹不匹配集合、第二轨迹不匹配集合,确定针对该待处理图像中的检测框信息集合的检测结果的置信度。
步骤402,根据预设时间窗内的各待处理图像对应的检测结果的置信度,确定待处理视频对应的检测结果的置信度。
本实施例中,从图4中可以看出,与图2对应的实施例相比,本实施例中的基于轨迹分析的置信度确定方法的流程400突出说明了移动轨迹集合与检测框信息集合之间的一次匹配,非移动轨迹集合与第一检测框不匹配集合之间的二次匹配,从而可以在一定程度上避免由于障碍物遮挡目标对象带来的错误推理结果,提高了检测结果的置信度的准确度。
进一步参考图5,作为对上述图2所示方法的实现,本公开提供了一种基于轨迹分析的置信度确定装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征,以及产生与图2所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的基于轨迹分析的置信度确定装置,包括:执行单元501,被配置成针对于待处理视频中的每一帧待处理图像,执行如下操作:确定该待处理图像中的各目标对象的检测框信息,得到检测框信息集合;根据该待处理图像中的各目标对象的历史轨迹,预测该待处理图像中各目标对象的轨迹信息,得到轨迹信息集合;根据轨迹信息集合与检测框信息集合的匹配度,确定针对该待处理图像中的检测框信息集合的检测结果的置信度;确定单元502,被配置成根据预设时间窗内的各待处理图像对应的检测结果的置信度,确定待处理视频对应的检测结果的置信度。
在本实施例的一些可选的实现方式中,上述装置还包括:划分单元(图中未示出),被配置成根据该待处理图像中的各目标对象的历史轨迹的状态信息,将轨迹信息集合划分为移动轨迹集合和非移动轨迹集合,其中,状态信息用于表征,在截止到该待处理图像前的待处理视频中,历史轨迹所对应的目标对象是否一直处于移动状态。
在本实施例的一些可选的实现方式中,执行单元501,进一步被配置成:根据移动轨迹集合与检测框信息集合的匹配度,确定第一轨迹匹配集合、第一轨迹不匹配集合和第一检测框不匹配集合,其中,第一轨迹匹配集合中为移动轨迹集合中匹配到检测框信息集合中的检测框的轨迹信息,第一轨迹不匹配集合中为移动轨迹集合中未匹配到检测框信息集合中的检测框的轨迹信息,第一检测框不匹配集合中为检测框信息集合中未匹配到移动轨迹集合中的轨迹信息的检测框信息;根据非移动轨迹集合与第一检测框不匹配集合的匹配度,确定第二出轨迹匹配集合、第二轨迹不匹配集合和第二检测框不匹配集合,其中,第二轨迹匹配集合中为非移动轨迹集合中匹配到第一检测框不匹配集合中的检测框的轨迹信息,第二轨迹不匹配集合中为非移动轨迹集合中未匹配到第一检测框不匹配集合中的检测框的轨迹信息,第二检测框不匹配集合中为第一检测框不匹配集合中未匹配到非移动轨迹集合中的轨迹信息的检测框信息;根据第一轨迹不匹配集合、第二轨迹不匹配集合,确定针对该待处理图像中的检测框信息集合的检测结果的置信度。
在本实施例的一些可选的实现方式中,状态信息为不大于预设阈值的自然数;上述装置还包括:状态单元(图中未示出),被配置成针对于该待处理图像中的每个目标对象,执行如下操作:响应于确定在该待处理图像的检测框信息集合中存在与该目标对象的轨迹信息相匹配的检测框,将该目标对象的状态信息所表征的自然数加一,其中,当状态信息达到预设阈值时,不再增加;响应于确定在该待处理图像的检测框信息集合中不存在与该目标对象的轨迹信息相匹配的检测框,将该目标对象的状态信息所表征的自然数减一,其中,当状态信息为零时,不再减小。
在本实施例的一些可选的实现方式中,划分单元(图中未示出),进一步被配置成:将状态信息等于预设阈值的目标对象的轨迹信息划分至移动轨迹集合;将状态信息大于零且小于预设阈值的目标对象的轨迹信息划分至非移动轨迹集合。
在本实施例的一些可选的实现方式中,执行单元501,进一步被配置成:将第一轨迹不匹配集合中的轨迹信息的数量确定为第一数值;将第二轨迹不匹配集合中,匹配次数小于预设阈值的目标对象的轨迹信息的数量确定为第二数值,其中,匹配次数表征截止到该待处理图像,目标对象在待处理视频中的各待处理图像中的轨迹信息与检测框信息的匹配次数;将检测框信息集合中的检测框信息的数量确定为第三数值;根据第一数值、第二数值以及第三数值,确定针对该待处理图像中的检测框信息集合的检测结果的置信度。
在本实施例的一些可选的实现方式中,执行单元501,进一步被配置成:从第二轨迹不匹配集合中,去除状态信息所表征的数值为零的目标对象的轨迹信息,得到更新后第二轨迹不匹配集合;将更新后第二轨迹不匹配集合中,匹配次数小于预设阈值的目标对象的轨迹信息的数量,确定为第二数值。
本实施方式中,基于待处理图像中的目标对象的预测轨迹信息与实际的检测框信息的匹配,确定了待处理视频的检测结果的置信度,提供了一种基于轨迹分析的置信度确定方法,提高了信息处理的准确度。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质、一种路侧设备、一种云控平台和一种计算机程序产品。
图6示出了可以用来实施本申请的实施例的示例电子设备600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/或者要求的本申请的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如基于轨迹分析的置信度确定方法。例如,在一些实施例中,基于轨迹分析的置信度确定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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的基于轨迹分析的置信度确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于轨迹分析的置信度确定方法。
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。
用于实施本申请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。
在本申请的上下文中,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)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,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
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、中心系统等。
根据本申请实施例的技术方案,基于待处理图像中的目标对象的预测轨迹信息与实际的检测框信息的匹配,确定了待处理视频的置信度,提供了一种基于轨迹分析的置信度确定方法,提高了信息处理的准确度。
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,只要能够实现本申请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,并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (15)
1.一种基于轨迹分析的置信度确定方法,包括:
针对于待处理视频中的每一帧待处理图像,执行如下操作:确定该待处理图像中的各目标对象的检测框信息,得到检测框信息集合;根据该待处理图像中的各目标对象的历史轨迹,预测该待处理图像中各目标对象的轨迹信息,得到轨迹信息集合;根据该待处理图像中的各目标对象的历史轨迹的状态信息,将轨迹信息集合划分为移动轨迹集合和非移动轨迹集合,其中,所述状态信息用于表征,在截止到该待处理图像前的所述待处理视频中,历史轨迹所对应的目标对象是否一直处于移动状态;根据所述轨迹信息集合与所述检测框信息集合的匹配度,确定针对该待处理图像中的所述检测框信息集合的检测结果的置信度,包括:根据所述移动轨迹集合与所述检测框信息集合的匹配度,确定第一轨迹匹配集合、第一轨迹不匹配集合和第一检测框不匹配集合,其中,所述第一轨迹匹配集合中为所述移动轨迹集合中匹配到所述检测框信息集合中的检测框的轨迹信息,所述第一轨迹不匹配集合中为所述移动轨迹集合中未匹配到所述检测框信息集合中的检测框的轨迹信息,所述第一检测框不匹配集合中为所述检测框信息集合中未匹配到所述移动轨迹集合中的轨迹信息的检测框信息;根据所述非移动轨迹集合与所述第一检测框不匹配集合的匹配度,确定第二出轨迹匹配集合、第二轨迹不匹配集合和第二检测框不匹配集合,其中,所述第二轨迹匹配集合中为所述非移动轨迹集合中匹配到所述第一检测框不匹配集合中的检测框的轨迹信息,所述第二轨迹不匹配集合中为所述非移动轨迹集合中未匹配到所述第一检测框不匹配集合中的检测框的轨迹信息,所述第二检测框不匹配集合中为所述第一检测框不匹配集合中未匹配到所述非移动轨迹集合中的轨迹信息的检测框信息;根据所述第一轨迹不匹配集合、所述第二轨迹不匹配集合,确定针对该待处理图像中的所述检测框信息集合的检测结果的置信度;
根据预设时间窗内的各待处理图像对应的检测结果的置信度,确定所述待处理视频对应的检测结果的置信度。
2.根据权利要求1所述的方法,其中,所述状态信息为不大于预设阈值的自然数;
所述方法还包括:
针对于该待处理图像中的每个目标对象,执行如下操作:
响应于确定在该待处理图像的检测框信息集合中存在与该目标对象的轨迹信息相匹配的检测框,将该目标对象的状态信息所表征的自然数加一,其中,当所述状态信息达到所述预设阈值时,不再增加;
响应于确定在该待处理图像的检测框信息集合中不存在与该目标对象的轨迹信息相匹配的检测框,将该目标对象的状态信息所表征的自然数减一,其中,当所述状态信息为零时,不再减小。
3.根据权利要求2所述的方法,其中,所述根据该待处理图像中的各目标对象的历史轨迹的状态信息,将轨迹信息集合划分为移动轨迹集合和非移动轨迹集合,包括:
将状态信息等于所述预设阈值的目标对象的轨迹信息划分至所述移动轨迹集合;
将状态信息大于零且小于所述预设阈值的目标对象的轨迹信息划分至所述非移动轨迹集合。
4.根据权利要求2所述的方法,其中,所述根据所述第一轨迹不匹配集合、所述第二轨迹不匹配集合,确定针对该待处理图像中的所述检测框信息集合的检测结果的置信度,包括:
将所述第一轨迹不匹配集合中的轨迹信息的数量确定为第一数值;
将所述第二轨迹不匹配集合中,匹配次数小于所述预设阈值的目标对象的轨迹信息的数量确定为第二数值,其中,匹配次数表征截止到该待处理图像,目标对象在所述待处理视频中的各待处理图像中的轨迹信息与检测框信息的匹配次数;
将所述检测框信息集合中的检测框信息的数量确定为第三数值;
根据所述第一数值、所述第二数值以及所述第三数值,确定针对该待处理图像中的所述检测框信息集合的检测结果的置信度。
5.根据权利要求4所述的方法,其中,所述将所述第二轨迹不匹配集合中,匹配次数小于所述预设阈值的目标对象的轨迹信息的数量确定为第二数值,包括:
从所述第二轨迹不匹配集合中,去除状态信息所表征的数值为零的目标对象的轨迹信息,得到更新后第二轨迹不匹配集合;
将所述更新后第二轨迹不匹配集合中,匹配次数小于所述预设阈值的目标对象的轨迹信息的数量,确定为所述第二数值。
6.一种基于轨迹分析的置信度确定装置,包括:
执行单元,被配置成针对于待处理视频中的每一帧待处理图像,执行如下操作:确定该待处理图像中的各目标对象的检测框信息,得到检测框信息集合;根据该待处理图像中的各目标对象的历史轨迹,预测该待处理图像中各目标对象的轨迹信息,得到轨迹信息集合;根据该待处理图像中的各目标对象的历史轨迹的状态信息,将轨迹信息集合划分为移动轨迹集合和非移动轨迹集合,其中,所述状态信息用于表征,在截止到该待处理图像前的所述待处理视频中,历史轨迹所对应的目标对象是否一直处于移动状态;根据所述轨迹信息集合与所述检测框信息集合的匹配度,确定针对该待处理图像中的所述检测框信息集合的检测结果的置信度,包括:根据所述移动轨迹集合与所述检测框信息集合的匹配度,确定第一轨迹匹配集合、第一轨迹不匹配集合和第一检测框不匹配集合,其中,所述第一轨迹匹配集合中为所述移动轨迹集合中匹配到所述检测框信息集合中的检测框的轨迹信息,所述第一轨迹不匹配集合中为所述移动轨迹集合中未匹配到所述检测框信息集合中的检测框的轨迹信息,所述第一检测框不匹配集合中为所述检测框信息集合中未匹配到所述移动轨迹集合中的轨迹信息的检测框信息;根据所述非移动轨迹集合与所述第一检测框不匹配集合的匹配度,确定第二出轨迹匹配集合、第二轨迹不匹配集合和第二检测框不匹配集合,其中,所述第二轨迹匹配集合中为所述非移动轨迹集合中匹配到所述第一检测框不匹配集合中的检测框的轨迹信息,所述第二轨迹不匹配集合中为所述非移动轨迹集合中未匹配到所述第一检测框不匹配集合中的检测框的轨迹信息,所述第二检测框不匹配集合中为所述第一检测框不匹配集合中未匹配到所述非移动轨迹集合中的轨迹信息的检测框信息;根据所述第一轨迹不匹配集合、所述第二轨迹不匹配集合,确定针对该待处理图像中的所述检测框信息集合的检测结果的置信度;
确定单元,被配置成根据预设时间窗内的各待处理图像对应的检测结果的置信度,确定待处理视频对应的检测结果的置信度。
7.根据权利要求6所述的装置,其中,所述状态信息为不大于预设阈值的自然数;
所述装置还包括:
状态单元,被配置成针对于该待处理图像中的每个目标对象,执行如下操作:响应于确定在该待处理图像的检测框信息集合中存在与该目标对象的轨迹信息相匹配的检测框,将该目标对象的状态信息所表征的自然数加一,其中,当所述状态信息达到所述预设阈值时,不再增加;响应于确定在该待处理图像的检测框信息集合中不存在与该目标对象的轨迹信息相匹配的检测框,将该目标对象的状态信息所表征的自然数减一,其中,当所述状态信息为零时,不再减小。
8.根据权利要求7所述的装置,其中,所述执行单元,进一步被配置成:
将状态信息等于所述预设阈值的目标对象的轨迹信息划分至所述移动轨迹集合;将状态信息大于零且小于所述预设阈值的目标对象的轨迹信息划分至所述非移动轨迹集合。
9.根据权利要求7所述的装置,其中,所述执行单元,进一步被配置成:
将所述第一轨迹不匹配集合中的轨迹信息的数量确定为第一数值;将所述第二轨迹不匹配集合中,匹配次数小于所述预设阈值的目标对象的轨迹信息的数量确定为第二数值,其中,匹配次数表征截止到该待处理图像,目标对象在所述待处理视频中的各待处理图像中的轨迹信息与检测框信息的匹配次数;将所述检测框信息集合中的检测框信息的数量确定为第三数值;根据所述第一数值、所述第二数值以及所述第三数值,确定针对该待处理图像中的所述检测框信息集合的检测结果的置信度。
10.根据权利要求9所述的装置,其中,所述执行单元,进一步被配置成:
从所述第二轨迹不匹配集合中,去除状态信息所表征的数值为零的目标对象的轨迹信息,得到更新后第二轨迹不匹配集合;将所述更新后第二轨迹不匹配集合中,匹配次数小于所述预设阈值的目标对象的轨迹信息的数量,确定为所述第二数值。
11.一种电子设备,其特征在于,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,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
13.一种路侧设备,包括如权利要求11所述的电子设备。
14.一种云控平台,包括如权利要求11所述的电子设备。
15.一种计算机程序产品,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524356.7A CN112528927B (zh) | 2020-12-22 | 2020-12-22 | 基于轨迹分析的置信度确定方法、路侧设备及云控平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524356.7A CN112528927B (zh) | 2020-12-22 | 2020-12-22 | 基于轨迹分析的置信度确定方法、路侧设备及云控平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528927A CN112528927A (zh) | 2021-03-19 |
CN112528927B true CN112528927B (zh) | 2024-05-10 |
Family
ID=75002124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011524356.7A Active CN112528927B (zh) | 2020-12-22 | 2020-12-22 | 基于轨迹分析的置信度确定方法、路侧设备及云控平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528927B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861819A (zh) * | 2021-04-01 | 2021-05-28 | 潘振波 | 一种变电站作业跨越围栏检测方法、装置及电子设备 |
CN112991380B (zh) * | 2021-04-28 | 2021-08-31 | 北京每日优鲜电子商务有限公司 | 基于视频图像的轨迹生成方法、装置、电子设备和介质 |
CN113849118A (zh) * | 2021-10-20 | 2021-12-28 | 锐捷网络股份有限公司 | 一种应用于电子白板的图像识别方法及相关装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106285581A (zh) * | 2016-08-23 | 2017-01-04 | 中国矿业大学(北京) | 一种利用本源菌提高煤层气产量的方法 |
CN109684916A (zh) * | 2018-11-13 | 2019-04-26 | 恒睿(重庆)人工智能技术研究院有限公司 | 基于路径轨迹数据异常检测方法、系统、设备及存储介质 |
CN109919974A (zh) * | 2019-02-21 | 2019-06-21 | 上海理工大学 | 基于r-fcn框架多候选关联的在线多目标跟踪方法 |
CN110619658A (zh) * | 2019-09-16 | 2019-12-27 | 北京地平线机器人技术研发有限公司 | 对象跟踪方法、对象跟踪装置和电子设备 |
CN110705478A (zh) * | 2019-09-30 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 人脸跟踪方法、装置、设备及存储介质 |
CN110796678A (zh) * | 2019-10-29 | 2020-02-14 | 中山大学 | 一种基于IoU的水下多目标跟踪方法 |
CN111292355A (zh) * | 2020-02-12 | 2020-06-16 | 江南大学 | 一种融合运动信息的核相关滤波多目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083764A1 (en) * | 2015-09-23 | 2017-03-23 | Behavioral Recognition Systems, Inc. | Detected object tracker for a video analytics system |
-
2020
- 2020-12-22 CN CN202011524356.7A patent/CN112528927B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106285581A (zh) * | 2016-08-23 | 2017-01-04 | 中国矿业大学(北京) | 一种利用本源菌提高煤层气产量的方法 |
CN109684916A (zh) * | 2018-11-13 | 2019-04-26 | 恒睿(重庆)人工智能技术研究院有限公司 | 基于路径轨迹数据异常检测方法、系统、设备及存储介质 |
CN109919974A (zh) * | 2019-02-21 | 2019-06-21 | 上海理工大学 | 基于r-fcn框架多候选关联的在线多目标跟踪方法 |
CN110619658A (zh) * | 2019-09-16 | 2019-12-27 | 北京地平线机器人技术研发有限公司 | 对象跟踪方法、对象跟踪装置和电子设备 |
CN110705478A (zh) * | 2019-09-30 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 人脸跟踪方法、装置、设备及存储介质 |
CN110796678A (zh) * | 2019-10-29 | 2020-02-14 | 中山大学 | 一种基于IoU的水下多目标跟踪方法 |
CN111292355A (zh) * | 2020-02-12 | 2020-06-16 | 江南大学 | 一种融合运动信息的核相关滤波多目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
运动目标三维轨迹可视化与关联分析方法;郭洋 等;《软件学报》;第27卷(第05期);第1151-1162页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112528927A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528927B (zh) | 基于轨迹分析的置信度确定方法、路侧设备及云控平台 | |
CN113264066B (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
CN112712712B (zh) | 确定车辆排队信息的方法、装置、路侧设备和云控平台 | |
CN113420682B (zh) | 车路协同中目标检测方法、装置和路侧设备 | |
CN113112526B (zh) | 目标跟踪方法、装置、设备和介质 | |
CN112419722A (zh) | 交通异常事件检测方法、交通管控方法、设备和介质 | |
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 | |
CN113628236A (zh) | 摄像头遮挡检测方法、装置、设备、存储介质及程序产品 | |
CN113112525A (zh) | 目标跟踪方法、网络模型及其训练方法、设备和介质 | |
CN115641359B (zh) | 确定对象的运动轨迹的方法、装置、电子设备和介质 | |
CN116434325A (zh) | 一种特定动作的检测方法、装置、设备及存储介质 | |
CN111476814B (zh) | 目标跟踪方法、装置、设备及存储介质 | |
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 | |
CN113763425A (zh) | 道路区域标定方法及电子设备 | |
CN113052048A (zh) | 交通事件检测方法、装置、路侧设备以及云控平台 | |
CN112560726B (zh) | 目标检测置信度确定方法、路侧设备及云控平台 | |
CN115953434B (zh) | 轨迹匹配方法、装置、电子设备和存储介质 | |
CN114095390B (zh) | 区域内对象流量的预测方法、装置、设备及存储介质 | |
CN115272393A (zh) | 用于无人机的视频流目标跟踪方法、装置及存储介质 | |
CN115116130A (zh) | 一种通话动作识别方法、装置、设备以及存储介质 | |
CN112489450B (zh) | 交通路口处的车辆流量控制方法、路侧设备及云控平台 | |
CN113807209A (zh) | 车位检测方法、装置、电子设备及存储介质 | |
CN112507957A (zh) | 一种车辆关联方法、装置、路侧设备及云控平台 | |
CN112700657B (zh) | 用于生成检测信息的方法、装置、路侧设备和云控平台 | |
CN116301361B (zh) | 基于智能眼镜的目标选择方法、装置和电子设备 |
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: 20211014 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 |