CN112766038B - 一种根据图像识别的车辆跟踪方法 - Google Patents
一种根据图像识别的车辆跟踪方法 Download PDFInfo
- Publication number
- CN112766038B CN112766038B CN202011527167.5A CN202011527167A CN112766038B CN 112766038 B CN112766038 B CN 112766038B CN 202011527167 A CN202011527167 A CN 202011527167A CN 112766038 B CN112766038 B CN 112766038B
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- sensor unit
- tracking
- image sensor
- 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
- 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
- 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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种根据图像识别的车辆跟踪方法,包括如下步骤:S100:第一图像传感器单元采集第一预定设定范围内的包含预定目标的第一目标图像,并将所述第一目标图像通过第一边缘计算单元进行第一处理后,将第一处理结果发送至第二图像传感器单元;S200:所述第二图像传感器单元持续采集第二预定设定范围的第二图像帧,并通过第二边缘计算单元对所述第二图像帧进行第二处理后,获得第二图像数据集;S300:将所述第一处理结果与所述第二图像数据集进行比对;S400:基于所述比对结果,对所述预定目标进行追踪。本发明的所述预定目标可以是指定车辆或者非指定车辆,因此可实现精准车辆追踪和车流拥堵预测的双重追踪效果。
Description
技术领域
本发明属于图像识别与追踪技术领域,尤其涉及一种根据图像识别的车辆跟踪方法。
背景技术
随着社会经济的快速发展和城市化进程的加快,汽车保有量不断增加,交通负荷量也迅速增长,导致道路拥堵问题加重、交通事故频发,给城市道路系统带来了极大的负担,也对人的生命安全造成严重威胁。随着智能交通控制系统的发展,视频监控在交通管理中的应用越来越多。高速公路作为事故多发路段,传统的人工检测方法日益不能满足实际需求。通过对道路监控摄像机视频进行视频分析,获取交通信息是未来的发展方向。
目前交通系统巳经高度依赖视频监控设备获得的实时交通信息,交通控制管理中心通过对道路监控视频的人工观察直观的获得道路的车流密度、道路状况、车辆违章和车辆事故情况。然而随着道路交通监控系统规模的不断扩大,监控摄像机数目的不断增加,对所有道路监控视频进行人工的实时监测已经力不从心,单纯通过增加人力来对所有监控点进行实时监控非常不现实。同时人眼长时间监视容易引起疲劳和疏忽,长期观察引起视觉疲劳后可能遗漏有效信息。目前的视频监控系统的智能水平还比较低,使得大部分视频数据只有事后检索的意义,不能将大量的车辆交通信息实时地提取出来直接反馈给管理者。
智能交通系统的目的就是要利用计算机视觉技术,结合其他相关领域的知识,实现在不需要或者尽量减少人工控制的情况下能对道路监控视频图像序列进行自动分析。基于视频监控,实现自动检测车辆运动目标,提取车辆目标速度,运动轨迹,车辆特征,车流密度,车牌号码等信息。通过以上信息的反馈,实现高效率的智能交通管理控制,并将大量的车辆信息进行提取和保留,在有需要的时候可以高效智能地检索车辆信息。
申请号为CN202010801029.5的中国发明专利申请提出一种智能交通管理方法,包括:获取第一交通工具的运行车道区域,基于第一交通工具及运行车道区域建立道路坐标系,获取第二交通工具的预测轨迹;将预测轨迹映射到道路坐标系,根据映射结果建立第二交通工具对应的局部坐标系,根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率;根据轨迹交叉概率从第二交通工具中确定引导交通工具;引导交通工具是指引导第一交通工具行驶路线的交通工具。采用该申请,提高了针对当前交通工具选择引导交通工具的决策容错性。
公开号为CN111818313A的中国发明专利申请提出一种基于监控视频的车辆实时追踪方法,包括:根据多个视频点构建视频网络;根据视频网络确定每个视频点的可达网络;根据可达网络确定目标车辆的行程时间区间;在行程时间区间内根据可达网络确定多个视频点对应的监控视频进行目标车辆的特征提取;当提取到目标车辆的特征时,切换至对应的监控视频进行显示。该发明通过构建视频网络形成不同视频点之间的拓扑关系图,根据视频网络确定目标车辆的行程时间区间,适时启用后续视频点对目标车辆进行识别,完成车辆的快速定位,将基础数据与视频AI技术相结合,实现车辆实时轨迹的快速稳定追踪,在城市管理中具有广泛的应用场景。
然而,如何在同一套系统中实现自动化的目标追踪或者车流检测之后的拥堵预测,现有技术并未提出有效的技术方案;同时,针对长时间大流量的车流图像处理,如何在确保准确度的同时,保证数据处理不发生阻塞,成为车辆追踪中图像处理亟待解决的技术问题。
发明内容
为解决上述技术问题,本发明提出一种根据图像识别的车辆跟踪方法。在本发明的车辆跟踪方法中,需要跟踪的预定目标既可以是指定特征的指定车辆,也可以是车流本身,因此本发明的技术方案可实现精准车辆追踪和车流拥堵预测的双重追踪效果。
具体来说,本发明的技术方案基于分布于多个预定设定范围的多个车辆追踪装置实现,每个所述车辆追踪装置均配置有边缘计算单元与图像传感单元。
在此基础上,所述方法包括如下步骤:
S100:第一图像传感器单元采集第一预定设定范围内的包含预定目标的第一目标图像,并将所述第一目标图像通过第一边缘计算单元进行第一处理后,将第一处理结果发送至第二图像传感器单元;
S200:所述第二图像传感器单元持续采集第二预定设定范围的第二图像帧,并通过第二边缘计算单元对所述第二图像帧进行第二处理后,获得第二图像数据集;
S300:将所述第一处理结果与所述第二图像数据集进行比对;
S400:基于所述比对结果,对所述预定目标进行追踪。
其中,所述第一图像传感器单元、第一边缘计算单元为第一车辆追踪装置配置的所述边缘计算单元与图像传感单元,所述第二图像传感器单元为第二车辆追踪装置配置的所述边缘计算单元与图像传感单元;
所述预定设定范围为预先确定的易拥堵路段;
所述第一车辆追踪装置和所述第二车辆追踪装置位于所述多个预定设定范围中的相邻易拥堵路段。
在一个追踪场景中,所述预定目标为包含指定特征的指定车辆;
所述第一处理结果为对所述指定车辆的指定特征进行边缘计算后的第一图像处理结果;
此时,所述步骤S300具体包括:
判断所述第二图像数据集中是否存在元素与所述第一图像处理结果的相似度大于预定阈值。
所述步骤S400进一步包括:
若所述第二图像数据集中不存在与所述第一图像处理结果的相似度大于预定阈值的元素,则获取所述第二图像数据集的第二元素数量;
将所述第二元素数量与第一元素数量进行比较,基于比较结果,对所述预定目标进行追踪;
所述第一元素数量为所述第一目标图像中包含的车辆数目,所述数目由所述第一边缘计算单元对所述第一目标图像进行所述第一处理后确定,并作为所述第一处理结果的一部分。
在另一个场景中,所述预定目标仅为包含车辆的图像,即车流图像数据。
此时,所述步骤S300中所述比对包括:
判断所述第二图像数据集中是否存在元素与所述第一处理结果的相似度大于预定阈值。
所述步骤S400进一步包括:
若所述第二图像数据集中存在元素与所述第一处理结果的相似度大于预定阈值,则所述第二图像传感器单元将所述第二图像数据集中相似度大于预定阈值的集合元素发送至第三图像传感器单元;
所述第三图像传感器单元为第三车辆追踪装置配置的所述图像传感单元,所述第三车辆追踪装置和所述第二车辆追踪装置位于所述多个预定设定范围中的相邻易拥堵路段。
作为进一步的优选,所述边缘计算单元包括车辆检测模型和车辆追踪模型;
所述车辆检测模型包括多特征车辆一致性检测模型,所述多特征车辆一致性检测模型基于至少两个图像传感器监测得到的图像数据实现;
所述车辆追踪模型包括CAM偏移追踪器模型。
本发明的上述方法可以通过计算机系统自动化的实现。因此,本发明还公开一种计算机系统,其包含存储器与处理器,所述存储器存储程序指令,所述处理器执行所述程序指令,用于实现前面所述的方法。
更特别的,本发明还要求保护一种计算机可读存储介质,其上存储有上述程序指令。
本发明的上述方法,通过将特定车辆追踪和车流拥堵检测以及预测结合,实现多重追踪效果的同时,不增加算法复杂度。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种根据图像识别的车辆跟踪方法的流程示意图
图2是实现图1所述方法的车辆追踪装置的布局和结构示意图
图3是实现图1所述方法的不同车辆追踪装置之间的数据交互示意图
图4和图5是基于图1所述方法实现指定车辆追踪和非指定车辆追踪的不同实施例
图6是图1所述方法中使用的边缘计算单元的模型架构示意图
具体实施方式
下面,结合附图以及具体实施方式,对发明做出进一步的描述。
参见图1,是本发明一个实施例的基于多目标优化的分布式资源调度系统的主体架构图,图2给出了执行图1所述方法的车辆追踪装置的布局和结构示意图。
首先参见图2,所述车辆跟踪方法基于分布于多个预定设定范围的多个车辆追踪装置实现,每个所述车辆追踪装置均配置有边缘计算单元与图像传感单元。
在图2的基础上,参见图1,所述方法包括如下步骤:
S100:第一图像传感器单元采集第一预定设定范围内的包含预定目标的第一目标图像,并将所述第一目标图像通过第一边缘计算单元进行第一处理后,将第一处理结果发送至第二图像传感器单元;
S200:所述第二图像传感器单元持续采集第二预定设定范围的第二图像帧,并通过第二边缘计算单元对所述第二图像帧进行第二处理后,获得第二图像数据集;
S300:将所述第一处理结果与所述第二图像数据集进行比对;
S400:基于所述比对结果,对所述预定目标进行追踪;
其中,所述第一图像传感器单元、第一边缘计算单元为第一车辆追踪装置配置的所述边缘计算单元与图像传感单元,所述第二图像传感器单元为第二车辆追踪装置配置的所述边缘计算单元与图像传感单元;
所述预定设定范围为预先确定的易拥堵路段;
所述第一车辆追踪装置和所述第二车辆追踪装置位于所述多个预定设定范围中的相邻易拥堵路段。
需要注意的是,这里的“相邻”易拥堵路段,是指在一个行进方向的道路上,连续的两个易拥堵路段,并不是在物理位置上两个路段相邻,事实上,根据本发明的上述定义,如果两个路段在物理位置上相邻又同时拥堵,则合并为一个易拥堵路段。
在本发明中,易拥堵路段可以是事先根据已有统计资料或者监测数据确定的潜在的、历史上经常发生拥堵的路段。
图3是实现图1所述方法的不同车辆追踪装置之间的数据交互示意图。
作为一般性的流程,第一图像传感器单元采集第一预定设定范围内的包含预定目标的第一目标图像,并将所述第一目标图像通过第一边缘计算单元进行第一处理后,将第一处理结果发送至第二图像传感器单元;所述第二图像传感器单元持续采集第二预定设定范围的第二图像帧,并通过第二边缘计算单元对所述第二图像帧进行第二处理后,获得第二图像数据集。
通过比对模块(比对模块可以是所述边缘计算单元本身内置的一个功能单元或者模块),比较所述第一处理结果与所述第二图像数据集,基于所述比对结果,对所述预定目标进行追踪。
接下来参见图4和图5,分别给出了基于图1所述方法实现指定车辆追踪和非指定车辆追踪的不同实施例。
在图4中,确定的追踪目标是对指定车辆进行追踪,所述指定车辆具有指定特征。
作为非限制性的例子,所述指定特征可以是车牌、车头或者车尾特征。还可以是车身特征。
此时,在所述步骤S100中,采集第一预定设定范围内的包含指定车辆的指定特征的第一目标图像;所述第一处理结果为对所述指定车辆的指定特征进行边缘计算后的第一图像处理结果;将第一图像处理结果发送至第二图像传感器单元。
需要注意的是,在本发明的各个实施例中,使用了边缘计算单元进行所述边缘计算。
边缘计算是在靠近物或数据源头的一侧,综合了网络、计算、存储、应用等核心能力的开放平台。基本思想是把云计算平台迁移到网络边缘,试图将传统移动通信网、互联网和物联网等业务进行深度融合,减小业务交付中端到端的延迟,在本地完成计算。
本发明的各个实施例,采用边缘计算单元,边缘计算单元利用自身配置的边缘计算模型,包括图像识别模型、目标追踪模型,在本地即可完成高效计算,而无需时刻与云端交互。
在此基础上,在图4的指定目标追踪实施例中,所述步骤S300具体包括:
判断所述第二图像数据集中是否存在元素与所述第一图像处理结果的相似度大于预定阈值。
相应的,所述步骤S400进一步包括:
若所述第二图像数据集中不存在与所述第一图像处理结果的相似度大于预定阈值的元素,则获取所述第二图像数据集的第二元素数量;
将所述第二元素数量与第一元素数量进行比较,基于比较结果,对所述预定目标进行追踪;
所述第一元素数量为所述第一目标图像中包含的车辆数目,所述数目由所述第一边缘计算单元对所述第一目标图像进行所述第一处理后确定,并作为所述第一处理结果的一部分。
此外,本发明的各个不同车辆追踪装置采集的数据需要一定时间处理后,发送至其他单元,这个过程存在足够的时间使得边缘计算可以完成,因此,虽然部分场景下,边缘计算能力不能与联网计算(例如云计算)媲美,但是充分的时间足以让边缘计算单元完成图像识别和处理,这也是本发明的创造性之一。
图5给出了非指定目标追踪的另一个实施例。
非指定目标追踪,可以是车流预警。例如车流检测后的拥堵检测与预警应用。
此时,在所述步骤S100中,第一预定预定时间段内,采集第一预定设定范围内的包含车辆的第一目标图像;将所述第一目标图像通过第一边缘计算单元进行第一处理后,将第一处理结果发送至第二图像传感器单元。
在所述步骤S300中,判断所述第二图像数据集中是否存在元素与所述第一处理结果的相似度大于预定阈值。
如果存在,所述第二图像传感器单元将所述第二图像数据集中相似度大于预定阈值的集合元素发送至第三图像传感器单元。
更优选的,所述步骤S400进一步包括:
若所述第二图像数据集中存在元素与所述第一处理结果的相似度大于预定阈值,则所述第二图像传感器单元将所述第二图像数据集中相似度大于预定阈值的集合元素发送至第三图像传感器单元;
所述第三图像传感器单元为第三车辆追踪装置配置的所述图像传感单元,所述第三车辆追踪装置和所述第二车辆追踪装置位于所述多个预定设定范围中的相邻易拥堵路段。
在图5中,作为更进一步的优选,为了降低边缘计算的耗能,若所述第二图像数据集中存在元素与所述第一处理结果的相似度大于预定阈值,则确定所述第二图像数据集中与所述第一处理结果的相似度大于预定阈值的元素的第二数量;
将所述第二数量与第一数量进行比较,基于比较结果,对所述预定目标进行追踪;
所述第一数量为所述第一目标图像中包含的车辆数目,所述车辆数目由所述第一边缘计算单元对所述第一目标图像进行所述第一处理后确定,并作为所述第一处理结果的一部分。
具体来说,若所述第一数量大于所述第二数量,则所述第一图像传感器单元暂时停止将所述第一处理结果发送至第二图像传感器单元。
当然,暂时停止将所述第一处理结果发送至第二图像传感器单元之后,若所述第一图像传感器单元获得的所述第一目标图像中包含的车辆数目持续增大超过预定周期,则所述第一图像传感器单元继续将所述第一处理结果发送至第二图像传感器单元。
最后参见图6,图6是图1所述方法中使用的边缘计算单元的模型架构示意图。
在图6中,所述边缘计算单元包括车辆检测模型和车辆追踪模型;
所述车辆检测模型包括多特征车辆一致性检测模型,所述多特征车辆一致性检测模型基于至少两个图像传感器监测得到的图像数据实现;所述车辆追踪模型包括CAM偏移追踪器模型。
作为更具体的介绍,所述多特征车辆一致性检测模型采用背景减除法分割出感兴趣区域,对感兴趣区域采用灰度和彩色区间分割相结合的方法定位车牌,并识别车牌信息及车辆的HSI颜色信息;同时利用边缘检测算法和矩不变量技术对车型进行识别,最后采用特征加权法对车辆进行一致性匹配。
在上述方法中,车辆特征主要包括车辆的颜色信息、车牌信息以及车辆的外形信息。车牌是车辆最主要的特征之一,它能够唯一地标示每一辆车辆是车辆目标一致性匹配的重要依据,但由于车辆在视频中出现的距离或姿态的多样性,车辆追踪装置有可能捕捉不到车辆的车牌信息,所以还需提取车辆的外形及颜色信息。
在上述方法中,车辆的颜色信息是指车身的主要颜色成分。要确定图像中车辆上的一个像素的色彩值,本实施例采用的方法是将目标区域的图像颜色从RGB颜色空间转换到HSI颜色空间,这样做是因为R,G,B三个分量间关联性比较强,利用这三个分量进行颜色识别一般不能得到所要的效果,而根据人眼视觉的三要素而建立的HSI模型就克服了这些缺点,它的优点是HSI三个分量相对于人眼的视觉分量,彼此之间是相互独立的(视觉心理和物理两个方面),能够获得对颜色最直观的表示而且在HSI空间中彩色距离是分布式均匀的,这样就容易建立误差优化标准,将可量化的误差控制在要求的范围内。
在一般情况下,上述多特征车辆一致性检测模型在外界条件良好时可以较好地检测出同一车辆目标;
同时,考虑到外界条件不佳时的情形,本实施例引入CAM偏移追踪器模型,结合该算法,采用车辆颜色作为特征进行跟踪检测就不会随着车辆的明暗、形状变化被干扰,在车辆识别过程中具有较高的可靠性。
具体而言,本实施例采用基于平均值偏移作为识别基础的CAM(ContinuousAdaptive Mean Shift)偏移跟踪算法。
概括来说,该方法实现如下:首先在系统初始化时快速地检测出道路上的车辆,并提取每辆车的位置尺寸和颜色等数据,然后再用绑定每辆车的矩形框的位置和大小初始化CAM偏移搜索窗口,从而为每一辆检测到的车辆用CAM偏移算法进行跟踪。通过与运动车辆检测相结合,实现了智能的车辆检测和识别。
所示过程详述如下:
(1)通过运动车辆检测算法,检测出路面所有运动车辆,并用矩形框把测检到的每辆车绑定,同时计算每个矩形框内的Hue通道直方图,把得到的数据作为车辆的颜色查询表
(2)为检测到的车辆都设置一个CAM偏移跟踪器即对每个检测到的运动物体都使用CAM偏移算法跟踪算法的初始搜索区域和Hue通道直方图均从上一步中获得。
(3)计算搜索区域内的彩色概率分布图像也就是反向的投影计算
(4)执行均值偏移算法获得新的搜索区域的范围和区域位置并将其数据记录下来(5)在下一帧获取的图像里利用上一步获得的数值更新搜索区域车辆的范围和区域位置并跳转到步骤(3)继续执行。该算法重复进行。直到被跟踪车辆驶出图像范围CAM偏移算法才可以终止。
通过边缘计算单元,在本地基于上述模型进行图像处理,对于长时间大流量的车流图像处理,即可确保准确度,也保证数据处理不发生阻塞。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种根据图像识别的车辆跟踪方法,所述车辆跟踪方法基于分布于多个预定设定范围的多个车辆追踪装置实现,每个所述车辆追踪装置均配置有边缘计算单元与图像传感单元,
其特征在于,至少两个所述车辆追踪装置之间存在数据通信;
所述方法包括如下步骤:
S100:第一图像传感器单元采集第一预定设定范围内的包含预定目标的第一目标图像,并将所述第一目标图像通过第一边缘计算单元进行第一处理后,将第一处理结果发送至第二图像传感器单元;
S200:所述第二图像传感器单元持续采集第二预定设定范围的第二图像帧,并通过第二边缘计算单元对所述第二图像帧进行第二处理后,获得第二图像数据集;
S300:将所述第一处理结果与所述第二图像数据集进行比对;
S400:基于比对结果,对所述预定目标进行追踪;
所述步骤S300具体包括:
判断所述第二图像数据集中是否存在元素与所述第一图像处理结果的相似度大于预定阈值;
所述步骤S400进一步包括:
若所述第二图像数据集中不存在与所述第一图像处理结果的相似度大于预定阈值的元素,则获取所述第二图像数据集的第二元素数量;
将所述第二元素数量与第一元素数量进行比较,基于比较结果,对所述预定目标进行追踪;
所述第一元素数量为所述第一目标图像中包含的车辆数目,所述车辆数目由所述第一边缘计算单元对所述第一目标图像进行所述第一处理后确定,并作为所述第一处理结果的一部分;
其中,所述第一图像传感器单元、第一边缘计算单元为第一车辆追踪装置配置的所述边缘计算单元与图像传感单元,所述第二图像传感器单元为第二车辆追踪装置配置的所述边缘计算单元与图像传感单元;
所述预定设定范围为预先确定的易拥堵路段;
所述第一车辆追踪装置和所述第二车辆追踪装置位于所述多个预定设定范围中的相邻易拥堵路段。
2.如权利要求1所述的一种根据图像识别的车辆跟踪方法,其特征在于:
所述步骤S400进一步包括:
若所述第二图像数据集中存在元素与所述第一处理结果的相似度大于预定阈值,则所述第二图像传感器单元将所述第二图像数据集中相似度大于预定阈值的集合元素发送至第三图像传感器单元;
所述第三图像传感器单元为第三车辆追踪装置配置的所述图像传感单元,所述第三车辆追踪装置和所述第二车辆追踪装置位于所述多个预定设定范围中的相邻易拥堵路段。
3.如权利要求1所述的一种根据图像识别的车辆跟踪方法,其特征在于:
所述预定目标为包含指定特征的指定车辆;
所述第一处理结果为对所述指定车辆的指定特征进行边缘计算后的第一图像处理结果。
4.如权利要求1所述的一种根据图像识别的车辆跟踪方法,其特征在于:
若所述第二图像数据集中存在元素与所述第一处理结果的相似度大于预定阈值,则确定所述第二图像数据集中与所述第一处理结果的相似度大于预定阈值的元素的第二数量;
将所述第二数量与第一元素数量进行比较,基于比较结果,对所述预定目标进行追踪。
5.如权利要求4所述的一种根据图像识别的车辆跟踪方法,其特征在于:
若所述第一元素数量大于所述第二数量,则所述第一图像传感器单元暂时停止将所述第一处理结果发送至第二图像传感器单元。
6.如权利要求1-5任一项所述的一种根据图像识别的车辆跟踪方法,其特征在于:
所述边缘计算单元包括车辆检测模型和车辆追踪模型;
所述车辆检测模型包括多特征车辆一致性检测模型,所述多特征车辆一致性检测模型基于至少两个图像传感器监测得到的图像数据实现;
所述车辆追踪模型包括CAM偏移追踪器模型。
7.如权利要求5所述的一种根据图像识别的车辆跟踪方法,其特征在于:
暂时停止将所述第一处理结果发送至第二图像传感器单元之后,若所述第一图像传感器单元获得的所述第一目标图像中包含的车辆数目持续增大超过预定周期,则所述第一图像传感器单元继续将所述第一处理结果发送至第二图像传感器单元。
8.一种计算机系统,其包含存储器与处理器,所述存储器存储程序指令,所述处理器执行所述程序指令,用于实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011527167.5A CN112766038B (zh) | 2020-12-22 | 2020-12-22 | 一种根据图像识别的车辆跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011527167.5A CN112766038B (zh) | 2020-12-22 | 2020-12-22 | 一种根据图像识别的车辆跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766038A CN112766038A (zh) | 2021-05-07 |
CN112766038B true CN112766038B (zh) | 2021-12-17 |
Family
ID=75694570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011527167.5A Active CN112766038B (zh) | 2020-12-22 | 2020-12-22 | 一种根据图像识别的车辆跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766038B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496211A (zh) * | 2021-06-22 | 2021-10-12 | 北京格灵深瞳信息技术股份有限公司 | 目标车辆确定方法、装置、电子设备及存储介质 |
CN113674262A (zh) * | 2021-08-26 | 2021-11-19 | 安徽天诚交通工程有限公司 | 一种车辆轨迹跟踪的方法及系统 |
CN114743382B (zh) * | 2022-06-13 | 2022-10-28 | 浙江大云物联科技有限公司 | 基于智慧灯杆系统的车辆违章行为识别方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632126A (zh) * | 2012-08-20 | 2014-03-12 | 华为技术有限公司 | 人脸跟踪方法及装置 |
CN104866823A (zh) * | 2015-05-11 | 2015-08-26 | 重庆邮电大学 | 一种基于单目视觉的车辆检测与跟踪方法 |
CN105844664A (zh) * | 2016-03-21 | 2016-08-10 | 辽宁师范大学 | 基于改进tld的监控视频车辆检测跟踪方法 |
CN108288377A (zh) * | 2017-01-09 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 一种路况信息的生成方法及装置 |
CN109544907A (zh) * | 2018-10-23 | 2019-03-29 | 大唐软件技术股份有限公司 | 一种车辆计数方法、装置 |
CN110866441A (zh) * | 2019-09-29 | 2020-03-06 | 京东数字科技控股有限公司 | 一种车辆识别、延续追踪方法、装置和路侧系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004153469A (ja) * | 2002-10-29 | 2004-05-27 | Doro Tsushin Engineer Kk | カメラ併置型屋外用照明器具を利用した画像伝送システム |
CN111046705A (zh) * | 2018-10-12 | 2020-04-21 | 华为技术有限公司 | 图像识别的方法、装置、系统及计算设备 |
CN110706258B (zh) * | 2019-10-10 | 2022-10-04 | 北京百度网讯科技有限公司 | 对象追踪方法及装置 |
CN111898501B (zh) * | 2020-07-17 | 2022-04-05 | 东南大学 | 一种针对拥堵路段的无人机在线航拍车辆识别及统计方法 |
-
2020
- 2020-12-22 CN CN202011527167.5A patent/CN112766038B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632126A (zh) * | 2012-08-20 | 2014-03-12 | 华为技术有限公司 | 人脸跟踪方法及装置 |
CN104866823A (zh) * | 2015-05-11 | 2015-08-26 | 重庆邮电大学 | 一种基于单目视觉的车辆检测与跟踪方法 |
CN105844664A (zh) * | 2016-03-21 | 2016-08-10 | 辽宁师范大学 | 基于改进tld的监控视频车辆检测跟踪方法 |
CN108288377A (zh) * | 2017-01-09 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 一种路况信息的生成方法及装置 |
CN109544907A (zh) * | 2018-10-23 | 2019-03-29 | 大唐软件技术股份有限公司 | 一种车辆计数方法、装置 |
CN110866441A (zh) * | 2019-09-29 | 2020-03-06 | 京东数字科技控股有限公司 | 一种车辆识别、延续追踪方法、装置和路侧系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112766038A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766038B (zh) | 一种根据图像识别的车辆跟踪方法 | |
EP2093698A1 (en) | Crowd congestion analysis | |
EP2093699A1 (en) | Movable object status determination | |
WO2021170030A1 (zh) | 一种用于目标追踪的方法、设备及系统 | |
Rachmadi et al. | Adaptive traffic signal control system using camera sensor and embedded system | |
KR20180046798A (ko) | 실시간 교통 정보 제공 방법 및 장치 | |
CN109615864A (zh) | 基于视频结构化的车辆拥堵分析方法、系统、终端及存储介质 | |
CN103986910A (zh) | 一种基于智能分析摄像机的客流统计方法和系统 | |
CN107886055A (zh) | 一种用于车辆运动方向判定的逆行检测方法 | |
Pan et al. | Traffic surveillance system for vehicle flow detection | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
CN111353451A (zh) | 电瓶车检测方法、装置、计算机设备及存储介质 | |
CN116153086B (zh) | 基于深度学习的多路段交通事故及拥堵检测方法及系统 | |
CN112132071A (zh) | 识别交通拥堵的处理方法、装置、设备及存储介质 | |
CN111931715B (zh) | 识别车灯状态的方法、装置、计算机设备和存储介质 | |
CN110070729A (zh) | 一种基于雾计算的违停车辆检测系统及方法 | |
CN110879990A (zh) | 一种预计机场安检旅客排队等候时长的方法及其应用 | |
Fehr et al. | Counting people in groups | |
CN112562315B (zh) | 一种获取车流信息的方法、终端及存储介质 | |
CN114743382B (zh) | 基于智慧灯杆系统的车辆违章行为识别方法和装置 | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
Shinde et al. | Traffic optimization algorithms in optical networks for real time traffic analysis | |
CN115565388A (zh) | 基于多通道车辆检测与立体特征标注的交通灯控制方法 | |
EP3896651A1 (en) | Method and apparatus for evaluating temporal characteristics of semantic image segmentation | |
ElHakim et al. | Traffisense: A smart integrated visual sensing system for traffic monitoring |
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 |