CN113378658A - 车辆数据聚类方法以及车辆轨迹还原方法 - Google Patents
车辆数据聚类方法以及车辆轨迹还原方法 Download PDFInfo
- Publication number
- CN113378658A CN113378658A CN202110565614.4A CN202110565614A CN113378658A CN 113378658 A CN113378658 A CN 113378658A CN 202110565614 A CN202110565614 A CN 202110565614A CN 113378658 A CN113378658 A CN 113378658A
- Authority
- CN
- China
- Prior art keywords
- clustering
- clustering result
- vehicle
- vehicle data
- candidate
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及计算机技术领域,具体提供了一种车辆数据聚类方法以及车辆轨迹还原方法。车辆数据聚类方法包括:获取根据车辆数据聚类处理得到的至少两个聚类结果,以及与每一所述聚类结果对应的还原轨迹信息;对于所述至少两个聚类结果中的任一目标聚类结果,基于所述目标聚类结果与其他聚类结果之间的相似度,从所述其他聚类结果中确定候选聚类集;其中,所述其他聚类结果是所述至少两个聚类结果中除目标聚类结果之外的聚类结果;基于所述候选聚类集中的每一个候选聚类结果的还原轨迹信息,与所述目标聚类结果的还原轨迹信息的相似度,更新所述目标聚类结果。本公开方法提高车辆数据的聚类准确性。
Description
技术领域
本公开涉及计算机技术领域,具体涉及一种车辆数据聚类方法以及车辆轨迹还原方法。
背景技术
车辆轨迹还原技术可用于获得车辆在城市中运行的轨迹,从而可以对交通数据进行感知和分析,常见的应用可例如高速车辆稽逃、车辆行驶行为分析等。基于视觉的车辆轨迹还原系统需要首先对车辆数据进行聚类处理,相关技术中,车辆数据聚类处理的精度较低。
发明内容
为提高车辆数据聚类处理的精度,本公开实施方式提供了一种车辆数据聚类方法及装置、车辆轨迹还原方法及装置、电子设备、存储介质。
第一方面,本公开实施方式提供了一种车辆数据聚类方法,包括:
获取根据车辆数据聚类处理得到的至少两个聚类结果,以及与每一所述聚类结果对应的还原轨迹信息;
对于所述至少两个聚类结果中的任一目标聚类结果,基于所述目标聚类结果与其他聚类结果之间的相似度,从所述其他聚类结果中确定候选聚类集;其中,所述其他聚类结果是所述至少两个聚类结果中除目标聚类结果之外的聚类结果;
基于所述候选聚类集中的每一个候选聚类结果的还原轨迹信息,与所述目标聚类结果的还原轨迹信息的相似度,更新所述目标聚类结果。
在一些实施方式中,所述从所述其他聚类结果中确定候选聚类集,包括:
获取所述目标聚类结果的第一聚类中心,以及每个其他聚类结果的第二聚类中心;
根据所述第一聚类中心与每个所述第二聚类中心的相似度,得到第一相似度集合;
从所述第一相似度集合中确定预设数量的相似度对应的其他聚类结果,得到所述候选聚类集。
在一些实施方式中,所述车辆数据包括车辆信息和车牌信息,获取每个聚类结果的聚类中心的步骤包括:
对于每个所述聚类结果,基于该聚类结果中包括的车辆信息和车牌信息,确定该聚类结果的聚类中心。
在一些实施方式中,所述基于所述候选聚类集中的每一候选聚类结果的还原轨迹信息,与所述目标聚类结果的还原轨迹信息的相似度,更新所述目标聚类结果,包括:
对于所述候选聚类集中的每一个候选聚类结果,基于所述候选聚类结果的还原轨迹信息与所述目标聚类结果的还原轨迹信息的相似度,对所述候选聚类结果与所述目标聚类结果进行合并处理,得到更新后的目标聚类结果。
在一些实施方式中,所述对所述候选聚类结果与所述目标聚类结果进行合并处理,包括:
响应于所述候选聚类结果包括一个车辆数据,且所述车辆数据的时空信息与所述目标聚类结果的还原轨迹信息的时空信息相似度不小于第一相似度阈值,对所述候选聚类结果和所述目标聚类结果进行合并处理;
在一些实施方式中,所述对所述候选聚类结果与所述目标聚类结果进行合并处理,包括:
响应于所述候选聚类结果包括至少两个车辆数据,且所述目标聚类结果对应的第一还原轨迹信息和所述至少两个车辆数据对应的第二还原轨迹信息的相似度不小于第二相似度阈值,对所述候选聚类结果和所述目标聚类结果进行合并处理。
在一些实施方式中,在所述更新所述目标聚类结果之后,所述方法还包括:
对于每一个聚类结果,获取该聚类结果包括的各个车辆数据;
对于每一个车辆数据,基于该车辆数据的时空信息对该车辆数据的置信度分数进行更新,得到更新后的置信度分数;所述置信度分数表示该车辆数据与该车辆数据对应的聚类结果的相似度;
响应于更新后的置信度分数小于预设分数阈值,将该车辆数据从聚类结果中去除。
在一些实施方式中,所述对于每一个车辆数据,基于该车辆数据的时空信息对该车辆数据的置信度分数进行更新,包括:
基于车辆数据的时空信息,确定该车辆数据与该车辆数据所属聚类结果中的其他车辆数据之间的距离集合;
根据所述距离集合中的最小距离,确定所述车辆数据的置信度权值;
根据所述置信度权值对所述车辆的置信度分数进行更新。
在一些实施方式中,所述获取根据车辆数据聚类处理得到的至少两个聚类结果,包括:
获取待处理的各车辆数据;所述车辆数据包括车辆图像和由所述车辆图像中提取的车辆信息和车牌信息;
基于所述车辆信息和所述车牌信息,确定候选图像集;
基于所述候选图像集中每一候选图像与所述车辆图像的相似度,对所述待处理的车辆数据进行聚类处理,得到所述至少两个聚类结果。
在一些实施方式中,所述基于所述候选图像集中每一候选图像与所述车辆图像的相似度,对所述待处理图像进行聚类处理,包括:
基于所述车辆信息和所述车牌信息,确定所述候选图像集中候选图像与所述车辆图像的第二相似度集合;
响应于所述第二相似度集合中最大相似度不小于预设阈值,将所述车辆数据聚类至所述最大相似度对应的候选图像所属的类别;
和/或,
响应于所述第二相似度集合中最大相似度小于预设阈值,将所述车辆数据聚类至新增的类别。
第二方面,本公开实施方式提供了一种车辆轨迹还原方法,包括:
根据更新后的目标聚类结果,对所述目标聚类结果对应的还原轨迹信息进行更新;所述根据更新后的目标聚类结果根据第一方面任一实施方式所述的车辆数据聚类方法得到;
基于更新后的目标聚类结果和还原轨迹信息,重复执行所述从所述其他聚类结果中确定候选聚类集,和所述更新所述目标聚类结果的步骤,直至满足收敛条件。
在一些实施方式中,获取所述聚类结果对应的还原轨迹信息,包括:
获取路网数据和各聚类结果;
对于每个聚类结果,基于该聚类结果包括的各车辆数据的时空信息和所述路网数据,在所述路网数据对应的道路网络上确定各个车辆数据对应的轨迹点;
根据各个轨迹点对应的车辆数据的时空信息,得到该聚类结果对应的还原轨迹信息。
在一些实施方式中,所述获取路网数据包括:
获取原始道路网络数据以及各聚类结果;
基于各聚类结果中包括的车辆数据的时空信息,对所述原始道路网络数据进行预处理,得到所述路网数据。
第三方面,本公开实施方式提供了一种车辆数据聚类装置,包括:
第一获取模块,被配置为获取根据车辆数据聚类处理得到的至少两个聚类结果,以及与每一所述聚类结果对应的还原轨迹信息;
确定模块,被配置为对于所述至少两个聚类结果中的任一目标聚类结果,基于所述目标聚类结果与其他聚类结果之间的相似度,从所述其他聚类结果中确定候选聚类集;其中,所述其他聚类结果是所述至少两个聚类结果中除目标聚类结果之外的聚类结果;
聚类更新模块,被配置为基于所述候选聚类集中的每一个候选聚类结果的还原轨迹信息,与所述目标聚类结果的还原轨迹信息的相似度,更新所述目标聚类结果。
在一些实施方式中,所述确定模块具体被配置为:
获取所述目标聚类结果的第一聚类中心,以及每个其他聚类结果的第二聚类中心;
根据所述第一聚类中心与每个所述第二聚类中心的相似度,得到第一相似度集合;
从所述第一相似度集合中确定预设数量的相似度对应的其他聚类结果,得到所述候选聚类集。
在一些实施方式中,所述车辆数据包括车辆信息和车牌信息,所述确定模块具体被配置为:
对于每个所述聚类结果,基于该聚类结果中包括的车辆信息和车牌信息,确定该聚类结果的聚类中心。
在一些实施方式中,所述聚类更新模块具体被配置为:
对于所述候选聚类集中的每一个候选聚类结果,基于所述候选聚类结果的还原轨迹信息与所述目标聚类结果的还原轨迹信息的相似度,对所述候选聚类结果与所述目标聚类结果进行合并处理,得到更新后的目标聚类结果。
在一些实施方式中,所述聚类更新模块具体被配置为:
响应于所述候选聚类结果包括一个车辆数据,且所述车辆数据的时空信息与所述目标聚类结果的还原轨迹信息的时空信息相似度不小于第一相似度阈值,对所述候选聚类结果和所述目标聚类结果进行合并处理。
在一些实施方式中,所述聚类更新模块具体被配置为:
响应于所述候选聚类结果包括至少两个车辆数据,且所述目标聚类结果对应的第一还原轨迹信息和所述至少两个车辆数据对应的第二还原轨迹信息的相似度不小于第二相似度阈值,对所述候选聚类结果和所述目标聚类结果进行合并处理。
在一些实施方式中,所述的车辆数据聚类装置,还包括:
第二获取模块,被配置为对于每一个聚类结果,获取该聚类结果包括的各个车辆数据;
分数更新模块,被配置为对于每一个车辆数据,基于该车辆数据的时空信息对该车辆数据的置信度分数进行更新,得到更新后的置信度分数;所述置信度分数表示该车辆数据与该车辆数据对应的聚类结果的相似度;
去除模块,被配置为响应于更新后的置信度分数小于预设分数阈值,将该车辆数据从聚类结果中去除。
在一些实施方式中,所述分数更新模块具体被配置为:
基于车辆数据的时空信息,确定该车辆数据与该车辆数据所属聚类结果中的其他车辆数据之间的距离集合;
根据所述距离集合中的最小距离,确定所述车辆数据的置信度权值;
根据所述置信度权值对所述车辆的置信度分数进行更新。
在一些实施方式中,所述第一获取模块具体被配置为:
获取待处理的各车辆数据;所述车辆数据包括车辆图像和由所述车辆图像中提取的车辆信息和车牌信息;
基于所述车辆信息和所述车牌信息,确定候选图像集;
基于所述候选图像集中每一候选图像与所述车辆图像的相似度,对所述待处理的车辆数据进行聚类处理,得到所述至少两个聚类结果。
在一些实施方式中,所述第一获取模块具体被配置为:
基于所述车辆信息和所述车牌信息,确定所述候选图像集中候选图像与所述车辆图像的第二相似度集合;
响应于所述第二相似度集合中最大相似度不小于预设阈值,将所述车辆数据聚类至所述最大相似度对应的候选图像所属的类别;
和/或,
响应于所述第二相似度集合中最大相似度小于预设阈值,将所述车辆数据聚类至新增的类别。
第四方面,本公开实施方式提供了一种车辆轨迹还原装置,包括:
轨迹更新模块,被配置为根据更新后的目标聚类结果,对所述目标聚类结果对应的还原轨迹信息进行更新;所述根据更新后的目标聚类结果根据第一方面任一实施方式所述的车辆数据聚类方法得到;
循环迭代模块,被配置为基于更新后的目标聚类结果和还原轨迹信息,重复执行所述从所述其他聚类结果中确定候选聚类集,和所述更新所述目标聚类结果的步骤,直至满足收敛条件。
在一些实施方式中,所述第一获取模块具体被配置为:
获取路网数据和各聚类结果;
对于每个聚类结果,基于该聚类结果包括的各车辆数据的时空信息和所述路网数据,在所述路网数据对应的道路网络上确定各个车辆数据对应的轨迹点;
根据各个轨迹点对应的车辆数据的时空信息,得到该聚类结果对应的还原轨迹信息。
在一些实施方式中,所述第一获取模块具体被配置为:
获取原始道路网络数据以及各聚类结果;
基于各聚类结果中包括的车辆数据的时空信息,对所述原始道路网络数据进行预处理,得到所述路网数据。
第五方面,本公开实施方式提供了一种电子设备,包括:
处理器;以及
存储器,存储有能够被所述处理器读取的计算机指令,当所述计算机指令被读取时,所述处理器执行根据第一方面或者第二方面任一实施方式所述的方法。
第六方面,本公开实施方式提供了一种存储介质,用于存储计算机可读指令,所述计算机可读指令用于使计算机执行根据第一方面或者第二方面任一实施方式所述的方法。
本公开实施方式的车辆数据聚类方法,包括获取根据车辆数据聚类处理得到的聚类结果以及各聚类结果对应的还原轨迹信息,基于目标聚类结果与其他聚类结果的相似度,从其他聚类结果中确定候选聚类集,基于候选聚类集中的每一个候选聚类结果的还原轨迹信息与目标聚类结果的还原轨迹信息的相似度,更新目标聚类结果。本公开方法根据还原轨迹信息对聚类结果进行反馈更新,从而降低聚类带来的扩散问题,提高聚类准确性,进而提高轨迹还原的精度。
附图说明
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施方式,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是根据本公开一些实施方式中车辆数据聚类方法的流程图。
图2是根据本公开一些实施方式中车辆数据聚类方法的流程图。
图3是根据本公开一些实施方式中车辆数据聚类方法的流程图。
图4是根据本公开一些实施方式中车辆数据聚类方法的流程图。
图5是根据本公开一些实施方式中车辆数据聚类方法的流程图。
图6是根据本公开一些实施方式中车辆数据聚类方法的流程图。
图7是根据本公开一些实施方式中车辆数据聚类方法的流程图。
图8是根据本公开一些实施方式中车辆数据聚类方法的流程图。
图9是根据本公开一些实施方式中车辆数据聚类方法的流程图。
图10是根据本公开一些实施方式中车辆轨迹还原方法的流程图。
图11是根据本公开一些实施方式中车辆轨迹还原方法的原理示意图。
图12是根据本公开一些实施方式中系统框架图。
图13是根据本公开一些实施方式中车辆数据聚类装置的框图。
图14是根据本公开一些实施方式中车辆数据聚类装置的框图。
图15是根据本公开一些实施方式中车辆轨迹还原装置的框图。
图16是适于实现本公开方法的计算机系统结构框图。
具体实施方式
下面将结合附图对本公开的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本公开一部分实施方式,而不是全部的实施方式。基于本公开中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本公开保护的范围。此外,下面所描述的本公开不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
车辆轨迹还原技术是实现智慧交通、提高城市运行效率的重要课题之一,车辆轨迹还原可用于获得车辆在城市中运行的轨迹,从而可以对交通数据进行感知和分析,常见的应用可例如高速车辆稽逃、车辆行驶行为分析等。
车辆轨迹还原基于道路交通摄像头采集的数据,对道路车辆的抓拍图像进行聚类处理,利用图像的特征信息对车辆进行单摄像头追踪或者跨摄像头匹配,从而实现轨迹还原。相关技术中,车辆轨迹还原的性能较差,从而导致下游任务的效果不佳。
基于上述相关技术中存在的缺陷,本公开实施方式提供了一种车辆轨迹还原方法、装置、电子设备以及存储介质,旨在提高车辆聚类处理和轨迹还原的精度。
本公开实施方式提供了一种车辆数据聚类方法,该方法可应用至任何适于实现的系统设备中,例如用户终端设备、车载终端设备、服务器或者其他处理设备,可由设备的处理器执行。图1示出了本公开车辆轨迹还原的一些实施方式,下面结合图1进行详细说明。
如图1所示,在一些实施方式中,本公开示例的车辆数据聚类方法包括:
S110、获取根据车辆数据聚类处理得到的至少两个聚类结果,以及与每一聚类结果对应的还原轨迹信息。
具体来说,车辆数据指通过道路网络的图像采集设备采集的包含车辆的交通数据。例如,通过交叉路口的摄像头拍摄的视频流或者帧图像数据。
车辆数据包括城市道路中多个摄像头采集的车辆图像,通过对车辆图像进行聚类处理,得到多个聚类结果。其中,每个聚类结果中会包含至少一个车辆数据,属于同一个聚类结果中的车辆数据表示同一辆车在不同时间或不同位置时的采集数据。也即,本公开实施方式中的实现“一车一类”的聚类处理。
对于聚类处理的具体过程,本公开下述图2实施方式中进行说明,在此暂不展开。
在一些实施方式中,车辆数据不仅包括摄像头采集的车辆图像,还包括与该车辆图像对应的时空信息。例如,时空信息可包括采集该车辆图像的摄像头的位置和采集该车辆图像的时间等。
在得到聚类结果之后,对于某一个聚类结果,基于上述可知,该聚类结果中的各个车辆数据表示同一辆车在不同位置或不同时间的数据,从而基于各个车辆数据的时空信息和路网数据即可还原出车辆的移动轨迹,得到该聚类结果对应的还原轨迹信息。
对于轨迹还原的具体过程,本公开下述图5实施方式中进行说明,在此暂不展开。
基于上述可知,通过对各个车辆数据的聚类处理,可以得到多个聚类结果。通过对各个聚类结果进行轨迹还原,可以得到每个聚类结果对应的还原轨迹信息。从而,可以获取得到各个聚类结果以及其对应的还原轨迹信息。
S120、对于至少两个聚类结果中的任一目标聚类结果,基于目标聚类结果与其他聚类结果之间的相似度,从其他聚类结果中确定候选聚类集。
值得说明的是,在步骤S110中得到聚类结果之后,基于聚类结果得到的还原轨迹信息已经可以用于下游任务,例如根据还原轨迹实现目标车辆稽逃、车辆行驶行为分析等任务。但是,通过研究发现,在实践中,聚类处理得到的聚类结果往往存在噪声和扩散的问题。例如,属于同一车辆的多个车辆数据,在经过聚类处理之后可能分散在两个甚至更多的聚类结果中,从而导致该车辆的轨迹还原性能较差,进而导致下游任务的效果不佳。
基于此发现,本公开实施方式中,利用根据聚类结果得到的还原轨迹信息,将轨迹信息反馈回上游的聚类结果,对聚类结果进行迭代更新,可基于更新后的聚类结果再次对还原轨迹信息进行迭代更新,从而提高聚类和轨迹还原的精度,进而提高下游任务的效果。下面对此进行详细说明。
具体来说,在步骤S120中,以多个聚类结果中的某一个聚类结果为例,定义该聚类结果为目标聚类结果,定义除该聚类结果之外的聚类结果为其他聚类结果。
对于一个聚类结果来说,聚类中心代表该聚类结果的平均属性。例如,计算该聚类结果中包含的各个车辆数据的特征平均值,该特征平均值即可作为该聚类结果的聚类中心。本公开实施方式中,获取各个聚类结果的聚类中心的具体过程在下述图4实施方式中进行说明,在此暂不展开。
在计算两个聚类结果的相似度时,即可根据两个聚类结果的聚类中心的距离,来确定的这两个聚类结果的相似度。
本公开实施方式中,分别确定目标聚类结果与各个其他聚类结果两两之间的相似度,可以得到多个相似度。可以理解,相似度越高表示两个聚类结果属于同一车辆的可能性也越高,反之,相似度越低表示两个聚类结果属于同一车辆的可能性也越低。
因此,为了简化数据量,本公开实施方式中,基于聚类结果的相似度,从所有的其他聚类结果中筛选预设数量的候选聚类结果组成候选聚类集。
在一个示例中,可以根据目标聚类结果与各个其他聚类结果之间的相似度由高至低进行排序,选择前预设数量n个相似度最高的候选聚类结果,由这n个候选聚类结果组成候选聚类集。预设数量n的数值可以根据具体场景需求进行选择,本公开不作限制。
可以理解,n个相似度最高的候选聚类结果表示与目标聚类结果属于同一车辆的可能性最高,因此本实施方式中仅将部分相似度较高的聚类结果组成候选聚类集,降低后续处理的数据量,提高计算效率。
S130、基于候选聚类集中的每一个候选聚类结果的还原轨迹信息,与目标聚类结果的还原轨迹信息的相似度,更新目标聚类结果。
具体来说,候选聚类集中包括多个候选聚类结果,对于其中每一个候选聚类结果,都需要进一步确定该候选聚类结果是否与目标聚类结果属于同一车辆,从而对目标聚类结果进行反馈更新。
结合前述,聚类结果对应的还原轨迹信息表示各个车辆数据映射至道路网络的轨迹信息。对于分散至两个聚类结果中的属于同一车辆的不同车辆数据,这两个聚类结果对应的还原轨迹信息在时空上相似度应当很高。因此,通过各个还原轨迹信息与目标聚类结果的还原轨迹信息的相似度,即可确定两个聚类结果之间的相似性。
例如,可根据先验知识或者有限次实验预先确定相似度阈值,当某个候选聚类结果的还原轨迹信息与目标聚类结果的还原轨迹信息之间的相似度超过该相似度阈值时,表示该候选聚类结果与目标聚类结果属于同一车辆,从而可将候选聚类结果与目标聚类结果进行合并处理。反之,则表示候选聚类结果与目标聚类结果不属于同一车辆,无需进行合并处理。
在一些实施方式中,在确定候选聚类集中的某个候选聚类结果的还原轨迹信息与目标聚类结果的还原轨迹信息的相似度时,可根据该候选聚类结果中包括的车辆数据的数量分为两种情况:1)当该候选聚类结果中仅包含一个车辆数据时,其还原轨迹信息实际上仅为一个轨迹点,从而可以根据该车辆数据的时空信息确定与目标聚类结果的还原轨迹信息的相似度。2)当该候选聚类结果中包括两个及以上数量的车辆数据时,也即该候选聚类结果对应的还原轨迹信息为一条路径轨迹,可通过相关算法计算该路径轨迹信息与目标聚类结果的还原轨迹信息之间的相似度。本公开下述图7实施方式中进行详细说明,在此暂不展开。
在对候选聚类集中每一个候选聚类结果均进行上述合并处理之后,也即,将分散至不同聚类结果中的属于同一车辆的车辆数据,合并至同一聚类结果中,实现对聚类结果的更新。
可以理解,在一些实施方式中,在得到更新后的聚类结果之后,即可基于更新后的聚类结果,通过轨迹还原算法再次对还原轨迹信息进行迭代更新,也即循环执行合并处理和轨迹还原的步骤,直至满足收敛条件。本公开下述进行具体说明,在此暂不展开。
通过上述可知,本公开实施方式的车辆数据聚类方法,利用还原轨迹信息对聚类结果进行反馈更新,从而降低聚类带来的扩散问题,提高聚类准确性,进而利于后续的车辆轨迹还原。
在一些实施方式中,本公开示例提供了一种车辆轨迹还原方法,该轨迹还原方法可基于本公开示例的车辆数据聚类方法得到的聚类结果实现车两个轨迹还原,本公开下述中同时对车辆数据聚类方法和车辆轨迹还原方法进行说明。
本公开实施方式的车辆轨迹还原方法,主要可分为聚类处理、轨迹还原以及迭代更新三个阶段。在聚类处理阶段,根据输入的多个车辆数据进行聚类处理,从而输出各个聚类结果。在轨迹还原阶段,根据各个聚类结果以及路网数据,实现对各个聚类结果的车辆轨迹还原,输出还原轨迹信息。在迭代更新阶段,根据还原轨迹信息对聚类结果进行反馈迭代更新、根据更新后的聚类结果对还原轨迹信息进行循环迭代更新。下面基于此框架对本公开实施方式的方法进行说明。
一、聚类处理阶段:
如图2所示,在一些实施方式中,本公开车辆数据聚类方法包括:
S210、获取待处理的各车辆数据。
在本公开实施方式中,车辆数据可以是例如路口摄像头采集的数据。对于一个车辆数据,其包括车辆图像和与该车辆图像对应的时空信息,时空信息可包括该车辆图像的采集时间和采集位置。
在一些实施方式中,对于摄像头采集的图像数据,其单帧图像中往往会包括多个车辆,可通过图像分割算法依据每个车辆进行分割,得到仅包括一个车辆的车辆数据。
对于一个车辆数据,通过对车辆图像进行特征提取,可以得到该车辆图像包括的特征信息。在本公开实施方式中,通过对车辆图像进行特征提取得到车辆信息和车牌信息。车辆信息可指车辆的车辆特征,例如包括车辆ReID(Re-identification,重识别)特征信息。车牌信息可指车辆的车牌特征,例如包括车牌特征信息和车牌文字信息等。
在一个示例中,可通过神经网络提取目标车辆的车辆信息和车牌信息,神经网络例如可以包括CNN(Convolutional Neural Networks,卷积神经网络)、RCNN(Region-CNN,区域卷积神经网络)、Fast RCNN等目标检测网络的一种或多种组合,从而提取车辆特征信息和车牌特征信息。神经网络例如还可以包括CTPN(Connectionist Text ProposalNetwork,文字检测网络)、TextCNN(文本卷积网络)、TextRNN(文本循环卷积网络)等文本检测网络的一种或多种组合,从而提取车牌文字信息。
在一个示例中,待处理的车辆数据来自于某个城市的1106个交叉路口的673个摄像头的24小时视频数据。通过对视频数据的处理,可以得到数个包含车辆图像的车辆数据。通过对车辆图像进行特征提取,可以得到车辆图像对应的车辆信息和车牌信息。
也即,本公开实施方式中,每个车辆数据包括车辆图像、该车辆图像的时空信息、根据该车辆图像得到的车辆信息和车牌信息。
S220、基于车辆信息和车牌信息,确定候选图像集。
具体而言,对于每个车辆数据,可基于从车辆图像中提取得到的车辆信息和车牌信息,由预先建立的数据库中对车辆数据进行聚类处理。
在本公开实施方式中,为了提高聚类处理的搜索效率,并非基于车辆信息和车牌信息直接由数据库中得到聚类结果,而是首先由数据库中得到包括预设数量候选图像的候选图像集,然后基于候选图像集确定该车辆数据的聚类结果。从而可以通过粗搜结合精搜的搜索过程,减少聚类处理的计算量,提高聚类处理的效率。
下文中以一个车辆数据为例,定义该车辆数据对应的车辆为目标车辆,定义该车辆数据包括的车辆图像为待处理图像,基于此对本公开示例中聚类处理的过程进行详细说明。
在一个示例中,可利用待处理图像的车辆信息以及车牌信息,在预先建立的数据库中对目标车辆进行相似度匹配,从而得到相似度排序前预设数量的图像作为候选图像集。
可以理解,数据库中预先存储有车辆数据,根据待处理图像以及数据库中存储的车辆图像的车辆信息和车牌信息,得到待处理图像与数据库中各图像的相似度。本公开下述实施方式中对确定候选图像集的过程进行具体说明,在此暂不详述。
S230、基于候选图像集中每一候选图像与车辆图像的相似度,对待处理的车辆数据进行聚类处理,得到聚类结果。
在由数据库得到候选图像集之后,即可根据待处理图像和候选图像集中的候选图像进行相似度计算,得到聚类结果。
候选图像集中包括多个候选图像以及每个候选图像对应的聚类类别,同一聚类类别中所包含的图像,表示同一辆车的图像,也即该车辆在不同采集位置或者不同采集时间下的采集图像。
在一个示例中,可基于车辆信息和车牌信息对待处理图像和候选图像进行相似度处理,从而得到待处理图像与各候选图像之间的相似度,基于待处理图像与各候选图像之间的相似度进行聚类处理,从而即可得到待处理图像的聚类结果。
重识别(ReID,Re-identification)也称为再识别,是指利用计算机视觉技术判断图像或者视频序列中是否存在特定目标。ReID的一个重要特性就是跨摄像头识别,十分利用实现跨摄像头的车辆轨迹还原。
在一些实施方式中,本公开实施方式所述的车辆信息包括ReID特征信息,其可表征车辆的外观特征。车牌信息包括目标车辆的车牌特征信息和车牌文字信息,车牌特征信息表征车辆的车牌外观特征,车牌文字信息表征车辆的车牌号。
图3中示出了本公开一些实施方式中,对待处理图像进行聚类处理的过程,下面结合图3进行说明。
如图3所示,在一些实施方式中,本公开车辆数据聚类方法包括:
S310、根据车辆信息确定第一预设数量的第一图像集合。
S320、根据车牌信息确定第二预设数量的第二图像集合。
S330、根据第一图像集合和第二图像集合,得到候选图像集。
在本公开实施方式中,可首先通过粗搜模块由数据库中得到包括预设数量候选图像的候选图像集,然后利用精搜模块在候选图像集中确定待处理图像的聚类结果。
具体来说,可基于目标车辆的车辆信息与数据库中各图像的车辆信息的相似度,进行相似度由高到低排序,选取前M张相似度较高的图像作为第一图像集合。同理,基于目标车辆的车牌信息与数据库中各图像的车牌信息的相似度,进行相似度由高到低排序,选取前N张相似度较高的图像作为第二图像集合。M与N可以相同,也可以不同,本公开对此不作限制。
在一个示例中,可以利用cosine(余弦)相似度来计算两个图像的车辆信息或车牌信息之间的相似度。
在一个示例中,车辆信息包括ReID特性信息,车牌信息包括车牌特征信息。基于ReID特征信息由数据库中确定出64张图像作为第一图像集合,同时基于车牌特征信息由数据库中确定出64张图像作为第二图像集合。
结合上述可知,第一图像集合表示数据库中与目标车辆的车辆信息最为相似的图像集合,第二图像集合表示数据库中与目标车辆的车牌信息最为相似的图像集合。在得到第一图像集合和第二图像集合之后,可对第一图像集合和第二图像集合取并集,得到粗搜的候选图像集。
仍以前述示例进行说明,第一图像集合包括64张与目标车辆的车辆信息最为相似的图像集合,第二图像集合包括64张与目标车辆的车牌信息最为相似的图像集合。第一图像集合和第二图像集合取并集之后,得到最大包括128张候选图像的候选图像集。
在得到候选图像集之后,精搜模块即可根据候选图像集中各候选图像对待处理图像进行聚类处理,图4中示出了本公开一些实施方式的方法中进行聚类处理的具体过程。
如图4所示,在一些实施方式中,本公开车辆数据聚类方法包括:
S410、基于车辆信息和车牌信息,确定候选图像集中候选图像与待处理图像的第二相似度集合。
S420、响应于第二相似度集合中最大相似度不小于预设阈值,将车辆数据聚类至最大相似度对应的候选图像所属的类别。
S430、响应于第二相似度集合中最大相似度小于预设阈值,将车辆数据聚类至新增的类别。
在一些实施方式中,可首先基于车辆信息和车牌信息,计算得到候选图像集中每个候选图像与待处理图像的相似度,从而得到第二相似度集合。具体来说,对于任一个候选图像,可基于待处理图像的ReID特征信息、车牌特征信息以及车牌文字信息,计算与候选图像所在的聚类结果的聚类中心的联合相似度,该联合相似度即表示候选图像与待处理图像之间的相似度。
在一个示例中,聚类中心的ReID特征信息可表示为:
式(1)中,N表示聚类结果中车辆数据的数量,f表示聚类中心的ReID特征,fi表示车辆特征,n表示归一化参数。
同样,聚类中心的车牌特征信息可表示为:
式(2)中,M表示聚类结果中带有牌照的车辆数据的数量,g表示聚类中心的车牌特征,gi表示车牌特征信息,n表示归一化参数。
通过上式可以计算得到每个聚类结果对应的聚类中心。对于任一候选图像来说,可以将其所在的聚类结果的聚类中心特征与待处理图像进行相似度比较,同时结合车牌文字信息得到两张图像的联合相似度。在一个示例中,联合相似度S可表示为:
式(3)中,S表示联合相似度,Sf表示车辆ReID特征信息的相似度,Sg表示车牌特征信息的相似度。SD表示车牌文字编辑距离,也即车牌文字信息的相似度。在式(3)示例中,0.2表示车辆ReID特征信息相似度的权重,0.8表示车牌特征信息相似度的权重,可以理解,在其他示例中,两者的权重值也可以是其他取值,本示例对此不作限制。
通过式(3)即可计算得到每个候选图像与待处理图像的联合相似度。在确定候选图像集中每个候选图像与待处理图像的相似度之后,即可将所有相似度作为集合,得到第二相似度集合。
可以理解,第二相似度集合中的每个元素表示该候选图像与待处理图像的联合相似度,相似度的最大值表示该候选图像与待处理图像联合相似度最高,也即表示两者最有可能属于同一车辆的图像。
因此,在一些实施方式中,可将第二相似度集合中的最大相似度与预设阈值进行比较。预设阈值表示确定目标车辆与候选图像中包含车辆为同一车辆的门限值,该预设阈值可以根据有限次实验预先确定,也可以由神经网络训练得到,或者基于历史数据动态调整,本公开对此不作限制。
在一个示例中,若第二相似度集合中最大相似度不小于预设阈值,表示最大相似度对应的候选图像与待处理图像为同一车辆的图像,也即两者均为目标车辆的图像,即可确定两者属于同一类别,将待处理图像对应的车辆数据聚类至该类别中。
在另一个示例中,若第二相似度集合中最大相似度小于预设阈值,表示最大相似度对应的候选图像与待处理图像不属于同一车辆的图像,候选图像集中的其他图像则更不可能与待处理图像属于同一车辆,因此可以确定待处理图像对应的车辆为新出现的车辆,为待处理图像对应的车辆数据创建新增的类别。
在通过上述过程对待处理车辆数据进行聚类处理之后,输出得到各个聚类结果。其中,每个聚类结果中包括至少一个车辆数据,在本阶段中,这些车辆数据可认为属于同一车辆的数据。
通过上述可知,本公开实施方式的方法,基于车辆信息和车牌信息等多模态信息对车辆数据进行聚类处理,有利于消除车牌文字带来的混淆误差,提高聚类处理的搜索精度,进而提高对轨迹还原的准确性。并且,在对车辆数据进行聚类处理时,首先通过粗搜确定候选图像集合,然后利用精搜得到聚类结果,相较于全库海量数据的联合搜索,大大提高了搜索速度,提高聚类处理效率。
二、轨迹还原阶段:
在得到针对车辆数据聚类处理的各个聚类结果之后,基于聚类结果中包括的各个车辆数据,将该聚类结果映射至道路网络空间上,得到还原轨迹信息。可以理解,聚类结果表示同一车辆在不同时间和不同位置的数据集合,基于每个聚类结果的车辆数据得到的还原轨迹信息表示该车辆的移动轨迹。根据该还原轨迹信息,即可执行下游的相关任务。
具体来说,如图5所示,在一些实施方式中,本公开车辆轨迹还原方法包括:
S510、获取路网数据和各聚类结果。
具体来说,聚类结果即为前述聚类处理阶段得到的各个聚类结果,对此不再赘述。路网数据表示道路网络信息的数据,例如前述示例中,路网数据即为覆盖上述1106个交叉路口、673个摄像头的城市道路网络数据。
在一些实施方式中,为提高车辆轨迹在路网空间的映射精度,首先可对原始的路网数据进行预处理,一方面简化路网数据的数据量,另一方面可对路网数据进行补全,提高准确性。
具体来说,如图6所示,在一些实施方式中,上述步骤S510可包括:
S511、获取原始道路网络数据以及各聚类结果。
S512、基于各聚类结果中包括的车辆数据的时空信息,对原始道路网络数据进行预处理,得到路网数据。
具体来说,原始道路网络数据可以是通过网络下载或其他途径获取的城市道路网络数据。对于本公开场景来说,考虑到车辆数据覆盖的区域较小,例如原始道路网络数据为覆盖整个城市的数据,然而车辆数据仅为其中部分区域的采集数据,若采用全部的路网数据参与计算,则数据量较差,降低运算效率。同时,原始道路网络数据可能存在数据缺失,例如道路不连续等问题。因此,本公开实施方式中对原始道路网络数据进行预处理。
在一些实施方式中,可基于各聚类结果中包括的车辆数据的时空信息,对原始道路网络进行预处理。例如,可获取各个车辆数据的采集位置,根据所有的采集位置,由原始道路网络中确定覆盖全部采集位置的路网区域,对于该区域之外的数据,即可进行去除简化。同时,也可基于道路交叉口数据的空间信息对缺失数据进行补全,从而得到连续的道路网络。
在一个示例中,通过OSMnx算法对输入的原始道路网络数据进行预处理,输出简化后的路网数据。
在对原始道路网络数据预处理之后,可得到简化后的路网数据,从而后续基于该简化后的路网数据进行轨迹恢复。
通过上述可知,本公开实施方式的方法,通过对原始道路网络数据进行预处理,可对原始道路网络数据中缺失信息进行补全,通过对无关数据进行简化,降低数据量,提高系统效率。
S520、对于每个聚类结果,基于该聚类结果包括的各车辆数据的时空信息和路网数据,在路网数据对应的道路网络上确定各个车辆数据对应的轨迹点。
具体来说,对于每个聚类结果,其包括的每个车辆数据表示目标车辆在某个时间和某个位置的采集数据,从而映射至路网空间中,即可对应路网空间上的一个轨迹点。
因此,本公开实施方式中,根据聚类结果中的每一个车辆数据,映射至路网数据对应的道路网络空间,即可得到一个或多个离散的轨迹点。
S530、根据各个轨迹点对应的车辆数据的时空信息,得到该聚类结果对应的还原轨迹信息。
具体来说,在得到各个离散的轨迹点之后,即可结合时序信息对各个轨迹点进行拟合处理,从而将多个离散的轨迹点还原为路径轨迹。
在一个示例中,考虑到实际业务场景对轨迹还原算法效率的要求,可以采用简洁高效的隐马尔科夫模型(HMM,Hidden Markov Model)算法进行轨迹还原。
该算法的本质是利用HMM在路网上找到最可能的轨迹路径,该轨迹路径由经纬度/纬经度对应的时间信息序列表示。在本公开实施方式中,HMM的离散状态是道路网络中的交叉口,对于每个车辆数据对应的轨迹点的位置,可以找到车辆实际经过的道路交叉口,进而通过多个轨迹点和时空信息找到最可能的路径,也即还原轨迹信息。
在一些实施方式中,在得到还原轨迹信息之后,考虑到HMM输出隐藏状态的不连续性,可以结合最短路径恢复方法来平滑还原轨迹信息断开的隐状态对,从而得到连续的轨迹信息。
对于每个聚类结果均执行上述的轨迹还原过程,从而输出得到每个聚类结果对应的还原轨迹信息,也即每个聚类结果对应一个还原轨迹信息。
通过上述可知,本公开示例的方法中,采用HMM算法基于各个轨迹点进行轨迹还原,提高系统效率,并且基于最短路径方法对还原后的轨迹信息进行平滑处理,得到完整且连续的轨迹,提高轨迹还原的精度。
可以理解,上述示例的HMM算法仅用于对本公开方法进行说明,并不限制本公开实施方式。在其他实施方式中,本领域技术人员还可以采用其他算法实现对轨迹点的拟合还原,本公开对此不作限制。
三、迭代更新阶段:
基于前述可知,根据轨迹还原阶段得到的还原轨迹信息执行下游任务时,下游任务效果不佳。发明人研究发现,这是由于最初的聚类结果中存在扩散的问题,因此后续的轨迹还原性能较差,导致下游任务效果不佳。举例来说,在聚类处理阶段,属于同一车辆的多个车辆数据,在经过聚类处理之后可能分散在两个甚至更多的聚类结果中,也即,这多个聚类结果对应的多个还原轨迹信息实际上是同一车辆,然而由于轨迹信息的分散,导致还原轨迹信息的缺失,造成后续任务准确性较低。
因此,在本公开实施方式中,利用得到的还原轨迹信息对最初的聚类结果进行反馈更新,下面结合图7进行具体说明。
如图7所示,在一些实施方式中,本公开实施方式的车辆数据聚类方法包括:
S710、获取目标聚类结果的第一聚类中心,以及每个其他聚类结果的第二聚类中心。
具体来说,对于聚类结果的聚类中心的计算方法可参照前述图4实施方式所述,在此不再赘述。对于每个聚类结果来说,定义目标聚类结果的聚类中心为第一聚类中心,除目标聚类结果之外的其他聚类结果的聚类中心为第二聚类中心。
S720、根据第一聚类中心与每个第二聚类中心的相似度,得到第一相似度集合。
具体来说,对于多个其他聚类结果,计算每个其他聚类结果与目标聚类结果的聚类中心的相似度,也即第一聚类中心与每个第二聚类中心的相似度,从而可以得到多个相似度,多个相似度组成第一相似度集合。
可以理解,第一相似度集合中的每个元素,表示某个其他聚类结果与目标聚类结果之间的相似度,相似度越高表示该聚类结果与目标聚类结果属于同一车辆的可能性越高,反之则相反。
S730、从第一相似度集合中确定预设数量的相似度对应的其他聚类结果,得到候选聚类集。
值得说明的是,本公开实施方式中,根据聚类结果之间的相似度,由其他聚类结果中筛选出预设数量的候选聚类结果组成的候选聚类集,然后针对候选聚类集中的候选聚类结果对目标聚类结果进行更新处理。
在一个示例中,可以对相似度集合中元素由高至低排序,然后筛选出排序靠前的k个相似度,将这k个相似度对应的候选聚类结果组合作为候选聚类集。
可以理解,相似度排序靠前的k个元素,表示与目标聚类结果属于同一车辆的可能性较高的聚类结果,因此将k个相似度对应的聚类结果组成候选合并集。而对于其余的聚类结果,由于相似度较低,因此无需进行后续的更新处理。
通过上述可知,本公开实施方式中,由多个聚类结果中筛选与目标聚类结果相似度最高的预设数量的聚类结果,从而降低后续处理的数据量,提高计算效率。
可以理解,对于分散至两个聚类结果中的属于同一车辆的不同车辆数据,这两个聚类结果对应的还原轨迹信息在时空上相似度应当很高。因此,通过各个还原轨迹信息与目标聚类结果的还原轨迹信息的相似度,即可确定两个聚类结果之间的相似性。在得到候选聚类集之后,可基于候选合聚类中的每个候选聚类结果与目标聚类结果的相似度,进一步判断该候选聚类结果是否需要与目标聚类结果是否需要合并处理。
在本公开实施方式中,在确定候选聚类集中的某个候选聚类结果的还原轨迹信息与目标聚类结果的还原轨迹信息的相似度时,可根据该候选聚类结果中包括的车辆数据的数量分为两种情况:1)该候选聚类结果中仅包含一个车辆数据,详见下述步骤S740。2)该候选聚类结果中包含两个及以上数量的车辆数据,详见下述步骤S750。
S740、响应于候选聚类结果中仅包括一个车辆数据,且车辆数据的时空信息与目标聚类结果的还原轨迹信息的时刻信息相似度不小于第一相似度阈值,对该候选聚类结果和所述目标聚类结果进行合并处理。
具体来说,以候选聚类集中的某一个候选聚类结果为例进行说明,如果该候选聚类结果中仅包含一个车辆数据,那么该候选聚类结果对应的还原轨迹信息实际上为路网空间上一个离散的轨迹点。对于这种情况,该候选聚类结果与目标聚类结果之间的相似度,实际上就是该轨迹点出现在目标聚类结果的还原轨迹信息上的可能性问题。
在本实施方式中,可基于该轨迹点的时间信息和空间信息,利用预设的时空阈值来判断该轨迹点出现在目标聚类结果的还原轨迹信息中的可能性。
在一个示例中,可以根据该轨迹点的采集位置信息与目标聚类结果的还原轨迹信息中轨迹点的位置信息,确定两点之间的距离。同时结合两轨迹点的采集时间信息,可以得到两点之间的时间差。从而根据距离和时间差可以计算得到车辆由其中一点移动至另一点的平均速度。可以将平均速度与预先设置的速度阈值进行比较,速度阈值表示城市道路中车辆移动的速度门限值,该阈值可以根据先验知识得到。若计算得到的平均速度大于该速度阈值,则表示车辆由其中一点移动至另一点是不合理的,也就表明该轨迹点不可能出现在目标聚类结果的还原轨迹信息中,从而确定该聚类结果与目标聚类结果的还原轨迹信息的相似度小于第一相似度阈值,也即该聚类结果与目标聚类结果不属于同一车辆。反之则相反。
S750、响应于候选聚类结果中包括至少两个车辆数据,且目标聚类结果对应的第一还原轨迹信息和该候选聚类结果对应的第二还原轨迹信息的相似度不小于第二相似度阈值,对该候选聚类结果和目标聚类结果进行合并处理。
具体来说,以候选聚类集中的某一个候选聚类结果为例进行说明,如果该候选聚类结果中包括两个及以上数量的车辆数据,也即该候选聚类结果对应的还原轨迹信息为路网空间上一条轨迹路径。对于这种情况,该候选聚类结果与目标聚类结果之间的相似度,即为两者还原轨迹信息的相似度。
在一个示例中,可采用例如LCSS(longest common subsequence,最长公共子序列)算法计算两个还原轨迹信息的相似度。第二相似度阈值表示还原轨迹属于同一轨迹的门限值,当相似度不小于第二相似度阈值,表明两个还原轨迹信息属于同一车辆的轨迹。反之则相反。
在步骤S740和步骤S750中,在确定某个候选聚类结果与目标聚类结果属于同一车辆的情况下,则对这两个聚类结果进行合并处理,也即将该候选聚类结果合并至目标聚类结果中,对目标聚类结果进行更新。
值得说明的是,经进一步研究发现,虽然通过本公开方法可以有效降低聚类结果的扩散问题,也即属于同一车辆的多个车辆数据分散至多个聚类结果中的问题。但是初始聚类结果中可能还会存在噪声,也会影响轨迹还原的精度。
举例来说,对于某一个聚类结果,如果其中包括不属于该类别的车辆数据,该车辆数据对于轨迹还原就属于噪声,也即会将不属于目标车辆的移动轨迹合并至目标车辆的还原轨迹信息中,进而影响下游任务的精度。
针对此问题,本公开一些实施方式中,在对目标聚类结果更新之后,进一步对各个聚类结果进行去噪,从而去除聚类结果中的噪声。下面结合图8具体进行说明。
如图8所示,在一些实施方式中,本公开示例的车辆数据聚类方法包括:
S810、对于每一个聚类结果,获取该聚类结果包括的各个车辆数据。
具体来说,以某一个聚类结果为例,首先获取该聚类结果中包括的各个车辆数据,然后需要对每一个车辆数据进行判断,确定其是否属于该聚类结果。S820、对于每一个车辆数据,基于该车辆数据的时空信息对该车辆数据的置信度分数进行更新,得到更新后的置信度分数。
具体来说,对于一个聚类结果包括的多个车辆数据,每个车辆数据均具有对应的初始置信度分数,置信度分数表示车辆数据与聚类结果之间的相似度。例如本公开一些实施方式中,置信度分数即为前述的联合相似度,也即,前述通过式(3)即可得到车辆数据的置信度分数。
在一些实施方式中,对于每一个车辆数据,可基于该车辆数据的时空信息首先确定车辆数据的置信度权值,然后基于该置信度权值对车辆数据的置信度分数进行更新,从而得到更新后的置信度分数。
具体来说,如图9所示,在一些实施方式中,步骤S820中对置信度分数更新的过程包括:
S821、基于车辆数据的时空信息,确定该车辆数据与该车辆数据所属聚类结果中的其他车辆数据之间的距离集合。
S822、根据距离集合中的最小距离,确定车辆数据的置信度权值。
S823、根据置信度权值对车辆的置信度分数进行更新。
以某个聚类结果为例,该聚类结果包括多个车辆数据,其中每个车辆数据表示不同时间不同位置的车辆采集数据,也即每个车辆数据包括有不同的时空信息。
以该聚类结果中的一个车辆数据r为例,该车辆数据r包括时空信息,也即采集该车辆数据的采集位置和采集时间。根据该车辆数据r的时空信息,和聚类结果中其他车辆数据的聚类信息,可以分别得到车辆数据r与各个其他车辆数据的距离,这些距离组成距离集合。
在得到距离集合之后,可根据距离集合中的最小距离确定车辆数据r的置信度权值。可以理解,距离集合中每个元素表示车辆数据r与其他各个车辆数据的距离,而其中的最小距离对应的元素表示距离车辆数据r最近的轨迹点,从而确定的置信度权值可以反映车辆数据r出现在该聚类结果中的可能性,距离越小,则置信度权值越高,反之相反。
在确定置信度权值之后,即可将车辆数据r的初始置信度分数乘以置信度权值,即可得到更新后的置信度分数。
在一个示例中,车辆数据r的距离集合中的最小距离对应的车辆数据为i,将该车辆数据r的初始置信度分数乘以置信度权值,来得到更新后的置信度分数,表示为:
Snew=S*exp(-dist(r,i)) 式(4)
式(4)中,S表示车辆数据r的初始置信度分数Snew表示更新后的置信度分数。dist(r,i)表示置信度权值,也即车辆数据r与车辆数据i的距离。exp(-dist(r,i))表示置信度权值。
S830、响应于更新后的置信度分数小于预设分数阈值,将该车辆数据从聚类结果中去除。
在计算得到更新后的置信度分数之后,可以根据预先设置的预设分数阈值,判断更新后的置信度分数是否不小于该预设分数阈值。预设分数阈值表示车辆数据属于该聚类结果的门限值,当更新后的置信度分数小于该预设分数阈值,表示车辆数据不属于该聚类结果,也即该车辆数据为噪声,需要从聚类结果中去除。当更新后的置信度分数不小于预设分数阈值,表示车辆数据属于该聚类结果,无需从聚类结果中去除。直至所有车辆数据均筛选完成。
可以理解,上述图7和图8实施方式中分别对聚类结果进行合并和去噪处理的过程,可以仅采用其中一种,也可以同时采用两种,并且两者的处理顺序也无需进行限制。但是,考虑到去噪处理需要从聚类结果中去除数据,优选地,可设置去噪处理位于合并处理之后,从而可以对合并处理之后的更新的聚类结果进行去噪,提高去噪效果。
值得说明的是,本公开车辆轨迹还原方法的一些实施方式中,在对各个聚类结果进行合并和/或去噪处理之后,得到更新后的各个聚类结果,即可以再次根据更新后的聚类结果得到新的还原轨迹信息,从而得到的新的还原轨迹信息可以再次反馈更新聚类结果,也即形成循环迭代更新的过程。
如图10所示,在一些实施方式中,本公开示例的车辆轨迹还原方法包括:
S1010、根据更新后的目标聚类结果,对目标聚类结果对应的还原轨迹信息进行更新。
S1020、基于更新后的目标聚类结果和还原轨迹信息,重复执行从其他聚类结果中确定候选聚类集,和更新目标聚类结果的步骤,直至满足收敛条件。
举例来说,对于初次聚类处理后的某个第一聚类结果,可以根据第一聚类结果得到第一还原轨迹信息。基于第一还原轨迹信息采用本公开实施方式的方法,可以对第一聚类结果进行反馈迭代更新,得到第二聚类结果。在得到第二聚类结果之后,可以根据第二聚类结果得到第二还原轨迹信息。基于第二还原轨迹信息采用本公开实施方式的方法,可以对第二聚类结果进行反馈迭代更新,得到第三聚类结果……循环执行上述过程。
可以看到,本公开实施方式中,利用还原轨迹信息对上游的聚类结果进行迭代更新,更新后的聚类结果又可以对下游的还原轨迹信息进行迭代更新,从而形成循环迭代的过程,直至满足收敛条件。
在一个示例中,收敛条件为:聚类结果中所有车辆数据的置信度分数不小于预设分数阈值。也即所有聚类结果中不再存在不属于该类别的车辆数据,可以确定该聚类结果满足收敛条件,停止循环迭代的过程。
在另一个示例中,收敛条件为:循环迭代的次数满足预设次数阈值。也即聚类结果循环迭代的次数达到预设次数阈值,可以确定该聚类结果满足收敛条件,停止循环迭代的过程。
当然,可以理解,对于循环迭代的收敛条件还可以是其他任何适于实施的方式,本领域技术人员可以根据具体场景进行设置,本公开对此不作限制。
图11为一个示例中本公开轨迹还原方法循环迭代的效果示意图。如图11所示,图11中(a)为原始聚类结果,虚线框中的离散点属于噪声。图11中(b)为经过去噪处理之后的轨迹数据,可以看到,位于较远距离的离散点噪声被有效去除。图11中(c)为根据(b)对聚类结果循环迭代更新,可以看到,更新后的聚类结果有效消除位于边缘的噪声,得到良好的轨迹点信息。
通过上述可知,本公开实施方式的方法,通过还原轨迹信息对上游的聚类结果进行迭代更新,更新后的聚类结果又可以对下游的还原轨迹信息进行迭代更新,从而形成循环迭代的过程,可以有效提高聚类精度和轨迹还原精度,进而提高下游任务效果。
图12示出了本公开车辆轨迹还原方法的系统框架图,如图12所示,系统主要包括视觉模块、时空模块和迭代模块三个部分。其中视觉模块根据输入的多个车辆数据进行聚类处理,从而输出各个聚类结果。时空模块根据各个聚类结果以及输入的路网数据,实现对各个聚类结果的车辆轨迹还原,输出还原轨迹信息。迭代模块则根据输入的聚类结果和还原轨迹信息进行上述的循环迭代更新,输出更新后的聚类结果和还原轨迹信息。本领域技术人员基于前述毫无疑问可以理解并充分实施图12系统,对此不再赘述。
本公开实施方式提供了一种车辆数据聚类装置。在一些实施方式中,如图13所示,本公开一些示例中的车辆数据聚类装置包括:
第一获取模块11,被配置为获取根据车辆数据聚类处理得到的至少两个聚类结果,以及与每一聚类结果对应的还原轨迹信息;
确定模块12,被配置为对于至少两个聚类结果中的任一目标聚类结果,基于目标聚类结果与其他聚类结果之间的相似度,从其他聚类结果中确定候选聚类集;其中,其他聚类结果是至少两个聚类结果中除目标聚类结果之外的聚类结果;
聚类更新模块13,被配置为基于候选聚类集中的每一个候选聚类结果的还原轨迹信息,与目标聚类结果的还原轨迹信息的相似度,更新目标聚类结果。
通过上述可知,本公开实施方式的车辆数据聚类装置,利用还原轨迹信息对聚类结果进行反馈更新,从而降低聚类带来的扩散问题,提高聚类准确性,进而利于后续的车辆轨迹还原。
在一些实施方式中,确定模块12具体被配置为:
获取目标聚类结果的第一聚类中心,以及每个其他聚类结果的第二聚类中心;
根据第一聚类中心与每个第二聚类中心的相似度,得到第一相似度集合;
从第一相似度集合中确定预设数量的相似度对应的其他聚类结果,得到候选聚类集。
在一些实施方式中,车辆数据包括车辆信息和车牌信息,确定模块12具体被配置为:
对于每个聚类结果,基于该聚类结果中包括的车辆信息和车牌信息,确定该聚类结果的聚类中心。
在一些实施方式中,聚类更新模块13具体被配置为:
对于候选聚类集中的每一个候选聚类结果,基于候选聚类结果的还原轨迹信息与目标聚类结果的还原轨迹信息的相似度,对候选聚类结果与目标聚类结果进行合并处理,得到更新后的目标聚类结果。
在一些实施方式中,聚类更新模块13具体被配置为:
响应于候选聚类结果包括一个车辆数据,且车辆数据的时空信息与目标聚类结果的还原轨迹信息的时空信息相似度不小于第一相似度阈值,对候选聚类结果和目标聚类结果进行合并处理。
在一些实施方式中,聚类更新模块13具体被配置为:
响应于候选聚类结果包括至少两个车辆数据,且目标聚类结果对应的第一还原轨迹信息和至少两个车辆数据对应的第二还原轨迹信息的相似度不小于第二相似度阈值,对候选聚类结果和目标聚类结果进行合并处理。
在一些实施方式中,如图14所示,本公开示例的车辆数据聚类装置,还包括:
第二获取模块21,被配置为对于每一个聚类结果,获取该聚类结果包括的各个车辆数据;
分数更新模块22,被配置为对于每一个车辆数据,基于该车辆数据的时空信息对该车辆数据的置信度分数进行更新,得到更新后的置信度分数;置信度分数表示该车辆数据与该车辆数据对应的聚类结果的相似度;
去除模块23,被配置为响应于更新后的置信度分数小于预设分数阈值,将该车辆数据从聚类结果中去除。
在一些实施方式中,分数更新模块22具体被配置为:
基于车辆数据的时空信息,确定该车辆数据与该车辆数据所属聚类结果中的其他车辆数据之间的距离集合;
根据距离集合中的最小距离,确定车辆数据的置信度权值;
根据置信度权值对车辆的置信度分数进行更新。
在一些实施方式中,第一获取模块11具体被配置为:
获取待处理的各车辆数据;车辆数据包括车辆图像和由车辆图像中提取的车辆信息和车牌信息;
基于车辆信息和车牌信息,确定候选图像集;
基于候选图像集中每一候选图像与车辆图像的相似度,对待处理的车辆数据进行聚类处理,得到至少两个聚类结果。
在一些实施方式中,第一获取模块11具体被配置为:
基于车辆信息和车牌信息,确定候选图像集中候选图像与车辆图像的第二相似度集合;
响应于第二相似度集合中最大相似度不小于预设阈值,将车辆数据聚类至最大相似度对应的候选图像所属的类别;
和/或,
响应于第二相似度集合中最大相似度小于预设阈值,将车辆数据聚类至新增的类别。
在一些实施方式中,如图15所示,本公开实施方式提供了一种车辆轨迹还原装置,包括:
轨迹更新模块31,被配置为根据更新后的目标聚类结果,对目标聚类结果对应的还原轨迹信息进行更新;根据更新后的目标聚类结果根据第一方面任一实施方式的车辆数据聚类方法得到;
循环迭代模块32,被配置为基于更新后的目标聚类结果和还原轨迹信息,重复执行从其他聚类结果中确定候选聚类集,和更新目标聚类结果的步骤,直至满足收敛条件。
在一些实施方式中,第一获取模块11具体被配置为:
获取路网数据和各聚类结果;
对于每个聚类结果,基于该聚类结果包括的各车辆数据的时空信息和路网数据,在路网数据对应的道路网络上确定各个车辆数据对应的轨迹点;
根据各个轨迹点对应的车辆数据的时空信息,得到该聚类结果对应的还原轨迹信息。
在一些实施方式中,第一获取模块11具体被配置为:
获取原始道路网络数据以及各聚类结果;
基于各聚类结果中包括的车辆数据的时空信息,对原始道路网络数据进行预处理,得到路网数据。
在一些实施方式中,本公开示例提供了一种电子设备,包括:
处理器;以及
存储器,存储有能够被处理器读取的计算机指令,当计算机指令被读取时,处理器执行上述任一实施方式的方法。
在一些实施方式中,本公开示例提供了一种存储介质,用于存储计算机可读指令,计算机可读指令用于使计算机执行上述任一实施方式的方法。
具体而言,图16示出了适于用来实现本公开方法的计算机系统600的结构示意图,通过图16所示系统,可实现上述处理器及存储介质相应功能。
如图16所示,计算机系统600包括处理器601,其可以根据存储在存储器602中的程序或者从存储部分608加载到存储器602中的程序而执行各种适当的动作和处理。在存储器602中,还存储有系统600操作所需的各种程序和数据。处理器601和存储器602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。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施方式,上文方法过程可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行上述方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
显然,上述实施方式仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本公开创造的保护范围之中。
Claims (16)
1.一种车辆数据聚类方法,其特征在于,包括:
获取根据车辆数据聚类处理得到的至少两个聚类结果,以及与每一所述聚类结果对应的还原轨迹信息;
对于所述至少两个聚类结果中的任一目标聚类结果,基于所述目标聚类结果与其他聚类结果之间的相似度,从所述其他聚类结果中确定候选聚类集;其中,所述其他聚类结果是所述至少两个聚类结果中除目标聚类结果之外的聚类结果;
基于所述候选聚类集中的每一个候选聚类结果的还原轨迹信息,与所述目标聚类结果的还原轨迹信息的相似度,更新所述目标聚类结果。
2.根据权利要求1所述的方法,其特征在于,所述从所述其他聚类结果中确定候选聚类集,包括:
获取所述目标聚类结果的第一聚类中心,以及每个其他聚类结果的第二聚类中心;
根据所述第一聚类中心与每个所述第二聚类中心的相似度,得到第一相似度集合;
从所述第一相似度集合中确定预设数量的相似度对应的其他聚类结果,得到所述候选聚类集。
3.根据权利要求2所述的方法,其特征在于,所述车辆数据包括车辆信息和车牌信息,获取每个聚类结果的聚类中心的步骤包括:
对于每个所述聚类结果,基于该聚类结果中包括的车辆信息和车牌信息,确定该聚类结果的聚类中心。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述基于所述候选聚类集中的每一候选聚类结果的还原轨迹信息,与所述目标聚类结果的还原轨迹信息的相似度,更新所述目标聚类结果,包括:
对于所述候选聚类集中的每一个候选聚类结果,基于所述候选聚类结果的还原轨迹信息与所述目标聚类结果的还原轨迹信息的相似度,对所述候选聚类结果与所述目标聚类结果进行合并处理,得到更新后的目标聚类结果。
5.根据权利要求4所述的方法,其特征在于,所述对所述候选聚类结果与所述目标聚类结果进行合并处理,包括:
响应于所述候选聚类结果包括一个车辆数据,且所述车辆数据的时空信息与所述目标聚类结果的还原轨迹信息的时空信息相似度不小于第一相似度阈值,对所述候选聚类结果和所述目标聚类结果进行合并处理;
和/或,
响应于所述候选聚类结果包括至少两个车辆数据,且所述目标聚类结果对应的第一还原轨迹信息和所述至少两个车辆数据对应的第二还原轨迹信息的相似度不小于第二相似度阈值,对所述候选聚类结果和所述目标聚类结果进行合并处理。
6.根据权利要求1至5任一项所述的方法,其特征在于,在所述更新所述目标聚类结果之后,所述方法还包括:
对于每一个聚类结果,获取该聚类结果包括的各个车辆数据;
对于每一个车辆数据,基于该车辆数据的时空信息对该车辆数据的置信度分数进行更新,得到更新后的置信度分数;所述置信度分数表示该车辆数据与该车辆数据对应的聚类结果的相似度;
响应于更新后的置信度分数小于预设分数阈值,将该车辆数据从聚类结果中去除。
7.根据权利要求6所述的方法,其特征在于,所述对于每一个车辆数据,基于该车辆数据的时空信息对该车辆数据的置信度分数进行更新,包括:
基于车辆数据的时空信息,确定该车辆数据与该车辆数据所属聚类结果中的其他车辆数据之间的距离集合;
根据所述距离集合中的最小距离,确定所述车辆数据的置信度权值;
根据所述置信度权值对所述车辆的置信度分数进行更新。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述获取根据车辆数据聚类处理得到的至少两个聚类结果,包括:
获取待处理的各车辆数据;所述车辆数据包括车辆图像和由所述车辆图像中提取的车辆信息和车牌信息;
基于所述车辆信息和所述车牌信息,确定候选图像集;
基于所述候选图像集中每一候选图像与所述车辆图像的相似度,对所述待处理的车辆数据进行聚类处理,得到所述至少两个聚类结果。
9.根据权利要求8所述的方法,其特征在于,所述基于所述候选图像集中每一候选图像与所述车辆图像的相似度,对所述待处理图像进行聚类处理,包括:
基于所述车辆信息和所述车牌信息,确定所述候选图像集中候选图像与所述车辆图像的第二相似度集合;
响应于所述第二相似度集合中最大相似度不小于预设阈值,将所述车辆数据聚类至所述最大相似度对应的候选图像所属的类别;
和/或,
响应于所述第二相似度集合中最大相似度小于预设阈值,将所述车辆数据聚类至新增的类别。
10.一种车辆轨迹还原方法,其特征在于,包括:
根据更新后的目标聚类结果,对所述目标聚类结果对应的还原轨迹信息进行更新;所述根据更新后的目标聚类结果根据权利要求1至9任一项所述的车辆数据聚类方法得到;
基于更新后的目标聚类结果和还原轨迹信息,重复执行所述从所述其他聚类结果中确定候选聚类集,和所述更新所述目标聚类结果的步骤,直至满足收敛条件。
11.根据权利要求10所述的方法,其特征在于,获取所述聚类结果对应的还原轨迹信息,包括:
获取路网数据和各聚类结果;
对于每个聚类结果,基于该聚类结果包括的各车辆数据的时空信息和所述路网数据,在所述路网数据对应的道路网络上确定各个车辆数据对应的轨迹点;
根据各个轨迹点对应的车辆数据的时空信息,得到该聚类结果对应的还原轨迹信息。
12.根据权利要求11所述的方法,其特征在于,所述获取路网数据包括:
获取原始道路网络数据以及各聚类结果;
基于各聚类结果中包括的车辆数据的时空信息,对所述原始道路网络数据进行预处理,得到所述路网数据。
13.一种车辆数据聚类装置,其特征在于,包括:第一获取模块,被配置为获取根据车辆数据聚类处理得到的至少两个聚类结果,以及与每一所述聚类结果对应的还原轨迹信息;
确定模块,被配置为对于所述至少两个聚类结果中的任一目标聚类结果,基于所述目标聚类结果与其他聚类结果之间的相似度,从所述其他聚类结果中确定候选聚类集;其中,所述其他聚类结果是所述至少两个聚类结果中除目标聚类结果之外的聚类结果;
聚类更新模块,被配置为基于所述候选聚类集中的每一个候选聚类结果的还原轨迹信息,与所述目标聚类结果的还原轨迹信息的相似度,更新所述目标聚类结果。
14.一种车辆轨迹还原装置,其特征在于,包括:
轨迹更新模块,被配置为根据更新后的目标聚类结果,对所述目标聚类结果对应的还原轨迹信息进行更新;所述根据更新后的目标聚类结果根据权利要求1至9任一项所述的车辆数据聚类方法得到;
循环迭代模块,被配置为基于更新后的目标聚类结果和还原轨迹信息,重复执行所述从所述其他聚类结果中确定候选聚类集,和所述更新所述目标聚类结果的步骤,直至满足收敛条件。
15.一种电子设备,其特征在于,包括:
处理器;以及
存储器,存储有能够被所述处理器读取的计算机指令,当所述计算机指令被读取时,所述处理器执行根据权利要求1至9任一项或者10至12任一项所述的方法。
16.一种存储介质,其特征在于,用于存储计算机可读指令,所述计算机可读指令用于使计算机执行根据权利要求1至9任一项或者10至12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565614.4A CN113378658A (zh) | 2021-05-24 | 2021-05-24 | 车辆数据聚类方法以及车辆轨迹还原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565614.4A CN113378658A (zh) | 2021-05-24 | 2021-05-24 | 车辆数据聚类方法以及车辆轨迹还原方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113378658A true CN113378658A (zh) | 2021-09-10 |
Family
ID=77571760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110565614.4A Pending CN113378658A (zh) | 2021-05-24 | 2021-05-24 | 车辆数据聚类方法以及车辆轨迹还原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378658A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807457A (zh) * | 2021-09-26 | 2021-12-17 | 北京市商汤科技开发有限公司 | 确定路网表征信息的方法、装置、设备及存储介质 |
WO2022198817A1 (zh) * | 2021-03-25 | 2022-09-29 | 深圳市商汤科技有限公司 | 车辆图像聚类及轨迹还原方法 |
CN117173893A (zh) * | 2023-09-21 | 2023-12-05 | 广东车卫士信息科技有限公司 | 一种基于电子车牌的车辆预警方法及系统 |
-
2021
- 2021-05-24 CN CN202110565614.4A patent/CN113378658A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022198817A1 (zh) * | 2021-03-25 | 2022-09-29 | 深圳市商汤科技有限公司 | 车辆图像聚类及轨迹还原方法 |
CN113807457A (zh) * | 2021-09-26 | 2021-12-17 | 北京市商汤科技开发有限公司 | 确定路网表征信息的方法、装置、设备及存储介质 |
CN117173893A (zh) * | 2023-09-21 | 2023-12-05 | 广东车卫士信息科技有限公司 | 一种基于电子车牌的车辆预警方法及系统 |
CN117173893B (zh) * | 2023-09-21 | 2024-02-20 | 广东车卫士信息科技有限公司 | 一种基于电子车牌的车辆预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378658A (zh) | 车辆数据聚类方法以及车辆轨迹还原方法 | |
US10891465B2 (en) | Methods and apparatuses for searching for target person, devices, and media | |
CN112949751B (zh) | 车辆图像聚类及轨迹还原方法 | |
WO2021103721A1 (zh) | 基于部件分割的识别模型训练、车辆重识别方法及装置 | |
US8358837B2 (en) | Apparatus and methods for detecting adult videos | |
KR102374776B1 (ko) | Cctv의 위치 정보 및 객체의 움직임 정보에 기초한 타겟 객체 재식별 시스템 및 방법 | |
CN111241928B (zh) | 人脸识别底库优化方法、系统、设备、可读存储介质 | |
WO2022267273A1 (zh) | 车辆图像检索方法及装置 | |
CN114170516B (zh) | 一种基于路侧感知的车辆重识别方法、装置及电子设备 | |
CN113052245B (zh) | 图像聚类方法和装置、电子设备及存储介质 | |
US11256945B2 (en) | Automatic extraction of attributes of an object within a set of digital images | |
US20210319226A1 (en) | Face clustering in video streams | |
CN113963303A (zh) | 图像处理方法、视频识别方法、装置、设备及存储介质 | |
CN110751027A (zh) | 一种基于深度多示例学习的行人重识别方法 | |
CN114724131A (zh) | 一种车辆追踪方法、装置、电子设备及存储介质 | |
KR20210010092A (ko) | 검색 데이터베이스를 구축하기 위한 관심영상 선별 방법 및 이를 수행하는 영상 관제 시스템 | |
CN114519879A (zh) | 人体数据归档方法、装置、设备及存储介质 | |
CN116704490B (zh) | 车牌识别方法、装置和计算机设备 | |
CN111798356A (zh) | 一种基于大数据的轨道交通客流异常模式识别方法 | |
CN113920353B (zh) | 一种无监督的人脸图像二次聚类方法、装置、介质 | |
CN113450457B (zh) | 道路重建方法、装置、计算机设备和存储介质 | |
CN115908507A (zh) | 车辆轨迹恢复方法、设备、装置和存储介质 | |
CN112214639B (zh) | 视频筛选方法、视频筛选装置及终端设备 | |
Wu et al. | Gradient map based Lane detection using CNN and RNN | |
CN117173794B (zh) | 一种适合边缘设备部署的行人重识别方法 |
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 |