CN113902778A - 一种目标跟踪方法及装置 - Google Patents
一种目标跟踪方法及装置 Download PDFInfo
- Publication number
- CN113902778A CN113902778A CN202111367512.8A CN202111367512A CN113902778A CN 113902778 A CN113902778 A CN 113902778A CN 202111367512 A CN202111367512 A CN 202111367512A CN 113902778 A CN113902778 A CN 113902778A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image information
- target vehicle
- license plate
- running track
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书实施例公开了一种目标跟踪方法及装置。方案包括:获取由两个以上传感器采集得到的待识别车辆的多帧车辆图像信息;从所述车辆图像信息中识别得到目标车辆的车牌信息;基于所述车牌信息,获取所述多帧车辆图像信息中所述目标车辆对应的运行轨迹图像;对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种目标跟踪方法及装置。
背景技术
随着社会的不断发展,道路上的车辆越来越多,交通安全问题日益突出,每年因为交通事故伤亡人数触目惊心,而在道路上因逆行导致的交通事故往往会造成极大的危害。现在对于道路安全的重视不断提高,道路上安装了大量的摄像头用于监控,对于这些海量的监控视频数据,以前多是通过人工来进行判断是否出现异常,这样不仅会消耗大量人力且不可能24小时无间断的进行工作。随着智能视频监控技术的发展,一些基本的道路交通异常事件可以实现自动检测。
随着交通设施的不断完善和人民生活水平的提高,道路上的车辆越来越多,交通安全问题也随之而来。在众多交通信息来源中,基于监控摄像头的视频数据具有不间断性、直观性、可靠性高等特点,因此基于监控视频进行车辆轨迹识别的方法是判断车辆行驶的动态过程中是否规范的重要手段之一。此外,车辆轨迹识别在当今已被应用在其他领域和行业中,例如汽车辅助驾驶系统中,在能见度低等恶劣环境下,通过车辆轨迹识别可以对驾驶人员进行提醒,保障行车安全。
发明内容
本说明书实施例提供一种目标跟踪方法及装置,以解决现有的方法存在的识别准确率低的问题。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种目标跟踪方法,包括:
获取待识别车辆的多帧车辆图像信息;所述车辆图像信息中至少包括两个以上传感器采集得到的所述待识别车辆的运行轨迹图像;相邻的所述传感器的采集范围存在重叠;
从所述车辆图像信息中识别得到目标车辆的车牌信息;
基于所述车牌信息,获取所述多帧车辆图像信息中所述目标车辆对应的运行轨迹图像;
对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹。
本说明书实施例提供的一种目标跟踪装置,包括:
车辆图像信息获取模块,用于获取待识别车辆的多帧车辆图像信息;所述车辆图像信息中至少包括两个以上传感器采集得到的所述待识别车辆的运行轨迹图像;相邻的所述传感器的采集范围存在重叠;
车牌信息识别模块,用于从所述车辆图像信息中识别得到目标车辆的车牌信息;
运行轨迹图像获取模块,用于基于所述车牌信息,获取所述多帧车辆图像信息中所述目标车辆对应的运行轨迹图像;
运行轨迹关联模块,用于对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹。
本说明书至少一个实施例能够达到以下有益效果:通过获取由两个以上传感器采集得到的待识别车辆的多帧车辆图像信息;从所述车辆图像信息中识别得到目标车辆的车牌信息;基于所述车牌信息,获取所述多帧车辆图像信息中所述目标车辆对应的运行轨迹图像;对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹。建立一种可靠的跨传感器范围的目标关联和匹配融合的方案,通过车牌识别关联车辆身份,在匹配算法中作为强关联条件,可以极大提升关联成功率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例中现有技术的实现场景示意图;
图2为本说明书实施例提供的一种目标跟踪方法的流程示意图;
图3为本说明书实施例提供的一种目标跟踪方法的方案整体示意图;
图4为本说明书实施例提供的目标跟踪方法中目标跟踪应用示意图;
图5为本说明书实施例提供的一种目标跟踪装置的结构示意图。
具体实施方式
为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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例,都属于本说明书一个或多个实施例保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
路侧感知是车路协同领域重要的基础技术和能力,由安装在路侧的传感器识别交通参与者(机动车、非机动车、行人等)目标信息(位置、速度、航向等),并将感知结果提供给车辆或平台。目前,对于多目标车辆轨迹的识别技术主要可以分为两类,一是传统方法,即采用背景差分法、帧间差分法、光流法等方法提取运动目标,然后通过匹配算法和分类算法实现车辆的连续跟踪;二是基于卷积神经网络的深度学习方法。传统方法部署方便,消耗资源少,但是受限于先验知识,跟踪的稳定性差而且准确率不高;或者计算量及其庞大,实时性不高。
现有技术中的实现可以结合图1进行说明。图1为本说明书实施例中现有技术的实现场景示意图。如图1所示,由于路侧传感器安装在固定位置,感知覆盖的范围有边界,移动的交通目标从单一位置的传感器范围内穿过,对于同一个目标,不同的传感器(如传感器1和传感器2)识别后通常会生成不同的目标ID,需要在数据使用端进行跨传感器的目标关联匹配,否则无法持续跟踪同一个目标。现有的路侧感知点位固定,每个传感器点位智能感知固定范围内的移动目标。同一目标跨点位时,会被不同点位识别同一个目标为不同目标,匹配为不同的ID,无法从目标识别层面直接关联。如需要关联则需要使用关联、滤波、匹配等算法,基于两个传感器感知结果的数据特征进行关联,但传感器1和传感器2本身存在感知误差(一远一近),且误差分布不均,很容易产生偏差,使关联目标失败。
为了解决现有技术中的缺陷,本方案给出了以下实施例:
图2为本说明书实施例提供的一种目标跟踪方法的流程示意图。从程序角度而言,流程的执行主体可以为搭载于应用服务器的程序或应用客户端。本实施例的执行主体可以是用于跟踪车辆的服务器,该服务器可以接收传感器采集到图像信息,并基于图像信息对目标车辆的运行轨迹进行关联。
如图2所示,该流程可以包括以下步骤:
步骤210:获取待识别车辆的多帧车辆图像信息;所述车辆图像信息中至少包括两个以上传感器采集得到的所述待识别车辆的运行轨迹图像;相邻的所述传感器的采集范围存在重叠。
视频分帧,通过对一段视频进行处理,让视频以每一帧的形式进行下一步的图像处理中。
在实际应用场景中,传感器可以是具有图像采集功能的设备,多个传感器可以安装在道路侧的固定位置,对道路状况实时全面的感知,从而对车辆进行持续跟踪,例如:可以将多个传感器设置在道路上方的支撑杆上,也可以将多个传感器设置在道路两侧固定的位置处,对此申请人不作具体限定。传感器并不限于图像传感器,例如;摄像头,还可以是其他具有图像采集功能的设备。多个传感器可以采集预定范围内的道路的图像,每个传感器可以从不同角度或不同方位采集预设采集范围中的车辆的运行轨迹图像。相邻的传感器的采集范围可以存在重叠。
步骤220:从所述车辆图像信息中识别得到目标车辆的车牌信息。
从车辆图像中可以识别得到目标车辆的车牌信息。识别出车牌信息之后,将车牌信息作为强关联条件,对多个传感器采集得到的同一车牌信息对应的车辆运行轨迹图像信息进行关联。
具体地,在识别车辆图像信息中的车牌信息时,可以采用以下方法:
所述从所述车辆图像信息中识别得到目标车辆的车牌信息,具体可以包括:
对所述车辆图像信息进行预处理,得到预处理后的第一车辆图像;
对所述第一车辆图像进行字符分割,并进行归一化处理,得到第二车辆图像;
从所述第二车辆图像中提取字符特征;
采用预设算法,根据提取出的所述字符特征,识别所述车辆图像中的所述目标车辆的车牌信息。
其中,预处理可以尽可能的消除噪声例如:车牌照有黄底黑字,蓝底白字等颜色,为了将这些车牌图像一并处理,就要先将车牌进行灰度化处理,然后进行二值化(黑白)处理。
在进行字符分割时,可以基于车辆图像信息中的像素信息进行分割,一般情况下,车牌号码中的字符以及车牌背景颜色比较明显,因此,可以基于像素分布对车牌图像进行字符分割。另外,由于在分割字符时,字符大小不相同,所以可以将字符归一化为相同像素大小的图像。
在提取字符特征之后,可以采用多种算法进行识别,例如:分类器算法,模板匹配算法,例如:匈牙利算法,基于概率统计的分类器算法,聚类分析算法等。采用算法可以识别车辆图像中的目标车辆的车牌信息。
步骤230:基于所述车牌信息,获取所述多帧车辆图像信息中所述目标车辆对应的运行轨迹图像。
每个传感器采集的道路范围不同,当车辆进入传感器的采集范围时,对应的传感器可以对道路图像进行采集,道路图像中可以包括车辆图像信息。例如:存在传感器1、传感器2以及传感器3,分别对应不同道路的采集范围,但是相邻的传感器采集范围可能存在重合。当传感器1、传感器2以及传感器3采集的图像信息中都包含车牌信息为A的车牌图像信息时,基于车牌信息A进行强关联,获取传感器1、传感器2以及传感器3采集的图像信息中车牌信息A对应的运行轨迹图像。
步骤240:对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹。
关联的方法可以包括关联、滤波、匹配等算法,在本说明书实施例提供的方案中,通过车牌识别关联车辆身份,在匹配算法中作为强关联条件。
应当理解,本说明书一个或多个实施例所述的方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。
图2中的方法,通过获取由两个以上传感器采集得到的待识别车辆的多帧车辆图像信息;从所述车辆图像信息中识别得到目标车辆的车牌信息;基于所述车牌信息,获取所述多帧车辆图像信息中所述目标车辆对应的运行轨迹图像;对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹。建立一种可靠的跨传感器范围的目标关联和匹配融合的方案,通过车牌识别关联车辆身份,在匹配算法中作为强关联条件,可以极大提升关联成功率。
基于图2的方法,本说明书实施例还提供了该方法的一些具体实施方案,下面进行说明。
可选的,所述获取待识别车辆的多帧车辆图像信息,具体可以包括:
获取第一传感器采集到的待识别车辆的第一图像信息;
获取第二传感器采集到的所述待识别车辆的第二图像信息。
上述步骤中,第一传感器以及第二传感器中的“第一”、“第二”仅用于区分用于采集不用路段的道路图像的传感器,并没有其他限定含义,第一传感器或第二传感器可以是一个传感器,可以是多个传感器,对此,申请文件中不作具体限定。
对于同一车辆来说,在行驶过程中,会有多个传感器可以采集到该车辆的运行轨迹图像,因此,在获取待识别车辆的多帧车辆图像信息时,可以获取多个传感器采集到的车辆的多帧图像信息。获取多个传感器采集到的车辆的多帧图像信息之后,可以将具有相同车牌信息的车辆信息确定为同一ID对应的车辆运行轨迹图像信息。
所述对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹,具体可以包括:
识别所述第一图像信息中的目标车辆的车牌信息;
确定所述第二图像信息中所述车牌信息对应的所述目标车辆的运行轨迹;
将所述第一图像信息以及所述第二图像信息采用相同的ID进行标识;
基于所述ID,对所述目标车辆对应的第一图像信息中的运行轨迹以及所述第二图像信息中的运行轨迹进行关联。
对于某一目标车辆,多个传感器采集到该目标车辆在不同道路范围内的运行轨迹图像,当识别多个传感器中存在相同的车牌信息时,可以将相同的车牌号确定为同一ID,基于该ID,将对应的车辆运行轨迹图像进行关联。
可选的,所述基于所述ID,对所述目标车辆对应的第一图像信息中的运行轨迹以及所述第二图像信息中的运行轨迹进行关联,具体可以包括:
基于所述ID,采用匈牙利算法对所述目标车辆对应的第一图像信息中的运行轨迹以及所述第二图像信息中的运行轨迹进行关联。
可选的,采用匈牙利算法对所述目标车辆对应的第一图像信息中的运行轨迹以及所述第二图像信息中的运行轨迹进行关联时,将所述ID确定为权重,将置信度确定为1。
具体地,在进行关联时,将车牌信息作为强关联条件,采用匈牙利算法进行关联,关联时,权重是ID,置信度为1。其中,匈牙利算法是基于Hall定理中充分性证明的思想,最常见用于部图匹配,核心是寻找增广路径,用增广路径求二分图最大匹配的算法。
由于不同传感器的感知误差不同,在对运行轨迹图像进行关联之后,可以先对车辆的运行轨迹图像进行滤波处理,平滑运行轨迹图像。滤波可以理解为将信号中特定波段频率滤除的操作,可以抑制和防止干扰。
可选的,多个所述第一传感器以及多个所述第二传感器可以设置在道路侧,用于采集预定范围内的道路内的图像,所述确定所述第二图像信息中所述车牌信息对应的所述目标车辆的运行轨迹之前,还可以包括:
判断所述第二图像信息中是否存在所述目标车辆的所述车牌信息,得到第一判断结果;
若所述第一判断结果表示所述第二图像信息中存在所述目标车辆的所述车牌信息,确定所述第二图像信息中所述车牌信息对应的所述目标车辆的运行轨迹。
可选的,所述判断所述第二图像信息中是否存在所述目标车辆的所述车牌信息,得到第一判断结果之后,还可以包括:
若所述判断结果表示所述第二图像信息中不存在所述目标车辆的所述车牌信息,判断所述车牌信息是否满足取消条件,得到第二判断结果;其中,取消条件可以根据实际情况进行设定,例如:连续三个传感器中不存在该车牌信息,此时,该车牌信息对应的运行轨迹信息可以取消。或者,取消条件可以是预设时间段内不存在车牌信息。对于取消条件在本说明书实施例中不作具体限定。
若所述第二判断结果表示所述车牌信息满足取消条件,停止执行所述车牌信息对应的航迹关联任务。
上述方法步骤可以结合图3进行说明:
图3为本说明书实施例提供的一种目标跟踪方法的方案整体示意图。如图3所示,存在传感器1、传感器2、……、传感器n,这些传感器采集到的车辆图像信息可以进行存储,进行航迹管理。识别传感器1中的车牌号,判断其他传感器中是否存在该车牌号,若存在,将相同车牌关联为同一ID,并将该ID对应的运行轨迹进行关联,关联之后,对运行轨迹进行滤波处理,生成新轨迹。若不存在相同车牌,即存在落单车牌,则进行状态更新,在满足取消条件时,可以将落单的航迹进行取消。
具体的实现场景可以结合图4进行说明,图4为本说明书实施例提供的目标跟踪方法中目标跟踪应用示意图。如图4所示,传感器1和传感器2分别为安装在道路侧固定位置的感知单元,两者之间有重叠区域,存在A、B、C三个车辆目标,从1向2移动,在重叠区域内分别被传感器1和2感知为目标A1、B1、C1和A2、B2、C2。传感器1和传感器2分别识别目标A、B、C的车牌号11111、11112、11113。使用匈牙利算法关联传感目标A1、B1、C1和A2、B2、C2,以车牌号关联为唯一权重,置信度为1。一旦存在可关联目标则直接将航迹关联。由于传感器近端和远端感知误差不同,A2、B2、C2的误差分布小于A1、B1、C1。在航迹关联后基于两传感器误差分布进行卡尔曼滤波处理,平滑航迹。
通过上述方法,相比传统跨区域多目标关联算法,能极大程度提升匹配效率和成功率,降低匹配算法输入要求和计算时延,能够实现跨区域多目标跟踪匹配。
基于同样的思路,本说明书实施例还提供了上述方法对应的装置。图5为本说明书实施例提供的一种目标跟踪装置的结构示意图。如图5所示,该装置可以包括:
车辆图像信息获取模块510,用于获取待识别车辆的多帧车辆图像信息;所述车辆图像信息中至少包括两个以上传感器采集得到的所述待识别车辆的运行轨迹图像;相邻的所述传感器的采集范围存在重叠;
车牌信息识别模块520,用于从所述车辆图像信息中识别得到目标车辆的车牌信息;
运行轨迹图像获取模块530,用于基于所述车牌信息,获取所述多帧车辆图像信息中所述目标车辆对应的运行轨迹图像;
运行轨迹关联模块540,用于对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹。
基于图5的装置,本说明书实施例还提供了该装置的一些具体实施方案,下面进行说明。
可选的,所述车辆图像信息获取模块510,具体可以包括:
第一图像信息获取单元,用于获取第一传感器采集到的待识别车辆的第一图像信息;
第二图像信息获取单元,用于获取第二传感器采集到的所述待识别车辆的第二图像信息。
可选的,所述运行轨迹关联模块540,具体可以包括:
车牌信息识别单元,用于识别所述第一图像信息中的目标车辆的车牌信息;
运行轨迹确定单元,用于确定所述第二图像信息中所述车牌信息对应的所述目标车辆的运行轨迹;
ID标识单元,用于将所述第一图像信息以及所述第二图像信息采用相同的ID进行标识;
关联单元,用于基于所述ID,对所述目标车辆对应的第一图像信息中的运行轨迹以及所述第二图像信息中的运行轨迹进行关联。
可选的,所述关联单元,具体可以用于:
基于所述ID,采用匈牙利算法对所述目标车辆对应的第一图像信息中的运行轨迹以及所述第二图像信息中的运行轨迹进行关联。
可选的,可以采用匈牙利算法对所述目标车辆对应的第一图像信息中的运行轨迹以及所述第二图像信息中的运行轨迹进行关联时,将所述ID确定为权重,将置信度确定为1。
可选的,所述装置,还可以包括:
误差分布确定模块,用于确定所述第一传感器与所述第二传感器的误差分布;
滤波模块,用于基于所述误差分布,采用卡尔曼滤波算法,对所述目标车辆的运行轨迹进行滤波处理,得到滤波后的所述目标车辆的运行轨迹。
可选的,所述车牌信息识别模块,具体可以包括:
预处理单元,用于对所述车辆图像信息进行预处理,得到预处理后的第一车辆图像;
归一化处理单元,用于对所述第一车辆图像进行字符分割,并进行归一化处理,得到第二车辆图像;
字符特征提取单元,用于从所述第二车辆图像中提取字符特征;
车牌信息识别单元,用于采用预设算法,根据提取出的所述字符特征,识别所述车辆图像中的所述目标车辆的车牌信息。
可选的,多个所述第一传感器以及多个所述第二传感器可以设置在道路侧,用于采集预定范围内的道路内的图像,所述装置,还可以用于:
判断所述第二图像信息中是否存在所述目标车辆的所述车牌信息,得到第一判断结果;
若所述第一判断结果表示所述第二图像信息中存在所述目标车辆的所述车牌信息,确定所述第二图像信息中所述车牌信息对应的所述目标车辆的运行轨迹。
可选的,所述装置,还可以用于:
若所述判断结果表示所述第二图像信息中不存在所述目标车辆的所述车牌信息,判断所述车牌信息是否满足取消条件,得到第二判断结果;
若所述第二判断结果表示所述车牌信息满足取消条件,停止执行所述车牌信息对应的航迹关联任务。
上述装置,通过设置车辆图像信息获取模块获取由两个以上传感器采集得到的待识别车辆的多帧车辆图像信息;车牌信息识别模块从所述车辆图像信息中识别得到目标车辆的车牌信息;运行轨迹图像获取模块基于所述车牌信息,获取所述多帧车辆图像信息中所述目标车辆对应的运行轨迹图像;运行轨迹关联模块对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹。建立一种可靠的跨传感器范围的目标关联和匹配融合的方案,通过车牌识别关联车辆身份,在匹配算法中作为强关联条件,可以极大提升关联成功率。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字符系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、AtmelAT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字符助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字符多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种目标跟踪方法,其特征在于,包括:
获取待识别车辆的多帧车辆图像信息;所述车辆图像信息中至少包括两个以上传感器采集得到的所述待识别车辆的运行轨迹图像;相邻的所述传感器的采集范围存在重叠;
从所述车辆图像信息中识别得到目标车辆的车牌信息;
基于所述车牌信息,获取所述多帧车辆图像信息中所述目标车辆对应的运行轨迹图像;
对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹。
2.根据权利要求1所述的方法,其特征在于,所述获取待识别车辆的多帧车辆图像信息,具体包括:
获取第一传感器采集到的待识别车辆的第一图像信息;
获取第二传感器采集到的所述待识别车辆的第二图像信息。
3.根据权利要求1所述的方法,其特征在于,所述对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹,具体包括:
识别所述第一图像信息中的目标车辆的车牌信息;
确定所述第二图像信息中所述车牌信息对应的所述目标车辆的运行轨迹;
将所述第一图像信息以及所述第二图像信息采用相同的ID进行标识;
基于所述ID,对所述目标车辆对应的第一图像信息中的运行轨迹以及所述第二图像信息中的运行轨迹进行关联。
4.根据权利要求3所述的方法,其特征在于,所述基于所述ID,对所述目标车辆对应的第一图像信息中的运行轨迹以及所述第二图像信息中的运行轨迹进行关联,具体包括:
基于所述ID,采用匈牙利算法对所述目标车辆对应的第一图像信息中的运行轨迹以及所述第二图像信息中的运行轨迹进行关联。
5.根据权利要求4所述的方法,其特征在于,采用匈牙利算法对所述目标车辆对应的第一图像信息中的运行轨迹以及所述第二图像信息中的运行轨迹进行关联时,将所述ID确定为权重,将置信度确定为1。
6.根据权利要求2所述的方法,其特征在于,所述对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹之后,还包括:
确定所述第一传感器与所述第二传感器的误差分布;
基于所述误差分布,采用卡尔曼滤波算法,对所述目标车辆的运行轨迹进行滤波处理,得到滤波后的所述目标车辆的运行轨迹。
7.根据权利要求1所述的方法,其特征在于,所述从所述车辆图像信息中识别得到目标车辆的车牌信息,具体包括:
对所述车辆图像信息进行预处理,得到预处理后的第一车辆图像;
对所述第一车辆图像进行字符分割,并进行归一化处理,得到第二车辆图像;
从所述第二车辆图像中提取字符特征;
采用预设算法,根据提取出的所述字符特征,识别所述车辆图像中的所述目标车辆的车牌信息。
8.根据权利要求3所述的方法,其特征在于,多个所述第一传感器以及多个所述第二传感器设置在道路侧,用于采集预定范围内的道路内的图像,所述确定所述第二图像信息中所述车牌信息对应的所述目标车辆的运行轨迹之前,还包括:
判断所述第二图像信息中是否存在所述目标车辆的所述车牌信息,得到第一判断结果;
若所述第一判断结果表示所述第二图像信息中存在所述目标车辆的所述车牌信息,确定所述第二图像信息中所述车牌信息对应的所述目标车辆的运行轨迹。
9.根据权利要求8所述的方法,其特征在于,所述判断所述第二图像信息中是否存在所述目标车辆的所述车牌信息,得到第一判断结果之后,还包括:
若所述判断结果表示所述第二图像信息中不存在所述目标车辆的所述车牌信息,判断所述车牌信息是否满足取消条件,得到第二判断结果;
若所述第二判断结果表示所述车牌信息满足取消条件,停止执行所述车牌信息对应的航迹关联任务。
10.一种目标跟踪装置,其特征在于,包括:
车辆图像信息获取模块,用于获取待识别车辆的多帧车辆图像信息;所述车辆图像信息中至少包括两个以上传感器采集得到的所述待识别车辆的运行轨迹图像;相邻的所述传感器的采集范围存在重叠;
车牌信息识别模块,用于从所述车辆图像信息中识别得到目标车辆的车牌信息;
运行轨迹图像获取模块,用于基于所述车牌信息,获取所述多帧车辆图像信息中所述目标车辆对应的运行轨迹图像;
运行轨迹关联模块,用于对所述目标车辆的运行轨迹图像进行关联,得到所述目标车辆的运行轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111367512.8A CN113902778A (zh) | 2021-11-18 | 2021-11-18 | 一种目标跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111367512.8A CN113902778A (zh) | 2021-11-18 | 2021-11-18 | 一种目标跟踪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902778A true CN113902778A (zh) | 2022-01-07 |
Family
ID=79194608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111367512.8A Pending CN113902778A (zh) | 2021-11-18 | 2021-11-18 | 一种目标跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902778A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394089A (zh) * | 2022-07-29 | 2022-11-25 | 天翼云科技有限公司 | 一种车辆信息融合展示的方法、无感通行系统及存储介质 |
-
2021
- 2021-11-18 CN CN202111367512.8A patent/CN113902778A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394089A (zh) * | 2022-07-29 | 2022-11-25 | 天翼云科技有限公司 | 一种车辆信息融合展示的方法、无感通行系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106652465B (zh) | 一种道路异常驾驶行为的识别方法及系统 | |
US5592567A (en) | Method for detecting and separating the shadow of moving objects in a sequence of digital images | |
US9460361B2 (en) | Foreground analysis based on tracking information | |
US10803357B2 (en) | Computer-readable recording medium, training method, and object detection device | |
EP2835763B1 (en) | A hybrid method and system of video and vision based access control for parking stall occupancy determination | |
US20190163983A1 (en) | System and method for detecting, tracking, and classifying objects | |
Barcellos et al. | A novel video based system for detecting and counting vehicles at user-defined virtual loops | |
EP2709066A1 (en) | Concept for detecting a motion of a moving object | |
US20180210451A1 (en) | System and method for controlling navigation of a vehicle | |
Darapaneni et al. | Computer vision based license plate detection for automated vehicle parking management system | |
de Carvalho et al. | Anomaly detection with a moving camera using multiscale video analysis | |
CN113902778A (zh) | 一种目标跟踪方法及装置 | |
Kumar et al. | Traffic surveillance and speed limit violation detection system | |
Nam | Loitering detection using an associating pedestrian tracker in crowded scenes | |
CN112270258A (zh) | 一种非机动车的违规信息获取方法及装置 | |
EP2709065A1 (en) | Concept for counting moving objects passing a plurality of different areas within a region of interest | |
CN112991397B (zh) | 交通牌跟踪方法、装置、设备和存储介质 | |
Winter et al. | Computational intelligence for analysis of traffic data | |
CN110782485A (zh) | 一种车辆变道检测方法及装置 | |
Kluwak et al. | ALPR-extension to traditional plate recognition methods | |
Wang et al. | Online adaptive multiple pedestrian tracking in monocular surveillance video | |
Garcia et al. | Mobile based pedestrian detection with accurate tracking | |
Shirpour et al. | Driver's Eye Fixation Prediction by Deep Neural Network. | |
CN109740518B (zh) | 一种视频中对象的确定方法及装置 | |
Blair et al. | Event-driven dynamic platform selection for power-aware real-time anomaly detection in video |
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 |