CN113902999A - 一种跟踪方法、装置、设备及介质 - Google Patents

一种跟踪方法、装置、设备及介质 Download PDF

Info

Publication number
CN113902999A
CN113902999A CN202111119753.0A CN202111119753A CN113902999A CN 113902999 A CN113902999 A CN 113902999A CN 202111119753 A CN202111119753 A CN 202111119753A CN 113902999 A CN113902999 A CN 113902999A
Authority
CN
China
Prior art keywords
image
position information
motor vehicle
aspect ratio
determining
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
Application number
CN202111119753.0A
Other languages
English (en)
Inventor
郑杰群
王雯雯
冯远宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hisense TransTech Co Ltd
Original Assignee
Hisense TransTech Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hisense TransTech Co Ltd filed Critical Hisense TransTech Co Ltd
Priority to CN202111119753.0A priority Critical patent/CN113902999A/zh
Publication of CN113902999A publication Critical patent/CN113902999A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种跟踪方法、装置、设备及介质，用以解决现有技术中由于无法准确检测图像中非机动车的位置信息，导致对非机动车的跟踪不准确的问题。在本申请实施例中，在获取到第一图像及第二图像中非机动车的候选位置信息，进一步确定候选位置信息中为非机动车的位置信息，并根据第一图像及第二图像中非机动车的位置信息，通过Deepsort算法确定第二图像中与第一图像中的非机动车对应的目标非机动车，从而实现对非机动车的跟踪。由于在本申请实施例中，在确定出非机动车的候选位置信息后，进一步在候选位置信息中确定为非机动车的位置信息，从而提高非机动车的位置信息确定的准确性，进而可以准确的实现对非机动车的跟踪。

Description

一种跟踪方法、装置、设备及介质
技术领域
本申请涉及图像处理技术领域，尤其涉及一种跟踪方法、装置、设备及介质。
背景技术
随着城市规模的增长，城市交通中非机动车出行的需求也持续增长，然而由于机动车与非机动车混行的粗放式管理，使得非机动车驾驶员的违法违规行驶现象加剧。目前通过平台接收报警信息以及人工查看监控的方法，确定非机动车是否出现违法违规的驾驶，然而此种判定方式由于需事后的报警信息、事后或事中的人工查看监控，因此往往是事故发生后才能获取到的。也就是说此种确定非机动车驾驶员的违法违规行为的方式存在确定的时间滞后等诸多问题。
现有技术中提出了采用视频分析技术进行对非机动车的行驶轨迹进行监测，从而通过非机动车的行驶轨迹进一步确定非机动车驾驶人员是否发生违法违规行为。具体的，采用机器学习技术或者基于深度学习技术对智能交通场景下的非机动车的行驶轨迹进行检测。其中，基于机器学习技术的目标检测算法为可变性部分模型(Deformable PartModel，DPM)算法、光流法等，然而由于机器学习技术中特征设计局限性及语义特征提取不完全，导致通过机器学习技术检测的非机动车的位置信息的效果较差，使得基于非机动车的位置信息对非机动车的形式轨迹进行检测时不够准确。另外，常用的基于深度学习的目标检测算法为角度学习(Faster-RCNN)等算法，然而其往往是针对场景目标单一的环境进行检测，当场景内包含目标多，目标尺度变化大时，对形状特征较为固定的非机动车的检测效果并不好。也就是说现有技术中并不能准确的对图像中的非机动车的位置信息进行检测，导致无法准确地对非机动车进行跟踪。
发明内容
本申请实施例提供了一种跟踪方法、装置、设备及介质，用以解决现有技术中由于无法准确检测图像中非机动车的位置信息，导致对非机动车的跟踪不准确的问题。
第一方面，本申请实施例提供了一种跟踪方法，所述方法包括：
根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息；其中，所述第二图像和所述第一图像为采集到的相邻两帧图像，且所述第二图像的采集时间较所述第一图像的采集时间晚；
确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；
根据所述第一图像及所述第二图像中非机动车的位置信息，通过多目标跟踪Deepsort算法确定所述第二图像中与所述第一图像中的非机动车对应的目标非机动车。
第二方面，本申请实施例还提供了一种跟踪装置，所述装置包括：
获取模块，用于根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息；其中，所述第二图像和所述第一图像为采集到的相邻两帧图像，且所述第二图像的采集时间较所述第一图像的采集时间晚；
确定模块，用于确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；
处理模块，用于根据所述第一图像及所述第二图像中非机动车的位置信息，通过多目标跟踪Deepsort算法确定所述第二图像中与所述第一图像中的非机动车对应的目标非机动车。
第三方面，本申请实施例还提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述跟踪方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述跟踪方法的步骤。
在本申请实施例中，在获取到第一图像及第二图像中非机动车的候选位置信息，进一步确定候选位置信息中为非机动车的位置信息，并根据第一图像及第二图像中非机动车的位置信息，通过Deepsort算法确定第二图像中与第一图像中的非机动车对应的目标非机动车，从而实现对非机动车的跟踪。由于在本申请实施例中，在确定出非机动车的候选位置信息后，进一步在候选位置信息中确定为非机动车的位置信息，从而提高非机动车的位置信息确定的准确性，进而可以准确的实现对非机动车的跟踪。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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为本申请实施例提供的一种跟踪过程示意图；
图2为本申请实施例提供的一种跟踪过程详细示意图；
图3为本申请实施例提供的一种跟踪装置结构示意图；
图4为本申请实施例提供的一种电子设备结构示意图。
具体实施方式
下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
在本申请实施例中，为了实现对非机动车的跟踪，获取第一图像及第二图像中非机动车的候选位置信息，由于所确定第一图像及第二图像中的非机动车的候选位置信息不一定准确，因此在获取第一图像及第二图像中非机动车的候选位置信息后，进一步确定候选位置信息中为非机动车的位置信息，并根据第一图像及第二图像中非机动车的位置信息，通过Deepsort算法，确定第二图像中与第一图像中的非机动车对应的目标非机动车，从而实现对非机动车的跟踪。
图1为本申请实施例提供的一种跟踪过程示意图，该过程包括以下步骤：
S101：根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息；其中，所述第二图像和所述第一图像为采集到的相邻两帧图像，且所述第二图像的采集时间较所述第一图像的采集时间晚。
本申请实施例提供的跟踪方法应用于电子设备，该电子设备可以为图像采集设备、PC或服务器等智能设备。
在本申请实施例中，电子设备在获取到第一图像及第二图像之后，对第一图像及第二图像进行识别，获取第一图像及第二图像中非机动车的候选位置信息。其中第一图像及第二图像中非机动车的候选位置信息可以通过矩形框的形式进行标注。
具体的，获取第一图像及第二图像中非机动车的候选位置信息的方法可以为识别第一图像及第二图像中的特征，根据识别出的特征与预先保存的非机动车的特征进行比较，从而确定第一图像及第二图像中非机动车的候选位置信息。
并且采集第一图像及第二图像的图像采集设备可以为电警摄像头，在电警摄像头采集到智能交通场景的实时视频流后，对智能交通场景的视频流进行解码，获取解码后一帧一帧的图像，由于在进行非机动车的跟踪时，是为了确定相邻帧图像中同一非机动车的位置信息，因此该第一图像及该第二图像为相邻的视频帧图像，并且该第二图像的采集时间较该第一图像的采集时间晚。
S102：确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息。
在本申请实施例中，为了可以准确地对非机动车的位置信息进行跟踪，在获取到非机动车的候选位置信息之后，进一步在非机动车的候选位置信息中进行筛选，确定候选位置信息中非机动车的位置信息。具体的，可以是确定每一个候选位置信息为非机动车的位置信息的置信度，确定置信度超过预设阈值的候选位置信息为非机动车的位置信息。其中如何确定候选位置信息为非机动车的位置信息的置信度，在此不做限制。S103：根据所述第一图像及所述第二图像中非机动车的位置信息，通过多目标跟踪(Deepsort)算法确定所述第二图像中与所述第一图像中的非机动车对应的目标非机动车。
在本申请实施例中，由于第一图像及第二图像中包含多个非机动车，为了获取到第二图像中与第一图像中的非机动车对应的目标非机动车，在获取到第一图像及第二图像中包含的非机动车的位置信息后，针对第一图像中每个非机动车，根据该非机动车的位置信息，以及第二图像中每个非机动车的位置信息，通过Deepsort算法，确定第二图像中为该非机动车的目标非机动车，从而获取到第二图像中与第一图像中的非机动车对应的目标非机动车，实现对非机动车的跟踪。
在通过Deepsort算法，获取第二图像中为该非机动车的目标非机动车时：可以先基于所获取的第一图像中该非机动车的位置信息，使用卡尔曼滤波进行位置预测，也就是预测在第一图像的采集时间之后的下一帧图像即第二图像中该非机动车的位置信息，并使用匈牙利匹配算法将预测的位置信息与第二图像中的每个位置信息进行级联匹配与交并比(Intersection-over-Union，IoU)匹配，最后使用卡尔曼滤波进一步去除干扰，更准确地确定第二图像中与该非机动车对应的目标非机动车，从而更准确地对非机动车进行跟踪。具体的，如何使用Deepsort算法获取第二图像中与第一图像中非机动车对应的目标非机动车为现有技术，在此不再赘述。
在本申请实施例中，在获取到第一图像及第二图像中非机动车的候选位置信息，进一步确定候选位置信息中为非机动车的位置信息，并根据第一图像及第二图像中非机动车的位置信息，通过Deepsort算法确定第二图像中与第一图像中的非机动车对应的目标非机动车，从而实现对非机动车的跟踪。由于在本申请实施例中，在确定出非机动车的候选位置信息后，进一步在候选位置信息中确定为非机动车的位置信息，从而提高非机动车的位置信息确定的准确性，进而可以准确的实现对非机动车的跟踪。
为了准确地确定第一图像及第二图像中非机动车的候选位置信息，在上述各实施例的基础上，在本申请实施例中，所述根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息之后，所述确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息之前，所述方法还包括：
通过非极大值抑制(Non-Maximum Suppression，NMS)操作，去除所述第一图像中非机动车的候选位置信息中多余的候选位置信息及所述第二图像中非机动车的候选位置信息中多余的候选位置信息。
在确定第一图像及第二图像中非机动车的候选位置信息时，针对同一非机动车可能会确定出两个候选位置信息，其中，若该候选位置信息为第一图像及第二图像中非机动车所在的矩形框的位置信息，那么也就是说，第一图像中的同一非机动车或第二图像中的同一非机动车，有可能确定出多个矩形框，但是对于每个非机动车来说，电子设备并不能确定哪个矩形框为该非机动车的矩形框，也就是说电子设备并不能确定哪个候选位置信息为该非机动车的候选位置信息。因此为了准确地确定出第一图像及第二图像中非机动车的候选位置信息，在本申请实施例中，通过NMS操作去除第一图像中非机动车的候选位置信息中多余的候选位置信息，并去除第二图像中非机动车的候选位置信息中多余的候选位置信息。
其中，通过NMS操作去除第一图像中非机动车的候选位置信息中多余的候选位置信息的详细过程可以为：针对第一图像中每个非机动车的候选位置信息，确定第一图像该候选位置信息与其他候选位置信息的重合度，判断是否存在任一候选位置信息与该候选位置信息的重合度中超过预设阈值，若该候选位置信息与任一候选位置信息的重合度超过预设阈值，则说明这两个候选位置信息对应同一非机动车，则去除对应的面积较大的候选位置信息；若该候选位置信息与多个候选位置信息所确定的重合度均超过预设阈值，则说明这几个候选位置信息对应同一非机动车，则为了保留更贴近非机动车的候选位置信息，保留对应的面积最小的候选位置信息，去除其他的候选位置信息。
具体的，在确定任意两个候选位置信息的重合度时，可以根据这两个候选位置信息是否存在重合的区域进行确定，若不存在重合的区域，则对应的重合度可以为0，若存在重合的区域，则确定这两个候选位置信息的重合度的方法可以为确定重合区域的面积与这两个候选位置信息中较小的候选位置信息的面积的比值。
为了准确地获取到第一图像及第二图像中非机动车的候选位置信息，在上述各实施例的基础上，在本发明实施例中，所述根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息包括：
通过预先训练的目标检测模型，获取所述第一图像及所述第二图像中非机动车的候选位置信息；
所述目标检测模型通过以下方式训练：
获取样本集中的任一样本图像，以及所述样本图像中包含的每个非机动车的第一位置信息；
将所述样本图像输入到目标检测模型中，获取所述样本图像中包含的每个非机动车的第二位置信息；
根据所述第一位置信息和第二位置信息对所述目标检测模型进行训练。
在本申请实施例中，电子设备在获取到的第一图像及第二图像后，将所获取到的第一图像及第二图像分别输入到预先训练完成的目标检测模型中，获取该目标检测模型的输出，该目标检测模型的输出包括该第一图像中包含的非机动车的候选位置信息以及该第二图像中包含的非机动车的候选位置信息，其中，该候选位置信息在第一图像及第二图像中可以为非机动车所在的矩形框的位置信息。并且在本申请实施例中，第一图像及第二图像为图像采集设备所采集到的图像，若电子设备为图像采集设备，则在采集到第一图像及第二图像之后，将第一图像及第二图像分别输入到目标检测模型中；若电子设备为非图像采集设备的其他智能设备，则电子设备在获取到图像采集设备采集的第一图像及第二图像后，将第一图像及第二图像分别输入到目标检测模型中。
在本申请实施例中，目标检测模型可以为yolov4算法网络，通过yolov4算法网络对第一图像及第二图像中的非机动车进行精确定位，确定第一图像及第二图像中非机动车的候选位置信息。具体的，yolov4算法网络的主干网络CSPDarknet53的在检测时进行上下层特征图的融合，其中，高层的网络特征提供复杂场景下的目标高级语义信息，低层的网络特征提供复杂场景下的目标位置及多尺度信息，CSPDarknet53输出3个不同尺寸的特征图，当输入的图像的尺寸为608×608时，经过CSPDarknet53输出的三个特征图尺寸分别为76×76，38×38，19×19，同时目标检测模型的每组残差网络(Residual block)都包含一个交叉级部分(Cross Stage Partial)结构，减少了模型的参数，使目标检测模型更容易训练。
为了实现对目标检测模型的训练，本申请实施例中预先保存有进行训练用的样本集，该样本集中的样本图像为包含有不同的非机动车的图像，例如该样本集的样本图像中包含不同颜色、不同种类、不同大小的非机动车的样本图像，如红色自行车、红色三轮车、红色电动车、蓝色自行车、蓝色三轮车、蓝色电动车、大一点的非机动车、小一点的非机动车等各种各样的非机动车的样本图像。
为了方便对目标检测模型进行训练，该样本集中还针对每个样本图像，预先保存有该样本图像中包含的非机动车的第一位置信息，在获取到样本集中的任一样本图像及该样本图像中包含的非机动车的第一位置信息后，将该样本图像输入到目标检测模型中，该目标检测模型输出该样本图像包含的非机动车的第二位置信息。
在该目标检测模型确定出该样本图像中包含的非机动车的第二位置信息后，根据样本图像中的第一位置信息，以及目标检测模型输出的第二位置信息，对该目标检测模型进行训练。
对目标检测模型采用上述方式进行训练，当满足预设的条件时，得到训练完成的目标检测模型。其中，该预设的条件可以是，样本集中的样本图像通过目标检测模型训练后得到的第二位置信息与第一位置信息一致的样本图像的数量大于设定数量；也可以是对目标检测模型进行训练的迭代次数达到设置的最大迭代次数等。具体的，本申请实施例对此不做限制。
为了准确地对目标检测模型进行训练，在上述各实施例的基础上，在本申请实施例中，所述根据所述第一位置信息和第二位置信息对所述目标检测模型进行训练包括：
判断所述第二位置信息对应的长宽比是否归属于预先保存的长宽比范围；若是，则根据所述第一位置信息和第二位置信息确定所述目标检测模型对应的损失函数的惩罚值；若否，则根据所述长宽比与预先保存的长宽比范围确定所述损失函数的惩罚值；对所述目标检测模型进行训练直至所述损失函数收敛。
在本申请实施例中，在目标检测模型输出第二位置信息后，确定该第二位置信息对应的长宽比，并判断该第二位置信息对应的长宽比是否归属于预先保存的任一长宽比范围，若该第二位置信息对应的长宽比归属于预先保存的任一长宽比范围，则说明该第二位置信息对应的物体为非机动车，则根据第一位置信息及第二位置信息，确定对目标检测模型进行训练的损失函数的惩罚值。若该第二位置信息对应的长宽比不归属于预先保存的任一长宽比范围，则说明该第二位置信息对应的物体不是非机动车，也就是说当前目标检测模型的准确度较低，则根据该第二位置信息对应的长宽比以及预先保存的每个长宽比范围，确定对目标检测模型进行训练的损失函数的惩罚值，从而根据所确定的损失函数对目标检测模型进行训练直至损失函数收敛。
为了准确地对目标检测模型进行训练，在上述各实施例的基础上，在本申请实施例中，所述根据所述长宽比与预先保存的长宽比范围确定所述损失函数的惩罚值包括：
确定预先保存的数值为所述损失函数的惩罚值；或
确定所述长宽比与预先保存的长宽比范围对应的数值的偏差距离中最小的偏差距离，根据预先保存的距离与数值的对应关系，将所述偏差距离对应的目标数值确定为所述损失函数的惩罚值。
在本申请实施例中，在根据第二位置信息对应的长宽比以及预先保存的每个长宽比范围，确定对目标检测模型进行训练的损失函数的惩罚值时，可以确定预先保存的数值为损失函数的惩罚值。
在确定对目标检测模型进行训练的损失函数的惩罚值时，也可以先获取预先保存的每个长宽比范围对应的数值，其中，针对每个长宽比范围，该长宽比范围对应的数值可以为该长宽比范围的中值，也可以为该长宽比范围的最小值或最大值，若该长宽比范围对应的数值为该长宽比范围的中值，且该长宽比范围为(a，b)，则该长宽比范围内的中值的确定过程可以为(a+b)/2。在获取到每个长宽比范围对应的数值之后，确定第二位置信息对应的长宽比与每个长宽比范围对应的数值之间的偏差距离，确定偏差距离中最小的偏差距离，并根据预先保存的距离与数值的对应关系，将所确定的偏差距离中最小的偏差距离对应的目标数值确定为损失函数的惩罚值。
为了准确地确定非机动车的位置信息，在上述各实施例的基础上，在本申请实施例中，所述预先保存的长宽比范围通过以下方式确定：
根据样本集中预先标注的非机动车的位置信息，获取所述样本集中包含的非机动车的位置信息对应的长宽比；
通过聚类算法及预设数量，对所述样本集中的非机动车长宽比进行聚类；
根据所确定的聚类结果中每一类别中非机动车的长宽比，确定不同类别对应的长宽比范围。
在本申请实施例中，通过预先保存的非机动车的长宽比范围，进一步对目标检测模型进行训练，从而提高目标检测模型检测的准确性，其中，非机动车的长宽比范围可以通过聚类算法以及所要分类的数量进行确定。为了准确地确定非机动车的长宽比范围，电子设备中预先保存有对非机动车的长宽比范围进行确定的样本集，该样本集中包含有预先标注的不同非机动车的位置信息，根据样本集中预先标注的不同非机动车的位置信息，确定非机动车的长宽比。
并通过聚类算法以及所要聚类的数量，对所确定的非机动车的长宽比进行聚类，根据所确定的聚类结果中每一类别中的长宽比范围，确定非机动车的每个长宽比范围，也就是说通过聚类算法以及所要分类的数量对不同非机动车的长宽比进行聚类，聚类出预设数量个长宽比范围的聚类结果，确定所聚类出的预设数量个长宽比范围分别为非机动车的长宽比范围。其中，在本申请实施例中该聚类算法可以为K-mens聚类算法。
采用K-mens聚类算法进行聚类时的详细过程可以为：获取智能交通场景下采集的图像中标注的非机动车的长宽比，然后将所有的长宽比输入到K-means聚类算法中，其中，K-means聚类算法是一种迭代求解的聚类分析算法，其步骤是随机选取K个长宽比作为初始的聚类中心，然后针对每个长宽比，计算该长宽比与各个聚类中心之间的距离，把该长宽比分配给所确定的距离最小的聚类中心，其中，每个聚类中心以及分配给该聚类中心的长宽比为一个聚类。每分配一个长宽比，聚类的聚类中心会根据聚类中现有的长宽比被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以为第一预设数目的长宽比被重新分配给不同的聚类后，不超过第二预设数目的聚类中心发生变化。在本申请实施例中，通过聚类获取到的K组长宽比范围，作为智能交通场景下非机动车的候选目标位置信息的先验参照，当训练目标检测模型时，通过聚类结果训练出准确的网络参数。
在本申请实施例中，对实际场景下采集的图像中的非机动车的检测框的长宽比进行聚类，也就是说对采集的图像中非机动车的位置信息对应的长宽比进行聚类，获取真实场景下非机动车检测框的大小尺度数据分布，优化目标检测模型中非机动车的检出能力，增强了网络对图像中多尺度、多姿态非机动车的目标检测能力。目标检测模型在确定非机动车的位置信息时，往往因为非机动车相对车辆、行人数据较少，非机动车目标框较小，对目标存在较大尺度变化时的检测效果不好，非机动车辆检出效果差。本申请实施例中，在对目标检测模型训练时，通过聚类算法提前获取场景中常见的非机动车的长宽比。提升了深度学习网络在训练时对非机动车辆目标的检出能力，增强了网络对图像中目标局部位置的获取能力。
图2为本申请实施例提供的一种跟踪过程详细示意图。
由图2可知，在本申请实施例中，可以先采用聚类算法对非机动车的长宽比进行聚类，根据聚类结果训练目标检测模型，在目标检测模型训练完成后，通过训练完成的目标检测模型，获取第一图像及第二图像中非机动车的候选位置信息，并在获取第一图像及第二图像中非机动车的候选位置信息后，通过分类模型进一步确定第一图像及第二图像的候选位置信息中非机动车的位置信息，并在获取第一图像及第二图像中非机动车的位置信息后，通过Deepsort算法确定所述第二图像中与所述第一图像中的非机动车对应的目标非机动车。
为了准确地获取第一图像及第二图像中非机动车的位置信息，在上述各实施例的基础上，在本申请实施例中，确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息包括：
通过预先训练的分类模型，获取所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；
所述分类模型为通过二分类交叉熵损失函数进行训练的模型。
为了准确地获取第一图像及第二图像中非机动车的位置信息，从而实现对非机动车的跟踪，在本申请实施例中，在获取到第一图像及第二图像中非机动车的候选位置信息后，将包含有所获取的非机动车的候选位置信息的第一图像及第二图像分别输入到预先训练完成的分类模型中，获取分类模型的输出，分类模型的输出包括第一图像中非机动车的位置信息以及第二图像中非机动车的位置信息。具体的，分类模型的输出可以为每个候选位置信息为非机动车的位置信息的概率，在获取到分类模型输出的每个候选位置信息为非机动车的位置信息的概率之后，根据预先保存的检测阈值以及每个候选位置信息对应的为非机动车的位置信息的概率，过滤掉对应的概率低于检测阈值的候选位置信息，从而准确地确定第一图像及第二图像中非机动车的位置信息。
在本申请实施例中，可以将二分类交叉熵损失函数作为分类模型的损失函数，使用二分类交叉熵损失函数进一步确保分类模型的输出为非机动车。并且在二分类交叉熵损失函数为分类模型的损失函数时，分类模型预测的只有两种情况，即为是非机动车和不是非机动车，对于每个类别得到的概率分别为p和1-p，此时损失函数为：
Figure BDA0003276653430000131
其中，yi为第i个样本的标识，标识对应为是非机动车还是不是非机动车，若为非机动车，则yi为1，若不是非机动车，则yi为0，pi表示分类模型输出的第i个样本为非机动车的概率，N为对分类模型训练时样本的数量。
在本申请实施例中，通过二分类交叉熵损失函数，放大了分类时非机动车和不是非机动车之间的区别，增加了非机动车识别的准确率，减少了非机动车与其他相似的样本之间的误检情况。通过二分类交叉熵损失函数进一步提升分类模型学习的针对性，提升非机动车识别准确率。
其中，智能交通场景下的分类模型常常使用基于softmax的多分类损失函数，在本申请实施例中，对非机动车进行跟踪需要使用准确的非机动车辆位置信息及跟踪技术，实际上真实场景下的极易出现非机动车辆与其他非机动车产生混淆的情况，影响实际业务的判断，本申请实施例中通过的二分类交叉熵损失函数训练的分类模型通过限制网络输出，细化目标检测网络输出后的分类效果，屏蔽掉原始softmax多分类输出时容易产生的误检情况，可以有效地确定非机动车的位置信息，从而准确地实现对非机动车的跟踪。
图3为本申请实施例提供的一种跟踪装置结构示意图，该装置包括：
获取模块301，用于根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息；其中，所述第二图像和所述第一图像为采集到的相邻两帧图像，且所述第二图像的采集时间较所述第一图像的采集时间晚；
确定模块302，用于确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；
处理模块303，用于根据所述第一图像及所述第二图像中非机动车的位置信息，通过Deepsort算法确定所述第二图像中与所述第一图像中的非机动车对应的目标非机动车。
在一种可能的实施方式中，所述处理模块303，还用于通过NMS操作，去除所述第一图像中非机动车的候选位置信息中多余的候选位置信息及所述第二图像中非机动车的候选位置信息中多余的候选位置信息。
在一种可能的实施方式中，所述获取模块301，还用于通过预先训练的目标检测模型，获取所述第一图像及所述第二图像中非机动车的候选位置信息；
所述处理模块303，还用于获取样本集中的任一样本图像，以及所述样本图像中包含的每个非机动车的第一位置信息；将所述样本图像输入到目标检测模型中，获取所述样本图像中包含的每个非机动车的第二位置信息；根据所述第一位置信息和第二位置信息对所述目标检测模型进行训练。
在一种可能的实施方式中，所述处理模块303，具体用于判断所述第二位置信息对应的长宽比是否归属于预先保存的长宽比范围；若是，则根据所述第一位置信息和第二位置信息确定所述目标检测模型对应的损失函数的惩罚值；若否，则根据所述长宽比与预先保存的长宽比范围确定所述损失函数的惩罚值；对所述目标检测模型进行训练直至所述损失函数收敛。
在一种可能的实施方式中，所述处理模块303，具体用于确定预先保存的数值为所述损失函数的惩罚值；或确定所述长宽比与预先保存的长宽比范围的对应的数值的偏差距离中最小的偏差距离，根据预先保存的距离与数值的对应关系，将所述偏差距离对应的目标数值确定为所述损失函数的惩罚值。
在一种可能的实施方式中，所述处理模块303，还用于根据样本集中预先标注的非机动车的位置信息，获取所述样本集中包含的非机动车的位置信息对应的长宽比；通过聚类算法及预设数量，对所述样本集中的非机动车长宽比进行聚类；根据所确定的聚类结果中每一类别中非机动车的长宽比，确定不同类别对应的长宽比范围。
在一种可能的实施方式中，所述确定模块302，还用于通过预先训练的分类模型，获取所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；所述分类模型为通过二分类交叉熵损失函数进行训练的模型。
在上述各实施例的基础上，本申请实施例还提供了一种电子设备，如图4所示，包括：处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。
所述存储器403中存储有计算机程序，当所述程序被所述处理器401执行时，使得所述处理器401执行如下步骤：
根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息；其中，所述第二图像和所述第一图像为采集到的相邻两帧图像，且所述第二图像的采集时间较所述第一图像的采集时间晚；
确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；
根据所述第一图像及所述第二图像中非机动车的位置信息，通过多目标跟踪Deepsort算法确定所述第二图像中与所述第一图像中的非机动车对应的目标非机动车。
在一种可能的实施方式中，所述根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息之后，所述确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息之前，所述方法还包括：
通过非极大值抑制NMS操作，去除所述第一图像中非机动车的候选位置信息中多余的候选位置信息及所述第二图像中非机动车的候选位置信息中多余的候选位置信息。
在一种可能的实施方式中，所述根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息包括：
通过预先训练的目标检测模型，获取所述第一图像及所述第二图像中非机动车的候选位置信息；
所述目标检测模型通过以下方式训练：
获取样本集中的任一样本图像，以及所述样本图像中包含的每个非机动车的第一位置信息；
将所述样本图像输入到目标检测模型中，获取所述样本图像中包含的每个非机动车的第二位置信息；
根据所述第一位置信息和第二位置信息对所述目标检测模型进行训练。
在一种可能的实施方式中，所述根据所述第一位置信息和第二位置信息对所述目标检测模型进行训练包括：
判断所述第二位置信息对应的长宽比是否归属于预先保存的长宽比范围；若是，则根据所述第一位置信息和第二位置信息确定所述目标检测模型对应的损失函数的惩罚值；若否，则根据所述长宽比与预先保存的长宽比范围确定所述损失函数的惩罚值；对所述目标检测模型进行训练直至所述损失函数收敛。
在一种可能的实施方式中，所述根据所述长宽比与预先保存的长宽比范围确定所述损失函数的惩罚值包括：
确定预先保存的数值为所述损失函数的惩罚值；或
确定所述长宽比与预先保存的长宽比范围的对应的数值的偏差距离中最小的偏差距离，根据预先保存的距离与数值的对应关系，将所述偏差距离对应的目标数值确定为所述损失函数的惩罚值。
在一种可能的实施方式中，所述预先保存的长宽比范围通过以下方式确定：
根据样本集中预先标注的非机动车的位置信息，获取所述样本集中包含的非机动车的位置信息对应的长宽比；
通过聚类算法及预设数量，对所述样本集中的非机动车长宽比进行聚类；
根据所确定的聚类结果中每一类别中非机动车的长宽比，确定不同类别对应的长宽比范围。
在一种可能的实施方式中，所述确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息包括：
通过预先训练的分类模型，获取所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；
所述分类模型为通过二分类交叉熵损失函数进行训练的模型。
上述服务器提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口402用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
在上述各实施例的基础上，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：
所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行如下步骤：
根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息；其中，所述第二图像和所述第一图像为采集到的相邻两帧图像，且所述第二图像的采集时间较所述第一图像的采集时间晚；
确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；
根据所述第一图像及所述第二图像中非机动车的位置信息，通过多目标跟踪Deepsort算法确定所述第二图像中与所述第一图像中的非机动车对应的目标非机动车。
在一种可能的实施方式中，所述根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息之后，所述确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息之前，所述方法还包括：
通过非极大值抑制NMS操作，去除所述第一图像中非机动车的候选位置信息中多余的候选位置信息及所述第二图像中非机动车的候选位置信息中多余的候选位置信息。
在一种可能的实施方式中，所述根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息包括：
通过预先训练的目标检测模型，获取所述第一图像及所述第二图像中非机动车的候选位置信息；
所述目标检测模型通过以下方式训练：
获取样本集中的任一样本图像，以及所述样本图像中包含的每个非机动车的第一位置信息；
将所述样本图像输入到目标检测模型中，获取所述样本图像中包含的每个非机动车的第二位置信息；
根据所述第一位置信息和第二位置信息对所述目标检测模型进行训练。
在一种可能的实施方式中，所述根据所述第一位置信息和第二位置信息对所述目标检测模型进行训练包括：
判断所述第二位置信息对应的长宽比是否归属于预先保存的长宽比范围；若是，则根据所述第一位置信息和第二位置信息确定所述目标检测模型对应的损失函数的惩罚值；若否，则根据所述长宽比与预先保存的长宽比范围确定所述损失函数的惩罚值；对所述目标检测模型进行训练直至所述损失函数收敛。
在一种可能的实施方式中，所述根据所述长宽比与预先保存的长宽比范围确定所述损失函数的惩罚值包括：
确定预先保存的数值为所述损失函数的惩罚值；或
确定所述长宽比与预先保存的长宽比范围的对应的数值的偏差距离中最小的偏差距离，根据预先保存的距离与数值的对应关系，将所述偏差距离对应的目标数值确定为所述损失函数的惩罚值。
在一种可能的实施方式中，所述预先保存的长宽比范围通过以下方式确定：
根据样本集中预先标注的非机动车的位置信息，获取所述样本集中包含的非机动车的位置信息对应的长宽比；
通过聚类算法及预设数量，对所述样本集中的非机动车长宽比进行聚类；
根据所确定的聚类结果中每一类别中非机动车的长宽比，确定不同类别对应的长宽比范围。
在一种可能的实施方式中，所述确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息包括：
通过预先训练的分类模型，获取所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；
所述分类模型为通过二分类交叉熵损失函数进行训练的模型。
本领域内的技术人员应明白，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。
本申请是参照根据本申请的方法、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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种跟踪方法，其特征在于，所述方法包括：
根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息；其中，所述第二图像和所述第一图像为采集到的相邻两帧图像，且所述第二图像的采集时间较所述第一图像的采集时间晚；
确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；
根据所述第一图像及所述第二图像中非机动车的位置信息，通过多目标跟踪Deepsort算法确定所述第二图像中与所述第一图像中的非机动车对应的目标非机动车。
2.根据权利要求1所述的方法，其特征在于，所述根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息之后，所述确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息之前，所述方法还包括：
通过非极大值抑制NMS操作，去除所述第一图像中非机动车的候选位置信息中多余的候选位置信息及所述第二图像中非机动车的候选位置信息中多余的候选位置信息。
3.根据权利要求1所述的方法，其特征在于，所述根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息包括：
通过预先训练的目标检测模型，获取所述第一图像及所述第二图像中非机动车的候选位置信息；
所述目标检测模型通过以下方式训练：
获取样本集中的任一样本图像，以及所述样本图像中包含的每个非机动车的第一位置信息；
将所述样本图像输入到目标检测模型中，获取所述样本图像中包含的每个非机动车的第二位置信息；
根据所述第一位置信息和第二位置信息对所述目标检测模型进行训练。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一位置信息和第二位置信息对所述目标检测模型进行训练包括：
判断所述第二位置信息对应的长宽比是否归属于预先保存的长宽比范围；若是，则根据所述第一位置信息和第二位置信息确定所述目标检测模型对应的损失函数的惩罚值；若否，则根据所述长宽比与预先保存的长宽比范围确定所述损失函数的惩罚值；对所述目标检测模型进行训练直至所述损失函数收敛。
5.根据权利要求4所述的方法，其特征在于，所述根据所述长宽比与预先保存的长宽比范围确定所述损失函数的惩罚值包括：
确定预先保存的数值为所述损失函数的惩罚值；或
确定所述长宽比与预先保存的长宽比范围的对应的数值的偏差距离中最小的偏差距离，根据预先保存的距离与数值的对应关系，将所述偏差距离对应的目标数值确定为所述损失函数的惩罚值。
6.根据权利要求4所述的方法，其特征在于，所述预先保存的长宽比范围通过以下方式确定：
根据样本集中预先标注的非机动车的位置信息，获取所述样本集中包含的非机动车的位置信息对应的长宽比；
通过聚类算法及预设数量，对所述样本集中的非机动车长宽比进行聚类；
根据所确定的聚类结果中每一类别中非机动车的长宽比，确定不同类别对应的长宽比范围。
7.根据权利要求1所述的方法，其特征在于，所述确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息包括：
通过预先训练的分类模型，获取所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；
所述分类模型为通过二分类交叉熵损失函数进行训练的模型。
8.一种跟踪装置，其特征在于，所述装置包括：
获取模块，用于根据第一图像及第二图像，获取所述第一图像及所述第二图像中非机动车的候选位置信息；其中，所述第二图像和所述第一图像为采集到的相邻两帧图像，且所述第二图像的采集时间较所述第一图像的采集时间晚；
确定模块，用于确定所述第一图像及所述第二图像的候选位置信息中非机动车的位置信息；
处理模块，用于根据所述第一图像及所述第二图像中非机动车的位置信息，通过多目标跟踪Deepsort算法确定所述第二图像中与所述第一图像中的非机动车对应的目标非机动车。
9.一种电子设备，其特征在于，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时执行权利要求1-7中任一所述跟踪方法的步骤。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时执行权利要求1-7中任一所述跟踪方法的步骤。
CN202111119753.0A 2021-09-24 2021-09-24 一种跟踪方法、装置、设备及介质 Pending CN113902999A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111119753.0A CN113902999A (zh) 2021-09-24 2021-09-24 一种跟踪方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111119753.0A CN113902999A (zh) 2021-09-24 2021-09-24 一种跟踪方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN113902999A true CN113902999A (zh) 2022-01-07

Family

ID=79029245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111119753.0A Pending CN113902999A (zh) 2021-09-24 2021-09-24 一种跟踪方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113902999A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375978A (zh) * 2022-10-27 2022-11-22 北京闪马智建科技有限公司 行为信息的确定方法、装置、存储介质及电子装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375978A (zh) * 2022-10-27 2022-11-22 北京闪马智建科技有限公司 行为信息的确定方法、装置、存储介质及电子装置
CN115375978B (zh) * 2022-10-27 2023-02-03 北京闪马智建科技有限公司 行为信息的确定方法、装置、存储介质及电子装置

Similar Documents

Publication Publication Date Title
US11455805B2 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN112329892A (zh) 一种目标检测算法的评估方法、装置、设备及存储介质
CN111222405A (zh) 车道线的检测方法、装置、电子设备及可读存储介质
CN111860219A (zh) 一种高速占道判断方法、装置及电子设备
CN113902999A (zh) 一种跟踪方法、装置、设备及介质
CN114926791A (zh) 一种路口车辆异常变道检测方法、装置、存储介质及电子设备
CN113297939B (zh) 障碍物检测方法、系统、终端设备及存储介质
CN114040094A (zh) 一种基于云台相机的预置位调节方法和设备
CN111724607B (zh) 转向灯使用检测方法、装置、计算机设备和存储介质
CN111931650A (zh) 目标检测模型构建及闯红灯追责方法、系统、终端及介质
CN107622667B (zh) 一种变造车牌号码检测方法及系统
CN111177878A (zh) 衍生仿真场景筛选方法、装置和终端
CN115880632A (zh) 超时停留检测方法、监控设备、计算机可读存储介质和芯片
CN113591543B (zh) 交通标志识别方法、装置、电子设备及计算机存储介质
CN112200835B (zh) 一种交通事故检测方法、装置、电子设备及存储介质
CN115019242A (zh) 一种交通场景的异常事件检测方法、装置和处理设备
CN114495028A (zh) 一种车辆套牌的识别方法、装置、电子设备及存储介质
Ponn et al. Performance Analysis of Camera-based Object Detection for Automated Vehicles.
CN112597924A (zh) 电动自行车轨迹追踪方法、摄像机装置和服务器
CN112419366A (zh) 车辆的追踪方法、系统及计算机可读存储介质
CN111639640A (zh) 基于人工智能的车牌识别方法、装置及设备
CN111860661A (zh) 基于用户行为的数据分析方法、装置、电子设备及介质
CN111126261B (zh) 视频数据分析方法及装置、树莓派装置及可读存储介质
CN111723795A (zh) 异常车牌识别方法、装置、电子设备及存储介质
CN115578665B (zh) 一种基于车辆行驶数据的资源处理方法及系统

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