CN114510996A - 基于视频的车辆匹配方法、装置、电子设备及存储介质 - Google Patents

基于视频的车辆匹配方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114510996A
CN114510996A CN202111655799.4A CN202111655799A CN114510996A CN 114510996 A CN114510996 A CN 114510996A CN 202111655799 A CN202111655799 A CN 202111655799A CN 114510996 A CN114510996 A CN 114510996A
Authority
CN
China
Prior art keywords
vehicle
matched
information
key point
target image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111655799.4A
Other languages
English (en)
Inventor
师小凯
张政
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.)
Beijing Elite Road Technology Co ltd
Original Assignee
Beijing Elite Road Technology 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 Beijing Elite Road Technology Co ltd filed Critical Beijing Elite Road Technology Co ltd
Priority to CN202111655799.4A priority Critical patent/CN114510996A/zh
Publication of CN114510996A publication Critical patent/CN114510996A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/14Traffic control systems for road vehicles indicating individual free spaces in parking areas

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提出了基于视频的车辆匹配方法、装置、电子设备及存储介质,人工智能技术领域,具体涉及计算机视觉、智能交通技术领域,方案为:从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像;对第一目标图像和所述第二目标图像进行识别,以得到第一待匹配车辆对应的第一关键点信息和第一属性信息,以及第二待匹配车辆对应的第二关键点信息和第二属性信息;在第一属性信息与第二属性信息匹配的情况下,根据第一关键点信息和第二关键点信息,确定第一待匹配车辆与第二待匹配车辆的匹配结果。由此,可提升车辆匹配的匹配效率和可信度,降低因为角度变换,遮挡等导致的匹配不一致,提升了车辆匹配结果的有效性。

Description

基于视频的车辆匹配方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域,具体涉及计算机视觉、智能交通技术领域,尤其涉及基于视频的车辆匹配方法、装置、电子设备及存储介质。
背景技术
目前,随着国民经济的发展,越来越多家庭配备了车辆,城市内的交通量在不断增加,停车问题也成为一大社会难题,车辆在道路上的无序停放也会加重交通压力,为了缓解停车难的问题,许多地方采用了有序规划道路停车位的停车方式,但这些车位若不得到有效的管理,亦会造成社会资源的滥用,所以有效管理道路停车位显得尤为重要。因此,采用基于视频的道路停车位自动管理系统对视频中的车辆进行匹配,可实现车位的有效管理。比如,可在车辆入位过程不误拿其他车辆的车牌、入位后周期更新时需要当前车位内车辆与入位车辆一致以及离位过程也需要车辆一致,避免误离位等。
发明内容
本公开提供了一种用于基于视频的车辆匹配方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种基于视频的车辆匹配方法,包括:从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像;对所述第一目标图像和所述第二目标图像进行识别,以得到所述第一待匹配车辆对应的第一关键点信息和第一属性信息,以及所述第二待匹配车辆对应的第二关键点信息和第二属性信息;在所述第一属性信息与所述第二属性信息匹配的情况下,根据所述第一关键点信息和所述第二关键点信息,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果。
根据本公开的另一方面,提供了一种一种基于视频的车辆匹配装置,包括:第一获取模块,用于从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像;识别模块,用于对所述第一目标图像和所述第二目标图像进行识别,以得到所述第一待匹配车辆对应的第一关键点信息和第一属性信息,以及所述第二待匹配车辆对应的第二关键点信息和第二属性信息;第一确定模块,用于在所述第一属性信息与所述第二属性信息匹配的情况下,根据所述第一关键点信息和所述第二关键点信息,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开第一方面实施例所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本公开第一方面实施例所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开第一方面实施例所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开实施例的图像坐标系与世界坐标系的转换示意图;
图5是根据本公开第四实施例的示意图;
图6是根据本公开第五实施例的示意图;
图7是根据本公开第六实施例的示意图;
图8是根据本公开实施例的基于视频的车辆匹配方法的流程示意图;
图9是根据本公开第七实施例的示意图;
图10示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
当前,在基于视频的道路停车位自动管理系统中用于做车辆匹配的方式普遍为传统的行人重识别(Person re-identification,简称ReID)算法,比如,通过对同一目标和不同目标的采集标注,形成样本集,利用样本集训练生成深度学习模型,在使用中利用深度学习模型比较两辆车的相似程度,以输出车辆相似度。
但是,上述的传统ReID算法,在实际使用中,存在三点弊端:
(1)ReID算法输出的车辆相似度准确率低,且不具备良好的可解释性,为调整增加难度;
(2)同一车辆的不同角度,在外观上会表现出较大的差异性,硬性将其放在同一类样本中进行训练,并不合理,可能造成训练难以拟合;
(3)同一车辆存在部分被遮挡时,对传统ReID算法亦会造成影响,导致车辆相似度准确率低。
针对上述问题,本公开提出一种基于视频的车辆匹配方法、装置、电子设备及存储介质。
下面参考附图描述本公开实施例的基于视频的车辆匹配方法、装置、电子设备及存储介质。
图1是根据本公开第一实施例的示意图。需要说明的是,本公开实施例以该基于视频的车辆匹配方法被配置于基于视频的车辆匹配装置中来举例说明,该基于视频的车辆匹配装置可以应用于任一电子设备中,以使该电子设备可以执行基于视频的车辆匹配功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑(PersonalComputer,简称PC)、移动终端等,移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该基于视频的车辆匹配方法可以包括以下步骤:
步骤101,从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像。
需要说明的是,本公开实施例的基于视频的车辆匹配方法可应用于不同应用场景,比如,可应用于停车场内的车辆匹配,高速路口上的车辆匹配以及其他场所的车辆匹配管理。
在本公开实施例中,第一目标图像或第二目标图像可从对应场景中的摄像头采集的视频对应的视频帧中获取,其中,第一目标图像中具有第一待匹配车辆,第二目标图像中具有第二待匹配车辆。
步骤102,对第一目标图像和第二目标图像进行识别,以得到第一待匹配车辆对应的第一关键点信息和第一属性信息,以及第二待匹配车辆对应的第二关键点信息和第二属性信息。
进一步地,可对第一目标图像和第二目标图像进行特征识别,以得到第一目标图像中的第一待匹配车辆对应的第一关键点信息和第一属性信息,以及第二待匹配车辆对应的第二关键点信息和第二属性信息。其中,属性信息可包括但不限于:车辆颜色和车型等,关键点信息可包括但不限于:车辆车轮中间、车轮与地面接触点、车前灯以及车后灯等。
步骤103,在第一属性信息与第二属性信息匹配的情况下,根据第一关键点信息和第二关键点信息,确定第一待匹配车辆与第二待匹配车辆的匹配结果。
在本公开实施例中,可根据第一属性信息和第二属性信息的匹配结果,确定第一属性信息与第二属性信息是否匹配,在第一属性信息与第二属性信息匹配的情况下,可进一步对第一关键点信息和第二关键点信息进行匹配,以确定第一待匹配车辆与第二待匹配车辆的匹配结果。
综上,通过在第一属性信息与第二属性信息匹配的情况下,进一步对车辆关键点信息进行匹配,可提升车辆匹配的匹配效率和可信度,降低因为角度变换,遮挡等导致的匹配不一致,提升了车辆匹配结果的有效性。
为了准确地确定第一待匹配车辆与第二待匹配车辆的匹配结果,如图2所示,图2是根据本公开第二实施例的示意图,在本公开实施例中,可确定第一关键点与第二关键点的相互匹配的关键点对,根据关键点对的数量与设定匹配数量阈值,可确定第一待匹配车辆与第二待匹配车辆的匹配结果,图2所示实施例可包括如下步骤:
步骤201,从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像。
步骤202,对第一目标图像和第二目标图像进行识别,以得到第一待匹配车辆对应的第一关键点信息和第一属性信息,以及第二待匹配车辆对应的第二关键点信息和第二属性信息。
步骤203,对第一属性信息和第二属性信息进行比对。
在本公开实施例中,将第一属性信息中的各种属性分别与第二属性信息中对应的属性进行匹配,以确定第一属性信息与第二属性信息的匹配结果。
步骤204,在第一属性信息与第二属性信息匹配的情况下,从第二关键点信息包含的至少一个第二关键点中,确定第一关键点信息包含的各第一关键点所匹配的目标关键点,以得到相互匹配的关键点对。
在本公开实施例中,可根据第一关键点在第一目标图像中的第一坐标信息和第二关键点在第二目标图像中的第二坐标信息,确定第一关键点信息包含的各第一关键点所匹配的目标关键点,以得到相互匹配的关键点对。
作为一种示例,获取任一第一关键点在第一目标图像中的第一坐标信息,并获取第二关键点信息中的各第二关键点在第二目标图像中的第二坐标信息;根据第一目标图像或第二目标图像的尺寸信息,确定位置差阈值;根据各第二关键点的第二坐标信息与第一坐标信息之间的差值,从各第二关键点中确定差值小于位置差阈值的目标关键点;将第一关键点与目标关键点,作为关键点对。
也就是说,为了准确地得到相互匹配的关键点对,可先获取任一第一关键点在第一目标图像中的第一坐标信息,并获取第二关键点信息中的各第二关键点在第二目标图像中的第二坐标信息,接着,根据第一坐标信息与各第二坐标信息,确定第一坐标信息与各第二坐标信息之间的差值,比如,利用棋盘格距离确定第一坐标信息与各第二坐标信息之间的差值,第一坐标信息与各第二坐标信息之间的差值可表现为如下公式:Dis=|X1-X2|+|Y1-Y2|,其中,X1,Y1为第一坐标信息,X2,Y2为第二坐标信息。
进而,将各第二关键点的第二坐标信息与第一坐标信息之间的差值与位置差阈值进行比对,以从各第二关键点中确定差值小于位置差阈值的目标关键点,将第一关键点与目标关键点,作为关键点对。其中,位置差阈值可根据第一目标图像或第二目标图像的尺寸信息确定,比如,位置差阈值可为第一目标图像或第二目标图像的长Iw的千分之二加上宽Ih的千分之二,即th=2*Iw/1000+2*Ih/1000。
步骤205,在关键点对的数量大于设定匹配数量阈值时,获取设定的匹配精度。
进一步地,将关键点对的数量与设定匹配数量阈值进行比对,在关键点对的数量大于设定匹配数量阈值时,可获取设定的匹配精度。比如,设定匹配数量阈值为N,在关键点对的数量大于N时,可获取设定的匹配精度。
步骤206,在匹配精度小于设定精度阈值时,确定第一待匹配车辆与第二待匹配车辆匹配。
进而,将匹配精度与设定精度阈值进行比对,在匹配精度小于设定精度阈值时,可确定第一待匹配车辆与第二待匹配车辆匹配。比如,在不同的应用场景中,对匹配精度的要求不同,如,在一些应用场景中,对匹配精度要求较高,设定的匹配精度的值可较高;又比如,在另一些应用场景中,对匹配精度要求较低,设定的匹配精度的值可较低。因此,在对匹配精度要求较低,设定的匹配精度的值较低时,匹配精度小于设定精度阈值,可确定第一待匹配车辆与第二待匹配车辆匹配。
需要说明的是,步骤201至202的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过对第一属性信息和第二属性信息进行比对;在第一属性信息与第二属性信息匹配的情况下,从第二关键点信息包含的至少一个第二关键点中,确定第一关键点信息包含的各第一关键点所匹配的目标关键点,以得到相互匹配的关键点对;在关键点对的数量大于设定匹配数量阈值时,获取设定的匹配精度;在匹配精度小于设定精度阈值时,确定第一待匹配车辆与第二待匹配车辆匹配,由此,在关键点对的数量大于设定匹配数量阈值的情况下,根据设定的匹配精度,可确定第一待匹配车辆与第二待匹配车辆的匹配结果。
为了在关键点对的数量小于或等于设定匹配数量阈值时,或者,在匹配精度大于或等于设定精度阈值时,确定第一待匹配车辆与第二待匹配车辆的匹配结果,如图3所示,图3是根据本公开第三实施例的示意图,在本公开实施例中,在关键点对的数量小于或等于设定匹配数量阈值时,或者,在匹配精度大于或等于设定精度阈值时,可根据第一待匹配车辆的尺寸信息和位姿信息,以及第二待匹配车辆的尺寸信息和位姿信息,确定第一待匹配车辆与所述第二待匹配车辆的匹配结果,图3所示实施例可包括如下步骤:
步骤301,从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像。
步骤302,对第一目标图像和第二目标图像进行识别,以得到第一待匹配车辆对应的第一关键点信息和第一属性信息,以及第二待匹配车辆对应的第二关键点信息和第二属性信息。
步骤303,对第一属性信息和第二属性信息进行比对。
步骤304,在第一属性信息与第二属性信息匹配的情况下,从第二关键点信息包含的至少一个第二关键点中,确定第一关键点信息包含的各第一关键点所匹配的目标关键点,以得到相互匹配的关键点对。
步骤305,在关键点对的数量大于设定匹配数量阈值时,获取设定的匹配精度。
步骤306,在匹配精度小于设定精度阈值时,确定第一待匹配车辆与第二待匹配车辆匹配。
步骤307,在关键点对的数量小于或等于设定匹配数量阈值时,或者,在匹配精度大于或等于设定精度阈值时,根据图像坐标系与世界坐标系之间的映射关系,将第一待匹配车辆在第一目标图像中的区域的各点变换至世界坐标系下,将第二待匹配车辆在第二目标图像中的区域的各点变换至世界坐标系下,以得到第一待匹配车辆的尺寸信息和位姿信息,以及第二待匹配车辆的尺寸信息和位姿信息。
在本公开实施例中,在关键点对的数量小于或等于设定匹配数量阈值时,或者,在匹配精度大于或等于设定精度阈值时,可获取图像坐标系与时间坐标系之间的映射关系,进而,根据该映射关系,可将第一待匹配车辆在第一目标图像中的区域的各点变换至世界坐标系下,如图4中,以地面为X轴和Y轴,以垂直于地面为Z轴,进而,以X轴、Y轴和Z轴为世界坐标系,将第一目标图像中的第一待匹配车辆的区域的各点(2维)变换至世界坐标系下(三维),根据第一待匹配车辆的区域的各点在世界坐标下的坐标,可确定第一待匹配车辆的尺寸信息以及位姿信息,其中,尺寸信息可包括但不限于:第一待匹配车辆的长度,宽度和高度,位姿信息可包括车身方向、第一待匹配车辆在世界坐标系下的角度等。
需要说明的是,在本公开实施例中,可将第一待匹配车辆作为一个长方体,即认为它有六个面,根据车身方向的不同在第一目标图像中可以展示出三个面,将第一目标图像中的第一待匹配车辆的区域的各点变换至世界坐标系下,可根据第一待匹配车辆的区域的各点在世界坐标下的坐标提取第一目标图像中展现出的面,如图4中,展现出车头,车顶,及车侧面A,若朝向反转,第一目标图像中可以获取的即为,车尾,车顶及车侧脸B。
同理,可得到第二待匹配车辆的尺寸信息和位姿信息。
步骤308,根据第一待匹配车辆的尺寸信息和位姿信息,以及第二待匹配车辆的尺寸信息和位姿信息,确定第一待匹配车辆与第二待匹配车辆的匹配结果。
进一步地,从第一目标图像中提取第一待匹配车辆的第一侧面图像,从第二目标图像中提取第二待匹配车辆的第二侧面图像,根据第一待匹配车辆的位姿信息与第二待匹配车辆的位姿信息,对第一侧面图像与第二侧面图像进行对齐,根据对齐后的第一侧面图像和第二侧面图像,确定第一待匹配车辆与第二待匹配车辆的相似度,进而,根据第一待匹配车辆与第二待匹配车辆的相似度,可确定第一待匹配车辆与第二待匹配车辆的匹配结果。
需要说明的是,步骤301至307的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过对第一待匹配车辆在第一目标图像中的区域的各点进行三维转换,以及第二待匹配车辆在第二目标图像中的区域的各点进行三维转换,可准确地确定第一待匹配车辆的尺寸信息和位姿信息,以及第二待匹配车辆的尺寸信息和位姿信息,进而,根据第一待匹配车辆的尺寸信息和位姿信息,以及第二待匹配车辆的尺寸信息和位姿信息,可准确地确定第一待匹配车辆与第二待匹配车辆的匹配结果。
为了更加清楚地说明如何根据一待匹配车辆的尺寸信息和位姿信息,以及第二待匹配车辆的尺寸信息和位姿信息,确定第一待匹配车辆与第二待匹配车辆的匹配结果,如图5所示,图5是根据本公开第四实施例的示意图,在本公开实施例中,可对第一待匹配车辆的第一侧面图像以及第二待匹配车辆的第二侧面图像进行对齐,将对齐后的第一侧面图像以及第二侧面图像输入至相似度模型中,以得到第一侧面图像与第二侧面图像的相似度,根据该相似度与设定相似度阈值,确定第一待匹配车辆与第二待匹配车辆的匹配结果,图5所示实施例可包括如下步骤:
步骤501,从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像。
步骤502,对第一目标图像和第二目标图像进行识别,以得到第一待匹配车辆对应的第一关键点信息和第一属性信息,以及第二待匹配车辆对应的第二关键点信息和第二属性信息。
步骤503,对第一属性信息和第二属性信息进行比对。
步骤504,在第一属性信息与第二属性信息匹配的情况下,从第二关键点信息包含的至少一个第二关键点中,确定第一关键点信息包含的各第一关键点所匹配的目标关键点,以得到相互匹配的关键点对。
步骤505,在关键点对的数量大于设定匹配数量阈值时,获取设定的匹配精度。
步骤506,在匹配精度小于设定精度阈值时,确定第一待匹配车辆与第二待匹配车辆匹配。
步骤507,在关键点对的数量小于或等于设定匹配数量阈值时,或者,在匹配精度大于或等于设定精度阈值时,根据图像坐标系与世界坐标系之间的映射关系,将第一待匹配车辆在第一目标图像中的区域的各点变换至世界坐标系下,将第二待匹配车辆在第二目标图像中的区域的各点变换至世界坐标系下,以得到第一待匹配车辆的尺寸信息和位姿信息,以及第二待匹配车辆的尺寸信息和位姿信息。
步骤508,从第一目标图像中提取第一待匹配车辆的第一侧面图像,以及从第二目标图像中提取第二待匹配车辆的第二侧面图像。
在本公开实施例中,可从第一目标图像中对第一待匹配车辆的第一侧面图像进行提取,以得到第一待匹配车辆的第一侧面图像,同理,对第二待匹配车辆的第二侧面图像进行提取,以得到第二待匹配车辆的第二侧面图像。
步骤509,根据第一待匹配车辆的车身方向与第二待匹配车辆的车身方向的异同,对第一侧面图像与第二侧面图像进行对齐,以得到对齐后的第一侧面图像和第二侧面图像。
在本公开实施例中,位姿信息包括车身方向,在第一待匹配车辆的车身方向与第二待匹配车辆的车辆方向一致时,可直接对第一侧面图像和第二侧面图像进行角度与尺度上的对齐,以得到对齐后的第一侧面图像和第二侧面图像;在第一待匹配车辆的车身方向与第二待匹配车辆的车辆方向不一致时,可将第一侧面图像或第二侧面图像进行镜像反转,使得第一侧面图像与第二侧面图像车身方向相同,进而,对第一侧面图像与第二侧面图像进行对齐,以得到对齐后的第一侧面图像和第二侧面图像。
步骤510,将对齐后的第一侧面图像与第二侧面图像输入至相似度模型中,以得到对齐后的第一侧面图像与第二侧面图像的相似度。
进一步地,将对齐后的第一侧面图像与第二侧面图像输入至相似度模型中,相似度模型可输出对齐后的第一侧面图像与第二侧面图像的相似度。其中,需要说明的是,相似度模型可为经过训练的神经网络模型,经过训练的相似度模型能够学习得到图像与图像相似度之间的对应关系。
步骤511,根据相似度与设定相似度阈值,确定第一待匹配车辆与第二待匹配车辆的匹配结果。
在本公开实施例中,可将对齐后的第一侧面图像与第二侧面图像的相似度,与设定相似度阈值进行比对,在该相似度大于设定相似度阈值时,可确定第一待匹配车辆与第二待匹配车辆匹配,在该相似度小于或等于设定相似度阈值时,可确定第一待匹配车辆与第二待匹配车辆不匹配。
其中,需要说明的是,在将对齐后的第一侧面图像与第二侧面图像的相似度,与设定相似度阈值进行比对之前,可先确定设定相似度阈值。
作为一种示例,根据第一待匹配车辆的尺寸信息与第二待匹配车辆的尺寸信息,生成第一相似度阈值;在匹配精度大于或等于设定精度阈值时,生成第二相似度阈值;根据第一相似度阈值与第二相似度阈值,确定设定相似度阈值。
也就是说,为了准确地确定第一待匹配车辆与第二待匹配车辆的匹配结果,可将第一待匹配车辆的尺寸信息与第二待匹配车辆的尺寸信息进行比对,进而,根据第一待匹配车辆的尺寸信息与第二待匹配车辆的尺寸信息的比对结果,生成相应的第一相似度阈值,比如,在第一待匹配车辆的尺寸信息与第二待匹配车辆的尺寸信息一致时,对应的第一相似度阈值可为0.5;又如,在第一待匹配车辆的尺寸信息与第二待匹配车辆的尺寸信息不一致时,对应的第一相似度阈值可为0.7。在匹配精度大于或等于设定精度阈值时,可生成第二相似度阈值,比如,在一些场景中,设定的匹配精度值较高,匹配精度大于或等于设定精度阈值,第二相似度阈值可为0.3,进而,在第一待匹配车辆与第二待匹配车辆的关键点对的数量大于设定匹配数量阈值,匹配精度大于或等于设定精度阈值时,也就是在第一待匹配车辆与第二待匹配车辆高度相似时,为了使第一待匹配车辆与第二待匹配车辆在匹配上达成一致,可将第一相似度阈值与第二相似度阈值中相似度阈值较小的阈值作为设定相似度阈值(如,0.3)。
需要说明的是,步骤501至507的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过对第一待匹配车辆的第一侧面图像以及第二待匹配车辆的第二侧面图像进行对齐,将对齐后的第一侧面图像以及第二侧面图像输入至相似度模型中,可得到第一侧面图像与第二侧面图像的相似度,根据该相似度与设定相似度阈值,可准确地确定第一待匹配车辆与第二待匹配车辆的匹配结果。
为了清楚地说明第一属性信息和第二属性信息如何进行比对,如图6所示,图6是根据本公开第五实施例的示意图,在本公开实施例中,可对第一待匹配车辆的颜色与第二待匹配车辆的颜色进行比对,以及对第一待匹配车辆的车型与第二待匹配车辆的车型进行比对,根据第一待匹配车辆的颜色与第二待匹配车辆的颜色的比对结果,以及第一待匹配车辆的车型与第二待匹配车辆的车型的比对结果,确定第一属性信息和第二属性信息的匹配结果,图6所示实施例可包括如下步骤:
步骤601,从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像。
步骤602,对第一目标图像和第二目标图像进行识别,以得到第一待匹配车辆对应的第一关键点信息和第一属性信息,以及第二待匹配车辆对应的第二关键点信息和第二属性信息。其中,第一属性信息包括:第一待匹配车辆的第一颜色和第一车型;第二属性信息包括第二待匹配车辆的第二颜色和第二车型。
步骤603,对第一颜色与第二颜色进行比对。
在本公开实施例中,将第一颜色对应的RGB(红、绿、蓝)值,与第二颜色对应的RGB进行比对,以确定第一颜色与第二颜色是否匹配。
步骤604,在第一颜色与第二颜色匹配的情况下,对第一车型与第二车型进行比对。
进一步地,在第一颜色与第二颜色匹配的情况下,对第一待匹配车辆的第一车型与第二待匹配车辆的第二车型进行比对,以确定第一车型与第二车型是否匹配。
另外,在第一颜色与第二颜色不匹配的情况下,在可确定第一属性信息和第二属性信息不匹配。
步骤605,在第一车型与第二车型匹配的情况下,确定第一属性信息和第二属性信息匹配。
在本公开实施例中,在第一车型与第二车型的匹配的情况下,可确定第一属性信息和第二属性信息匹配;在第一车型与第二车型的不匹配的情况下,可确定第一属性信息和第二属性信息不匹配。
步骤606,在第一属性信息与第二属性信息匹配的情况下,根据第一关键点信息和所述第二关键点信息,确定第一待匹配车辆与所述第二待匹配车辆的匹配结果。
需要说明的是,步骤601至602、步骤606的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过对第一待匹配车辆的颜色与第二待匹配车辆的颜色进行比对,以及对第一待匹配车辆的车型与第二待匹配车辆的车型进行比对,根据第一待匹配车辆的颜色与第二待匹配车辆的颜色的比对结果,以及第一待匹配车辆的车型与第二待匹配车辆的车型的比对结果,可准确地确定第一属性信息和第二属性信息的匹配结果。
为了进一步提高相似度模型的准确性,如图7所示,图7是根据本公开第六实施例的示意图,在本公开实施例中,可将第一目标图像与第二目标图像作为训练数据对相似度模型的模型参数进行调整,图7所示实施例可包括如下步骤:
步骤701,从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像。
步骤702,对第一目标图像和第二目标图像进行识别,以得到第一待匹配车辆对应的第一关键点信息和第一属性信息,以及第二待匹配车辆对应的第二关键点信息和第二属性信息。
步骤703,在第一属性信息与第二属性信息匹配的情况下,根据第一关键点信息和第二关键点信息,确定第一待匹配车辆与第二待匹配车辆的匹配结果。
步骤704,在第一待匹配车辆与第二待匹配车辆的匹配时,将第一目标图像与第二目标图像作为训练数据中的正样本数据。
在本公开实施例中,在第一待匹配车辆与第二待匹配车辆的匹配时,也就是第一待匹配车辆与第二待匹配车辆的相似度大于设定相似度阈值,将第一待匹配车辆对应的第一目标图像,与第二待匹配车辆对应的第二目标图像作为训练数据中的正样本数据。
步骤705,在第一待匹配车辆与第二待匹配车辆的不匹配时,将第一目标图像与第二目标图像作为训练数据中的负样本数据。
同理,在第一待匹配车辆与第二待匹配车辆的不匹配时,也就是第一待匹配车辆与第二待匹配车辆的相似度小于或等于设定相似度阈值,将第一待匹配车辆对应的第一目标图像,与第二待匹配车辆对应的第二目标图像作为训练数据中的负样本数据。
步骤706,采用训练数据中的正样本数据和/或负样本数据,对相似度模型中的模型参数进行调整。
进而,采用训练数据中的正样本数据和/或负样本数据,对相似度模型中的模型参数进行调整,以提高相似度模型的准确性。
需要说明的是,步骤701至703的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过在第一待匹配车辆与第二待匹配车辆的匹配时,将第一目标图像与第二目标图像作为训练数据中的正样本数据;在第一待匹配车辆与第二待匹配车辆的不匹配时,将第一目标图像与第二目标图像作为训练数据中的负样本数据;采用训练数据中的正样本数据和/或负样本数据,对相似度模型中的模型参数进行调整。由此,根据第一待匹配车辆与第二匹配车辆的匹配结果,将第一目标图像和第二目标图像作为训练数据对相似度模型的模型参数进行调整,可提高相似度模型的准确性。
为了更加清楚地说明上述实施例,现举例进行说明。
如图8所示,图8是根据本公开实施例的基于视频的车辆匹配方法的流程示意图。具体流程如下:
(1)获取输入:从摄像头采集的视频对应的视频帧中获取第一目标图像和第二目标图像;
(2)比较两张图像中车辆属性是否一致:比对第一目标图像中第一待匹配车辆和第二目标图像中第二待匹配车辆的颜色,在第一待匹配车辆的颜色与第二待匹配车辆的颜色匹配时,对第一待匹配车辆与第二待匹配车辆的车型进行匹配,在第一待匹配车辆的颜色、车型均与第二待匹配车辆的颜色、车型匹配时,则进入第3步,否则,第一待匹配车辆与第二待匹配车辆不一致;
(3)比较第一待匹配车辆和第二待匹配车辆的关键点信息,根据对应关键点在图像中的位置关系判断车辆一致性,利用棋盘格距离求出第一待匹配车辆与第二待匹配车辆匹配的关键点在两种图(第一目标图像与第二目标图像)中的位置差Dis=|X1-X2|+|Y1-Y2||,其中,X1,Y1为第一关键点在第一目标图像中的第一坐标信息,X2,Y2为第二关键点信息中的各第二关键点在第二目标图像中的第二坐标信息,求取阈值th为第一目标图像或第二目标图像(第一目标图像与第二目标图像尺寸相同)长Iw的千分之二加上宽Ih的千分之二,即th=2*Iw/1000+2*Ih/1000,当Dis<th时,认为该关键点匹配一致,当关键点匹配一致数量大于设定的阈值N时,认为车辆高度近似,此时根据灵敏度(匹配精度)设置,若灵敏度(匹配精度)设置为低,则认为车辆一致,直接返回,若灵敏度(匹配精度)设置为高,则以匹配阈值th0(0.3)进入第4步;若关键点匹配一致数量小于设定的阈值N,则进入第4步;
(4)以图像场景的3D建模配置,第一待匹配车辆在第一目标图像中的坐标信息,第一待匹配车辆的关键点信息、第二待匹配车辆在第二目标图像中的坐标信息,第二待匹配车辆的关键点信息等为输入,将第一待匹配车辆在第一目标图像中的区域的各点做2D(图像坐标系)转3D(世界坐标系)操作,得到目标的3D-box框,从该操作中可以得到第一待匹配车辆的长,宽,高,角度,朝向等信息。将第一待匹配车辆当成一个长方体,即认为它有六个面,一般根据朝向的不同在第一目标图像中可以展示出三个面,可以利用2D转3D得到的信息提取第一目标图像中展现出的面,比如,第一目标图像中展现出车头,车顶,及车侧面A,若朝向反转,第一目标图像中可以获取的即为,车尾,车顶及车侧脸B。同理,可以得到第二待匹配车辆的长,宽,高,角度,朝向等信息,以及利用2D转3D得到的信息提取第二目标图像中展现出的面。
(5)比较两张图像中车辆的朝向,若朝向不同,进入第6步,若朝向相同,进入第7步;
(6)比较两辆车的车轴距,车宽,车高等信息,提取第一目标图像中和第二目标图像中的车侧脸图像,对其中一面进行镜像翻转,若比较的信息一致,以阈值th1(0.5)进入第8步,若比较的信息不一致,则以阈值th2(0.7)进入第8步;
(7)比较两辆车(第一待匹配车辆和第二待匹配车辆)的车轴距,车宽,车高等信息,提取两张图像中车侧脸图像,若比较的信息一致,以阈值th1(0.5)进入第8步,若比较的信息不一致,则以阈值th2(0.7)进入第8步;
(8)对前步骤中提取出的车辆剖面图,进行角度与尺度上的对齐,然后作为传统ReID算法的输入,通过训练好的深度学习模型的分析,得出两张对齐过后图像的相似度,并与前步骤中传入的阈值进行比较,若高于阈值,则认为前后图像中第一待匹配车辆和第二待匹配车辆为同一车辆,否则认为前后图像中第一待匹配车辆和第二待匹配车辆为不同车辆。
本公开实施例的基于视频的车辆匹配方法,通过从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像;对第一目标图像和第二目标图像进行识别,以得到第一待匹配车辆对应的第一关键点信息和第一属性信息,以及第二待匹配车辆对应的第二关键点信息和第二属性信息;在第一属性信息与第二属性信息匹配的情况下,根据第一关键点信息和第二关键点信息,确定第一待匹配车辆与第二待匹配车辆的匹配结果。该方法通过在第一属性信息与第二属性信息匹配的情况下,进一步对车辆关键点信息进行匹配,可提升车辆匹配的匹配效率和可信度,降低因为角度变换,遮挡等导致的匹配不一致,提升了车辆匹配结果的有效性。
为了实现上述实施例,本公开提出一种基于视频的车辆匹配装置。
图9是根据本公开第七实施例的示意图。如图9所示,基于视频的车辆匹配装置900包括:第一获取模块910、识别模块920和第一确定模块930。
其中,第一获取模块910,用于从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像;识别模块920,用于对第一目标图像和第二目标图像进行识别,以得到第一待匹配车辆对应的第一关键点信息和第一属性信息,以及第二待匹配车辆对应的第二关键点信息和第二属性信息;第一确定模块930,用于在第一属性信息与第二属性信息匹配的情况下,根据第一关键点信息和第二关键点信息,确定第一待匹配车辆与第二待匹配车辆的匹配结果。
作为本公开实施例的一种可能实现方式,第一确定模块930,具体用于:从第二关键点信息包含的至少一个第二关键点中,确定第一关键点信息包含的各第一关键点所匹配的目标关键点,以得到相互匹配的关键点对;在关键点对的数量大于设定匹配数量阈值时,获取设定的匹配精度;在匹配精度小于设定精度阈值时,确定第一待匹配车辆与第二待匹配车辆匹配。
作为本公开实施例的一种可能实现方式,基于视频的车辆匹配装置900还包括:变换模块。
其中,变换模块,用于在关键点对的数量小于或等于设定匹配数量阈值时,或者,在匹配精度大于或等于设定精度阈值时,根据图像坐标系与世界坐标系之间的映射关系,将第一待匹配车辆在第一目标图像中的区域的各点变换至世界坐标系下,将第二待匹配车辆在第二目标图像中的区域的各点变换至世界坐标系下,以得到第一待匹配车辆的尺寸信息和位姿信息,以及第二待匹配车辆的尺寸信息和位姿信息;第一确定模块930,还用于根据第一待匹配车辆的尺寸信息和位姿信息,以及第二待匹配车辆的尺寸信息和位姿信息,确定第一待匹配车辆与第二待匹配车辆的匹配结果。
作为本公开实施例的一种可能实现方式,位姿信息包括车身方向,第一确定模块930,还用于:从第一目标图像中提取第一待匹配车辆的第一侧面图像,以及从第二目标图像中提取第二待匹配车辆的第二侧面图像;根据第一待匹配车辆的车身方向与第二待匹配车辆的车身方向的异同,对第一侧面图像与第二侧面图像进行对齐,以得到对齐后的第一侧面图像和第二侧面图像;将对齐后的第一侧面图像与第二侧面图像输入至相似度模型中,以得到对齐后的第一侧面图像与第二侧面图像的相似度;根据相似度与设定相似度阈值,确定第一待匹配车辆与第二待匹配车辆的匹配结果。
作为本公开实施例的一种可能实现方式,基于视频的车辆匹配装置900还包括:第一生成模块、第二生成模块和第二确定模块。
其中,第一生成模块,用于根据第一待匹配车辆的尺寸信息与第二待匹配车辆的尺寸信息,生成第一相似度阈值;第二生成模块,用于在匹配精度大于或等于设定精度阈值时,生成第二相似度阈值;第二确定模块,用于根据第一相似度阈值与第二相似度阈值,确定设定相似度阈值。
作为本公开实施例的一种可能实现方式,第一属性信息包括:第一待匹配车辆的第一颜色和第一车型;第二属性信息包括第二待匹配车辆的第二颜色和第二车型;基于视频的车辆匹配装置,还包括:第一对比模块和第二对比模块。
其中,第一对比模块,用于对第一颜色与第二颜色进行比对;第二对比模块,用于在第一颜色与第二颜色匹配的情况下,对第一车型与第二车型进行比对;第一确定模块,用于在第一车型与第二车型匹配的情况下,确定第一属性信息和第二属性信息匹配。
作为本公开实施例的一种可能实现方式,第一确定模块930,还用于:获取任一第一关键点在第一目标图像中的第一坐标信息,并获取第二关键点信息中的各第二关键点在第二目标图像中的第二坐标信息;根据第一目标图像或第二目标图像的尺寸信息,确定位置差阈值;根据各第二关键点的第二坐标信息与第一坐标信息之间的差值,从各第二关键点中确定差值小于位置差阈值的目标关键点;将第一关键点与目标关键点,作为关键点对。
作为本公开实施例的一种可能实现方式,基于视频的车辆匹配装置900还包括:第二获取模块和调整模块。
其中,第二获取模块,用于在第一待匹配车辆与第二待匹配车辆的匹配时,将第一目标图像与第二目标图像作为训练数据中的正样本数据;第二获取模块,还用于在第一待匹配车辆与第二待匹配车辆的不匹配时,将第一目标图像与第二目标图像作为训练数据中的负样本数据;调整模块,用于采用训练数据中的正样本数据和/或负样本数据,对相似度模型中的模型参数进行调整。
本公开实施例的基于视频的车辆匹配装置,通过从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像;对所述第一目标图像和所述第二目标图像进行识别,以得到所述第一待匹配车辆对应的第一关键点信息和第一属性信息,以及所述第二待匹配车辆对应的第二关键点信息和第二属性信息;在所述第一属性信息与所述第二属性信息匹配的情况下,根据所述第一关键点信息和所述第二关键点信息,确定所述第一待匹配车辆与第二待匹配车辆的匹配结果。该装置可实现通过在第一属性信息与第二属性信息匹配的情况下,进一步对车辆关键点信息进行匹配,可提升车辆匹配的匹配效率和可信度,降低因为角度变换,遮挡等导致的匹配不一致,提升了车辆匹配结果的有效性。
为了实现上述实施例,本公开还提出一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使至少一个处理器能够执行上述实施例的基于视频的车辆匹配方法。
为了实现上述实施例,本公开还提出一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使所述计算机执行上述实施例所述的基于视频的车辆匹配方法。
为了实现上述实施例,本公开还提出一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述实施例所述的基于视频的车辆匹配方法。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均在征得用户同意的前提下进行,并且均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如基于视频的车辆匹配方法。例如,在一些实施例中,基于视频的车辆匹配方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的基于视频的车辆匹配方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于视频的车辆匹配方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。

Claims (19)

1.一种基于视频的车辆匹配方法,包括:
从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像;
对所述第一目标图像和所述第二目标图像进行识别,以得到所述第一待匹配车辆对应的第一关键点信息和第一属性信息,以及所述第二待匹配车辆对应的第二关键点信息和第二属性信息;
在所述第一属性信息与所述第二属性信息匹配的情况下,根据所述第一关键点信息和所述第二关键点信息,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果。
2.根据权利要求1所述的方法,其中,所述在第一属性信息与第二属性信息匹配的情况下,根据第一关键点信息和第二关键点信息,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果,包括:
从所述第二关键点信息包含的至少一个第二关键点中,确定所述第一关键点信息包含的各第一关键点所匹配的目标关键点,以得到相互匹配的关键点对;
在所述关键点对的数量大于设定匹配数量阈值时,获取设定的匹配精度;
在所述匹配精度小于设定精度阈值时,确定所述第一待匹配车辆与所述第二待匹配车辆匹配。
3.根据权利要求2所述的方法,其中,所述方法还包括:
在所述关键点对的数量小于或等于设定匹配数量阈值时,或者,在所述匹配精度大于或等于设定精度阈值时,根据图像坐标系与世界坐标系之间的映射关系,将所述第一待匹配车辆在所述第一目标图像中的区域的各点变换至所述世界坐标系下,将所述第二待匹配车辆在所述第二目标图像中的区域的各点变换至所述世界坐标系下,以得到所述第一待匹配车辆的尺寸信息和位姿信息,以及所述第二待匹配车辆的尺寸信息和位姿信息;
根据所述第一待匹配车辆的尺寸信息和位姿信息,以及所述第二待匹配车辆的尺寸信息和位姿信息,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果。
4.根据权利要求3所述的方法,其中,所述位姿信息包括车身方向,所述根据所述第一待匹配车辆的尺寸信息和位姿信息,以及所述第二待匹配车辆的尺寸信息和位姿信息,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果,包括:
从所述第一目标图像中提取所述第一待匹配车辆的第一侧面图像,以及从所述第二目标图像中提取所述第二待匹配车辆的第二侧面图像;
根据所述第一待匹配车辆的车身方向与所述第二待匹配车辆的车身方向的异同,对所述第一侧面图像与所述第二侧面图像进行对齐,以得到对齐后的第一侧面图像和第二侧面图像;
将所述对齐后的第一侧面图像与第二侧面图像输入至相似度模型中,以得到所述对齐后的第一侧面图像与第二侧面图像的相似度;
根据所述相似度与设定相似度阈值,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果。
5.根据权利要求4所述的方法,其中,所述根据所述相似度与设定相似度阈值,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果之前,还包括:
根据所述第一待匹配车辆的尺寸信息与所述第二待匹配车辆的尺寸信息,生成第一相似度阈值;
在所述匹配精度大于或等于设定精度阈值时,生成第二相似度阈值;
根据所述第一相似度阈值与所述第二相似度阈值,确定所述设定相似度阈值。
6.根据权利要求2所述的方法,其中,所述第一属性信息包括:所述第一待匹配车辆的第一颜色和第一车型;所述第二属性信息包括所述第二待匹配车辆的第二颜色和第二车型;所述在所述第一属性信息与所述第二属性信息匹配的情况下,根据所述第一关键点信息和所述第二关键点信息,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果之前,还包括:
对所述第一颜色与所述第二颜色进行比对;
在所述第一颜色与所述第二颜色匹配的情况下,对所述第一车型与所述第二车型进行比对;
在所述第一车型与所述第二车型匹配的情况下,确定所述第一属性信息和所述第二属性信息匹配。
7.根据权利要求2所述的方法,其中,所述在所述第一属性信息与所述第二属性信息匹配的情况下,从所述第二关键点信息包含的至少一个第二关键点中,确定所述第一关键点信息包含的各第一关键点所匹配的目标关键点,以得到相互匹配的关键点对,包括:
获取任一所述第一关键点在所述第一目标图像中的第一坐标信息,并获取所述第二关键点信息中的各第二关键点在所述第二目标图像中的第二坐标信息;
根据所述第一目标图像或所述第二目标图像的尺寸信息,确定位置差阈值;
根据各所述第二关键点的第二坐标信息与所述第一坐标信息之间的差值,从各所述第二关键点中确定所述差值小于所述位置差阈值的目标关键点;
将所述第一关键点与所述目标关键点,作为关键点对。
8.根据权利要求1-7中任一项所述的方法,其中,所述方法还包括:
在所述第一待匹配车辆与所述第二待匹配车辆的匹配时,将所述第一目标图像与所述第二目标图像作为训练数据中的正样本数据;
在所述第一待匹配车辆与所述第二待匹配车辆的不匹配时,将所述第一目标图像与所述第二目标图像作为训练数据中的负样本数据;
采用训练数据中的正样本数据和/或负样本数据,对相似度模型中的模型参数进行调整。
9.一种基于视频的车辆匹配装置,包括:
第一获取模块,用于从视频帧图像中获取具有第一待匹配车辆的第一目标图像和具有第二待匹配车辆的第二目标图像;
识别模块,用于对所述第一目标图像和所述第二目标图像进行识别,以得到所述第一待匹配车辆对应的第一关键点信息和第一属性信息,以及所述第二待匹配车辆对应的第二关键点信息和第二属性信息;
第一确定模块,用于在所述第一属性信息与所述第二属性信息匹配的情况下,根据所述第一关键点信息和所述第二关键点信息,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果。
10.根据权利要求9所述的装置,其中,所述第一确定模块,具体用于:
从所述第二关键点信息包含的至少一个第二关键点中,确定所述第一关键点信息包含的各第一关键点所匹配的目标关键点,以得到相互匹配的关键点对;
在所述关键点对的数量大于设定匹配数量阈值时,获取设定的匹配精度;
在所述匹配精度小于设定精度阈值时,确定所述第一待匹配车辆与所述第二待匹配车辆匹配。
11.根据权利要求10所述的装置,其中,所述装置还包括:
变换模块,用于在所述关键点对的数量小于或等于设定匹配数量阈值时,或者,在所述匹配精度大于或等于设定精度阈值时,根据图像坐标系与世界坐标系之间的映射关系,将所述第一待匹配车辆在所述第一目标图像中的区域的各点变换至所述世界坐标系下,将所述第二待匹配车辆在所述第二目标图像中的区域的各点变换至所述世界坐标系下,以得到所述第一待匹配车辆的尺寸信息和位姿信息,以及所述第二待匹配车辆的尺寸信息和位姿信息;
所述第一确定模块,还用于根据所述第一待匹配车辆的尺寸信息和位姿信息,以及所述第二待匹配车辆的尺寸信息和位姿信息,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果。
12.根据权利要求11所述的装置,其中,所述位姿信息包括车身方向,所述第一确定模块,还用于:
从所述第一目标图像中提取所述第一待匹配车辆的第一侧面图像,以及从所述第二目标图像中提取所述第二待匹配车辆的第二侧面图像;
根据所述第一待匹配车辆的车身方向与所述第二待匹配车辆的车身方向的异同,对所述第一侧面图像与所述第二侧面图像进行对齐,以得到对齐后的第一侧面图像和第二侧面图像;
将所述对齐后的第一侧面图像与第二侧面图像输入至相似度模型中,以得到所述对齐后的第一侧面图像与第二侧面图像的相似度;
根据所述相似度与设定相似度阈值,确定所述第一待匹配车辆与所述第二待匹配车辆的匹配结果。
13.根据权利要求12所述的装置,其中,所述装置,还包括:
第一生成模块,用于根据所述第一待匹配车辆的尺寸信息与所述第二待匹配车辆的尺寸信息,生成第一相似度阈值;
第二生成模块,用于在所述匹配精度大于或等于设定精度阈值时,生成第二相似度阈值;
第二确定模块,用于根据所述第一相似度阈值与所述第二相似度阈值,确定所述设定相似度阈值。
14.根据权利要求10所述的装置,其中,所述第一属性信息包括:所述第一待匹配车辆的第一颜色和第一车型;所述第二属性信息包括所述第二待匹配车辆的第二颜色和第二车型;所述装置,还包括:
第一对比模块,用于对所述第一颜色与所述第二颜色进行比对;
第二对比模块,用于在所述第一颜色与所述第二颜色匹配的情况下,对所述第一车型与所述第二车型进行比对;
所述第一确定模块,用于在所述第一车型与所述第二车型匹配的情况下,确定所述第一属性信息和所述第二属性信息匹配。
15.根据权利要求10所述的装置,其中,所述第一确定模块,还用于:
获取任一所述第一关键点在所述第一目标图像中的第一坐标信息,并获取所述第二关键点信息中的各第二关键点在所述第二目标图像中的第二坐标信息;
根据所述第一目标图像或所述第二目标图像的尺寸信息,确定位置差阈值;
根据各所述第二关键点的第二坐标信息与所述第一坐标信息之间的差值,从各所述第二关键点中确定所述差值小于所述位置差阈值的目标关键点;
将所述第一关键点与所述目标关键点,作为关键点对。
16.根据权利要求9-15中任一项所述的装置,其中,所述装置还包括:
第二获取模块,用于在所述第一待匹配车辆与所述第二待匹配车辆的匹配时,将所述第一目标图像与所述第二目标图像作为训练数据中的正样本数据;
所述第二获取模块,还用于在所述第一待匹配车辆与所述第二待匹配车辆的不匹配时,将所述第一目标图像与所述第二目标图像作为训练数据中的负样本数据;
调整模块,用于采用训练数据中的正样本数据和/或负样本数据,对相似度模型中的模型参数进行调整。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
CN202111655799.4A 2021-12-30 2021-12-30 基于视频的车辆匹配方法、装置、电子设备及存储介质 Pending CN114510996A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111655799.4A CN114510996A (zh) 2021-12-30 2021-12-30 基于视频的车辆匹配方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111655799.4A CN114510996A (zh) 2021-12-30 2021-12-30 基于视频的车辆匹配方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114510996A true CN114510996A (zh) 2022-05-17

Family

ID=81547467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111655799.4A Pending CN114510996A (zh) 2021-12-30 2021-12-30 基于视频的车辆匹配方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114510996A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880661A (zh) * 2023-02-01 2023-03-31 天翼云科技有限公司 一种车辆匹配的方法及装置、电子设备、存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880661A (zh) * 2023-02-01 2023-03-31 天翼云科技有限公司 一种车辆匹配的方法及装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
US20210272306A1 (en) Method for training image depth estimation model and method for processing image depth information
US20210158699A1 (en) Method, device, readable medium and electronic device for identifying traffic light signal
EP4027299A2 (en) Method and apparatus for generating depth map, and storage medium
CN112966599B (zh) 关键点识别模型的训练方法、关键点识别方法及装置
EP3907659A2 (en) Perception data detection method and apparatus
EP4105600A2 (en) Method for automatically producing map data, related apparatus and computer program product
EP4138050A1 (en) Table generating method and apparatus, electronic device, storage medium and product
CN114550177A (zh) 图像处理的方法、文本识别方法及装置
WO2023273344A1 (zh) 车辆跨线识别方法、装置、电子设备和存储介质
CN114724117A (zh) 车道线关键点数据生成方法、装置、电子设备及存储介质
CN115147809B (zh) 一种障碍物检测方法、装置、设备以及存储介质
CN114186007A (zh) 高精地图生成方法、装置、电子设备和存储介质
CN115641359A (zh) 确定对象的运动轨迹的方法、装置、电子设备和介质
CN113177497B (zh) 视觉模型的训练方法、车辆识别方法及装置
CN114510996A (zh) 基于视频的车辆匹配方法、装置、电子设备及存储介质
CN114677653A (zh) 模型训练方法、车辆关键点检测方法及相应的装置
WO2024093641A1 (zh) 多模态融合的高精地图要素识别方法、装置、设备及介质
CN113409340A (zh) 语义分割模型训练方法、语义分割方法、装置及电子设备
US20230169680A1 (en) Beijing baidu netcom science technology co., ltd.
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质
EP4080479A2 (en) Method for identifying traffic light, device, cloud control platform and vehicle-road coordination system
CN113902898A (zh) 目标检测模型的训练、目标检测方法、装置、设备和介质
CN114419564A (zh) 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆
CN114266879A (zh) 三维数据增强、模型训练检测方法、设备及自动驾驶车辆
CN113554882A (zh) 用于输出信息的方法、装置、设备以及存储介质

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