CN114724122A - 一种目标追踪方法、装置、电子设备及存储介质 - Google Patents
一种目标追踪方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114724122A CN114724122A CN202210318506.1A CN202210318506A CN114724122A CN 114724122 A CN114724122 A CN 114724122A CN 202210318506 A CN202210318506 A CN 202210318506A CN 114724122 A CN114724122 A CN 114724122A
- Authority
- CN
- China
- Prior art keywords
- driver
- determining
- target
- vehicle
- similarity
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及计算机技术的领域,尤其是涉及一种目标追踪方法、装置、电子设备及存储介质。方法包括:获取车辆信息,车辆信息包括案发地点以及案发时间段;基于车辆信息,获取案发地点案发时间段内的视频数据,并从视频数据中确定驾驶人的人脸特征;获取卡口数据和电警数据,并确定至少一个目标对象的人脸特征,目标对象为卡口数据和电警数据中包含的车辆的驾乘人员;基于驾驶人的人脸特征以及每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度;将相似度高于预设相似度阈值的目标对象确定为目标驾驶人,并将目标驾驶人对应的车辆确定为目标车辆。本申请具有便于对目标进行跟踪的效果。
Description
技术领域
本申请涉及计算机技术的领域,尤其是涉及一种目标追踪方法、装置、电子设备及存储介质。
背景技术
随着经济的快速发展,车辆的数量随之增多。汽车成为人们生活中重要的交通工具,汽车在为人们生活带来便利的同时,也带来了交通拥堵以及交通事故等问题。
在相关技术中,相关部门需要对车辆进行追踪,并在追踪成功后对驾驶人进行处理。
但是,在追踪到车辆后,可能会出现车辆和驾驶人不匹配,导致追踪失败的情况。
发明内容
为了便于对目标进行跟踪,增加追踪到驾驶人或车辆的可能性,本申请提供一种目标追踪方法、装置、电子设备及存储介质。
第一方面,本申请提供一种目标追踪方法,采用如下的技术方案:
一种目标追踪方法,包括:
获取车辆信息,所述车辆信息包括案发地点以及案发时间段;
基于所述车辆信息,获取案发地点案发时间段内的视频数据,并从所述视频数据中确定驾驶人的人脸特征;
获取卡口数据和电警数据,并确定至少一个目标对象的人脸特征,所述目标对象为所述卡口数据和电警数据中包含的车辆的驾乘人员;
基于所述驾驶人的人脸特征以及所述每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度;
将相似度高于预设相似度阈值的目标对象确定为目标驾驶人,并将目标驾驶人对应的车辆确定为目标车辆。
通过采用上述技术方案,能够基于车辆信息,以获取到案发地点案发时间段内的视频数据,以获取到较为完整的案发视频数据,从视频数据中确定出驾驶人的人脸特征,并获取到道路上的卡口数据和电警数据,以获取到道路上通行的目标对象的人脸特征,将驾驶人的人脸特征和目标对象的人脸特征进行对比,从而得到驾驶人和每个目标对象的相似度,进而根据相似度确定出目标驾驶人和目标车辆,以减小车辆和驾驶人不匹配的可能性,以增加追踪到驾驶人或车辆的可能性。
在另一种可能实现的方式中,所述方法还包括:
当检测到驾驶人下车后,获取驾驶人的第一特征,所述第一特征包括驾驶人的体貌特征和衣物特征;
1.所述获取卡口数据和电警数据,之后还包括:
2.基于所述卡口数据和电警数据,确定至少一个行人的第二特征,所述第二特征包括行人的体貌特征和衣物特征;
3.基于所述驾驶人第一特征和所述每个行人的第二特征,确定驾驶人和每个行人的相似度;
将相似度高于预设相似度阈值的行人确定为目标驾驶人。
通过采用上述技术方案,在驾驶人下车后,获取到驾驶人的体貌特征和衣物特征,获取卡口数据和电警数据中行人的体貌特征和衣物特征,通过将驾驶人的体貌特征和行人的体貌特征进行对比,并将驾驶人的衣物特征和行人的衣物特征进行对比,从而得到驾驶人和每个行人的相似度,进而能够在驾驶人下车的时候,确定出与驾驶人相似度高的行人作为目标驾驶人,以减小驾驶人下车后追踪不到的可能性。
在另一种可能实现的方式中,所述方法还包括:
确定驾驶人的人脸特征对应的第一编码;
所述获取卡口数据和电警数据,并确定至少一个目标对象的人脸特征,之后还包括:
确定至少一个目标对象的人脸特征对应的第二编码;
所述基于所述驾驶人的人脸特征以及所述每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度,包括:
确定第一编码对应的人脸特征与每一个第二编码对应的人脸特征的相似度;
所述将相似度高于预设相似度阈值的目标对象确定为目标驾驶人,并将目标驾驶人对应的车辆确定为目标车辆,包括:
将相似度高于预设相似度阈值的第二编码对应的目标对象确定为目标驾驶人。
通过采用上述技术方案,对驾驶人的人脸特征和目标对象的人脸特征进行编码,以通过编码便于对驾驶人或目标对象进行查询。
在另一种可能实现的方式中,所述基于所述驾驶人的人脸特征以及所述每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度,包括:
基于所述驾驶人的人脸特征,确定驾驶人对应的第一特征向量;
基于所述至少一个目标对象的人脸特征,确定每个目标对象对应的第二特征向量;
确定所述第一特征向量和每个第二特征向量的余弦值;
基于所述余弦值,确定驾驶人和每个目标对象的相似度。
通过采用上述技术方案,确定驾驶人对应的第一特征向量,确定目标对象对应的第二特征向量,从而通过计算第一特征向量和第二特征向量之间的余弦值,以确定驾驶人和目标对象的相似度,提高相似度的准确性。
在另一种可能实现的方式中,所述获取卡口数据和电警数据,之后还包括:
确定所述卡口数据和电警数据中包含的车辆信息;
确定所述卡口数据和电警数据中包含的驾乘人员信息;
建立所述车辆信息和驾乘人员信息之间的对应关系;
所述车辆信息还包括:次要驾驶人信息;
所述方法还包括:
确定次要驾驶人的人脸特征;
基于所述次要驾驶人的人脸特征和所述车辆信息和驾乘人员信息之间的对应关系,进行目标追踪。
通过采用上述技术方案,建立卡口数据和电警数据中车辆信息和驾乘人员信息之间的对应关系,并将对应关系存储,在出现次要驾驶人时,通过驾驶人的人脸特征,从对应关系中查找次要驾驶人的信息,以对次要驾驶人进行目标追踪,以减小在追踪不到目标驾驶人时,线索中断无法追踪的可能性。
在另一种可能实现的方式中,所述建立所述车辆信息和驾乘人员信息之间的对应关系,之后还包括:
获取当前驾乘人员人脸特征;
确定所述当前驾乘人员人脸特征和所述对应关系中包含的已有驾乘人员人脸特征的相似度;
针对任一已有驾乘人员,若所述当前驾乘人员人脸特征和所述已有驾乘人员人脸特征的相似度处于相似度预设范围,则将当前驾乘人员人脸特征增加到所述已有驾乘人员的信息中。
通过采用上述技术方案,当出现当前驾乘人员人脸特征时,将当前驾乘人员人脸特征和存储的对应关系中已有驾乘人员人脸特征进行对比,并保留相似度处于预设范围内的人脸特征,以减小电子设备的计算量,增加电子设备处理速度。
在另一种可能实现的方式中,所述将目标驾驶人对应的车辆确定为目标车辆,之后还包括:
对所述目标车辆进行目标跟踪,并生成目标车辆的轨迹路线;
基于所述目标车辆的轨迹路线,预估目标车辆的行驶目的地;
生成反馈指令,所述反馈指令包括目标车辆的行驶目的地。
通过采用上述技术方案,确定目标车辆后,对目标车辆进行追踪,生成轨迹路线,并预估目标车辆的行驶目的地,反馈目标车辆的行驶目的地,以便于相关人员对目标车辆进行追踪。
第二方面,本申请提供一种目标追踪装置,采用如下的技术方案:
一种目标追踪装置,包括:
第一获取模块,用于获取车辆信息,所述车辆信息包括案发地点以及案发时间段;
第二获取模块,用于基于所述车辆信息,获取案发地点案发时间段内的视频数据,并从所述视频数据中确定驾驶人的人脸特征;
第一确定模块,用于获取卡口数据和电警数据,并确定至少一个目标对象的人脸特征,所述目标对象为所述卡口数据和电警数据中包含的车辆的驾乘人员;
第二确定模块,用于基于所述驾驶人的人脸特征以及所述每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度;
第三确定模块,用于将相似度高于预设相似度阈值的目标对象确定为目标驾驶人,并将目标驾驶人对应的车辆确定为目标车辆。
通过采用上述技术方案,第一获取模块能够基于车辆信息,以获取到案发地点案发时间段内的视频数据,第二获取模块获取到较为完整的案发视频数据,从视频数据中确定出驾驶人的人脸特征,并获取到道路上的卡口数据和电警数据,第一确定模块确定道路上通行的目标对象的人脸特征,将驾驶人的人脸特征和目标对象的人脸特征进行对比,第二确定模块确定驾驶人和每个目标对象的相似度,第三确定模块根据相似度确定出目标驾驶人和目标车辆,以减小车辆和驾驶人员不匹配的可能性,以增加追踪到驾驶人或车辆的可能性。
在一种可能的实现方式中,该装置还包括:第三获取模块,其中,
第三获取模块,用于当检测到驾驶人下车后,获取驾驶人的第一特征,所述第一特征包括驾驶人的体貌特征和衣物特征。
在一种可能的实现方式中,该装置还包括:第四确定模块、第五确定模块以及第六确定模块,其中,
第四确定模块,用于基于所述卡口数据和电警数据,确定至少一个行人的第二特征,所述第二特征包括行人的体貌特征和衣物特征;
第五确定模块,用于基于所述驾驶人第一特征和所述每个行人的第二特征,确定驾驶人和每个行人的相似度;
第六确定模块,用于将相似度高于预设相似度阈值的行人确定为目标驾驶人。
在一种可能的实现方式中,该装置还包括:第七确定模块,其中,
第七确定模块,用于确定驾驶人的人脸特征对应的第一编码。
在一种可能的实现方式中,该装置还包括:第八确定模块,其中,
第八确定模块,用于确定每个目标对象的人脸特征分别对应的第二编码。
在一种可能的实现方式中,第二确定模块在基于所述驾驶人的人脸特征以及所述每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度时,具体用于:
确定第一编码对应的人脸特征与每一个第二编码对应的人脸特征的相似度。
在一种可能的实现方式中,第三确定模块在将相似度高于预设相似度阈值的目标对象确定为目标驾驶人,并将目标驾驶人对应的车辆确定为目标车辆时,具体用于:
将相似度高于预设相似度阈值的第二编码对应的目标对象确定为目标驾驶人。
在一种可能的实现方式中,第二确定模块在基于所述驾驶人的人脸特征以及所述每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度时,具体用于:
基于所述驾驶人的人脸特征,确定驾驶人对应的第一特征向量;
基于所述至少一个目标对象的人脸特征,确定每个目标对象对应的第二特征向量;
确定所述第一特征向量和每个第二特征向量的余弦值;
基于所述余弦值,确定驾驶人和每个目标对象的相似度。
在一种可能的实现方式中,该装置还包括:车辆信息确定模块、驾乘人员信息确定模块以及对应关系确定模块,其中,
车辆信息确定模块,用于确定所述卡口数据和电警数据中包含的车辆信息;
驾乘人员信息确定模块,用于确定所述卡口数据和电警数据中包含的驾乘人员信息;
对应关系确定模块,用于建立所述车辆信息和驾乘人员信息之间的对应关系。
在一种可能的实现方式中,该装置还包括:第九确定模块以及追踪模块,其中,
第九确定模块,用于确定次要驾驶人的人脸特征;
追踪模块,用于基于所述次要驾驶人的人脸特征和所述车辆信息和驾乘人员信息之间的对应关系,进行目标追踪。
在一种可能的实现方式中,该装置还包括:第三获取模块、相似度确定模块以及增加模块,其中,
第三获取模块,用于获取当前驾乘人员人脸特征;
相似度确定模块,用于确定所述当前驾乘人员人脸特征和所述对应关系中包含的已有驾乘人员人脸特征的相似度;
增加模块,用于针对任一已有驾乘人员,若所述当前驾乘人员人脸特征和所述已有驾乘人员人脸特征的相似度处于相似度预设范围,则将当前驾乘人员人脸特征增加到所述已有驾乘人员的信息中。
在一种可能的实现方式中,该装置还包括:轨迹路线生成模块、预估模块以及反馈指令生成模块,其中,
轨迹路线生成模块,用于对所述目标车辆进行目标追踪,并生成目标车辆的轨迹路线;
预估模块,用于基于所述目标车辆的轨迹路线,预估目标车辆的行驶目的地;
反馈指令生成模块,用于生成反馈指令,所述反馈指令包括目标车辆的行驶目的地。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述目标追踪的方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括:存储有能够被处理器加载并执行上述目标追踪方法的计算机程序。
综上所述,本申请包括以下有益技术效果:
1.能够基于车辆信息,以获取到案发地点案发时间段内的视频数据,以获取到较为完整的案发视频数据,从视频数据中确定出驾驶人的人脸特征,并获取到道路上的卡口数据和电警数据,以获取到道路上通行的目标对象的人脸特征,将驾驶人的人脸特征和目标对象的人脸特征进行对比,从而得到驾驶人和每个目标对象的相似度,进而根据相似度确定出目标驾驶人和目标车辆,以减小车辆和驾驶人员不匹配的可能性,以增加追踪到驾驶人或车辆的可能性。
2.在驾驶人下车后,获取到驾驶人的体貌特征和衣物特征,获取卡口数据和电警数据中行人的体貌特征和衣物特征,通过将驾驶人的体貌特征和行人的体貌特征进行对比,并将驾驶人的衣物特征和行人的衣物特征进行对比,从而得到驾驶人和每个行人的相似度,进而能够在驾驶人下车的时候,确定出与驾驶人相似度高的行人作为目标驾驶人,以减小驾驶人下车后追踪不到的可能性。
附图说明
图1是本申请实施例目标追踪方法的流程示意图;
图2是本申请实施例目标追踪装置的方框示意图;
图3是本申请实施例电子设备的示意图。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
随着经济的快速发展,车辆数量迅速增长,车辆违章违法也随之增多,车辆违章违法的行为不仅会带来人身伤害,也给创建文明城市、维护交通以及人身安全带来了许多阻碍。而对车辆和驾驶人员的跟踪成为一个关键问题。
在现有的相关技术中,对车辆和驾驶人员的跟踪方式主要包括以下三种:
第一种,现场相关人员拦截。相关人员在执行任务过程中,当发现相关情况时,或者接收到指挥中心发送的相关情况时,第一时间到达案发现场,对车辆进行跟踪。但是大多数案件发生许久后才收到相关情况,一旦车辆离开案发现场,相关人员跟踪难度大大增加。
第二种,非现场监控排查。调取案发地附近的交通监控录像,对经过的车辆进行依次排查,同时安排相关人员进行跟踪。然而,城市车流量较大,依次排查来往的车辆需要耗费工作人员大量的时间和精力。
第三种,非现场交通平台结构化查询。通过平台以车辆的车牌号等信息,结合案发时间以及案发地点,对过车数据进行排查,确定出车辆的行驶轨迹。然而,仍然存在部分驾驶人进入监控盲点后更换车辆,线索中断,导致相关人员排查工作难以进行的情况。
本申请实施例提供了一种目标追踪方法,主要用于协助相关人员对驾驶人或车辆进行跟踪,由电子设备执行,电子设备可以为中央控制服务器,还可以为相关人员进行跟踪时驾乘车辆上的车载终端设备,也可以为相关人员手持的终端设备。如图1所示,该方法包括:
步骤S101,获取车辆信息。
其中,车辆信息包括案发地点以及案发时间段。
对于本申请实施例,当相关部门发现相关情况或接收到指挥中心发送的相关情况时,确定车辆信息,向电子设备发送车辆信息,电子设备接收相关部门发送的车辆信息。其中,驾驶人车辆为驾驶人驾驶的车辆。车辆信息包括案发地点以及案发时间,还可以包括车辆车牌号、车牌颜色、车身颜色以及车身品牌等信息。
步骤S102,基于车辆信息,获取案发地点案发时间段内的视频数据,并从视频数据中确定驾驶人的人脸特征。
对于本申请实施例,当电子设备接收到相关人员发送的车辆信息时,自动生成用于获取视频数据的获取指令,获取指令携带有案发地点和案发时间段信息,以获取到案发地点案发时间段内的视频数据。进一步地,视频数据还可以为案发时间前后5分钟、案发地点附近5个十字路口的视频数据。
具体地,道路上安装有多种摄像头,电子设备和道路上的各个摄像头建立通信连接,以获取到摄像头拍摄的视频数据。其中,摄像头包括道路检测摄像头、违章检测摄像头、流量监控摄像头、天网监控摄像头以及雷达测速摄像头。其中,道路检测摄像头主要监控车辆是否压线、闯红灯以及违规变道等情况;违章检测摄像头主要监控车辆是否违法停车以及是否逆行等情况;流量监控摄像头主要统计车流量;天网监控摄像头主要监控是否出现违反法律行径任务;雷达测速摄像头主要监控车辆是否超速。
从视频数据中确定驾驶人的人脸特征,对人脸图像进行定位特征点,识别人脸图像中的眼睛、鼻子、嘴巴以及耳朵等特征点,以得到人脸特征也可以通过HOG(Histogram ofOriented Gridients,方向梯度直方图)进行人脸特征提取。具体地,先从视频数据中提取若干帧图像,对每个帧图像中各个像素点的梯度进行采集,形成人脸特征直方图。
步骤S103,获取卡口数据和电警数据,并确定至少一个目标对象的人脸特征。
其中,目标对象为卡口数据和电警数据中包含的车辆的驾乘人员。
对于本申请实施例,卡口数据为卡口摄像头拍摄的视频数据,卡口摄像头主要安装于城市道路、高速公路的出入口以及收费站等重点治安监控地段,用于实时监测重点治安监控地段的过车图像。电警数据为电警抓拍设备拍摄的视频数据,电警抓拍设备主要安装于城市道路,对城市道路违规的车辆进行车牌抓拍识别。
基于卡口数据和电警数据,确定卡口数据和电警数据中包含的每一个车辆,以及每一个车辆的驾乘人员的人脸特征。其中,确定车辆的驾乘人员的人脸特征的方式可以是确定驾驶人的人脸特征的方式,还可以为其它确定人脸特征的方式,本申请实施例对此不做限定。
步骤S104,基于驾驶人的人脸特征以及每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度。
对于本申请实施例,可以通过杰卡德相似系数确定驾驶人和每个目标对象的相似度。具体地,将驾驶人的人脸特征作为第一集合,将每个目标对象的人脸特征作为第二集合,通过计算第一集合和第二集合中元素交集个数所占总元素的比例确定杰卡德相似系数,将所占比例确定为驾驶人和每个目标对象的相似度,杰卡德相似系数越高,对应的相似度越高。
步骤S105,将相似度高于预设相似度阈值的目标对象确定为目标驾驶人,并将目标驾驶人对应的车辆确定为目标车辆。
对于本申请实施例,将目标驾驶人驾驶或乘坐的车辆确定为目标车辆;预设相似度阈值可以为相关人员输入的阈值,还可以可以为经验阈值,经验阈值为工作人员经过有限次实验,得到多个阈值后,相比效果较佳的阈值。
进一步地,若高于预设相似度阈值的目标对象仅有一个,则确定该目标对象为目标驾驶人;若存在多个高于预设相似度阈值的目标对象时,则将多个高于预设相似度阈值的目标对象进行反馈,并发送至相关人员,通过相关人员确定出目标驾驶人。
进一步地,确定出目标驾驶人和目标车辆后,将目标驾驶人和目标车辆反馈至相关人员,以便于相关人员对目标驾驶人或目标车辆进行跟踪。
本申请实施例的一种可能的实现方式,该方法还包括步骤Sa(图中未示出),其中,步骤Sa(图中未示出)可以在步骤S101之后执行,也可以在步骤S102之后执行,其中,
步骤Sa,当检测到驾驶人下车后,获取驾驶人的第一特征。
其中,第一特征包括驾驶人的体貌特征和衣物特征。
对于本申请实施例,当获取到车辆信息后,对车辆进行目标追踪。当检测到车辆停车后,识别驾驶人的动作。在检测到驾驶人下车时,对驾驶人进行目标追踪,以得到驾驶人不同角度的多张图片数据,通过驾驶人的多张图片数据,共同确定驾驶人的体貌特征和衣物特征。
具体地,驾驶人的体貌特征包括驾驶人的年龄区间、身高区间以及性别等特征,驾驶人的衣物特征包括是否佩戴眼镜、是否佩戴帽子、衣物颜色以及衣物款式等特征。
具体地,确定驾驶人是否佩戴眼镜,可以通过神经网络模型识别,预先训练神经网络模型,将多组佩戴眼镜的照片和多组不佩戴眼镜的照片作为训练样本集,将训练样本集输入到神经网络中进行训练学习,将驾驶人的多张图片数据输入到神经网络模型中,以确定出驾驶人是否佩戴眼镜。
本申请实施例的一种可能的实现方式,步骤S103中获取卡口数据和电警数据之后还包括步骤S103a(图中未示出)、步骤S103b(图中未示出)以及步骤S103c(图中未示出),其中,
步骤S103a,基于卡口数据和电警数据,确定至少一个行人的第二特征。
其中,第二特征包括行人的体貌特征和衣物特征。
对于本申请实施例,基于卡口数据和电警数据,对卡口数据和电警数据中包含的行人进行目标识别,并分别对每个行人进行目标追踪,以获取到同一行人不同角度的多张图片数据,从而共同确定出行人的第二特征,其中,确定行人的第二特征的方式可以是确定驾驶人的第一特征的方式。
步骤S103b,基于驾驶人第一特征和每个行人的第二特征,确定驾驶人和每个行人的相似度。
对于本申请实施例,将驾驶人的体貌特征和行人的体貌特征进行对比,将驾驶人的衣物特征和行人的衣物特征进行对比。例如,确定驾驶人和行人的身高差距,以确定驾驶人和行人的体貌相似度。将驾驶人的衣物特征和行人的衣物特征进行对比,例如,驾驶人穿着黑色大衣、白色毛衣、黑色牛仔裤以及白色运动鞋,先将驾驶人的外套和行人的外套进行对比。然而驾驶人离开案发现场后,可能将黑色大衣脱掉,则将驾驶人的毛衣等其它衣物和行人的毛衣等衣物进行对比,以确定驾驶人和行人的衣物相似度。基于体貌相似度和衣物相似度共同确定驾驶人和每个行人的相似度。
步骤S103c,将相似度高于预设相似度阈值的行人确定为目标驾驶人。
对于本申请实施例,若存在相似度高于预设相似度阈值的行人,则将该行人确定为目标驾驶人,并对目标驾驶人进行持续追踪,同时向相关人员发送目标驾驶人相关信息,以便于相关人员对目标驾驶人进行跟踪。
本申请实施例的一种可能的实现方式,方法还包括步骤Sb(图中未示出),步骤Sb(图中未示出)可以在步骤步骤S102之后执行,其中,
步骤Sb,确定驾驶人的人脸特征对应的第一编码。
对于本申请实施例,可以基于驾驶人的人脸特征进行提取特征点,并基于驾驶人的人脸特征进行编码,确定驾驶人对应的ID(Identity document,账号以及编码等的统称)。
本申请实施例的一种可能的实现方式,步骤S103之后还包括步骤1031(图中未示出),其中,
步骤S1031,确定每个目标对象的人脸特征对应的第二编码。
其中,人脸特征相同的目标对象对应相同的第二编码。
对于本申请实施例,基于目标对象的人脸特征进行编码,人脸特征相同的目标对象对应相同的第二编码,即同一个目标对象只对应一个相同的第二编码。
进一步地,还可以基于驾驶人和目标对象的其它特征,对驾驶人和目标对象进行编码。其中,编码可以为八位数。预先设置编码规则,例如,用户编码前五位表征驾驶人驾乘车辆的车牌号,后三位表征驾驶人驾乘车辆的过车时间;还可以通过第一位编码表征用户性别,其中,1表示男士,2表示女士,第二位至第三位编码表征用户的预估年龄,第四位至第七位编码表征用户首次出现的时间,第八位编码表征用户是否为驾驶人,0表示非驾驶人,1表示驾驶人。用户编码的位数和预设规则可以根据实际情况进行调整,本申请实施例对此不作限定。
进一步地,为了增加第一编码和第二编码的安全性,通过加密算法对第一编码以及第二编码进行加密。其中,加密算法为MD5(MD5 Message-Digest Algorithm,信息摘要算法),基于MD5对人脸进行编码。其中,MD5算法为一种密码散列函数,具有防止数据被篡改以及防止直接看到明文的效果。
本申请实施例的一种可能的实现方式,步骤S104具体包括步骤S104a(图中未示出),其中,
步骤S104a,确定第一编码对应的人脸特征与每一个第二编码对应的人脸特征的相似度。
本申请实施例的一种可能的实现方式,步骤S105包括步骤S1051(图中未示出),其中,
步骤S1051,将相似度高于预设相似度阈值的第二编码对应的目标对象确定为目标驾驶人。
本申请实施例的一种可能的实现方式,步骤S104具体包括步骤S1041(图中未示出)、步骤S1042(图中未示出)、步骤S1043(图中未示出)以及步骤S1044(图中未示出),其中,
步骤S1041,基于驾驶人的人脸特征,确定驾驶人对应的第一特征向量。
步骤S1042,基于至少一个目标对象的人脸特征,确定每个目标对象对应的第二特征向量。
对于本申请实施例,确定特征向量,可以通过人脸检测器,对人脸图像进行识别坐标点,将多个坐标点输入到人脸特征预测模型中,得到坐标集合,再根据坐标集合,将人脸图像转换成像素值相同的图像,利用神经网络模块,提取特征向量。
步骤S1043,确定第一特征向量和每个第二特征向量的余弦值。
对于本申请实施例,确定第一特征向量和第二特征向量之间的余弦距离,可以通过计算欧式距离。例如,第一特征向量为(X1,Y1),第二特征向量为(X2,Y2),第一特征向量和第二特征向量之间的余弦值D=sqrt((x1-x2)^2+(y1-y2)^2)。
步骤S1044,基于余弦值,确定驾驶人和每个目标对象的相似度。
对于本申请实施例,通过余弦值,确定第一特征向量和第二特征向量之间的余弦相似度,余弦相似度一般处于0到1之间。余弦相似度越接近1,则驾驶人和对应的目标对象相似度越高。
本申请实施例的一种可能的实现方式,步骤S103之后还包括步骤S103e(图中未示出)、步骤S103f(图中未示出)以及步骤S103g(图中未示出)(图中未示出),其中,
步骤S103e,确定卡口数据和电警数据中包含的车辆信息。
步骤S103f,确定卡口数据和电警数据中包含的驾乘人员信息。
对于本申请实施例,基于卡口数据和电警数据,确定车辆信息,车辆信息包括车辆车牌号、车牌颜色、车身颜色以及车辆品牌。驾乘人员包括车辆的驾驶人员和乘坐人员。
具体地,确定驾乘人员信息,可以使用OpenCV对卡口数据和电警数据进行处理,进行图像数据采集,调用Harry分类器,对采集的图像进行人脸检测,提取驾乘人员信息。
步骤S103g,建立车辆信息和驾乘人员信息之间的对应关系。
对于本申请实施例,车辆信息和驾乘人员信息之间的对应关系可以通过表格存储,包括过车信息表Vehicle(简称为表V)、驾乘人员信息表Person(简称为表P)、增量数据记录表Temporary(简称为表T)、归档记录表Archive(简称为表A)、归档样本表Sample(简称为表S)以及归档关联表Relation(简称为表R)。
表V,记录过车结构化信息、车辆特征向量及驾乘人员记录唯一id;
表P,记录驾乘人员结构化信息、人脸特征向量及车辆过车记录唯一id;
表T,记录表V与表P增量记录关联,驾乘人员信息分组后的结构化信息;
表A,记录每辆车及驾乘人员的归档信息,包含人员虚拟id;
表S,保留特征向量及结构化信息,用以在新纪录归档匹配时有更优的选择;
表R,记录车辆、驾乘人员T与归档记录A的关系。
将表V和表P的增量信息通过过车记录唯一ID关联,以车辆结构化特征分组聚合,统计人员结构化信息。
具体地,车辆信息还包括次要驾驶人信息,其中,次要驾驶人为驾驶人的相关人员,具体地,可以为车辆的乘坐人员。
本申请实施例的一种可能的实现方式,该方法还包括步骤Sc(图中未示出)以及步骤Sd(图中未示出),其中,步骤Sc(图中未示出)以及步骤Sd(图中未示出)可以在步骤S105之后执行,其中,
步骤Sc,确定次要驾驶人的人脸特征。
步骤Sd,基于次要驾驶人的人脸特征和车辆信息和驾乘人员信息之间的对应关系,进行追踪。
对于本申请实施例,当未追踪到目标驾驶人时,通过对次要驾驶人的追踪,以减小线索中断的可能性。对次要驾驶人进行目标追踪,对单个驾乘人员查询过车记录或其它相关车辆进行查询,以增加追踪到目标驾驶人的可能性。
本申请实施例的一种可能的实现方式,步骤Sd(图中未示出)之后还包括步骤Sd1(图中未示出)、步骤Sd2(图中未示出)以及步骤Sd3(图中未示出),其中,
步骤Sd1,获取当前驾乘人员人脸特征。
步骤Sd2,确定当前驾乘人员人脸特征和对应关系中包含的已有驾乘人员人脸特征的相似度。
对于本申请实施例,当检测到存在车辆行驶时,获取每一个车辆的驾乘人员的人脸特征。预先存储有若干驾乘人员人脸特征,将目前行驶车辆的人脸特征将预先存储的已有驾乘人员的人脸特征进行对比,以得到相似度。
步骤Sd3,针对任一已有驾乘人员,若当前驾乘人员人脸特征和已有驾乘人员人脸特征的相似度处于相似度预设范围,则将当前驾乘人员人脸特征增加到已有驾乘人员的信息中。
对于本申请实施例,同一人员只存储预设数量的信息,以减小电子设备的计算量。例如,相似度预设范围为95%-100%时,预设数量为5个,即同一人员只保留5个特征。
若当前驾乘人员人脸特征和已有驾乘人员人脸特征的相似度不处于相似度预设范围,则删除当前驾乘人员人脸特征。
进一步地,将当前驾乘人员人脸特征增加到已有驾乘人员信息中,或删除当前驾乘人员人脸特征,为动态的过程。即始终对当前驾乘人员人脸特征进行增加或删除操作,当同一人员有多个特征均处于相似度预设范围时,则保留相似度高的特征,删除相似度相对低的特征。
本申请实施例的一种可能的实现方式,步骤S105之后还包括:步骤S1051(图中未示出)、步骤S1052(图中未示出)以及步骤S1053(图中未示出),其中,
步骤S1051,对目标车辆进行目标跟踪,并生成目标车辆的轨迹路线。
对于本申请实施例,对目标车辆进行目标追踪,提取多个轨迹点,并基于多个轨迹点,生成轨迹路线。具体地,为了生成更加准确的轨迹路线,对目标车辆进行目标追踪,可以获取目标车辆的车牌号,基于目标车辆的车牌号进行目标追踪。
步骤S1052,基于目标车辆的轨迹路线,预估目标车辆的行驶目的地。
对于本申请实施例,获取道路上安装的摄像头采集的视频数据,确定出道路上大多数车辆的轨迹路线,基于目标车辆的轨迹路线和大多数车辆的轨迹路线,对目标车辆的下一个行驶目的地进预估。例如,当检测到目标车辆达到A路口时,大多数车辆到达A路口后,会选择左拐,进入C街,则将C街作为预估的行驶目的地。
步骤S1053,生成反馈指令。
其中,反馈指令包括目标车辆的行驶目的地。
对于本申请实施例,电子设备获取到预估目标车辆的行驶目的地后,将预估目标车辆的行驶目的地发送至相关人员,以便于相关人员在C街对目标车辆进行拦截。
本申请实施例提供了一种目标追踪方法,能够基于车辆信息,以获取到案发地点案发时间段内的视频数据,以获取到较为完整的案发视频数据,从视频数据中确定出驾驶人的人脸特征,并获取到道路上的卡口数据和电警数据,以获取到道路上通行的目标对象的人脸特征,将驾驶人的人脸特征和目标对象的人脸特征进行对比,从而得到驾驶人和每个目标对象的相似度,进而根据相似度确定出目标驾驶人和目标车辆,以减小车辆和驾驶人员不匹配的可能性,以增加追踪到驾驶人或车辆的可能性。
上述实施例从方法流程的角度介绍一种目标追踪的方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种目标追踪装置,如图2所示,具体详见下述实施例。
目标追踪装置100具体可以包括:第一获取模块1001、第二获取模块1002、第一确定模块1003、第二确定模块1004以及第三确定模块1005,其中:
第一获取模块1001,用于获取车辆信息,车辆信息包括案发地点以及案发时间段;
第二获取模块1002,用于基于车辆信息,获取案发地点案发时间段内的视频数据,并从视频数据中确定驾驶人的人脸特征;
第一确定模块1003,用于获取卡口数据和电警数据,并确定至少一个目标对象的人脸特征,目标对象为卡口数据和电警数据中包含的车辆的驾乘人员;
第二确定模块1004,用于基于驾驶人的人脸特征以及每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度;
第三确定模块1005,用于将相似度高于预设相似度阈值的目标对象确定为目标驾驶人,并将目标驾驶人对应的车辆确定为目标车辆。
本申请实施例的一种可能的实现方式,该装置100还包括:第三获取模块,其中,
第三获取模块,用于当检测到驾驶人下车后,获取驾驶人的第一特征,第一特征包括驾驶人的体貌特征和衣物特征。
本申请实施例的一种可能的实现方式,该装置100还包括:第四确定模块、第五确定模块以及第六确定模块,其中,
第四确定模块,用于基于卡口数据和电警数据,确定至少一个行人的第二特征,第二特征包括行人的体貌特征和衣物特征;
第五确定模块,用于基于驾驶人第一特征和每个行人的第二特征,确定驾驶人和每个行人的相似度;
第六确定模块,用于将相似度高于预设相似度阈值的行人确定为目标驾驶人。
本申请实施例的一种可能的实现方式,该装置100还包括:第七确定模块,其中,
第七确定模块,用于确定驾驶人的人脸特征对应的第一编码。
本申请实施例的一种可能的实现方式,该装置100还包括:第八确定模块,其中,
第八确定模块,用于确定每个目标对象的人脸特征分别对应的第二编码。
本申请实施例的一种可能的实现方式,第二确定模块1004在基于驾驶人的人脸特征以及每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度时,具体用于:
确定第一编码对应的人脸特征与每一个第二编码对应的人脸特征的相似度。
本申请实施例的一种可能的实现方式,第三确定模块1005在将相似度高于预设相似度阈值的目标对象确定为目标驾驶人,并将目标驾驶人对应的车辆确定为目标车辆时,具体用于:
将相似度高于预设相似度阈值的第二编码对应的目标对象确定为目标驾驶人。
本申请实施例的一种可能的实现方式,第二确定模块1004在基于驾驶人的人脸特征以及每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度时,具体用于:
基于驾驶人的人脸特征,确定驾驶人对应的第一特征向量;
基于至少一个目标对象的人脸特征,确定每个目标对象对应的第二特征向量;
确定第一特征向量和每个第二特征向量的余弦值;
基于余弦值,确定驾驶人和每个目标对象的相似度。
本申请实施例的一种可能的实现方式,该装置100还包括:车辆信息确定模块、驾乘人员信息确定模块以及对应关系确定模块,其中,
车辆信息确定模块,用于确定卡口数据和电警数据中包含的车辆信息;
驾乘人员信息确定模块,用于确定卡口数据和电警数据中包含的驾乘人员信息;
对应关系确定模块,用于建立车辆信息和驾乘人员信息之间的对应关系。
本申请实施例的一种可能的实现方式,该装置100还包括:第九确定模块以及追踪模块,其中,
第九确定模块,用于确定次要驾驶人的人脸特征;
追踪模块,用于基于次要驾驶人的人脸特征和车辆信息和驾乘人员信息之间的对应关系,进行目标追踪。
本申请实施例的一种可能的实现方式,该装置100还包括:第三获取模块、相似度确定模块以及增加模块,其中,
第三获取模块,用于获取当前驾乘人员人脸特征;
相似度确定模块,用于确定当前驾乘人员人脸特征和对应关系中包含的已有驾乘人员人脸特征的相似度;
增加模块,用于针对任一已有驾乘人员,若当前驾乘人员人脸特征和已有驾乘人员人脸特征的相似度处于相似度预设范围,则将当前驾乘人员人脸特征增加到已有驾乘人员的信息中。
本申请实施例的一种可能的实现方式,该装置100还包括:轨迹路线生成模块、预估模块以及反馈指令生成模块,其中,
轨迹路线生成模块,用于对目标车辆进行目标追踪,并生成目标车辆的轨迹路线;
预估模块,用于基于目标车辆的轨迹路线,预估目标车辆的行驶目的地;
反馈指令生成模块,用于生成反馈指令,反馈指令包括目标车辆的行驶目的地。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还从实体装置的角度介绍了一种电子设备,如图3所示,图3所示的电子设备1100包括:处理器1101和存储器1103。其中,处理器1101和存储器1103相连,如通过总线1102相连。可选地,电子设备1100还可以包括收发器1104。需要说明的是,实际应用中收发器1104不限于一个,该电子设备1100的结构并不构成对本申请实施例的限定。
处理器1101可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器1101也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线1102可包括一通路,在上述组件之间传送信息。总线1102可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线1102可以分为地址总线、数据总线、控制总线等。为便于表示,图3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。
存储器1103可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器1103用于存储执行本申请方案的应用程序代码,并由处理器1101来控制执行。处理器1101用于执行存储器1103中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:笔记本电脑以及PAD(平板电脑)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端,还可以为服务器等。图3示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种目标追踪方法,其特征在于,包括:
获取车辆信息,所述车辆信息包括案发地点以及案发时间段;
基于所述车辆信息,获取案发地点案发时间段内的视频数据,并从所述视频数据中确定驾驶人的人脸特征;
获取卡口数据和电警数据,并确定至少一个目标对象的人脸特征,所述目标对象为所述卡口数据和电警数据中包含的车辆的驾乘人员;
基于所述驾驶人的人脸特征以及所述每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度;
将相似度高于预设相似度阈值的目标对象确定为目标驾驶人,并将目标驾驶人对应的车辆确定为目标车辆。
2.根据权利要求1所述的目标追踪方法,其特征在于,所述方法还包括:
当检测到驾驶人下车后,获取驾驶人的第一特征,所述第一特征包括驾驶人的体貌特征和衣物特征;
所述获取卡口数据和电警数据,之后还包括:
基于所述卡口数据和电警数据,确定至少一个行人的第二特征,所述第二特征包括行人的体貌特征和衣物特征;
基于所述驾驶人的第一特征和所述每个行人的第二特征,确定驾驶人和每个行人的相似度;
将相似度高于预设相似度阈值的行人确定为目标驾驶人。
3.根据权利要求1所述的目标追踪方法,其特征在于,所述方法还包括:
确定驾驶人的人脸特征对应的第一编码;
所述获取卡口数据和电警数据,并确定至少一个目标对象的人脸特征,之后还包括:
确定每个目标对象的人脸特征分别对应的第二编码;
所述基于所述驾驶人的人脸特征以及所述每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度,包括:
确定第一编码对应的人脸特征与每一个第二编码对应的人脸特征的相似度;
所述将相似度高于预设相似度阈值的目标对象确定为目标驾驶人,并将目标驾驶人对应的车辆确定为目标车辆,包括:
将相似度高于预设相似度阈值的第二编码对应的目标对象确定为目标驾驶人。
4.根据权利要求1所述的目标追踪方法,其特征在于,所述基于所述驾驶人的人脸特征以及所述每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度,包括:
基于所述驾驶人的人脸特征,确定驾驶人对应的第一特征向量;
基于所述至少一个目标对象的人脸特征,确定每个目标对象对应的第二特征向量;
确定所述第一特征向量和每个第二特征向量的余弦值;
基于所述余弦值,确定驾驶人和每个目标对象的相似度。
5.根据权利要求1所述的目标追踪方法,其特征在于,所述获取卡口数据和电警数据,之后还包括:
确定所述卡口数据和电警数据中包含的车辆信息;
确定所述卡口数据和电警数据中包含的驾乘人员信息;
建立所述车辆信息和驾乘人员信息之间的对应关系;
所述车辆信息还包括:次要驾驶人信息;
所述方法还包括:
确定次要驾驶人的人脸特征;
基于所述次要驾驶人的人脸特征和所述车辆信息和驾乘人员信息之间的对应关系,进行目标追踪。
6.根据权利要求5所述的目标追踪方法,其特征在于,所述建立所述车辆信息和驾乘人员信息之间的对应关系,之后还包括:
获取当前驾乘人员人脸特征;
确定所述当前驾乘人员人脸特征和所述对应关系中包含的已有驾乘人员人脸特征的相似度;
针对任一已有驾乘人员,若所述当前驾乘人员人脸特征和所述已有驾乘人员人脸特征的相似度处于相似度预设范围,则将当前驾乘人员人脸特征增加到已有驾乘人员的信息中。
7.根据权利要求1所述的目标追踪方法,其特征在于,所述将目标驾驶人对应的车辆确定为目标车辆,之后还包括:
对所述目标车辆进行目标追踪,并生成目标车辆的轨迹路线;
基于所述目标车辆的轨迹路线,预估目标车辆的行驶目的地;
生成反馈指令,所述反馈指令包括目标车辆的行驶目的地。
8.一种目标追踪装置,其特征在于,包括:
第一获取模块,用于获取车辆信息,所述车辆信息包括案发地点以及案发时间段;
第二获取模块,用于基于所述车辆信息,获取案发地点案发时间段内的视频数据,并从所述视频数据中确定驾驶人的人脸特征;
第一确定模块,用于获取卡口数据和电警数据,并确定至少一个目标对象的人脸特征,所述目标对象为所述卡口数据和电警数据中包含的车辆的驾乘人员;
第二确定模块,用于基于所述驾驶人的人脸特征以及所述每个目标对象的人脸特征,确定驾驶人和每个目标对象的相似度;
第三确定模块,用于将相似度高于预设相似度阈值的目标对象确定为目标驾驶人,并将目标驾驶人对应的车辆确定为目标车辆。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~7任一项所述的目标追踪方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机中执行时,令所述计算机执行权利要求1~7任一项所述的目标追踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210318506.1A CN114724122B (zh) | 2022-03-29 | 2022-03-29 | 一种目标追踪方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210318506.1A CN114724122B (zh) | 2022-03-29 | 2022-03-29 | 一种目标追踪方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114724122A true CN114724122A (zh) | 2022-07-08 |
CN114724122B CN114724122B (zh) | 2023-10-17 |
Family
ID=82238934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210318506.1A Active CN114724122B (zh) | 2022-03-29 | 2022-03-29 | 一种目标追踪方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114724122B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052089A (zh) * | 2023-03-30 | 2023-05-02 | 成都睿瞳科技有限责任公司 | 一种用于智能安防监控的图像处理系统、方法及存储介质 |
CN116091553A (zh) * | 2023-04-04 | 2023-05-09 | 小米汽车科技有限公司 | 轨迹的确定方法、装置、电子设备、车辆和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268525A (zh) * | 2014-09-24 | 2015-01-07 | 厦门蓝斯通信股份有限公司 | 一种基于人脸识别的车辆监控方法及系统 |
KR20180100865A (ko) * | 2017-03-02 | 2018-09-12 | 경북대학교 산학협력단 | 차량 내/외부 정보 통합 분석 기반의 위험 상황 경고 시스템 및 그 방법 |
CN111400550A (zh) * | 2019-12-30 | 2020-07-10 | 深圳市商汤科技有限公司 | 一种目标运动轨迹构建方法、设备以及计算机存储介质 |
CN111526475A (zh) * | 2020-04-15 | 2020-08-11 | 新石器慧通(北京)科技有限公司 | 目标车辆的追踪方法、装置、电子设备和存储介质 |
CN112328820A (zh) * | 2020-11-16 | 2021-02-05 | 青岛以萨数据技术有限公司 | 通过人脸图像搜索车辆图像的方法、系统、终端及介质 |
CN112785621A (zh) * | 2019-11-08 | 2021-05-11 | 广东毓秀科技有限公司 | 一种人车跨镜头追踪方法 |
WO2022048119A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海商汤临港智能科技有限公司 | 车辆控制方法及装置、电子设备、存储介质和车辆 |
-
2022
- 2022-03-29 CN CN202210318506.1A patent/CN114724122B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268525A (zh) * | 2014-09-24 | 2015-01-07 | 厦门蓝斯通信股份有限公司 | 一种基于人脸识别的车辆监控方法及系统 |
KR20180100865A (ko) * | 2017-03-02 | 2018-09-12 | 경북대학교 산학협력단 | 차량 내/외부 정보 통합 분석 기반의 위험 상황 경고 시스템 및 그 방법 |
CN112785621A (zh) * | 2019-11-08 | 2021-05-11 | 广东毓秀科技有限公司 | 一种人车跨镜头追踪方法 |
CN111400550A (zh) * | 2019-12-30 | 2020-07-10 | 深圳市商汤科技有限公司 | 一种目标运动轨迹构建方法、设备以及计算机存储介质 |
CN111526475A (zh) * | 2020-04-15 | 2020-08-11 | 新石器慧通(北京)科技有限公司 | 目标车辆的追踪方法、装置、电子设备和存储介质 |
WO2022048119A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海商汤临港智能科技有限公司 | 车辆控制方法及装置、电子设备、存储介质和车辆 |
CN112328820A (zh) * | 2020-11-16 | 2021-02-05 | 青岛以萨数据技术有限公司 | 通过人脸图像搜索车辆图像的方法、系统、终端及介质 |
Non-Patent Citations (4)
Title |
---|
XINYU ZHANG ET AL.: "Target tracking based on the feature fusion", 《2018 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
李杰;张森;张慧辰;尤冬海;: "基于人脸识别的大底库高可信失驾人员查处方法研究", 中国公共安全(学术版), no. 01, pages 7 - 8 * |
田启川: "《虹膜识别原理及算法》", 国防工业出版社, pages: 7 - 8 * |
赵猛;张贺;曹茂永;白培瑞;王洋;裴明涛;: "基于可变形部件模型的驾驶员人脸检测", 北京理工大学学报, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052089A (zh) * | 2023-03-30 | 2023-05-02 | 成都睿瞳科技有限责任公司 | 一种用于智能安防监控的图像处理系统、方法及存储介质 |
CN116091553A (zh) * | 2023-04-04 | 2023-05-09 | 小米汽车科技有限公司 | 轨迹的确定方法、装置、电子设备、车辆和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114724122B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020087743A1 (zh) | 非机动车交通违法监管方法、装置及电子设备 | |
CN105702048B (zh) | 基于行车记录仪的高速公路前车违法占道识别系统及方法 | |
AU2019235551B2 (en) | On-demand artificial intelligence and roadway stewardship system | |
Lin et al. | Helmet use detection of tracked motorcycles using cnn-based multi-task learning | |
US20180211117A1 (en) | On-demand artificial intelligence and roadway stewardship system | |
Singh et al. | Visual big data analytics for traffic monitoring in smart city | |
CN114724122B (zh) | 一种目标追踪方法、装置、电子设备及存储介质 | |
Artan et al. | Passenger compartment violation detection in HOV/HOT lanes | |
Ketcham et al. | Recognizing the Illegal Parking Patterns of Cars on the Road in Front of the Bus Stop Using the Support Vector Machine | |
Suttiponpisarn et al. | Detection of wrong direction vehicles on two-way traffic | |
Kumar et al. | E-challan automation for RTO using OCR | |
KR20210064492A (ko) | 교행 다차로에서의 이상차량 인식방법 및 장치 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN111985304A (zh) | 巡防告警方法、系统、终端设备及存储介质 | |
Avupati et al. | Traffic Rules Violation Detection using YOLO and HAAR Cascade | |
CN113128540B (zh) | 非机动车盗车行为的检测方法、装置及电子设备 | |
Saini et al. | Identification of Helmets on Motorcyclists and Seatbelt on Four-Wheeler Drivers | |
Umar et al. | Traffic violation detection system using image processing | |
Peng et al. | Traffic violation detection via depth and gradient angle change | |
CN113129597B (zh) | 一种机动车道违法车辆识别方法及装置 | |
Akshitha et al. | Machine Learning Algorithm For Speed Limit Detection From Traffic Sign Board | |
Suma et al. | Accident prevention and traffic control by Otsu Method and Haar-cascade hand detector | |
Shilaskar et al. | CentraSense: Proactive Vehicle Direction Monitoring | |
Karungaru et al. | Advanced safety vehicle (asv) technology driver support system monitor using three onboard camera | |
Ameer et al. | Traffic Violation Detection System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |