CN114724378B - 一种基于深度学习的车辆追踪统计系统及方法 - Google Patents
一种基于深度学习的车辆追踪统计系统及方法 Download PDFInfo
- Publication number
- CN114724378B CN114724378B CN202210618166.4A CN202210618166A CN114724378B CN 114724378 B CN114724378 B CN 114724378B CN 202210618166 A CN202210618166 A CN 202210618166A CN 114724378 B CN114724378 B CN 114724378B
- Authority
- CN
- China
- Prior art keywords
- tracking
- hash characteristic
- vehicle
- hash
- timestamp
- 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000007619 statistical method Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Abstract
本申请公开了一种基于深度学习的车辆追踪统计系统及方法,主要涉及人工智能技术领域,用以解决现有的车辆统计方法容易出现车辆漏检、重复计数等技术问题。包括:视频拉取模块,用于获取预设采集设备上传的视频数据;视频解析模块,用于获取视频数据对应的解码图像;逻辑处理模块,用于提取解码图像中的车辆目标抠图;获得车辆目标抠图对应的hash特征值与追踪ID和时间戳,进而确定异常的hash特征值;时序判断模块,用于获取若干解码图像对应的hash特征值以及追踪ID,进而确定是否出现车辆漏检或重复计数。本申请通过上述方法实现了多个视频数据中车辆追踪ID的统一,提高了车流量统计的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于深度学习的车辆追踪统计系统及方法。
背景技术
随着私家车的增多,道路交通面临压力愈发增大,智能化的交通管控及方法亟待实现。而要实现智能化的交通管控,首先需要的是车流量数据的统计与获取。车流量统计是指在规定的统计时间内,通过指定路面或者区域的车辆的数量。
目前,进行车流量统计的方法主要是:云服务器运用YOLOv5和Deep SORT算法训练车辆跟踪模型;将训练好的车辆跟踪模型移植到边缘服务器上,通过架设在道路交通杆上的高分辨率摄像机收集交通视频数据并实时上传至边缘服务器,进而实现车辆的采集。
但是,上述方案在对车流量进行统计时,经常会出现车辆漏检,重复计数等情况,而且对同时统计多路摄像头的车流量上,并发支持不高,计算量大,实时性不高。
发明内容
针对现有技术的上述不足,本发明提供一种基于深度学习的车辆追踪统计系统及方法,以解决上述技术问题。
第一方面,本申请提供了一种基于深度学习的车辆追踪统计系统,系统包括:视频拉取模块,用于获取预设采集设备上传的视频数据;视频解析模块,用于获取视频数据对应的解码图像;将解码图像导入预设目标检测算法以及预设目标追踪算法,以获得解码图像对应的时间戳、车辆位置数据、追踪ID以及时间戳、位置数据与追踪ID三者之间的第一关系;其中,时间戳为解码图像在视频数据视频帧中对应的生成时间;逻辑处理模块,用于基于位置数据,提取解码图像中的车辆目标抠图;获得车辆目标抠图对应的hash特征值以及hash特征值与追踪ID和时间戳之间的第二关系;基于时间戳,对若干hash特征值进行对比,确定异常的hash特征值,以为异常hash特征值更新追踪ID;时序判断模块,用于获取同一时间戳对应的若干解码图像;获取若干解码图像对应的hash特征值以及追踪ID,以确定是否存在异常的hash特征值,进而确定是否出现车辆漏检或重复计数。
进一步地,视频拉取模块包括:设备检测单元、远程mesh接入单元;设备检测单元,用于检测预设采集设备是否在线;远程mesh接入单元,用于在检测到预设采集设备不在线时,接入远程mesh节点建立自组网络,以为预设采集设备提供无线网络。
进一步地,视频解析模块包括:目标检测单元、目标追踪单元、时间定位单元;时间定位单元,用于在将视频数据中的若干帧解码成若干解码图像时,确定各个解码图像对应的生成时间;并存储解码图像与生成时间之间的第三关系;目标检测单元,用于通过预设目标检测算法采集识别解码图像中的车辆,进而确定车辆在解码图像中的位置数据;目标追踪单元,用于通过预设目标追踪算法以及位置数据,为车辆赋予追踪ID。
进一步地,逻辑处理模块包括:特征值计算单元、特征值对比单元;特征值计算单元,用于基于位置数据,提取解码图像中的车辆目标抠图,进而确定车辆目标抠图对应的hash特征值;基于第一关系,确定hash特征值与追踪ID和时间戳之间的第二关系;特征值对比单元,用于基于时间戳,对若干hash特征值进行对比;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值,将当前时间戳hash特征值对应的追踪ID更新为上一时间戳hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值,更新当前时间戳hash特征值对应的追踪ID。
进一步地,时序判断模块包括:时间戳排序单元、hash对比单元;时间戳排序单元,用于将来自若干预设采集设备的视频数据中的解密图像,按照时间戳的先后顺序进行排列,以获取时间戳-解密图像数据库;hash对比单元,用于基于时间戳-解密图像数据库,确定同一时间戳对应的不同来源的若干解密图像,确定各个解密图像对应的车辆的hash特征值以及追踪ID;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值以及重复计数,确定生成时间最早的追踪ID为同一hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值以及车辆漏检,更新hash特征值对应的追踪ID。
第二方面,本申请提供了一种基于深度学习的车辆追踪统计方法,方法包括:获取预设采集设备上传的视频数据;获取视频数据对应的解码图像;将解码图像导入预设目标检测算法以及预设目标追踪算法,以获得解码图像对应的时间戳、车辆位置数据、追踪ID以及时间戳、位置数据与追踪ID三者之间的第一关系;其中,时间戳为解码图像在视频数据视频帧中对应的生成时间;基于位置数据,提取解码图像中的车辆目标抠图;获得车辆目标抠图对应的hash特征值以及hash特征值与追踪ID和时间戳之间的第二关系;基于时间戳,对若干hash特征值进行对比,确定异常的hash特征值,以为异常hash特征值更新追踪ID;获取同一时间戳对应的若干解码图像;获取若干解码图像对应的hash特征值以及追踪ID,以确定是否存在异常的hash特征值,进而确定是否出现车辆漏检或重复计数。
进一步地,基于时间戳,对若干hash特征值进行对比,确定异常的hash特征值,以为异常hash特征值更新追踪ID,具体包括:基于时间戳,对若干hash特征值进行对比;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值,将当前时间戳hash特征值对应的追踪ID更新为上一时间戳hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值,更新当前时间戳hash特征值对应的追踪ID。
进一步地,获取若干解码图像对应的hash特征值以及追踪ID,以确定是否存在异常的hash特征值,进而确定是否出现车辆漏检或重复计数,具体包括:将来自若干预设采集设备的视频数据中的解密图像,按照时间戳的先后顺序进行排列,以获取时间戳-解密图像数据库;基于时间戳-解密图像数据库,确定同一时间戳对应的不同来源的若干解密图像,确定各个解密图像对应的车辆的hash特征值以及追踪ID;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值以及重复计数,确定生成时间最早的追踪ID为同一hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值以及车辆漏检,更新hash特征值对应的追踪ID。
本领域技术人员能够理解的是,本发明至少具有如下有益效果:通过视频拉取模块实现了拉取视频流数据,并通过设备检测单元实现了实时监测预设采集设备(例如,摄像机)视频数据/流的可用状态,在断网时能够通过远程mesh接入单元,实现快速建立自组网络,保证了预设采集设备(例如,摄像机)在状态恢复后能够及时拉取视频流。通过视频解析模块,对车辆进行定位以及赋予追踪ID,实现了车辆一对一追踪。通过逻辑处理模块计算各个车辆(车辆目标抠图)的hash特征值,通过对各个hash特征值进行对比,实现了车辆和追踪ID的锁定。通过校验是否存在异常的hash特征值,实现了过滤重复计数的车辆数据以及为遗漏的车辆数据新增追踪ID。通过时序判断模块,实现了多个视频数据中追踪ID的统一,避免了车辆漏检以及重复计数,提高了车流量统计的准确性。
附图说明
下面参照附图来描述本公开的部分实施例,附图中:
图1是本申请实施例提供的一种基于深度学习的车辆追踪统计系统内部结构示意图。
图2是本申请实施例提供的一种基于深度学习的车辆追踪统计方法流程图。
具体实施方式
本领域技术人员应当理解的是,下文所描述的实施例仅仅是本公开的优选实施例,并不表示本公开仅能通过该优选实施例实现,该优选实施例仅仅是用于解释本公开的技术原理,并非用于限制本公开的保护范围。基于本公开提供的优选实施例,本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例,仍应落入到本公开的保护范围之内。
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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种基于深度学习的车辆追踪统计系统。如图1所示,本申请实施例提供的统计系统,主要包括:视频拉取模块110、视频解析模块120、逻辑处理模块130以及时序判断模块140。
其中,视频拉取模块110为能够获取视频数据的设备或装置等,主要用于获取预设采集设备上传的视频数据。
需要说明的是,预设采集设备可以是任何能够采集视频数据的设备或者装置,视频数据这里指包含采集时间的视频流。即,视频流中每一帧都包含采集/生成该帧的时间。
此外,视频拉取模块110能够与多个预设采集设备连接,实现一个路段多角度的获取车辆目标,以避免车辆的漏检重复计数。为了实现各个预设采集设备稳定的发送视频数据至视频拉取模型,本申请能够在网络卡顿的状态下自建网络,以实现视频数据的全方位获取。
作为示例地,视频拉取模块110包括:设备检测单元111、远程mesh接入单元112;设备检测单元111为任意可行的能够检测连接装置是否在线的设备等,主要用于检测预设采集设备是否在线;远程mesh接入单元112为任意可行的能够接入mesh节点的设备或装置等,主要用于在检测到预设采集设备不在线时,接入远程mesh节点建立自组网络,以为预设采集设备提供无线网络。需要说明的是,mesh节点为远程无线网格节点。
其中,视频解析模块120为能够进行目标检测以及目标追踪的设备或者装置等,主要用于获取视频数据对应的解码图像;将解码图像导入预设目标检测算法以及预设目标追踪算法,以获得解码图像对应的时间戳、车辆位置数据、追踪ID以及时间戳、位置数据与追踪ID三者之间的第一关系;其中,时间戳为解码图像在视频数据视频帧中对应的生成时间。
需要说明的是,解码图像为视频数据中每一帧对应的图像。预设目标检测算法可以为任意可行的能够从图片或者视频中识别出车辆位置数据的算法,例如:神经网络算法、yolov5目标检测算法等。预设目标追踪算法为能够从视频数据中识别出车辆并为该车辆赋予追踪ID的算法,例如,deep sort追踪算法等。
作为示例地,视频解析模块120包括:目标检测单元121、目标追踪单元122、时间定位单元123;时间定位单元123为能够定位各个解码图像对应的生成/采集时间的设备或者装置等,主要用于在将视频数据中的若干帧解码成若干解码图像时,确定各个解码图像对应的生成时间;并存储解码图像与生成时间之间的第三关系;目标检测单元121为能够获取车辆在图像中位置数据的设备或者装置等,主要用于通过预设目标检测算法采集识别解码图像中的车辆,进而确定车辆在解码图像中的位置数据;目标追踪单元122为能够为视频或者图片中的车辆赋予追踪ID的设备或者装置等,主要用于通过预设目标追踪算法以及位置数据,为车辆赋予追踪ID。
其中,逻辑处理模块130为能够计算图像hash特征值以及进行hash特征值对比校验的设备或者装置等,主要用于基于位置数据,提取解码图像中的车辆目标抠图;获得车辆目标抠图对应的hash特征值以及hash特征值与追踪ID和时间戳之间的第二关系;基于时间戳,对若干hash特征值进行对比,确定异常的hash特征值,以为异常hash特征值更新追踪ID;
需要说明的是,计算hash特征值的方法可以为:将图片缩小到任意可行的尺寸(例如:8*8)。将缩小后的图片,转为尺寸对应的灰度级(例如:8*8,对应64级),计算所有像素的灰度平均值,将每个像素的灰度,与平均值进行比较。大于或等于平均值,记为1,小于平均值,记为0。组合成hash特征值。
作为示例地,逻辑处理模块130包括:特征值计算单元131、特征值对比单元132;特征值计算单元131为能够计算图像hash特征值设备或装置等,主要用于基于位置数据,提取解码图像中的车辆目标抠图,进而确定车辆目标抠图对应的hash特征值;基于第一关系,确定hash特征值与追踪ID和时间戳之间的第二关系;特征值对比单元132为能检测是否出现异常hash特征值的设备或装置等,主要用于基于时间戳,对若干hash特征值进行对比;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值,将当前时间戳hash特征值对应的追踪ID更新为上一时间戳hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值,更新当前时间戳hash特征值对应的追踪ID。
其中,时序判断模块140为能够进行检测多个视频数据是否出现同一车辆的设备或装置等,主要用于获取同一时间戳对应的若干解码图像;获取若干解码图像对应的hash特征值以及追踪ID,以确定是否存在异常的hash特征值,进而确定是否出现车辆漏检或重复计数。
作为示例地,时序判断模块140包括:时间戳排序单元141、hash对比单元142;时间戳排序单元141为能够进行时间戳以及图像排序的设备或装置等,主要用于将来自若干预设采集设备的视频数据中的解密图像,按照时间戳的先后顺序进行排列,以获取时间戳-解密图像数据库;hash对比单元142,用于基于时间戳-解密图像数据库,确定同一时间戳对应的不同来源的若干解密图像,确定各个解密图像对应的车辆的hash特征值以及追踪ID;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值以及重复计数,确定生成时间最早的追踪ID为同一hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值以及车辆漏检,更新hash特征值对应的追踪ID。
除此之外,本申请实施例还提供了一种基于深度学习的车辆追踪统计方法,如图2所示,本申请实施例提供的统计方法,主要包括以下步骤:
步骤210、获取预设采集设备上传的视频数据。
步骤220、获取视频数据对应的解码图像;将解码图像导入预设目标检测算法以及预设目标追踪算法,以获得解码图像对应的时间戳、车辆位置数据、追踪ID以及时间戳、位置数据与追踪ID三者之间的第一关系。
其中,时间戳为解码图像在视频数据视频帧中对应的生成时间。
步骤230、基于位置数据,提取解码图像中的车辆目标抠图;获得车辆目标抠图对应的hash特征值以及hash特征值与追踪ID和时间戳之间的第二关系;基于时间戳,对若干hash特征值进行对比,确定异常的hash特征值,以为异常hash特征值更新追踪ID。
其中,基于时间戳,对若干hash特征值进行对比,确定异常的hash特征值,以为异常hash特征值更新追踪ID,可以具体为:基于时间戳,对若干hash特征值进行对比;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值,将当前时间戳hash特征值对应的追踪ID更新为上一时间戳hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值,更新当前时间戳hash特征值对应的追踪ID。
步骤240、获取同一时间戳对应的若干解码图像;获取若干解码图像对应的hash特征值以及追踪ID,以确定是否存在异常的hash特征值,进而确定是否出现车辆漏检或重复计数。
其中,获取若干解码图像对应的hash特征值以及追踪ID,以确定是否存在异常的hash特征值,进而确定是否出现车辆漏检或重复计数,可以具体为:将来自若干预设采集设备的视频数据中的解密图像,按照时间戳的先后顺序进行排列,以获取时间戳-解密图像数据库;基于时间戳-解密图像数据库,确定同一时间戳对应的不同来源的若干解密图像,确定各个解密图像对应的车辆的hash特征值以及追踪ID;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值以及重复计数,确定生成时间最早的追踪ID为同一hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值以及车辆漏检,更新hash特征值对应的追踪ID。
至此,已经结合前文的多个实施例描述了本公开的技术方案,但是,本领域技术人员容易理解的是,本公开的保护范围并不仅限于这些具体实施例。在不偏离本公开技术原理的前提下,本领域技术人员可以对上述各个实施例中的技术方案进行拆分和组合,也可以对相关技术特征作出等同的更改或替换,凡在本公开的技术构思和/或技术原理之内所做的任何更改、等同替换、改进等都将落入本公开的保护范围之内。
Claims (6)
1.一种基于深度学习的车辆追踪统计系统,其特征在于,所述系统包括:
视频拉取模块,用于获取预设采集设备上传的视频数据;
视频解析模块,用于获取视频数据对应的解码图像;将所述解码图像导入预设目标检测算法以及预设目标追踪算法,以获得解码图像对应的时间戳、车辆位置数据、追踪ID以及所述时间戳、所述位置数据与所述追踪ID三者之间的第一关系;其中,所述时间戳为解码图像在视频数据视频帧中对应的生成时间;
逻辑处理模块,用于基于所述位置数据,提取解码图像中的车辆目标抠图;获得所述车辆目标抠图对应的hash特征值以及所述hash特征值与追踪ID和时间戳之间的第二关系;基于时间戳,对若干hash特征值进行对比,确定异常的hash特征值,以为异常hash特征值更新追踪ID;
其中,所述逻辑处理模块包括:特征值计算单元、特征值对比单元;所述特征值计算单元,用于基于位置数据,提取解码图像中的车辆目标抠图,进而确定所述车辆目标抠图对应的hash特征值;基于所述第一关系,确定hash特征值与追踪ID和时间戳之间的第二关系;所述特征值对比单元,用于基于时间戳,对若干hash特征值进行对比;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值,将当前时间戳hash特征值对应的追踪ID更新为上一时间戳hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值,更新当前时间戳hash特征值对应的追踪ID;
时序判断模块,用于获取同一时间戳对应的若干解码图像;获取所述若干解码图像对应的hash特征值以及追踪ID,以确定是否存在异常的hash特征值,进而确定是否出现车辆漏检或重复计数。
2.根据权利要求1所述的基于深度学习的车辆追踪统计系统,其特征在于,所述视频拉取模块包括:设备检测单元、远程mesh接入单元;
所述设备检测单元,用于检测预设采集设备是否在线;
所述远程mesh接入单元,用于在检测到预设采集设备不在线时,接入远程mesh节点建立自组网络,以为预设采集设备提供无线网络。
3.根据权利要求1所述的基于深度学习的车辆追踪统计系统,其特征在于,所述视频解析模块包括:目标检测单元、目标追踪单元、时间定位单元;
所述时间定位单元,用于在将视频数据中的若干帧解码成若干解码图像时,确定各个解码图像对应的生成时间;并存储所述解码图像与所述生成时间之间的第三关系;
所述目标检测单元,用于通过预设目标检测算法采集识别解码图像中的车辆,进而确定车辆在解码图像中的位置数据;
所述目标追踪单元,用于通过预设目标追踪算法以及所述位置数据,为车辆赋予追踪ID。
4.根据权利要求1所述的基于深度学习的车辆追踪统计系统,其特征在于,所述时序判断模块包括:时间戳排序单元、hash对比单元;
所述时间戳排序单元,用于将来自若干预设采集设备的视频数据中的解密图像,按照时间戳的先后顺序进行排列,以获取时间戳-解密图像数据库;
所述hash对比单元,用于基于所述时间戳-解密图像数据库,确定同一时间戳对应的不同来源的若干解密图像,确定各个解密图像对应的车辆的hash特征值以及追踪ID;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值以及重复计数,确定生成时间最早的追踪ID为同一hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值以及车辆漏检,更新hash特征值对应的追踪ID。
5.一种基于深度学习的车辆追踪统计方法,其特征在于,所述方法包括:
获取预设采集设备上传的视频数据;
获取视频数据对应的解码图像;将所述解码图像导入预设目标检测算法以及预设目标追踪算法,以获得解码图像对应的时间戳、车辆位置数据、追踪ID以及所述时间戳、所述位置数据与所述追踪ID三者之间的第一关系;其中,所述时间戳为解码图像在视频数据视频帧中对应的生成时间;
基于所述位置数据,提取解码图像中的车辆目标抠图;获得所述车辆目标抠图对应的hash特征值以及所述hash特征值与追踪ID和时间戳之间的第二关系;基于时间戳,对若干hash特征值进行对比,确定异常的hash特征值,以为异常hash特征值更新追踪ID;
其中,基于时间戳,对若干hash特征值进行对比,确定异常的hash特征值,以为所述异常hash特征值更新追踪ID,具体包括:
基于时间戳,对若干hash特征值进行对比;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值,将当前时间戳hash特征值对应的追踪ID更新为上一时间戳hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值,更新当前时间戳hash特征值对应的追踪ID;
获取同一时间戳对应的若干解码图像;获取所述若干解码图像对应的hash特征值以及追踪ID,以确定是否存在异常的hash特征值,进而确定是否出现车辆漏检或重复计数。
6.根据权利要求5所述的基于深度学习的车辆追踪统计方法,其特征在于,获取所述若干解码图像对应的hash特征值以及追踪ID,以确定是否存在异常的hash特征值,进而确定是否出现车辆漏检或重复计数,具体包括:
将来自若干预设采集设备的视频数据中的解密图像,按照时间戳的先后顺序进行排列,以获取时间戳-解密图像数据库;
基于所述时间戳-解密图像数据库,确定同一时间戳对应的不同来源的若干解密图像,确定各个解密图像对应的车辆的hash特征值以及追踪ID;检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致;当追踪ID不一致时,确定存在异常的hash特征值以及重复计数,确定生成时间最早的追踪ID为同一hash特征值对应的追踪ID;当hash特征值不一致时,确定存在异常的hash特征值以及车辆漏检,更新hash特征值对应的追踪ID。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210618166.4A CN114724378B (zh) | 2022-06-02 | 2022-06-02 | 一种基于深度学习的车辆追踪统计系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210618166.4A CN114724378B (zh) | 2022-06-02 | 2022-06-02 | 一种基于深度学习的车辆追踪统计系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114724378A CN114724378A (zh) | 2022-07-08 |
CN114724378B true CN114724378B (zh) | 2022-10-18 |
Family
ID=82232941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210618166.4A Active CN114724378B (zh) | 2022-06-02 | 2022-06-02 | 一种基于深度学习的车辆追踪统计系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114724378B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240429B (zh) * | 2022-08-11 | 2023-02-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种人车流量统计方法、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040252193A1 (en) * | 2003-06-12 | 2004-12-16 | Higgins Bruce E. | Automated traffic violation monitoring and reporting system with combined video and still-image data |
CN105448086A (zh) * | 2015-07-22 | 2016-03-30 | 南通大学 | 一种基于虚拟检测带的交通流量检测方法 |
CN110689460A (zh) * | 2019-10-09 | 2020-01-14 | 腾讯科技(深圳)有限公司 | 基于区块链的交通事故数据处理方法、装置、设备及介质 |
CN111009136A (zh) * | 2019-12-11 | 2020-04-14 | 公安部交通管理科学研究所 | 一种高速公路行驶速度异常车辆检测方法、装置及系统 |
CN111127520A (zh) * | 2019-12-26 | 2020-05-08 | 华中科技大学 | 一种基于视频分析的车辆跟踪方法和系统 |
CN113273159A (zh) * | 2019-01-09 | 2021-08-17 | 现代自动车株式会社 | 用于收集和管理车辆生成数据的方法和系统 |
CN113340392A (zh) * | 2021-07-21 | 2021-09-03 | 清华大学 | 基于加速度传感器的车辆载重检测方法及装置 |
CN114332644A (zh) * | 2021-12-30 | 2022-04-12 | 北京建筑大学 | 一种基于视频卫星数据的大视场交通密度获取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017004177A (ja) * | 2015-06-08 | 2017-01-05 | 株式会社日立製作所 | センサデータ収集システムおよび方法 |
-
2022
- 2022-06-02 CN CN202210618166.4A patent/CN114724378B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040252193A1 (en) * | 2003-06-12 | 2004-12-16 | Higgins Bruce E. | Automated traffic violation monitoring and reporting system with combined video and still-image data |
CN105448086A (zh) * | 2015-07-22 | 2016-03-30 | 南通大学 | 一种基于虚拟检测带的交通流量检测方法 |
CN113273159A (zh) * | 2019-01-09 | 2021-08-17 | 现代自动车株式会社 | 用于收集和管理车辆生成数据的方法和系统 |
CN110689460A (zh) * | 2019-10-09 | 2020-01-14 | 腾讯科技(深圳)有限公司 | 基于区块链的交通事故数据处理方法、装置、设备及介质 |
CN111009136A (zh) * | 2019-12-11 | 2020-04-14 | 公安部交通管理科学研究所 | 一种高速公路行驶速度异常车辆检测方法、装置及系统 |
CN111127520A (zh) * | 2019-12-26 | 2020-05-08 | 华中科技大学 | 一种基于视频分析的车辆跟踪方法和系统 |
CN113340392A (zh) * | 2021-07-21 | 2021-09-03 | 清华大学 | 基于加速度传感器的车辆载重检测方法及装置 |
CN114332644A (zh) * | 2021-12-30 | 2022-04-12 | 北京建筑大学 | 一种基于视频卫星数据的大视场交通密度获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114724378A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104303193B (zh) | 基于聚类的目标分类 | |
KR102478335B1 (ko) | 채널별 객체 검출 최적화를 위한 영상분석 방법 및 서버장치 | |
CN103942811A (zh) | 分布式并行确定特征目标运动轨迹的方法与系统 | |
CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN114724378B (zh) | 一种基于深度学习的车辆追踪统计系统及方法 | |
CN109117771B (zh) | 一种基于锚节点的图像中暴力事件检测系统及方法 | |
CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
CN115171260A (zh) | 一种基于人脸识别的智能门禁系统 | |
CN113902993A (zh) | 一种基于环境监测的环境状态分析方法及系统 | |
CN112906488A (zh) | 一种基于人工智能的安防视频质量评价系统 | |
CN111414886A (zh) | 一种人体动态特征的智能识别系统 | |
CN110019060B (zh) | 一种机车视频文件与运行记录文件自动同步方法与装置 | |
CN114627420A (zh) | 一种城市管理违规事件信息采集方法及系统 | |
CN112613396B (zh) | 一种任务紧急程度处理方法及系统 | |
CN115309871A (zh) | 一种基于人工智能算法的工业大数据处理方法及系统 | |
CN114973135A (zh) | 一种基于头肩的时序视频睡岗识别方法、系统及电子设备 | |
CN111553408B (zh) | 视频识别软件自动测试的方法 | |
CN110969037B (zh) | 一种信息处理方法、电子设备和信息处理系统 | |
CN115311591A (zh) | 异常行为的预警方法、装置及智能摄像头 | |
CN112686146A (zh) | 一种基于面部特征识别的客流分析方法、装置及系统 | |
CN110738692A (zh) | 一种基于spark集群的智能视频识别方法 | |
CN115345907B (zh) | 一种基于边缘计算的目标动态跟踪装置 | |
CN212515838U (zh) | 一种基于网络视频结构化服务器的神经网络模型优化系统 | |
KR101203050B1 (ko) | 베르누이혼합모델을 이용한 영상의 배경모델링장치 및 방법 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Vehicle Tracking Statistics System and Method Based on Deep Learning Effective date of registration: 20231018 Granted publication date: 20221018 Pledgee: Tai'an Caixin Industrial Co.,Ltd. Pledgor: Tongjian Technology Co.,Ltd. Registration number: Y2023980061605 |