CN114998886A - 基于雷视融合的车辆追踪方法以及装置 - Google Patents
基于雷视融合的车辆追踪方法以及装置 Download PDFInfo
- Publication number
- CN114998886A CN114998886A CN202210929969.1A CN202210929969A CN114998886A CN 114998886 A CN114998886 A CN 114998886A CN 202210929969 A CN202210929969 A CN 202210929969A CN 114998886 A CN114998886 A CN 114998886A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- license plate
- data set
- fusion
- node
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开一种基于雷视融合的车辆追踪方法以及装置。方法包括:对雷视融合数据集中车牌号码对应的车辆图像进行二次校验,并根据二次校验结果判断车牌号码对应的置信度是否大于置信度阈值;若车牌号码对应的置信度大于或等于置信度阈值,则根据最高置信度对应的车牌号码对雷视融合数据集中所有车牌号码进行统一化形成唯一车牌号码,获得车牌处理后的雷视融合数据集;对车牌处理后的雷视融合数据集中车辆特征对应的车辆图像进行二次校验,并根据二次校验结果对车辆特征进行统一化,获得统一雷视融合数据集;将相同的唯一车牌号码对应的统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集;根据节点融合数据集,获得车辆追踪轨迹。
Description
技术领域
本申请涉及城市交通技术领域,特别是涉及一种基于雷视融合的车辆追踪方法以及装置。
背景技术
交通拥堵是我国新型城镇化建设进程中面临的代表性“城市病”问题,对社会经济发展造成巨大损失。交通状况优化是预防和缓解交通拥堵的关键。车辆行驶轨迹可以全面完整的表征交通流运行状态,包含了丰富的交通流信息。然而,传统的车辆追踪方法侧重于从某一个单一方向(例如仅依靠基于机器视觉或者仅依靠雷达)获取单一的车辆信息,并基于单一的车辆信息进行追踪。但是,从单一方向进行车辆追踪容易忽略其他的车辆关键信息,导致获得的车辆轨迹存在错误,不能准确地获知车辆的实际行驶轨迹。
发明内容
本申请的目的是解决传统方法从单一方向进行车辆追踪导致的不能准确地获知车辆的实际行驶轨迹的技术问题。为实现上述目的,本申请提供一种基于雷视融合的车辆追踪方法以及装置。
本申请提供一种基于雷视融合的车辆追踪方法,包括:
获取每个单路口节点内每个车辆编号对应的雷视融合数据集,所述雷视融合数据集包括第一个时间戳至第N个时间戳内对应的N个数据组;
根据每个所述单路口节点内每个所述车辆编号对应的雷视融合数据集,判断相邻路口节点是否存在重叠雷视融合数据,若所述相邻路口节点存在重叠雷视融合数据,则多个所述相邻路口节点形成关联子域;
对所述雷视融合数据集中车牌号码对应的车辆图像进行二次校验,并根据二次校验结果判断所述车牌号码对应的置信度是否大于置信度阈值;
若所述车牌号码对应的置信度大于或等于所述置信度阈值,则根据最高置信度对应的车牌号码对所述雷视融合数据集中所有车牌号码进行统一化形成唯一车牌号码,若所述车牌号码对应的置信度小于所述置信度阈值,则将所述车牌号码替换为虚拟车牌号码,获得车牌处理后的雷视融合数据集;
对所述车牌处理后的雷视融合数据集中车辆特征对应的车辆图像进行二次校验,并根据二次校验结果对所述车辆特征进行统一化,获得统一雷视融合数据集;
判断所述关联子域中所述相邻路口节点内所述统一雷视融合数据集是否包含相同的所述唯一车牌号码;
若包含相同的所述唯一车牌号码,则将相同的所述唯一车牌号码对应的所述统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集;
根据所述节点融合数据集,获得车辆追踪轨迹。
在一个实施例中,所述对所述车牌处理后的雷视融合数据集中车辆特征对应的车辆图像进行二次校验,并根据二次校验结果对所述车辆特征进行统一化,获得统一雷视融合数据集之后,所述方法还包括:
判断所述第一个时间戳至所述第N个时间戳内所述统一雷视融合数据集中车辆加速度或者车辆减速度是否超过阈值;
若所述车辆加速度或者所述车辆减速度超过所述阈值,则对所述车辆加速度或者所述车辆减速度进行平滑处理;
判断所述第一个时间戳至所述第N个时间戳内所述统一雷视融合数据集中车辆速度是否低于速度阈值;
若所述车辆速度是否低于所述速度阈值,则对车辆位置进行平滑处理。
在一个实施例中,所述判断所述关联子域中所述相邻路口节点内所述统一雷视融合数据集是否包含相同的所述唯一车牌号码之后,所述方法还包括:
若所述关联子域中所述相邻路口节点内包含一个所述唯一车牌号码,则对所述相邻路口节点的重叠区域内,相同所述车辆编号对应的所述N个数据组进行数据融合,获得所述节点融合数据集;
其中,相同所述车辆编号中一个所述车辆编号对应所述唯一车牌号码,一个所述车辆编号对应所述虚拟车牌号码。
在一个实施例中,所述判断所述关联子域中所述相邻路口节点内所述统一雷视融合数据集是否包含相同的所述唯一车牌号码之后,所述方法还包括:
若所述关联子域中所述相邻路口节点内不包含所述唯一车牌号码,则对所述相邻路口节点的重叠区域内,相同所述车辆编号对应的所述统一雷视融合数据集的所述N个数据组进行数据融合,获得所述节点融合数据集;
其中,相同所述车辆编号对应所述虚拟车牌号码。
在一个实施例中,所述获得所述节点融合数据集之后,所述根据所述节点融合数据集,获得车辆追踪轨迹之前,所述方法还包括:
调取进行数据融合的所述N个数据组中车外观特征图像,并对所述车外观特征图像进行对比校验,判断所述节点融合数据集是否为同一车辆的融合数据。
在一个实施例中,所述方法还包括:
根据所述相邻路口节点内包含的一个所述唯一车牌号码,对所述节点融合数据集中的所述虚拟车牌号码进行替换;
根据所述相邻路口节点内包含的一个所述唯一车牌号码,对所述节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
在一个实施例中,所述方法还包括:
若所述相邻路口节点内不存在所述唯一车牌号码,则获取所述节点融合数据集中时间最早的虚拟车牌号码,并根据所述时间最早的虚拟车牌号码,对所述节点融合数据集中的所有虚拟车牌号码进行替换;
根据所述时间最早的虚拟车牌号码,对所述节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
在一个实施例中,所述方法还包括:
基于地图信息,对所述相邻路口节点内获得的所述节点融合数据集进行时空校验与车外观特征图像校验,获得校验后的节点融合数据集;
对所述校验后的节点融合数据集进行跨时段车辆属性补齐,获得完整车辆信息数据集;
根据所述完整车辆信息数据集,获得完整全域车辆轨迹。
在一个实施例中,本申请提供一种基于雷视融合的车辆追踪装置,包括:
数据获取模块,用于获取每个单路口节点内每个车辆编号对应的雷视融合数据集,所述雷视融合数据集包括第一个时间戳至第N个时间戳内对应的N个数据组;
关联子域生成模块,用于根据每个所述单路口节点内每个所述车辆编号对应的雷视融合数据集,判断相邻路口节点是否存在重叠雷视融合数据,若所述相邻路口节点存在重叠雷视融合数据,则多个所述相邻路口节点形成关联子域;
校验模块,用于对所述雷视融合数据集中车牌号码对应的车辆图像进行二次校验,并根据二次校验结果判断所述车牌号码对应的置信度是否大于置信度阈值;
车牌统一模块,用于若所述车牌号码对应的置信度大于或等于所述置信度阈值,则根据最高置信度对应的车牌号码对所述雷视融合数据集中所有车牌号码进行统一化形成唯一车牌号码,若所述车牌号码对应的置信度小于所述置信度阈值,则将所述车牌号码替换为虚拟车牌号码,获得车牌处理后的雷视融合数据集;
特征统一模块,用于对所述车牌处理后的雷视融合数据集中车辆特征对应的车辆图像进行二次校验,并根据二次校验结果对所述车辆特征进行统一化,获得统一雷视融合数据集;
第一判断模块,用于判断所述关联子域中所述相邻路口节点内所述统一雷视融合数据集是否包含相同的所述唯一车牌号码;
第一节点融合数据模块,用于若包含相同的所述唯一车牌号码,则将相同的所述唯一车牌号码对应的所述统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集;
车辆追踪轨迹生成模块,用于根据所述节点融合数据集,获得车辆追踪轨迹。
在一个实施例中,所述装置还包括:
第二判断模块,用于判断所述第一个时间戳至所述第N个时间戳内所述统一雷视融合数据集中车辆加速度或者车辆减速度是否超过阈值;
第一平滑处理模块,用于若所述车辆加速度或者所述车辆减速度超过所述阈值,则对所述车辆加速度或者所述车辆减速度进行平滑处理;
第三判断模块,用于判断所述第一个时间戳至所述第N个时间戳内所述统一雷视融合数据集中车辆速度是否低于速度阈值;
第二平滑处理模块,用于若所述车辆速度是否低于所述速度阈值,则对车辆位置进行平滑处理。
在一个实施例中,所述装置还包括:
第二节点融合数据模块,用于若所述关联子域中所述相邻路口节点内包含一个所述唯一车牌号码,则对所述相邻路口节点的重叠区域内,相同所述车辆编号对应的所述N个数据组进行数据融合,获得所述节点融合数据集;
其中,相同所述车辆编号中一个所述车辆编号对应所述唯一车牌号码,一个所述车辆编号对应所述虚拟车牌号码。
在一个实施例中,所述装置还包括:
第三节点融合数据模块,用于若所述关联子域中所述相邻路口节点内不包含所述唯一车牌号码,则对所述相邻路口节点的重叠区域内,相同所述车辆编号对应的所述统一雷视融合数据集的所述N个数据组进行数据融合,获得所述节点融合数据集;
其中,相同所述车辆编号对应所述虚拟车牌号码。
在一个实施例中,所述装置还包括:
车外观特征图像校验模块,用于调取进行数据融合的所述N个数据组中车外观特征图像,并对所述车外观特征图像进行对比校验,判断所述节点融合数据集是否为同一车辆的融合数据。
在一个实施例中,所述装置还包括:
第一替换模块,用于根据所述相邻路口节点内包含的一个所述唯一车牌号码,对所述节点融合数据集中的所述虚拟车牌号码进行替换;
第一补齐模块,用于根据所述相邻路口节点内包含的一个所述唯一车牌号码,对所述节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
在一个实施例中,所述装置还包括:
第二替换模块,用于若所述相邻路口节点内不存在所述唯一车牌号码,则获取所述节点融合数据集中时间最早的虚拟车牌号码,并根据所述时间最早的虚拟车牌号码,对所述节点融合数据集中的所有虚拟车牌号码进行替换;
第二补齐模块,用于根据所述时间最早的虚拟车牌号码,对所述节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
在一个实施例中,所述装置还包括:
时空校验与车外观特征图像校验模块,用于基于地图信息,对所述相邻路口节点内获得的所述节点融合数据集进行时空校验与车外观特征图像校验,获得校验后的节点融合数据集;
属性补齐模块,用于对所述校验后的节点融合数据集进行跨时段车辆属性补齐,获得完整车辆信息数据集;
全域车辆轨迹生成模块,用于根据所述完整车辆信息数据集,获得完整全域车辆轨迹。
上述基于雷视融合的车辆追踪方法以及装置中,本申请提供的车辆追踪方法,基于雷视融合数据调用每个车辆编号对应的雷视融合数据集,并根据雷视融合数据集获取数据中每个车牌号码的置信度,基于最高置信度的车牌号码对每个车辆编号对应的不同车牌号码进行统一化,获得唯一车牌号码。并且,第一个时间戳至第N个时间戳内对应的每个数据组中表征车辆的车辆特征,如车辆车型、车辆颜色、车辆喷涂、车辆摆件以及车辆改装属性等对应的图像进行识别算法二次校验,判断置信度。根据最高置信度对应的车辆特征,对车辆车型、车辆颜色、车辆喷涂、车辆摆件以及车辆改装属性等车辆特征进行统一化,获得了统一雷视融合数据集。
一个车辆、一个车辆编号、一个唯一车牌号码以及第一个时间戳至第N个时间戳内对应的N个数据组对应的统一雷视融合数据集形成了一一对应的关系。进而,在相邻路口节点内查找唯一车牌号码相同的统一雷视融合数据集进行逐组数据融合,获得唯一车牌号码对应的节点融合数据集。以此类推,在多个路口节点内,对节点融合数据集再次依次进行融合,能够获得关联子域内多个路口节点内串联起来的车辆的行驶轨迹。因此,通过本申请提供的车辆追踪方法,采用雷视融合技术进行车辆的行为特征的识别,还原车辆的物理空间及行动轨迹,并根据车辆时空信息与车辆特征信息进行车辆的唯一车牌号码的判定,从多个不同方向相互辅助准确地确认车辆,对车辆进行跨域追踪。
附图说明
图1是本申请提供的基于雷视融合的车辆追踪方法的步骤流程示意图。
图2是本申请提供的基于雷视融合的车辆追踪装置的结构示意图。
具体实施方式
下面通过附图和实施例,对本申请的技术方案做进一步的详细描述。
请参见图1,本申请提供一种基于雷视融合的车辆追踪方法,包括:
S10,获取每个单路口节点内每个车辆编号对应的雷视融合数据集,雷视融合数据集包括第一个时间戳至第N个时间戳内对应的N个数据组;
S20,根据每个单路口节点内每个车辆编号对应的雷视融合数据集,判断相邻路口节点是否存在重叠雷视融合数据,若相邻路口节点存在重叠雷视融合数据,则多个相邻路口节点形成关联子域;
S30,对雷视融合数据集中车牌号码对应的车辆图像进行二次校验,并根据二次校验结果判断车牌号码对应的置信度是否大于置信度阈值;
S40,若车牌号码对应的置信度大于或等于置信度阈值,则根据最高置信度对应的车牌号码对雷视融合数据集中所有车牌号码进行统一化形成唯一车牌号码,若车牌号码对应的置信度小于置信度阈值,则将车牌号码替换为虚拟车牌号码,获得车牌处理后的雷视融合数据集;
S50,对车牌处理后的雷视融合数据集中车辆特征对应的车辆图像进行二次校验,并根据二次校验结果对车辆特征进行统一化,获得统一雷视融合数据集;
S60,判断关联子域中相邻路口节点内统一雷视融合数据集是否包含相同的唯一车牌号码;
S70,若包含相同的唯一车牌号码,则将相同的唯一车牌号码对应的统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集;
S80,根据节点融合数据集,获得车辆追踪轨迹。
在S10中,单路口节点可以理解为一个路口。根据地图信息的路口节点与路段拓扑关系,确定相邻路口节点。雷视融合数据集可以通过雷视一体机获得,具体包括车辆编号、车辆时间戳、车辆车牌号、车辆位置的经纬度、车辆速度、车辆航向角、车辆图像、车外观特征、车辆车型、车辆车身颜色、车辆摆件、车内人员、车辆改装信息等。每个时间戳对应的每个数据组包括车辆编号、车辆时间戳、车辆车牌号、车辆位置的经纬度、车辆速度、车辆航向角、车辆图像、车外观特征、车辆车型、车辆车身颜色、车辆摆件、车内人员、车辆改装信息等。雷视融合数据集可以以每秒7帧获取。地图信息为高精度地图信息,具体包括车道边界、车道线、转向线、绿化带、隔离带等多种道路信息图层、道路信息图层的经纬度、路口节点与路段拓扑关系。通过地图信息能够获取障碍区。障碍区也可以理解为不合理位置区。障碍区包括水泥护栏、桥墩、路边墙、建筑物、隧道墙等面图层区域等不合理位置区域。
对雷视融合数据集中的异常数据进行筛选。获取雷视融合数据集以数组的形式存储,随机选取第i个雷视融合数据组中的经度、纬度以及车辆速度等信息。若经度与纬度中至少一个为非数字,则删除第i个雷视融合数据组。若经度与纬度表明位置为障碍区,则删除第i个雷视融合数据组。若车辆速度超过速度阈值,不在合理的范围内,例如远远超过正常理论值,则删除第i个雷视融合数据组。
一个单路口节点对应多个车辆,一个车辆对应一个车辆编号。第一个时间戳t1至第N个时间戳tN形成一个连续时间段,如[t1,t2,…,tN]。一个时间戳对应一个数据组D1。在连续时间段内,构成了N个数据组[D1,D2,…,DN]。每个数据组包括了每个时间戳对应的车辆编号、车辆时间戳、车辆车牌号、车辆位置的经纬度、车辆速度、车辆航向角、车辆图片、车外观特征、车辆车型、车辆车身颜色、车辆摆件、车内人员、车辆改装信息等信息。
在S20中,根据高精度地图的路口节点与路段拓扑关系,确定相邻路口节点。将相邻路口节点关联起来,形成一个子域。选取一个路口节点作为根节点,采用蚂蚁算法计算出初始子域。根据每个单路口节点的雷视融合数据集,可以判断相邻路口节点之间是否存在重叠的雷视融合数据,若存在重叠的雷视融合数据,则形成关联子域。初始子域包括关联子域与没有重叠数据的其他路口节点。关联子域也可以理解为具有雷视融合数据重叠的多个路口节点形成的关联树。通过建立关联子域,将各个路口节点的雷视融合数据联系起来,形成数据连接关系,进而能够追踪车辆的行驶轨迹。
在S30中,对于[D1,D2,…,DN]形成的数据组中,所有包含车牌号码信息的数据形成一个车牌号码子集。调取车牌号码子集对应的车牌号码图像集,并根据车牌识别算法对车牌号码图像进行二次校验,进而可同时获得每个车牌号码的置信度。基于每个车牌号码的置信度,对N个数据组中多个车牌号码的置信度进行排序,判断是否大于置信度阈值。置信度阈值可以根据实际需求进行限定,本实施例中置信度阈值设置为90%至95%。
在S40中,将大于或者等于置信度阈值的多个置信度进行排序,获得最高置信度对应的车牌号码,并作为唯一车牌号码对其他置信度对应的车牌号码进行全部替换,使得一个车辆对应一个车辆编号,且对应着第一个时间戳至第N个时间戳内对应的N个数据组,且对应一个唯一车牌号码,彼此之间形成了一一对应关系。唯一车牌号码作为车辆唯一身份。对于车牌号码的置信度小于置信度阈值时,也就是置信度不高的车牌号码作为虚拟车牌号码。
在S50中,对第一个时间戳至第N个时间戳内对应的每个数据组中表征车辆的车辆特征,如车辆车型、车辆颜色、车辆喷涂、车辆摆件以及车辆改装属性等对应的图像进行识别算法二次校验,判断置信度。根据最高置信度对应的车辆特征,对车辆车型、车辆颜色、车辆喷涂、车辆摆件以及车辆改装属性等车辆特征进行统一化。例如:在各个数据组中,将置信度最高的车辆车型对各个数据组中的置信度低的车辆车型进行替换,获得唯一车辆车型;将置信度最高的车身颜色对各个数据组中的置信度低的车身颜色进行替换,获得唯一车身颜色;将置信度最高的车身喷涂对各个数据组中的置信度低的车身喷涂进行替换,获得唯一车身喷涂。通过对第一个时间戳至第N个时间戳内对应的每个数据组中的车辆特征信息进行预处理形成统一雷视融合数据集,可以获得更加准确地车辆信息数据,使得车辆轨迹追踪更加准确。
在S60与S70中,一个唯一车牌号码对应一个车辆。在相邻路口节点存在相同的唯一车牌号码,可以理解为唯一车牌号码对应的一个车辆依次经过了相邻路口节点,行驶轨迹经过了相邻路口节点。此时,以唯一车牌号码为依据,对车辆行驶过的轨迹进行了跟踪。对于相邻路口节点,在连续时间内车辆的唯一身份相同,可以直接进行相邻节点的数据融合。将不同路口节点的相同唯一车牌号码对应的N个数组中每个数据组的数据合在一起,可以将同一个唯一车牌号码在相邻路口节点的行驶数据连接起来,形成对应的连贯的节点融合数据集,进而将两个单路口节点的两个行驶过程融合成相邻路口节点的一个行驶过程,可以获得在相邻路口节点的车辆行驶轨迹。
在S80中,多个相邻路口节点对应的节点融合数据集依次进行数据融合,可以形成关联子域中多个路口节点连接起来的融合车辆信息数据,获得车辆在多个路口节点之间的行驶轨迹,实现在多个路口节点经过的一个行驶过程,从而形成车辆追踪轨迹。
本申请提供的车辆追踪方法,基于雷视融合数据调用每个车辆编号对应的雷视融合数据集,并根据雷视融合数据集获取数据中每个车牌号码的置信度,基于最高置信度的车牌号码对每个车辆编号对应的不同车牌号码进行统一化,获得唯一车牌号码。并且,第一个时间戳至第N个时间戳内对应的每个数据组中表征车辆的车辆特征,如车辆车型、车辆颜色、车辆喷涂、车辆摆件以及车辆改装属性等对应的图像进行识别算法二次校验,判断置信度。根据最高置信度对应的车辆特征,对车辆车型、车辆颜色、车辆喷涂、车辆摆件以及车辆改装属性等车辆特征进行统一化,获得了统一雷视融合数据集。
一个车辆、一个车辆编号、一个唯一车牌号码以及第一个时间戳至第N个时间戳内对应的N个数据组对应的统一雷视融合数据集形成了一一对应的关系。进而,在相邻路口节点内查找唯一车牌号码相同的统一雷视融合数据集进行逐组数据融合,获得唯一车牌号码对应的节点融合数据集。以此类推,在多个路口节点内,对节点融合数据集再次依次进行融合,能够获得关联子域内多个路口节点内串联起来的车辆的行驶轨迹。因此,通过本申请提供的车辆追踪方法,采用雷视融合技术进行车辆的行为特征的识别,还原车辆的物理空间及行动轨迹,并根据车辆时空信息与车辆特征信息进行车辆的唯一车牌号码的判定,从多个不同方向相互辅助准确地确认车辆,对车辆进行跨域追踪。
在一个实施例中,S50,对车牌处理后的雷视融合数据集中车辆特征对应的车辆图像进行二次校验,并根据二次校验结果对车辆特征进行统一化,获得统一雷视融合数据集之后,基于雷视融合的车辆追踪还包括:
S510,判断第一个时间戳至第N个时间戳内统一雷视融合数据集中车辆加速度或者车辆减速度是否超过阈值;
S520,若车辆加速度或者车辆减速度超过阈值,则对车辆加速度或者车辆减速度进行平滑处理;
S530,判断第一个时间戳至第N个时间戳内统一雷视融合数据集中车辆速度是否低于速度阈值;
S540,若车辆速度是否低于速度阈值,则对车辆位置进行平滑处理。
本实施例中,对第一个时间戳至第N个时间戳内对应的每个数据组中车辆加速度或者减速度进行预处理,判断加速度或减速度是否超过阈值。阈值可以理解为在基于理论值的合理范围内的速度。若车辆加速度或减速度超过阈值,则对车辆加速度或减速度进行平滑处理,获得平滑后的速度。对第一个时间戳至第N个时间戳内对应的每个数据组中车辆速度进行判断,判断车辆速度是否低于速度阈值。若车辆速度低于速度阈值,则对车辆位置进行平滑,获得平滑后的位置,解决高采样与系统噪声带来的抖动造成的不平稳问题。通过对第一个时间戳至第N个时间戳内对应的每个数据组中的速度信息进行预处理,可以获得更加准确地车辆信息数据,获得数据更加准确的统一雷视融合数据集,使得后续车辆轨迹追踪更加准确。
在一个实施例中,S60,判断关联子域中相邻路口节点内统一雷视融合数据集是否包含相同的唯一车牌号码之后,基于雷视融合的车辆追踪方法还包括:
S701,若关联子域中相邻路口节点内包含一个唯一车牌号码,则对相邻路口节点的重叠区域内,相同车辆编号对应的N个数据组进行数据融合,获得节点融合数据集;
其中,相同车辆编号中一个车辆编号对应唯一车牌号码,一个车辆编号对应虚拟车牌号码。
本实施例中,相邻路口节点内包含一个唯一车牌号码,可以理解为在相邻两个路口节点中一个路口节点内不存在与另一个路口节点内唯一车牌号码相同的车牌号,也可以理解为有一个唯一车牌号码没有对应匹配相同的。相邻路口节点会存在重叠区域,也可以理解为重叠路段。由于一个车辆、一个车辆编号、一个唯一车牌号码以及统一雷视融合数据集形成了一一对应的关系,所以本实施例中在重叠区域内可以调取与唯一车牌号码对应的车辆编号相同的数据进行融合,也可以理解为同一个车辆编号分别出现在了相邻的两个路口节点内,其中一个路口节点内的车辆编号对应着一个唯一车牌号码,另一个路口节点内的同一个车辆编号对应着一个虚拟车牌编号。虚拟车牌号码与唯一车牌号码是通过车牌号码置信度高低进行判别的,可能存在车牌号码被误判,进而通过本实施例的方法实现车辆编号对应的单独存在的一个唯一车牌号码对应的数据进行融合,将相同车辆编号对应的不同车牌号码进行数据融合,获得节点融合数据集,将分布在两个路口节点的数据进行合并。本实施例中,通过将车辆编号与唯一车牌号码相互结合,将同一个车辆在不同路口节点对应的数据进行融合,形成节点融合数据集,有利于对同一车辆在不同路口节点的数据进行跟踪,最终获得车辆的行驶轨迹。
在一个实施例中,若相邻路口节点内包含一个唯一车牌号码,则采用km算法,对相邻路口节点的重叠区域内的相同车辆编号对应的统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集。
在一个实施例中,S60,判断关联子域中相邻路口节点内统一雷视融合数据集是否包含相同的唯一车牌号码之后,基于雷视融合的车辆追踪方法还包括:
S702,若关联子域中相邻路口节点内不包含唯一车牌号码,则对相邻路口节点的重叠区域内,相同车辆编号对应的统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集;
其中,相同车辆编号对应虚拟车牌号码。
本实施例中,若相邻路口节点内包含不具有唯一车牌号码的统一雷视融合数据集,可以理解为在相邻两个路口节点内存在统一雷视融合数据集,但统一雷视融合数据集中没有唯一车牌号码,也可以理解为在相邻两个路口节点内存在虚拟车牌号码,但是不存在唯一车牌号码。因此,本实施例中在重叠区域内可以采用车辆编号代替唯一车牌号码,调用对应的统一雷视融合数据集进行数据融合。进而,若在相邻两个路口节点内不存在唯一车牌号码,则调取车辆编号相同的两组数据进行融合。也可以理解为,在相邻两个路口节点内,同一个车辆编号分别依次经过了两个路口节点,所以在相邻两个路口节点的重叠区域内对相同的车辆编号对应的统一雷视融合数据集进行数据融合,获得同一个车辆在不同路口节点的数据,并对数据进行融合,形成节点融合数据集,有利于对同一车辆在不同路口节点的数据进行跟踪,进一步获得车辆的行驶轨迹。
在一个实施例中,若相邻路口节点内不包括唯一车牌号码,则采用km算法,对相邻路口节点的重叠区域内的相同车辆编号对应的统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集。
在一个实施例中,S70,获得节点融合数据集之后,S80,根据节点融合数据集,获得车辆追踪轨迹之前,基于雷视融合的车辆追踪方法还包括:
S703,调取进行数据融合的N个数据组中车外观特征图像,并对车外观特征图像进行对比校验,判断节点融合数据集是否为同一车辆的融合数据。
本实施例中,通过车外观特征图像进行识别算法识别,实现二次验证,对进行数据融合的N个数据组中的数据进行识别验证。在上述实施例中以车辆编号或者唯一车牌号码为依据对同一车辆在不同路口节点的数据进行融合,获得节点融合数据集。本实施例中,一个车辆对应一个车辆编号,对应一个车外观特征图像。当车辆经过两个相邻路口节点时,分别调取相邻路口的统一雷视融合数据集,再次通过调取路相邻两个口节点分别对应的车外观特征图像进行对比验证,进一步判断进行数据融合的两个统一雷视融合数据集是否为同一个车辆的数据。若是,则表明融合的数据是正确的,进行保留,用于车辆轨迹的追踪。
在一个实施例中,基于雷视融合的车辆追踪方法还包括:
S704,根据相邻路口节点内包含的一个唯一车牌号码,对节点融合数据集中的虚拟车牌号码进行替换;
S705,根据相邻路口节点内包含的一个唯一车牌号码,对节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
本实施例中,基于S701的相关描述,在相邻两个路口节点的重叠区域内分别调取一个唯一车牌号码对应的车辆编号对应的统一雷视融合数据集以及一个相同车辆编号对应的统一雷视融合数据集进行数据融合,此时进行数据融合的两个相同车辆编号分别对应一个唯一车牌号码和一个虚拟车牌号码。本实施例中一个唯一车牌号码和一个虚拟车牌号码分别对应的车辆编号为同一个车辆编号,分别出现在了相邻两个路口节点内,对应的为同一个车辆。进而,对统一雷视融合数据集中各个数据组中的虚拟车牌号码可以进行替换,替换为置信度高的唯一车牌号码,进而将同一车辆在不同路口节点的行驶数据进行了进一步车牌号码的统一,后续可直接根据具有唯一性的唯一车牌号码进行数据调取,有利于对车辆的轨迹进行跟踪。
在同一个车辆对应的统一雷视融合数据集中,可能会存在没有车牌号码的数据组,进而可以采用唯一车牌号码对没有车牌号码的数据组进行车牌号码补齐,从而使得无车牌号码的数据组的数据更加完整,实现了车牌号码的统一,有利于后续对车辆的轨迹进行跟踪。
在一个实施例中,基于雷视融合的车辆追踪方法还包括:
S706,若相邻路口节点内不存在唯一车牌号码,则获取节点融合数据集中时间最早的虚拟车牌号码,并根据时间最早的虚拟车牌号码,对节点融合数据集中的所有虚拟车牌号码进行替换;
S707,根据时间最早的虚拟车牌号码,对节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
本实施例中,基于S702的相关描述,在相邻两个路口节点内行驶的车辆不具有唯一车牌号码,可以理解为对应的数据组中的车牌号码为虚拟车牌号码或者数据组中无车牌号码。调用统一雷视融合数据集中各个数据组内存在的时间最早的虚拟车牌号码作为本车辆的统一雷视融合数据集的唯一车牌号码,对所有虚拟车牌号码进行替换,进而实现统一雷视融合数据集所有数据组对应同一个车牌号码,实现了车牌号码的统一,形成了具有唯一性的唯一车牌号码。
在同一个车辆对应的同一个统一雷视融合数据集中,可能会存在没有车牌号码的数据组,进而可以采用时间最早的虚拟车牌号码对没有车牌号码的数据组进行车牌号码补齐,从而使得无车牌号码的数据组的数据更加完整,实现了车牌号码的统一,有利于后续对车辆的轨迹进行跟踪。
在一个实施例中,基于雷视融合的车辆追踪方法还包括:
S901,基于地图信息,对相邻路口节点内获得的节点融合数据集进行时空校验与车外观特征图像校验,获得校验后的节点融合数据集;
S902,对校验后的节点融合数据集进行跨时段车辆属性补齐,获得完整车辆信息数据集;
S903,根据完整车辆信息数据集,获得完整全域车辆轨迹。
本实施例中,基于高精度地图信息,对同一个唯一车牌号码对应的节点融合数据集进行时空校验,对非相同车辆进行排除。时空校验可以理解为根据同一个唯一车牌号码在不同路口节点出现的时间与距离,排除异常数据,最后获得准确地车辆追踪轨迹。例如:唯一车牌号码在10:55出现在A路口节点,10:56出现在B路口节点,A路口节点与B路口节点相距10公里,车辆在1分钟内行驶了10公里,不符合理论行驶规律,判断10:55出现在A路口节点的车辆与10:56出现在B路口节点的车辆不是同一个目标车辆,车牌号码对应的数据进行删除,对满足时空校验的数据进行保留,形成车辆行驶轨迹。
节点融合数据集来源于相邻两个路口节点的数据的融合。对于同一个子域中的多个路口节点或者跨子域中的多个路口节点之间,可以通过同一个身份相同的唯一车牌号码,将对应的节点融合数据集进一步进行数据融合。数据融合过程与上述实施例相同,进而可以将多个路口节点和多个子域中的同一个唯一车牌号码对应的数据连接起来,从而获得每个车辆在多个路口节点和多个子域内的行驶轨迹。在对同一个唯一车牌号码对应的不同路口节点的融合车辆信息数据集融合之后,可以通过每个节点融合数据集中对应的车外观特征图像进行校验,进一步判断是否为同一个车辆,实现了对车辆特征的多次验证,获得校验后的节点融合数据集,确保了车辆数据的准确性。
对校验后的节点融合数据集进行跨时段车辆属性补齐。车辆属性包括出租车、货车、客车以及私家车等属性,使得数据更加完整,增加了车辆的属性信息,有利于进一步辅助对车辆的轨迹进行跟踪,获得完整车辆信息数据集。从而,根据完整车辆信息数据集,获得完整全域车辆轨迹,可以实现车辆的追踪。
因此,通过本申请提供的基于雷视融合的车辆追踪方法,采用雷视融合技术进行车辆的外在特征与行为特征等信息进行识别,并通过高精度地图信息还原车辆的物理空间及行动轨迹。通过车辆的时空信息与特征信息进行车辆的唯一身份判定,从而准确地确认车辆,并将雷视融合设备的高精度地理位置信息标定在高精度地图上,利用高精度地图的道路拓扑关系,对车辆进行了跨域追踪。
请参见图2,本申请提供一种基于雷视融合的车辆追踪装置100。基于雷视融合的车辆追踪装置100包括数据获取模块10、关联子域生成模块20、校验模块30、车牌统一模块40、特征统一模块50、第一判断模块60、第一节点融合数据模块70以及车辆追踪轨迹生成模块80。数据获取模块10用于获取每个单路口节点内每个车辆编号对应的雷视融合数据集,雷视融合数据集包括第一个时间戳至第N个时间戳内对应的N个数据组。关联子域生成模块20用于根据每个单路口节点内每个车辆编号对应的雷视融合数据集,判断相邻路口节点是否存在重叠雷视融合数据,若相邻路口节点存在重叠雷视融合数据,则多个相邻路口节点形成关联子域。
校验模块30用于对雷视融合数据集中车牌号码对应的车辆图像进行二次校验,并根据二次校验结果判断车牌号码对应的置信度是否大于置信度阈值。车牌统一模块40用于若车牌号码对应的置信度大于或等于置信度阈值,则根据最高置信度对应的车牌号码对雷视融合数据集中所有车牌号码进行统一化形成唯一车牌号码,若车牌号码对应的置信度小于置信度阈值,则将车牌号码替换为虚拟车牌号码,获得车牌处理后的雷视融合数据集。
特征统一模块50用于对车牌处理后的雷视融合数据集中车辆特征对应的车辆图像进行二次校验,并根据二次校验结果对车辆特征进行统一化,获得统一雷视融合数据集。第一判断模块60用于判断关联子域中相邻路口节点内统一雷视融合数据集是否包含相同的唯一车牌号码。第一节点融合数据模块70用于若包含相同的唯一车牌号码,则将相同的唯一车牌号码对应的统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集。车辆追踪轨迹生成模块80用于根据节点融合数据集,获得车辆追踪轨迹。
本实施例中,数据获取模块10的相关描述可参考上述实施例中S10的相关描述。关联子域生成模块20的相关描述可参考上述实施例中S20的相关描述。校验模块30的相关描述可参考上述实施例中S30的相关描述。车牌统一模块40的相关描述可参考上述实施例中S40的相关描述。特征统一模块50的相关描述可参考上述实施例中S50的相关描述。第一判断模块60的相关描述可参考上述实施例中S60的相关描述。第一节点融合数据模块70的相关描述可参考上述实施例中S70的相关描述。车辆追踪轨迹生成模块80的相关描述可参考上述实施例中S80的相关描述。
在一个实施例中,基于雷视融合的车辆追踪装置100还包括第二判断模块、第一平滑处理模块、第三判断模块以及第二平滑处理模块。第二判断模块用于判断第一个时间戳至第N个时间戳内统一雷视融合数据集中车辆加速度或者车辆减速度是否超过阈值。第一平滑处理模块用于若车辆加速度或者车辆减速度超过阈值,则对车辆加速度或者车辆减速度进行平滑处理。第三判断模块用于判断第一个时间戳至第N个时间戳内统一雷视融合数据集中车辆速度是否低于速度阈值。第二平滑处理模块用于若车辆速度是否低于速度阈值,则对车辆位置进行平滑处理。
本实施例中,第二判断模块的相关描述可参考上述实施例中S510的相关描述。第一平滑处理模块的相关描述可参考上述实施例中S520的相关描述。第三判断模块的相关描述可参考上述实施例中S530的相关描述。第二平滑处理模块的相关描述可参考上述实施例中S540的相关描述。
在一个实施例中,基于雷视融合的车辆追踪装置100还包括第二节点融合数据模块。第二节点融合数据模块用于若关联子域中相邻路口节点内包含一个唯一车牌号码,则对相邻路口节点的重叠区域内,相同车辆编号对应的N个数据组进行数据融合,获得节点融合数据集。其中,相同车辆编号中一个车辆编号对应唯一车牌号码,一个车辆编号对应虚拟车牌号码。
本实施例中,第二节点融合数据模块的相关描述可参考上述实施例中S701的相关描述。
在一个实施例中,基于雷视融合的车辆追踪装置100还包括第三节点融合数据模块。第三节点融合数据模块用于若关联子域中相邻路口节点内不包含唯一车牌号码,则对相邻路口节点的重叠区域内,相同车辆编号对应的统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集。其中,相同车辆编号对应虚拟车牌号码。
本实施例中,第三节点融合数据模块的相关描述可参考上述实施例中S702的相关描述。
在一个实施例中,基于雷视融合的车辆追踪装置100还包括车外观特征图像校验模块。车外观特征图像校验模块用于调取进行数据融合的N个数据组中车外观特征图像,并对车外观特征图像进行对比校验,判断节点融合数据集是否为同一车辆的融合数据。
本实施例中,车外观特征图像校验模块的相关描述可参考上述实施例中S703的相关描述。
在一个实施例中,基于雷视融合的车辆追踪装置100还包括第一替换模块与第一补齐模块。第一替换模块用于根据相邻路口节点内包含的一个唯一车牌号码,对节点融合数据集中的虚拟车牌号码进行替换。第一补齐模块用于根据相邻路口节点内包含的一个唯一车牌号码,对节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
本实施例中,第一替换模块的相关描述可参考上述实施例中S704的相关描述。第一补齐模块的相关描述可参考上述实施例中S705的相关描述。
在一个实施例中,基于雷视融合的车辆追踪装置100还包括第二替换模块与第二补齐模块。第二替换模块用于若相邻路口节点内不存在唯一车牌号码,则获取节点融合数据集中时间最早的虚拟车牌号码,并根据时间最早的虚拟车牌号码,对节点融合数据集中的所有虚拟车牌号码进行替换。第二补齐模块用于根据时间最早的虚拟车牌号码,对节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
本实施例中,第二替换模块的相关描述可参考上述实施例中S706的相关描述。第二补齐模块的相关描述可参考上述实施例中S707的相关描述。
在一个实施例中,基于雷视融合的车辆追踪装置100还包括时空校验与车外观特征图像校验模块、属性补齐模块以及全域车辆轨迹生成模块。时空校验与车外观特征图像校验模块,用于基于地图信息,对相邻路口节点内获得的节点融合数据集进行时空校验与车外观特征图像校验,获得校验后的节点融合数据集。属性补齐模块用于对校验后的节点融合数据集进行跨时段车辆属性补齐,获得完整车辆信息数据集。全域车辆轨迹生成模块用于根据完整车辆信息数据集,获得完整全域车辆轨迹。
本实施例中,时空校验与车外观特征图像校验模块的相关描述可参考上述实施例中S901的相关描述。属性补齐模块的相关描述可参考上述实施例中S902的相关描述。全域车辆轨迹生成模块的相关描述可参考上述实施例中S903的相关描述。
上述各个实施例中,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
本领域技术人员还可以了解到本申请实施例列出的各种说明性逻辑块(illustrative logical block),模块和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),模块和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本申请实施例保护的范围。
本申请实施例中所描述的各种说明性的逻辑块,或模块都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (16)
1.一种基于雷视融合的车辆追踪方法,其特征在于,包括:
获取每个单路口节点内每个车辆编号对应的雷视融合数据集,所述雷视融合数据集包括第一个时间戳至第N个时间戳内对应的N个数据组;
根据每个所述单路口节点内每个所述车辆编号对应的雷视融合数据集,判断相邻路口节点是否存在重叠雷视融合数据,若所述相邻路口节点存在重叠雷视融合数据,则多个所述相邻路口节点形成关联子域;
对所述雷视融合数据集中车牌号码对应的车辆图像进行二次校验,并根据二次校验结果判断所述车牌号码对应的置信度是否大于置信度阈值;
若所述车牌号码对应的置信度大于或等于所述置信度阈值,则根据最高置信度对应的车牌号码对所述雷视融合数据集中所有车牌号码进行统一化形成唯一车牌号码,若所述车牌号码对应的置信度小于所述置信度阈值,则将所述车牌号码替换为虚拟车牌号码,获得车牌处理后的雷视融合数据集;
对所述车牌处理后的雷视融合数据集中车辆特征对应的车辆图像进行二次校验,并根据二次校验结果对所述车辆特征进行统一化,获得统一雷视融合数据集;
判断所述关联子域中所述相邻路口节点内所述统一雷视融合数据集是否包含相同的所述唯一车牌号码;
若包含相同的所述唯一车牌号码,则将相同的所述唯一车牌号码对应的所述统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集;
根据所述节点融合数据集,获得车辆追踪轨迹。
2.根据权利要求1所述的基于雷视融合的车辆追踪方法,其特征在于,所述对所述车牌处理后的雷视融合数据集中车辆特征对应的车辆图像进行二次校验,并根据二次校验结果对所述车辆特征进行统一化,获得统一雷视融合数据集之后,所述方法还包括:
判断所述第一个时间戳至所述第N个时间戳内所述统一雷视融合数据集中车辆加速度或者车辆减速度是否超过阈值;
若所述车辆加速度或者所述车辆减速度超过所述阈值,则对所述车辆加速度或者所述车辆减速度进行平滑处理;
判断所述第一个时间戳至所述第N个时间戳内所述统一雷视融合数据集中车辆速度是否低于速度阈值;
若所述车辆速度是否低于所述速度阈值,则对车辆位置进行平滑处理。
3.根据权利要求2所述的基于雷视融合的车辆追踪方法,其特征在于,所述判断所述关联子域中所述相邻路口节点内所述统一雷视融合数据集是否包含相同的所述唯一车牌号码之后,所述方法还包括:
若所述关联子域中所述相邻路口节点内包含一个所述唯一车牌号码,则对所述相邻路口节点的重叠区域内,相同所述车辆编号对应的所述N个数据组进行数据融合,获得所述节点融合数据集;
其中,相同所述车辆编号中一个所述车辆编号对应所述唯一车牌号码,一个所述车辆编号对应所述虚拟车牌号码。
4.根据权利要求3所述的基于雷视融合的车辆追踪方法,其特征在于,所述判断所述关联子域中所述相邻路口节点内所述统一雷视融合数据集是否包含相同的所述唯一车牌号码之后,所述方法还包括:
若所述关联子域中所述相邻路口节点内不包含所述唯一车牌号码,则对所述相邻路口节点的重叠区域内,相同所述车辆编号对应的所述统一雷视融合数据集的所述N个数据组进行数据融合,获得所述节点融合数据集;
其中,相同所述车辆编号对应所述虚拟车牌号码。
5.根据权利要求4所述的基于雷视融合的车辆追踪方法,其特征在于,所述若包含相同的所述唯一车牌号码,则将相同的所述唯一车牌号码对应的所述统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集之后,所述根据所述节点融合数据集,获得车辆追踪轨迹之前,所述方法还包括:
调取进行数据融合的所述N个数据组中车外观特征图像,并对所述车外观特征图像进行对比校验,判断所述节点融合数据集是否为同一车辆的融合数据。
6.根据权利要求3所述的基于雷视融合的车辆追踪方法,其特征在于,所述方法还包括:
根据所述相邻路口节点内包含的一个所述唯一车牌号码,对所述节点融合数据集中的所述虚拟车牌号码进行替换;
根据所述相邻路口节点内包含的一个所述唯一车牌号码,对所述节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
7.根据权利要求4所述的基于雷视融合的车辆追踪方法,其特征在于,所述方法还包括:
若所述相邻路口节点内不包含所述唯一车牌号码,则获取所述节点融合数据集中时间最早的虚拟车牌号码,并根据所述时间最早的虚拟车牌号码,对所述节点融合数据集中的所有虚拟车牌号码进行替换;
根据所述时间最早的虚拟车牌号码,对所述节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
8.根据权利要求1所述的基于雷视融合的车辆追踪方法,其特征在于,所述方法还包括:
基于地图信息,对所述相邻路口节点内获得的所述节点融合数据集进行时空校验与车外观特征图像校验,获得校验后的节点融合数据集;
对所述校验后的节点融合数据集进行跨时段车辆属性补齐,获得完整车辆信息数据集;
根据所述完整车辆信息数据集,获得完整全域车辆轨迹。
9.一种基于雷视融合的车辆追踪装置,其特征在于,包括:
数据获取模块,用于获取每个单路口节点内每个车辆编号对应的雷视融合数据集,所述雷视融合数据集包括第一个时间戳至第N个时间戳内对应的N个数据组;
关联子域生成模块,用于根据每个所述单路口节点内每个所述车辆编号对应的雷视融合数据集,判断相邻路口节点是否存在重叠雷视融合数据,若所述相邻路口节点存在重叠雷视融合数据,则多个所述相邻路口节点形成关联子域;
校验模块,用于对所述雷视融合数据集中车牌号码对应的车辆图像进行二次校验,并根据二次校验结果判断所述车牌号码对应的置信度是否大于置信度阈值;
车牌统一模块,用于若所述车牌号码对应的置信度大于或等于所述置信度阈值,则根据最高置信度对应的车牌号码对所述雷视融合数据集中所有车牌号码进行统一化形成唯一车牌号码,若所述车牌号码对应的置信度小于所述置信度阈值,则将所述车牌号码替换为虚拟车牌号码,获得车牌处理后的雷视融合数据集;
特征统一模块,用于对所述车牌处理后的雷视融合数据集中车辆特征对应的车辆图像进行二次校验,并根据二次校验结果对所述车辆特征进行统一化,获得统一雷视融合数据集;
第一判断模块,用于判断所述关联子域中所述相邻路口节点内所述统一雷视融合数据集是否包含相同的所述唯一车牌号码;
第一节点融合数据模块,用于若包含相同的所述唯一车牌号码,则将相同的所述唯一车牌号码对应的所述统一雷视融合数据集的N个数据组进行数据融合,获得节点融合数据集;
车辆追踪轨迹生成模块,用于根据所述节点融合数据集,获得车辆追踪轨迹。
10.根据权利要求9所述的基于雷视融合的车辆追踪装置,其特征在于,所述装置还包括:
第二判断模块,用于判断所述第一个时间戳至所述第N个时间戳内所述统一雷视融合数据集中车辆加速度或者车辆减速度是否超过阈值;
第一平滑处理模块,用于若所述车辆加速度或者所述车辆减速度超过所述阈值,则对所述车辆加速度或者所述车辆减速度进行平滑处理;
第三判断模块,用于判断所述第一个时间戳至所述第N个时间戳内所述统一雷视融合数据集中车辆速度是否低于速度阈值;
第二平滑处理模块,用于若所述车辆速度是否低于所述速度阈值,则对车辆位置进行平滑处理。
11.根据权利要求10所述的基于雷视融合的车辆追踪装置,其特征在于,所述装置还包括:
第二节点融合数据模块,用于若所述关联子域中所述相邻路口节点内包含一个所述唯一车牌号码,则对所述相邻路口节点的重叠区域内,相同所述车辆编号对应的所述N个数据组进行数据融合,获得所述节点融合数据集;
其中,相同所述车辆编号中一个所述车辆编号对应所述唯一车牌号码,一个所述车辆编号对应所述虚拟车牌号码。
12.根据权利要求11所述的基于雷视融合的车辆追踪装置,其特征在于,所述装置还包括:
第三节点融合数据模块,用于若所述关联子域中所述相邻路口节点内不包含所述唯一车牌号码,则对所述相邻路口节点的重叠区域内,相同所述车辆编号对应的所述统一雷视融合数据集的所述N个数据组进行数据融合,获得所述节点融合数据集;
其中,相同所述车辆编号对应所述虚拟车牌号码。
13.根据权利要求12所述的基于雷视融合的车辆追踪装置,其特征在于,所述装置还包括:
车外观特征图像校验模块,用于调取进行数据融合的所述N个数据组中车外观特征图像,并对所述车外观特征图像进行对比校验,判断所述节点融合数据集是否为同一车辆的融合数据。
14.根据权利要求11所述的基于雷视融合的车辆追踪装置,其特征在于,所述装置还包括:
第一替换模块,用于根据所述相邻路口节点内包含的一个所述唯一车牌号码,对所述节点融合数据集中的所述虚拟车牌号码进行替换;
第一补齐模块,用于根据所述相邻路口节点内包含的一个所述唯一车牌号码,对所述节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
15.根据权利要求12所述的基于雷视融合的车辆追踪装置,其特征在于,所述装置还包括:
第二替换模块,用于若所述相邻路口节点内不包含所述唯一车牌号码,则获取所述节点融合数据集中时间最早的虚拟车牌号码,并根据所述时间最早的虚拟车牌号码,对所述节点融合数据集中的所有虚拟车牌号码进行替换;
第二补齐模块,用于根据所述时间最早的虚拟车牌号码,对所述节点融合数据集中无车牌号码的数据组进行车牌号码补齐。
16.根据权利要求9所述的基于雷视融合的车辆追踪装置,其特征在于,所述装置还包括:
时空校验与车外观特征图像校验模块,用于基于地图信息,对所述相邻路口节点内获得的所述节点融合数据集进行时空校验与车外观特征图像校验,获得校验后的节点融合数据集;
属性补齐模块,用于对所述校验后的节点融合数据集进行跨时段车辆属性补齐,获得完整车辆信息数据集;
全域车辆轨迹生成模块,用于根据所述完整车辆信息数据集,获得完整全域车辆轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210929969.1A CN114998886B (zh) | 2022-08-04 | 2022-08-04 | 基于雷视融合的车辆追踪方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210929969.1A CN114998886B (zh) | 2022-08-04 | 2022-08-04 | 基于雷视融合的车辆追踪方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998886A true CN114998886A (zh) | 2022-09-02 |
CN114998886B CN114998886B (zh) | 2022-10-28 |
Family
ID=83023214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210929969.1A Active CN114998886B (zh) | 2022-08-04 | 2022-08-04 | 基于雷视融合的车辆追踪方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998886B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455957A (zh) * | 2023-12-25 | 2024-01-26 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于深度学习的车辆轨迹定位追踪方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206436A1 (en) * | 2016-01-19 | 2017-07-20 | Delphi Technologies, Inc. | Object Tracking System With Radar/Vision Fusion For Automated Vehicles |
CN113627373A (zh) * | 2021-08-17 | 2021-11-09 | 山东沂蒙交通发展集团有限公司 | 一种基于雷视融合探测的车辆识别方法 |
CN113960590A (zh) * | 2021-10-12 | 2022-01-21 | 浙江六季信息科技有限公司 | 雷视融合系统、终端 |
CN114202931A (zh) * | 2021-12-10 | 2022-03-18 | 深圳市旗扬特种装备技术工程有限公司 | 一种雷视融合交通事件检测系统的5g空中升级方法 |
CN114299417A (zh) * | 2021-12-09 | 2022-04-08 | 连云港杰瑞电子有限公司 | 一种基于雷视融合的多目标跟踪方法 |
CN114333347A (zh) * | 2022-01-07 | 2022-04-12 | 深圳市金溢科技股份有限公司 | 车辆信息融合方法、装置、计算机设备及存储介质 |
CN114415173A (zh) * | 2022-01-17 | 2022-04-29 | 同济大学 | 一种高鲁棒性雷视融合的透雾目标识别方法 |
WO2022104296A1 (en) * | 2021-12-29 | 2022-05-19 | Innopeak Technology, Inc. | Camera radar fusion for advanced driver assistance system (adas) with radar and mobile phone |
CN114578807A (zh) * | 2022-01-05 | 2022-06-03 | 北京华如科技股份有限公司 | 一种无人靶车雷视融合的主动目标检测与避障方法 |
CN216873319U (zh) * | 2022-02-23 | 2022-07-01 | 深圳市旗扬特种装备技术工程有限公司 | 一种雷视融合道路监控系统 |
-
2022
- 2022-08-04 CN CN202210929969.1A patent/CN114998886B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206436A1 (en) * | 2016-01-19 | 2017-07-20 | Delphi Technologies, Inc. | Object Tracking System With Radar/Vision Fusion For Automated Vehicles |
CN113627373A (zh) * | 2021-08-17 | 2021-11-09 | 山东沂蒙交通发展集团有限公司 | 一种基于雷视融合探测的车辆识别方法 |
CN113960590A (zh) * | 2021-10-12 | 2022-01-21 | 浙江六季信息科技有限公司 | 雷视融合系统、终端 |
CN114299417A (zh) * | 2021-12-09 | 2022-04-08 | 连云港杰瑞电子有限公司 | 一种基于雷视融合的多目标跟踪方法 |
CN114202931A (zh) * | 2021-12-10 | 2022-03-18 | 深圳市旗扬特种装备技术工程有限公司 | 一种雷视融合交通事件检测系统的5g空中升级方法 |
WO2022104296A1 (en) * | 2021-12-29 | 2022-05-19 | Innopeak Technology, Inc. | Camera radar fusion for advanced driver assistance system (adas) with radar and mobile phone |
CN114578807A (zh) * | 2022-01-05 | 2022-06-03 | 北京华如科技股份有限公司 | 一种无人靶车雷视融合的主动目标检测与避障方法 |
CN114333347A (zh) * | 2022-01-07 | 2022-04-12 | 深圳市金溢科技股份有限公司 | 车辆信息融合方法、装置、计算机设备及存储介质 |
CN114415173A (zh) * | 2022-01-17 | 2022-04-29 | 同济大学 | 一种高鲁棒性雷视融合的透雾目标识别方法 |
CN216873319U (zh) * | 2022-02-23 | 2022-07-01 | 深圳市旗扬特种装备技术工程有限公司 | 一种雷视融合道路监控系统 |
Non-Patent Citations (1)
Title |
---|
李弋博: "基于雷视融合的交通信息检测技术及其应用", 《上海船舶运输科学研究所学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455957A (zh) * | 2023-12-25 | 2024-01-26 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于深度学习的车辆轨迹定位追踪方法及系统 |
CN117455957B (zh) * | 2023-12-25 | 2024-04-02 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于深度学习的车辆轨迹定位追踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114998886B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379805B (zh) | 一种交通节点的多信息资源融合处理方法 | |
CN102208013B (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
CN110415277B (zh) | 基于光流和卡尔曼滤波的多目标追踪方法、系统、装置 | |
CN109459047B (zh) | 车辆高精度定位数据与导航地图精确匹配及变道行为探测方法 | |
CN110781949B (zh) | 基于异步式串行多传感器的航迹数据融合方法及存储介质 | |
CN113034566B (zh) | 高精度地图构建方法、装置、电子设备及存储介质 | |
CN109872533A (zh) | 一种基于空间数据的车道级实时交通情报处理方法 | |
CN114005280A (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
CN114998886B (zh) | 基于雷视融合的车辆追踪方法以及装置 | |
WO2022083487A1 (zh) | 生成高精度地图的方法、装置和计算机可读存储介质 | |
CN112053559A (zh) | 一种高速公路安全态势评估方法及评估系统 | |
CN114065876B (zh) | 基于路侧多传感器的数据融合方法、装置、系统及介质 | |
CN115344655A (zh) | 地物要素的变化发现方法、装置及存储介质 | |
CN110189537B (zh) | 基于时空特征的停车诱导方法、装置、设备及存储介质 | |
US11828620B2 (en) | Method of predicting road attributes, data processing system and computer executable code | |
US20210089506A1 (en) | Method and device for creating a localization map | |
Karimi et al. | A methodology for predicting performances of map-matching algorithms | |
CN114120631B (zh) | 构建动态高精度地图的方法、装置及交通云控平台 | |
CN113689705B (zh) | 车辆闯红灯检测方法、装置、计算机设备和存储介质 | |
CN114216467A (zh) | 道路定位方法、装置、计算机设备和存储介质 | |
CN113658424B (zh) | 基于稀疏卫星定位数据的车辆频繁变道识别方法及装置 | |
CN115662167B (zh) | 自动驾驶地图构建方法、自动驾驶方法及相关装置 | |
US20230391359A1 (en) | Automated driving assistance apparatus and method for assisting automated driving | |
CN116071930B (zh) | 基于乘客安全的车辆自动预警系统 | |
CN113390422B (zh) | 汽车的定位方法、装置及计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |