CN115238205A - 一种待匹配轨迹筛选方法及装置 - Google Patents
一种待匹配轨迹筛选方法及装置 Download PDFInfo
- Publication number
- CN115238205A CN115238205A CN202210884521.2A CN202210884521A CN115238205A CN 115238205 A CN115238205 A CN 115238205A CN 202210884521 A CN202210884521 A CN 202210884521A CN 115238205 A CN115238205 A CN 115238205A
- Authority
- CN
- China
- Prior art keywords
- track
- picture
- camera
- candidate
- tracks
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种待匹配轨迹筛选方法及装置,从目标区域的轨迹数据中,选取两条轨迹数据,分别为第一相机采集的第一轨迹和第二相机采集的第二轨迹,第一相机和第二相机为目标区域中两台不同的相机;根据第一预设条件和第二预设条件中的至少一种,确定第一轨迹和第二轨迹是否为目标候选轨迹,目标候选轨迹包括两条待匹配的轨迹;其中,第一预设条件包括,根据第一轨迹和第二轨迹各自对应的时间特征和空间特征,确定第一轨迹和第二轨迹是否为相邻轨迹;第二预设条件包括,根据第一相机和第二相机的空间特征,确定第一相机和第二相机是否为相邻相机。本申请实现了对待匹配轨迹的预先筛选,减小了轨迹匹配的工作量。
Description
技术领域
本申请主要涉及计算机视觉领域,特别涉及一种待匹配轨迹筛选方法及装置。
背景技术
随着停车业务需求的日益增加,获取车辆在停车场内的全局轨迹十分关键。例如,下述业务需求都依赖于车辆在停车场内的全局轨迹:提供车辆在停车场地图内的实时轨迹;追踪车辆从进入停车场到停车入库的轨迹;为方向感不好的人提供车辆在停车场内的位置信息。
停车场中往往通过布置相机对车辆的轨迹进行识别。受到相机视野范围的限制,单个相机无法捕捉到车辆在停车场内的所有轨迹,因此需要布置多个相机,根据多个相机之间的关联,追踪车辆的全局轨迹。
采用多个相机对车辆的轨迹进行追踪,需要对多个相机采集到的同一车辆的轨迹信息进行匹配。目前采用的轨迹匹配的方法,大多是通过不同相机对同一目标投射在3D坐标上的坐标相似度,确定轨迹是否属于同一目标,因此需要密集地铺设大量相机。上述方法依赖相机的密集铺设,缺少在相机较少、安装距离稀疏时的解决方案;上述方法缺少对待匹配的轨迹的预先筛选,在待匹配的轨迹较多时,计算量会大大增加。
发明内容
有鉴于此,本申请提供了一种候选轨迹筛选方法及装置,通过预先筛选待匹配的轨迹,缩小轨迹匹配的范围,减小轨迹匹配的工作量,适用于相机稀疏的轨迹匹配方案。
一方面,本申请实施例提供了一种待匹配轨迹筛选方法,所述方法包括:
从目标区域的轨迹数据中,选取两条轨迹数据,所述两条轨迹数据为第一相机采集的第一轨迹和第二相机采集的第二轨迹,所述第一相机和所述第二相机为所述目标区域中两台不同的相机;
根据第一预设条件和第二预设条件中的至少一种,确定所述第一轨迹和所述第二轨迹是否为目标候选轨迹,所述目标候选轨迹包括两条待匹配的轨迹;
所述第一预设条件包括根据所述第一轨迹和所述第二轨迹各自对应的时间特征和空间特征中的至少一种,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹;
所述第二预设条件包括根据所述第一相机和所述第二相机的空间特征,确定所述第一相机和所述第二相机是否为相邻相机。
可选的,所述根据所述第一轨迹和所述第二轨迹各自对应的时间特征和空间特征中的至少一种,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹,包括:
根据所述第一轨迹和所述第二轨迹各自对应的首尾时间戳,确定所述第一轨迹和所述第二轨迹的时间差;
根据所述第一轨迹和所述第二轨迹各自对应的首尾时间戳和空间特征,确定所述第一轨迹和所述第二轨迹的空间差;
根据所述第一轨迹和所述第二轨迹的时间差是否小于预设时间差阈值,和,所述第一轨迹和所述第二轨迹的空间差是否小于预设距离阈值,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹。
可选的,所述根据所述第一相机和所述第二相机的空间特征,确定所述第一相机和所述第二相机是否为相邻相机,包括:
根据所述第一相机和所述第二相机的欧式距离是否小于预设欧式距离,和所述第一相机和所述第二相机之间连线是否在预设车道范围内,确定所述第一相机和所述第二相机是否为相邻相机;
或,
根据所述第一相机和所述第二相机各自的视野覆盖的可行驶区域是否存在重叠,或,所述第一相机和第二相机各自的视野覆盖的可行驶区域之间的距离是否不超过预设距离,确定所述第一相机和所述第二相机是否为相邻相机;
或,
根据所述第一相机和所述第二相机之间是否仅有一条固定的可行驶路线,确定所述第一相机和所述第二相机是否为相邻相机。
可选的,所述方法还包括:
若所述第一轨迹和所述第二轨迹为所述目标候选轨迹,则将所述第一轨迹作为第一候选轨迹,将所述第二轨迹作为第二候选轨迹;
从所述第一候选轨迹对应的图片集中提取多张图片,作为第一图片;从所述第二候选轨迹对应的图片集中提取多张图片,作为第二图片,并将所述第一图片和所述第二图片组成图片组合,每个所述图片组合中至少包括一张所述第一图片和一张所述第二图片;
针对每个所述图片组合,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度,作为所述图片组合对应的图片相似度;
根据所述图片组合各自对应的图片相似度,确定所述第一候选轨迹和第二候选轨迹是否匹配。
可选的,所述确定所述图片组合中的所述第一图片和所述第二图片之间的相似度,包括:
分别提取所述图片组合中所述第一图片和所述第二图片的车辆特征信息;
根据所述图片组合中所述第一图片和所述第二图片的车辆特征信息,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度。
可选的,所述车辆特征信息包括多个维度的车辆特征信息,所述根据所述图片组合中所述第一图片和所述第二图片的车辆特征信息,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度,包括:
对所述图片组合中所述第一图片对应的多个维度的车辆特征信息进行融合,得到第一融合特征;对所述图片组合中所述第二图片对应的多个维度的车辆特征信息进行融合,得到第二融合特征;
对所述第一融合特征和第二融合特征分别进行降维,得到降维后的第一融合特征和降维后的第二融合特征;
计算所述降维后的第一融合特征和所述降维后的第二融合特征的相似度值,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度。
可选的,所述图片组合包括多个,所述根据所述图片组合各自对应的图片相似度,确定所述第一候选轨迹和第二候选轨迹是否匹配,包括:
选取所述图片组合各自对应的图片相似度中最大的N个值;所述N为大于1的整数且所述N小于所述图片组合的数量;
计算所述N个值的平均值,作为平均相似度;
确定所述平均相似度是否大于预设阈值,若是,则所述第一候选轨迹和所述第二候选轨迹匹配。
另一方面,本申请实施例还提供了一种待匹配轨迹筛选装置,所述装置包括:
轨迹采集单元,用于从目标区域的轨迹数据中,选取两条轨迹数据,所述两条轨迹数据为第一相机采集的第一轨迹和第二相机采集的第二轨迹,所述第一相机和所述第二相机为所述目标区域中两台不同的相机;
轨迹筛选单元,用于根据第一预设条件和第二预设条件中的至少一种,确定所述第一轨迹和所述第二轨迹是否为目标候选轨迹,所述目标候选轨迹包括两条待匹配的轨迹;
所述第一预设条件包括根据所述第一轨迹和所述第二轨迹各自对应的时间特征和空间特征,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹;
所述第二预设条件包括根据所述第一相机和所述第二相机的空间特征,确定所述第一相机和所述第二相机是否为相邻相机。
另一方面,本申请实施例还提供了一种设备,所述设备包括:处理器和存储器;
所述存储器,用于存储指令;
所述处理器,用于执行所述存储器中的所述指令,执行以上方面所述的方法。
另一方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码或指令,当其在计算机上运行时,使得所述计算机执行以上方面所述的方法。
由此可见,本申请实施例有如下有益效果:
本申请通过从目标区域的轨迹数据中,选取两条轨迹数据,分别为第一相机采集的第一轨迹和第二相机采集的第二轨迹,第一相机和第二相机为目标区域中两台不同的相机;根据第一预设条件和第二预设条件中的至少一种,确定第一轨迹和第二轨迹是否为目标候选轨迹,目标候选轨迹包括两条待匹配的轨迹;其中,第一预设条件包括,根据第一轨迹和第二轨迹各自对应的时间特征和空间特征,确定第一轨迹和第二轨迹是否为相邻轨迹;第二预设条件包括,根据第一相机和第二相机的空间特征,确定第一相机和第二相机是否为相邻相机。本申请提供的方法,通过根据不同相机采集到的轨迹是否为相邻轨迹或者相机是否为相邻相机,确定轨迹是否为目标候选轨迹,实现了对待匹配轨迹的预先筛选,缩小了待匹配轨迹的合并范围,减小了轨迹匹配的工作量;通过轨迹之间时间、空间特征和相机之间空间特征的筛选,降低了对目标物坐标信息的依赖程度,从而有利于在相机铺设较稀疏时,也能实现对车辆轨迹的匹配。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种待匹配轨迹筛选方法的流程图;
图2为本申请实施例提供的一种轨迹筛选的流程图;
图3为本申请实施例提供的一种确定图片相似度的流程图;
图4为本申请实施例提供的一种轨迹是否匹配的判断流程图;
图5为本申请实施例提供的一种待匹配轨迹筛选装置的示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
目前,为了对多个相机采集到的同一车辆的轨迹信息进行匹配,常用方法是针对拍摄范围存在重叠区域的多个相机,将这多个相机在同一时刻采集到的车辆轨迹信息投射在3D坐标系中,并计算这多个相机采集到的车辆轨迹信息的3D坐标之间的相似度,进而,据此判断这多个相机采集到的车辆轨迹信息是否为同一车辆的轨迹信息。
上述方法需要保证多个相机在同一时刻针对同一车辆采集到的轨迹信息有较高的重合度,即需要保证多个相机的拍摄范围存在较大重叠区域,需要密集地铺设大量相机,缺少在相机铺设较为稀疏时的解决方案;而且,上述方法缺少预先对待匹配的轨迹进行筛选,在待匹配的轨迹数据较多时,轨迹匹配的计算量会大大增加。
为了便于理解,下面结合附图对本申请实施例提供的一种待匹配轨迹筛选方法及装置进行详细的说明。
参考图1,为本申请实施例提供的一种待匹配轨迹筛选方法的流程图,如图所示,该方法可以包括以下步骤:
S101:从目标区域的轨迹数据中,选取两条轨迹数据,所述两条轨迹数据为第一相机采集的第一轨迹和第二相机采集的第二轨迹,所述第一相机和所述第二相机为所述目标区域中两台不同的相机。
本申请实施例中,目标区域可以为停车场或停车场中的某个局部区域,还可以为车辆能够通行的其他场所等。轨迹数据可以是根据相机采集的视频中获取的,根据视频能够处理得到轨迹数据。一种可能的实现方式中,可以将目标区域的轨迹数据限定为在一段时间内的轨迹数据,减小轨迹筛选的工作量。
S102:根据第一预设条件和第二预设条件中的至少一种,确定所述第一轨迹和所述第二轨迹是否为目标候选轨迹,所述目标候选轨迹包括两条待匹配的轨迹。
本申请实施例中,所述第一预设条件包括根据所述第一轨迹和所述第二轨迹各自对应的时间特征和空间特征,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹。
一种可能的实现方式中,所述根据所述第一轨迹和所述第二轨迹各自对应的时间特征和空间特征,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹,包括:
根据所述第一轨迹和所述第二轨迹各自对应的首尾时间戳,确定所述第一轨迹和所述第二轨迹的时间差;
根据所述第一轨迹和所述第二轨迹各自对应的首尾时间戳和空间特征,确定所述第一轨迹和所述第二轨迹的空间差;
根据所述第一轨迹和所述第二轨迹的时间差是否小于预设时间差阈值,和,所述第一轨迹和所述第二轨迹的空间差是否小于预设距离阈值,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹。
本申请实施例中,可以根据第一轨迹和第二轨迹的时间差和空间差,确定第一轨迹和第二轨迹是否为相邻轨迹。具体地,对于时间差,可以根据第一轨迹和第二轨迹的开始时间戳和结尾时间戳,确定时间在前的轨迹数据的结尾时间戳和时间在后的轨迹数据的开始时间戳,从而确定第一轨迹和第二轨迹的时间差;对于空间差,则可以根据时间在前的轨迹数据结尾的空间位置和时间在后的轨迹数据开始的空间位置,确定第一轨迹和第二轨迹的空间差。其中,时间差和空间差都可以取绝对值;具体地,某一时刻相机采集到的轨迹数据的空间位置,可以根据相机在视野范围内对实际坐标的标定进行确定。
本申请实施例中,假设预设时间差阈值为5s,预设空间差阈值为10米,则对于时间差超过5s或空间差超过10米的两条轨迹数据,可以确定两条轨迹数据不是相邻轨迹。需要说明的是,上述预设时间差阈值和预设空间差阈值的值仅为一种示例,应用中可根据实际需要进行具体设置。
本申请实施例中,第二预设条件包括根据所述第一相机和所述第二相机的空间特征,确定所述第一相机和所述第二相机是否为相邻相机。
本申请实施例中,对相机是否为相邻相机可以有多种判断条件。
一种可能的实现方式中,所述根据所述第一相机和所述第二相机的空间特征,确定所述第一相机和所述第二相机是否为相邻相机,包括:
根据所述第一相机和所述第二相机的欧式距离是否小于预设欧式距离,和所述第一相机和所述第二相机之间连线是否在预设车道范围内,确定所述第一相机和所述第二相机是否为相邻相机;
或,
根据所述第一相机和所述第二相机各自的视野覆盖的可行驶区域是否存在重叠,或,所述第一相机和第二相机各自的视野覆盖的可行驶区域之间的距离是否不超过预设距离,确定所述第一相机和所述第二相机是否为相邻相机;
或,
根据所述第一相机和所述第二相机之间是否仅有一条固定的可行驶路线,确定所述第一相机和所述第二相机是否为相邻相机。
上述判断相邻相机的条件,只需要有一条满足,即可判断为相邻相机。需要说明的是,在具体应用中,还可以采用其他方式进行相邻相机的判断,在此不作任何限定。
需要说明的是,上述第一预设条件和第二预设条件之间可以是并列的,并没有固定的时序关系,在此不作任何限定。
在实际应用中,可以仅根据第一轨迹和第二轨迹是否为相邻轨迹,确定第一轨迹和第二轨迹是否为目标候选轨迹;也可以仅根据第一相机和第二相机是否为相邻相机,确定第一轨迹和第二轨迹是否为目标候选轨迹;也可以同时参考多方面的因素确定第一轨迹和第二轨迹是否为目标候选轨迹,例如,根据第一轨迹和第二轨迹是否为相邻轨迹以及第一相机和第二相机是否为相邻相机,共同确定第一轨迹和第二轨迹是否为目标候选轨迹。在此不作任何限定。
在一种可能的实现方式中,若第一轨迹和第二轨迹不是目标候选轨迹,则重新对从目标区域的轨迹数据中,选取两条轨迹数据,并重复上述确定两条轨迹数据是否为目标候选轨迹的步骤。参考图2所示,为本申请实施例提供的一种轨迹筛选的流程图:
S1:选取第一轨迹和第二轨迹;
S2:判断第一轨迹和第二轨迹是否为相邻轨迹;
S3:判断第一相机和第二相机是否为相邻相机;
S4:根据第一轨迹和第二轨迹是否为相邻轨迹或第一相机和第二相机是否为相邻相机,判断第一轨迹和第二轨迹是否为目标候选轨迹;若第一轨迹和第二轨迹不是目标候选轨迹,则返回S1,否则结束流程。
一种可能的实现方式中,所述方法还包括:
若所述第一轨迹和所述第二轨迹为所述目标候选轨迹,则将所述第一轨迹作为第一候选轨迹,将所述第二轨迹作为第二候选轨迹;
从所述第一候选轨迹对应的图片集中提取图片,作为第一图片;从所述第二候选轨迹对应的图片集中提取图片,作为第二图片,并将所述第一图片和所述第二图片组成图片组合,每个所述图片组合中至少包括一张所述第一图片和一张所述第二图片;
针对每个所述图片组合,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度,作为所述图片组合对应的图片相似度;
根据所述图片组合各自对应的图片相似度,确定所述第一候选轨迹和第二候选轨迹是否匹配。
本申请实施例中,可以先从相机中采集视频,再对视频进行处理,得到车辆的轨迹数据。例如,对于单个相机采集到的视频,可以根据帧数将视频分为多张图片进行处理,并根据每帧图片中车辆所处的位置和相机在拍摄视野中对实际坐标的标定等,得到车辆的轨迹数据。具体的,可以对图片进行特征比对和截取处理,得到待生成轨迹对应的图片集,再根据图片集和坐标标定,生成车辆轨迹。其中,单个相机在较长的时间内可能会采集到属于不同车辆的轨迹数据,为了减小后续轨迹匹配的工作量,对于不同相机采集的视频处理得到的第一候选轨迹和第二候选轨迹之间的时间、空间关系,以及不同相机之间的空间关系,也可以根据实际需要进行限定。
本申请实施例中,可以从第一候选轨迹对应的图片集中提取若干帧视频画面,作为第一图片,从第二候选轨迹对应的图片集中提取若干帧视频画面,作为第二图片。此处不限定从第一候选轨迹对应的图片集和第二候选轨迹对应的图片集中提取图片的数量,具体地,从第一候选轨迹对应的图片集中提取的图片均可视为第一图片,从第二候选轨迹对应的图片集中提取的图片均可视为第二图片。
本申请实施例中,可以将第一图片和第二图片组成图片组合,其中每个图片组合至少包括一张第一图片和一张第二图片。
一种可能的实现方式中,为了生成尽可能多的图片组合,提高后续轨迹匹配的准确性,可以遍历两两组合所提取出的各第一图片和各第二图片,组合得到的不同的图片组合中至少存在一帧第一图片或第二图片不同。具体地,例如,第一视频中提取的第一图片有a1、a2、a3,第二视频中提取的第二图片有b1、b2,则可以生成的图片组合有(a1,b1)、(a1,b2)、(a2,b1)、(a2,b2)、(a3,b1)和(a3,b2)。此外,上述图片组合均为无序对。
本申请实施例中,可以通过提取第一图片和第二图片中的特征,进行相似度的比较,得到图片组合对应的图片相似度。
本申请实施例通过从目标区域的轨迹数据中,选取两条轨迹数据,分别为第一相机采集的第一轨迹和第二相机采集的第二轨迹,第一相机和第二相机为目标区域中两台不同的相机;根据第一预设条件和第二预设条件中的至少一种,确定第一轨迹和第二轨迹是否为目标候选轨迹,目标候选轨迹包括两条待匹配的轨迹;其中,第一预设条件包括,根据第一轨迹和第二轨迹各自对应的时间特征和空间特征,确定第一轨迹和第二轨迹是否为相邻轨迹;第二预设条件包括,根据第一相机和第二相机的空间特征,确定第一相机和第二相机是否为相邻相机。本申请提供的方法,通过根据不同相机采集到的轨迹是否为相邻轨迹或者相机是否为相邻相机,确定轨迹是否为目标候选轨迹,实现了对待匹配轨迹的预先筛选,缩小了待匹配轨迹的合并范围,减小了轨迹匹配的工作量;通过轨迹之间时间、空间特征和相机之间空间特征的筛选,降低了对目标物坐标信息的依赖程度,从而有利于在相机铺设较稀疏时,也能实现对车辆轨迹的匹配。
一种可能的实现方式中,所述确定所述图片组合中的所述第一图片和所述第二图片之间的相似度,包括:
分别提取所述图片组合中所述第一图片和所述第二图片的车辆特征信息;
根据所述图片组合中所述第一图片和所述第二图片的车辆特征信息,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度。
本申请实施例中,分别提取图片组合中第一图片和第二图片的车辆特征信息,从而通过车辆特征信息,确定图片相似度,通过这种方式得到的图片相似度能够表征第一图片和第二图片对应的车辆特征信息的匹配程度。
在分别提取车辆特征信息时,可以利用多种特征识别模型。具体地,车辆特征信息可以包括:外观特征、颜色特征、车型特征和车牌特征等。用于提取车辆特征信息的特征识别模型可以包括:ReID(Re-identification,重识别)模型、车色识别模型、车型识别模型和文字OCR(Optical Character Recognition,光学字符识别)车牌检测与识别模型等。根据多种特征识别模型,可以提取出丰富的车辆特征信息,有利于提高计算图片相似度的准确性。
一种可能的实现方式中,所述车辆特征信息包括多个维度的车辆特征信息,所述根据所述图片组合中所述第一图片和所述第二图片的车辆特征信息,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度,包括:
对所述图片组合中所述第一图片对应的多个维度的车辆特征信息进行融合,得到第一融合特征;对所述图片组合中所述第二图片对应的多个维度的车辆特征信息进行融合,得到第二融合特征;
对所述第一融合特征和第二融合特征分别进行降维,得到降维后的第一融合特征和降维后的第二融合特征;
计算所述降维后的第一融合特征和所述降维后的第二融合特征的相似度值,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度。
本申请实施例中,为了避免单个维度的车辆特征信息造成轨迹匹配结果不准确的问题,可以考虑多个维度的车辆特征信息,得到的图片相似度也更能准确地反映候选轨迹的匹配程度。在处理多个维度的车辆特征信息时,例如外观特征、颜色特征、车型特征和车牌特征等,可以对多个维度的车辆特征信息进行融合。为了避免多维度特征的过拟合现象,可以对第一融合特征和第二融合特征分别进行降维。具体地,可以采用全连接神经网络(Fully Connected Neural Network)对融合特征进行降维。
具体地,参考图3,为本申请实施例提供的一种确定图片相似度的流程图。如图所示,图片组合中包括第一图片和第二图片,第一图片和第二图片各自对应多个维度的车辆特征信息,其中有外观特征、颜色特征、车型特征和车牌特征;对第一图片的车辆特征信息进行融合,得到第一融合特征;对第二图片的车辆特征信息进行融合,得到第二融合特征;对第一融合特征和第二融合特征分别降维,并计算降维后的第一融合特征和降维后的第二融合特征的相似度值,从而确定图片组合中第一图片和第二图片之间的相似度,作为图片相似度。
本申请实施例中,根据图片相似度,确定两条候选轨迹是否匹配,即两条候选轨迹是否属于同一车辆,从而能够将由不同相机采集的视频处理得到的同一车辆的轨迹关联起来。
一种可能的实现方式中,所述图片组合包括多个,所述根据所述图片组合各自对应的图片相似度,确定所述第一候选轨迹和第二候选轨迹是否匹配:
选取所述图片组合各自对应的图片相似度中最大的N个值;所述N为大于1的整数且所述N小于所述图片组合的数量;
计算所述N个值的平均值,作为平均相似度;
确定所述平均相似度是否大于预设阈值,若是,则所述第一候选轨迹和所述第二候选轨迹匹配。
本申请实施例中,单个图片组合对应的图片相似度可能受到图片不清晰、车辆特征信息不全等影响,难以准确地反映两个视频中轨迹是否匹配;为了更准确地确定第一候选轨迹和第二候选轨迹是否匹配,可以综合分析多个图片组合中的图片相似度,避免单个图片组合中图片相似度无法反映实际的轨迹匹配情况。具体地,假设第一视频中提取的第一图片为a1、a2、a3、a4、a5,第二视频中提取的第二图片为b1、b2、b3、b4,则图片组合可以包括20个,假设N=3,即选取20个图片组合各自对应的图片相似度中最大的3个值,假设为(a1,b2)(a4,b3)(a5,b1)对应的图片相似度,则平均相似度为上述3个图片相似度的平均值。
参考图4所示,为本申请实施例提供的一种轨迹是否匹配的判断流程图。如图所示,图片相似度中最大的N个值为相似度1、相似度2、……相似度N,计算相似度1、相似度2、……相似度N的平均值,作为平均相似度,并判断平均相似度是否大于预设阈值,若大于,则第一候选轨迹和第二候选轨迹匹配;若不大于,则第一候选轨迹和第二候选轨迹不匹配。
本申请实施例中,若确定第一候选轨迹和第二候选轨迹匹配,即确定第一候选轨迹和第二候选轨迹属于同一车辆,则合并第一候选轨迹和第二候选轨迹。具体地,第一候选轨迹和第二候选轨迹在时间、空间上不一定是首尾相接的,即第一候选轨迹和第二候选轨迹之间可能存在重叠或间断的情况,可以根据具体的时间和空间关系,确定第一候选轨迹和第二候选轨迹的并集在时间和空间上的位置。上述对两条车辆轨迹进行匹配的方法完全可以应用在多条车辆轨迹之间,通过两两匹配,实现对车辆实际轨迹的覆盖。
本申请实施例通过对图片相似度的比较,匹配车辆特征,从而关联同一车辆的不同轨迹,降低了对时间、空间信息的依赖程度,从而无需密集地铺设相机,即能实现车辆轨迹的匹配。上述实施例提供的方法,需要铺设的相机个数少,部署成本和后续的维护成本均较低;即使在相机距离远、存在视角盲区以及车辆运动速度快等极端条件,也能根据对多维度的车辆特征信息的分析,进行车辆轨迹的匹配及合并。
本申请实施例还提供了一种待匹配轨迹筛选装置,参考图5,为本申请实施例提供的一种待匹配轨迹筛选装置200的示意图,如图所示,所述装置200可以包括:
轨迹采集单元201,用于从目标区域的轨迹数据中,选取两条轨迹数据,所述两条轨迹数据为第一相机采集的第一轨迹和第二相机采集的第二轨迹,所述第一相机和所述第二相机为所述目标区域中两台不同的相机;
轨迹筛选单元202,用于根据第一预设条件和第二预设条件中的至少一种,确定所述第一轨迹和所述第二轨迹是否为目标候选轨迹,所述目标候选轨迹包括两条待匹配的轨迹;
所述第一预设条件包括根据所述第一轨迹和所述第二轨迹各自对应的时间特征和空间特征中的至少一种,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹;
所述第二预设条件包括根据所述第一相机和所述第二相机的空间特征,确定所述第一相机和所述第二相机是否为相邻相机。
一种可能的实现方式中,所述第一预设条件是根据相邻轨迹确定单元判断的,所述相邻轨迹确定单元具体用于:
根据所述第一轨迹和所述第二轨迹各自对应的首尾时间戳,确定所述第一轨迹和所述第二轨迹的时间差;
根据所述第一轨迹和所述第二轨迹各自对应的首尾时间戳和空间特征,确定所述第一轨迹和所述第二轨迹的空间差;
根据所述第一轨迹和所述第二轨迹的时间差是否小于预设时间差阈值,和,所述第一轨迹和所述第二轨迹的空间差是否小于预设距离阈值,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹。
一种可能的实现方式中,所述第二预设条件是根据相邻相机确定单元判断的,所述相邻相机确定单元具体用于:
根据所述第一相机和所述第二相机的欧式距离是否小于预设欧式距离,和所述第一相机和所述第二相机之间连线是否在预设车道范围内,确定所述第一相机和所述第二相机是否为相邻相机;
或,
根据所述第一相机和所述第二相机各自的视野覆盖的可行驶区域是否存在重叠,或,所述第一相机和第二相机各自的视野覆盖的可行驶区域之间的距离是否不超过预设距离,确定所述第一相机和所述第二相机是否为相邻相机;
或,
根据所述第一相机和所述第二相机之间是否仅有一条固定的可行驶路线,确定所述第一相机和所述第二相机是否为相邻相机。
一种可能的实现方式中,所述装置还包括轨迹匹配单元,所述轨迹匹配单元用于:
若所述第一轨迹和所述第二轨迹为所述目标候选轨迹,则将所述第一轨迹作为第一候选轨迹,将所述第二轨迹作为第二候选轨迹;
从所述第一候选轨迹对应的图片集中提取多张图片,作为第一图片;从所述第二候选轨迹对应的图片集中提取多张图片,作为第二图片,并将所述第一图片和所述第二图片组成图片组合,每个所述图片组合中至少包括一张所述第一图片和一张所述第二图片;
针对每个所述图片组合,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度,作为所述图片组合对应的图片相似度;
根据所述图片组合各自对应的图片相似度,确定所述第一候选轨迹和第二候选轨迹是否匹配。
一种可能的实现方式中,所述轨迹匹配单元具体用于:
分别提取所述图片组合中所述第一图片和所述第二图片的车辆特征信息;
根据所述图片组合中所述第一图片和所述第二图片的车辆特征信息,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度。
一种可能的实现方式中,所述车辆特征信息包括多个维度的车辆特征信息,所述轨迹匹配单元具体用于:
对所述图片组合中所述第一图片对应的多个维度的车辆特征信息进行融合,得到第一融合特征;对所述图片组合中所述第二图片对应的多个维度的车辆特征信息进行融合,得到第二融合特征;
对所述第一融合特征和第二融合特征分别进行降维,得到降维后的第一融合特征和降维后的第二融合特征;
计算所述降维后的第一融合特征和所述降维后的第二融合特征的相似度值,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度。
一种可能的实现方式中,所述图片组合包括多个,所述轨迹匹配单元具体用于:
选取所述图片组合各自对应的图片相似度中最大的N个值;所述N为大于1的整数且所述N小于所述图片组合的数量;
计算所述N个值的平均值,作为平均相似度;
确定所述平均相似度是否大于预设阈值,若是,则所述第一候选轨迹和所述第二候选轨迹匹配。
基于以上待匹配轨迹筛选方法,本申请实施例还提供了一种设备,该设备可以包括:处理器和存储器;
存储器,用于存储指令;
处理器,用于执行所述存储器中的所述指令,执行上文所述的待匹配轨迹筛选方法。
基于以上待匹配轨迹筛选方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有程序代码或指令,当其在计算机上运行时,使得所述计算机执行上文所述的待匹配轨迹筛选方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种待匹配轨迹筛选方法,其特征在于,所述方法包括:
从目标区域的轨迹数据中,选取两条轨迹数据,所述两条轨迹数据为第一相机采集的第一轨迹和第二相机采集的第二轨迹,所述第一相机和所述第二相机为所述目标区域中两台不同的相机;
根据第一预设条件和第二预设条件中的至少一种,确定所述第一轨迹和所述第二轨迹是否为目标候选轨迹,所述目标候选轨迹包括两条待匹配的轨迹;
所述第一预设条件包括根据所述第一轨迹和所述第二轨迹各自对应的时间特征和空间特征中的至少一种,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹;
所述第二预设条件包括根据所述第一相机和所述第二相机的空间特征,确定所述第一相机和所述第二相机是否为相邻相机。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一轨迹和所述第二轨迹各自对应的时间特征和空间特征中的至少一种,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹,包括:
根据所述第一轨迹和所述第二轨迹各自对应的首尾时间戳,确定所述第一轨迹和所述第二轨迹的时间差;
根据所述第一轨迹和所述第二轨迹各自对应的首尾时间戳和空间特征,确定所述第一轨迹和所述第二轨迹的空间差;
根据所述第一轨迹和所述第二轨迹的时间差是否小于预设时间差阈值,和,所述第一轨迹和所述第二轨迹的空间差是否小于预设距离阈值,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一相机和所述第二相机的空间特征,确定所述第一相机和所述第二相机是否为相邻相机,包括:
根据所述第一相机和所述第二相机的欧式距离是否小于预设欧式距离,和所述第一相机和所述第二相机之间连线是否在预设车道范围内,确定所述第一相机和所述第二相机是否为相邻相机;
或,
根据所述第一相机和所述第二相机各自的视野覆盖的可行驶区域是否存在重叠,或,所述第一相机和第二相机各自的视野覆盖的可行驶区域之间的距离是否不超过预设距离,确定所述第一相机和所述第二相机是否为相邻相机;
或,
根据所述第一相机和所述第二相机之间是否仅有一条固定的可行驶路线,确定所述第一相机和所述第二相机是否为相邻相机。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述第一轨迹和所述第二轨迹为所述目标候选轨迹,则将所述第一轨迹作为第一候选轨迹,将所述第二轨迹作为第二候选轨迹;
从所述第一候选轨迹对应的图片集中提取多张图片,作为第一图片;从所述第二候选轨迹对应的图片集中提取多张图片,作为第二图片,并将所述第一图片和所述第二图片组成图片组合,每个所述图片组合中至少包括一张所述第一图片和一张所述第二图片;
针对每个所述图片组合,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度,作为所述图片组合对应的图片相似度;
根据所述图片组合各自对应的图片相似度,确定所述第一候选轨迹和第二候选轨迹是否匹配。
5.根据权利要求4所述的方法,其特征在于,所述确定所述图片组合中的所述第一图片和所述第二图片之间的相似度,包括:
分别提取所述图片组合中所述第一图片和所述第二图片的车辆特征信息;
根据所述图片组合中所述第一图片和所述第二图片的车辆特征信息,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度。
6.根据权利要求5所述的方法,其特征在于,所述车辆特征信息包括多个维度的车辆特征信息,所述根据所述图片组合中所述第一图片和所述第二图片的车辆特征信息,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度,包括:
对所述图片组合中所述第一图片对应的多个维度的车辆特征信息进行融合,得到第一融合特征;对所述图片组合中所述第二图片对应的多个维度的车辆特征信息进行融合,得到第二融合特征;
对所述第一融合特征和第二融合特征分别进行降维,得到降维后的第一融合特征和降维后的第二融合特征;
计算所述降维后的第一融合特征和所述降维后的第二融合特征的相似度值,确定所述图片组合中的所述第一图片和所述第二图片之间的相似度。
7.根据权利要求4所述的方法,其特征在于,所述图片组合包括多个,所述根据所述图片组合各自对应的图片相似度,确定所述第一候选轨迹和第二候选轨迹是否匹配,包括:
选取所述图片组合各自对应的图片相似度中最大的N个值;所述N为大于1的整数且所述N小于所述图片组合的数量;
计算所述N个值的平均值,作为平均相似度;
确定所述平均相似度是否大于预设阈值,若是,则所述第一候选轨迹和所述第二候选轨迹匹配。
8.一种待匹配轨迹筛选装置,其特征在于,所述装置包括:
轨迹采集单元,用于从目标区域的轨迹数据中,选取两条轨迹数据,所述两条轨迹数据为第一相机采集的第一轨迹和第二相机采集的第二轨迹,所述第一相机和所述第二相机为所述目标区域中两台不同的相机;
轨迹筛选单元,用于根据第一预设条件和第二预设条件中的至少一种,确定所述第一轨迹和所述第二轨迹是否为目标候选轨迹,所述目标候选轨迹包括两条待匹配的轨迹;
所述第一预设条件包括根据所述第一轨迹和所述第二轨迹各自对应的时间特征和空间特征中的至少一种,确定所述第一轨迹和所述第二轨迹是否为相邻轨迹;
所述第二预设条件包括根据所述第一相机和所述第二相机的空间特征,确定所述第一相机和所述第二相机是否为相邻相机。
9.一种设备,其特征在于,所述设备包括:处理器和存储器;
所述存储器,用于存储指令;
所述处理器,用于执行所述存储器中的所述指令,执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有程序代码或指令,当其在计算机上运行时,使得所述计算机执行以上权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210884521.2A CN115238205A (zh) | 2022-07-25 | 2022-07-25 | 一种待匹配轨迹筛选方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210884521.2A CN115238205A (zh) | 2022-07-25 | 2022-07-25 | 一种待匹配轨迹筛选方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238205A true CN115238205A (zh) | 2022-10-25 |
Family
ID=83674908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210884521.2A Pending CN115238205A (zh) | 2022-07-25 | 2022-07-25 | 一种待匹配轨迹筛选方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238205A (zh) |
-
2022
- 2022-07-25 CN CN202210884521.2A patent/CN115238205A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI750498B (zh) | 視訊流的處理方法和裝置 | |
CN106354816B (zh) | 一种视频图像处理方法及装置 | |
US20120166080A1 (en) | Method, system and computer-readable medium for reconstructing moving path of vehicle | |
US9405974B2 (en) | System and method for using apparent size and orientation of an object to improve video-based tracking in regularized environments | |
US9076047B2 (en) | System and method for recognizing parking space line markings for vehicle | |
US11288820B2 (en) | System and method for transforming video data into directional object count | |
CN109446917B (zh) | 一种基于级联霍夫变换的消失点检测方法 | |
JP6650657B2 (ja) | フィンガープリントを使用してビデオ内で移動オブジェクトを追跡するため方法及びシステム | |
Bak et al. | Improving person re-identification by viewpoint cues | |
JP6226368B2 (ja) | 車両監視装置、および車両監視方法 | |
WO2011065399A1 (ja) | 走路認識装置、車両、走路認識方法及び走路認識プログラム | |
CN112990087A (zh) | 一种车道线检测方法、装置、设备及可读存储介质 | |
CN113256731A (zh) | 基于单目视觉的目标检测方法及装置 | |
Zhang et al. | Bidirectional multiple object tracking based on trajectory criteria in satellite videos | |
Kumar et al. | Traffic surveillance and speed limit violation detection system | |
CN114373170A (zh) | 伪3d边界框构建的方法、装置及电子设备 | |
CN111368692B (zh) | 信息融合方法及装置、停车位置定位方法及系统 | |
CN117037085A (zh) | 基于改进YOLOv5的车辆识别及数量统计的监控方法 | |
Sala et al. | Measuring traffic lane‐changing by converting video into space–time still images | |
CN115238205A (zh) | 一种待匹配轨迹筛选方法及装置 | |
CN113450457B (zh) | 道路重建方法、装置、计算机设备和存储介质 | |
Nieto et al. | Fast multi-lane detection and modeling for embedded platforms | |
Muller-Schneiders et al. | Performance evaluation of a real time traffic sign recognition system | |
CN115222973A (zh) | 一种车辆轨迹匹配方法及装置 | |
CN114663793A (zh) | 目标行为识别方法及装置、存储介质、终端 |
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 |