CN115641359A - 确定对象的运动轨迹的方法、装置、电子设备和介质 - Google Patents
确定对象的运动轨迹的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN115641359A CN115641359A CN202211276261.7A CN202211276261A CN115641359A CN 115641359 A CN115641359 A CN 115641359A CN 202211276261 A CN202211276261 A CN 202211276261A CN 115641359 A CN115641359 A CN 115641359A
- Authority
- CN
- China
- Prior art keywords
- sequence
- feature
- attribute
- abnormal
- determining
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000004044 response Effects 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 87
- 238000007781 pre-processing Methods 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 2
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种确定对象的运动轨迹的方法,涉及人工智能领域,尤其涉及图像处理、计算机视觉和深度学习等领域,可应用于自动驾驶、智能交通、智慧城市等场景。具体实现方案为:从来自第一路侧感知设备的第一图像序列中确定第一对象的第一初始特征序列,并从来自第二路侧感知设备的第二图像序列中确定第二对象的第二初始特征序列;根据第一对象的属性将第一初始特征序列处理为第一特征组序列,并根据第二对象的属性将第二初始特征序列处理为第二特征组序列;响应于第一特征组序列和第二特征组序列之间的距离符合目标条件,将第一对象和第二对象确定为同一目标对象;以及确定目标对象从第一路侧感知设备到第二路侧感知设备的运动轨迹。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及图像处理、计算机视觉和深度学习等技术,可应用于自动驾驶、智能交通、智慧城市等场景。更具体地,本公开提供了一种确定对象的运动轨迹的方法、装置、电子设备和存储介质。
背景技术
智能交通是智慧城市的重要组成部分。智能交通是指通过路侧感知设备来获取道路中的多种信息,例如车流量、车辆的运动轨迹等,来实现车辆与道路的协同管理。
发明内容
本公开提供了一种确定对象的运动轨迹的方法、装置、设备以及存储介质。
根据第一方面,提供了一种确定对象的运动轨迹的方法,该方法包括:从来自第一路侧感知设备的第一图像序列中确定第一对象的第一初始特征序列,并从来自第二路侧感知设备的第二图像序列中确定第二对象的第二初始特征序列;根据第一对象的属性将第一初始特征序列处理为第一特征组序列,并根据第二对象的属性将第二初始特征序列处理为第二特征组序列;响应于第一特征组序列和第二特征组序列之间的距离符合目标条件,将第一对象和第二对象确定为同一目标对象;以及确定目标对象从第一路侧感知设备到第二路侧感知设备的运动轨迹。
根据第二方面,提供了一种确定对象的运动轨迹的装置,该装置包括:第一确定模块,用于从来自第一路侧感知设备的第一图像序列中确定第一对象的第一初始特征序列,并从来自第二路侧感知设备的第二图像序列中确定第二对象的第二初始特征序列;处理模块,用于根据第一对象的属性将第一初始特征序列处理为第一特征组序列,并根据第二对象的属性将第二初始特征序列处理为第二特征组序列;第二确定模块,用于响应于第一特征组序列和第二特征组序列之间的距离符合目标条件,将第一对象和第二对象确定为同一目标对象;以及第三确定模块,用于确定目标对象从第一路侧感知设备到第二路侧感知设备的运动轨迹。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行根据本公开提供的方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的一个实施例的可以应用确定对象的运动轨迹的方法和装置的示例性场景图;
图2是根据本公开的一个实施例的确定对象的运动轨迹的方法的流程图;
图3是根据本公开的一个实施例的将第一初始特征序列处理为第一特征组序列方法的示意图;
图4是根据本公开的另一个实施例的确定对象的运动轨迹的方法的流程图;
图5是根据本公开的一个实施例的确定对象的运动轨迹的装置的框图;
图6是根据本公开的一个实施例的确定对象的运动轨迹的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
路侧感知设备例如包括设置于道路两侧的雷达、摄像头、交通信号灯、环境传感器等。要获取车流量、车辆的运动轨迹等信息,需要进行多目标的长距离跟踪。
一种跨摄像头的多目标跟踪方法,可以针对每个摄像头,从该摄像头采集的视频(图像序列)中提取出多个目标各自的特征序列。针对符合约束条件的两个摄像头(例如相邻的摄像头A和摄像头B),对来自该两个摄像头的特征序列进行匹配,以便确定经过摄像头A的车辆和经过摄像头B车辆是否是同一车辆,从而得到同一车辆从摄像头A到摄像头B的运动轨迹。
针对来自摄像头A的车辆a的特征序列和来自摄像头B的车辆b的特征序列进行匹配,可以有多种实现方式。
一种特征序列的匹配方法,可以对车辆a的特征序列中的特征求平均,得到的平均特征作为车辆a的特征。对应地,可以对车辆b的特征序列中的特征求平均,得到的平均特征作为车辆b的特征。可以计算车辆a的特征和车辆b的特征之间的相似度,根据相似度确定车辆a和车辆b是否是同一车辆。然而,在摄像头对车辆采集的视频中,各帧图像中的样本(车辆)之间存在差异性,可能会出现异常样本,直接对特征序列求平均值,会由于异常样本的影响,导致匹配错误。
一种特征序列的匹配方法,可以对车辆a的特征序列按照时间顺序加权平均,得到车辆a的特征。例如,特征序列中各个特征的时间与车辆a到达摄像头A的时间之间的间距越小,该特征的权重越大。对应地,可以对车辆b的特征序列按照时间顺序加权平均,得到车辆b的特征。类似地,可以计算车辆a的特征和车辆b的特征之间的相似度,根据相似度确定车辆a和车辆b是否是同一车辆。该方法考虑了特征序列中不同特征的时间差异性,但是依然没有考虑到异常样本存在时导致的误匹配。
一种特征序列的匹配方法,可以对车辆a的特征序列中的所有特征和车辆b的特征序列中的所有特征两两计算相似度,得到多个相似度值,选择Topk个(最高的k个,例如k=5)相似度值求平均,得到的平均值作为车辆a的特征序列与车辆b的特征序列之间的距离,根据距离确定车辆a和车辆b是否是同一车辆。该方法在Topk个相似度值的计算过程中,也没有考虑到异常样本带来的影响,因此,也存在误匹配的问题。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
图1是根据本公开一个实施例的可以应用确定对象的运动轨迹的方法和装置的示例性场景图。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的场景100可以包括道路段AB、道路段BC以及道路段BD,各道路段的交叉口可以是路口101,各道路段上均可以行驶有多个车辆102。例如,方向103是路段AB的可行驶方向,车辆102沿着方向103从路段AB经过路口101直行可以到达路段BC,经过路口101左转可以到达路段BD。
在各路段以及路口101可以设置有路侧感知设备。例如,路口101设置有摄像头110,路段BD设置有摄像头120。
摄像头110可以针对经过路口101的车辆102进行视频拍摄,得到图像序列(可以称为来自摄像头110的图像序列)。来自摄像头110的图像序列可以包含至少一个车辆102,对来自摄像头110的图像序列进行目标检测和特征提取,可以得到至少一个车辆102各自的特征序列(可以称为来自摄像头110的特征序列)。
摄像头120对经过自身的车辆102也可以进行视频拍摄,得到图像序列(可以称为来自摄像头120的图像序列)。来自摄像头120的图像序列也可以包含至少一个车辆102,对来自摄像头120的图像序列进行目标检测和特征提取,可以得到至少一个车辆102各自的特征序列(可以称为来自摄像头120的特征序列)。
可以理解,对来自摄像头110的特征序列和来自摄像头120的特征序列进行匹配,匹配成功的两个特征序列各自表示的车辆102可以确定为是同一车辆102,因此,可以确定该同一车辆102的运动轨迹是沿着方向103从路段AB经过路口101左转进入路段BD,并在路段BD直行经过摄像头120。
图2是根据本公开的一个实施例的确定对象的运动轨迹的方法的流程图。
如图2所示,该确定对象的运动轨迹的方法200可以包括操作S210~操作S240。
在操作S210,从来自第一路侧感知设备的第一图像序列中确定第一对象的第一初始特征序列,并从来自第二路侧感知设备的第二图像序列中确定第二对象的第二初始特征序列。
例如,第一路侧感知设备和第二路侧感知设备均为摄像头。第一路侧感知设备对经过自身的第一对象进行拍摄,得到第一图像序列,对第一图像序列进行目标检测和特征提取,得到第一图像序列中的第一对象的初始特征序列。第一图像序列中可以包括一个或多个第一对象,第一对象例如是车辆。
类似地,第二路侧感知设备对经过自身的第二对象进行拍摄,得到第二图像序列,对第二图像序列进行目标检测和特征提取,得到第二图像序列中的第二对象的初始特征序列。第二图像序列中可以包括一个或多个第二对象,第二对象例如是车辆。
在操作S220,根据第一对象的属性将第一初始特征序列处理为第一特征组序列,并根据第二对象的属性将第二初始特征序列处理为第二特征组序列。
例如,第一对象的属性可以包括车型、颜色等基本属性,还可以包括行驶方向属性。针对第一图像序列中的每个第一对象,根据该第一对象的车型和属性,可以从该第一对象的初始特征序列中去除与基本属性不一致的异常属性特征。例如第一对象的颜色是红色,但是在第一对象的初始特征序列中包含了白色、黑色等异常属性特征,可以将该异常属性特征从第一初始特征序列中过滤掉。
对于经过滤的特征序列,根据第一对象的行驶方向,可以确定第一图像序列中包含的该第一对象的外表面信息,例如,第一对象在路口左转,在第一对象离开路口的时候,第一路侧感知设备可以采集到第一对象的左侧面、上表面和后表面。将经过滤的第一初始特征序列中的特征按照不同的外表面进行分组,例如属于同一外表面的特征划分为一组,可以得到第一特征组序列。
类似地,第二对象的属性可以包括车型、颜色等基本属性,还可以包括行驶方向属性。针对第二图像序列中的每个第二对象,根据该第二对象的车型和属性,可以从该第二对象的初始特征序列中去除与基本属性不一致的异常属性特征。例如第二对象的车型是机动车,但是在第二对象的初始特征序列中包含了自行车的属性特征,可以将该异常属性特征从第二初始特征序列中过滤掉。
对于经过滤的特征序列,根据第二对象的行驶方向,可以确定第二图像序列中包含的该第二对象的外表面信息,例如,第二对象在路口直行,在第二对象离开路口的时候,第二路侧感知设备可以采集到第二对象的上表面和后表面。将经过滤的第二初始特征序列中的特征按照不同的外表面进行分组,例如属于同一外表面的特征划分为一组,可以得到第二特征组序列。
本实施例通过对对象的初始特征序列进行过滤和分组,可以使得对象的特征更加准确和精细。
在操作S230,响应于第一特征组序列和第二特征组序列之间的距离符合目标条件,将第一对象和第二对象确定为同一目标对象。
例如,第一特征组序列可以包含M(M为大于等于1的整数,例如M=3)个第一特征组,该M个第一特征组与第一对象的M个外表面(例如左侧面、上表面和后表面)各自对应。
例如,第二特征组序列可以包含N(N为大于等于1的整数,例如N=2)个第二特征组,该N个第二特征组与第二对象的N个外表面(例如上表面和后表面)各自对应。
例如,可以从M个第一特征组和N个第二特征组中确定属于同一外表面的第一特征组和第二特征组,针对属于同一外表面的第一特征组和第二特征组进行相似度计算,得到至少一个相似度值。该至少一个相似度值与至少一个外表面各自对应。
例如,M个第一特征组和N个第二特征组中,包含属于上表面的第一特征组和第二特征组,可以针对属于上表面的第一特征组和属于上表面的第二特征组进行相似度计算,得到针对上表面的相似度值。
例如,M个第一特征组和N个第二特征组中,还包含属于后表面的第一特征组和第二特征组,可以针对属于后表面的第一特征组和属于后表面的第二特征组进行相似度计算,得到针对后表面的相似度值。
例如,可以计算至少一个相似度值的平均值,作为第一特征组序列和第二特征组序列之间的距离。也可以对该至少一个相似度值进行加权平均,得到的加权平均值作为第一特征组序列和第二特征组序列之间的距离。在该距离符合目标条件(例如小于0.2)时,可以确定第一对象和第二对象为同一车辆。在该距离不符合上述目标条件时,可以确定第一对象和第二对象不是同一目标对象。
因此,通过上述操作S210~操作S230,可以确定第一图像序列中的至少一个第一对象与第二图像序列中的至少一个第二对象之间的对应关系。
在操作S240,确定目标对象从第一路侧感知设备到第二路侧感知设备的运动轨迹。
例如,在确定第一图像序列和第二图像序列中属于同一车辆的目标对象之后,可以确定该目标对象从第一路侧感知设备到第二路侧感知设备的运动轨迹。
例如,该目标对象的运动轨迹为经过第一路侧感知设备的路口后左转,左转后直行经过第二路侧感知设备。
可以理解,本实施例可以确定目标对象在任意两个路侧感知设备之间的运动轨迹,因此,可以确定目标对象在较长距离内的运动轨迹,并可以绘制运动轨迹图。另外,在获得了多个目标对象的运动轨迹之后,可以确定某一路段的车流量信息,以便进行车辆疏导、指挥等,实现智能交通。
本公开的实施例通过根据属性将对象的初始特征序列处理为特征组序列,使对象的特征实现精细化划分,从而提高特征序列的匹配准确性,进而提高车辆运动轨迹的准确性。
根据本公开的实施例,上述操作S220可以包括:针对第一对象,根据第一对象的基本属性和被遮挡信息,从第一初始特征序列中去除异常特征,得到第一预处理特征序列;根据第一对象的运动方向,将第一预处理特征序列处理为第一特征组序列。针对第二对象,根据第二对象的基本属性和被遮挡信息,从第二初始特征序列中去除异常特征,得到第二预处理特征序列;根据第二对象的运动方向,将第二预处理特征序列处理为第二特征组序列。
图3是根据本公开的一个实施例的将第一初始特征序列处理为第一特征组序列方法的示意图。
如图3所示,初始特征序列301可以是对来自第一路侧感知设备的第一图像序列进行目标检测和特征提取得到的第一对象的第一初始特征序列。初始特征序列301可以包括特征1~特征10。
第一对象的属性可以包括基本属性(车型、颜色等)和被遮挡信息。根据基本属性可以从初始特征序列301中去除与基本属性不一致的特征,得到第一中间特征序列302。
例如,针对车型属性,统计特征1~特征10中车型属性的分布,根据占比最大的车型属性特征确定第一对象的车型属性。例如,特征1~特征10中均包含机动车属性特征,在特征4中出现了部分特征为自行车特征,但是总体来说,机动车车型属性特征的占比最大。因此,可以确定第一对象的车型为机动车,特征4中出现的自行车属性特征为误检测,可以作为异常属性特征。可以将特征4中的表示自行车的属性特征从初始特征序列301中过滤掉。
类似地,针对颜色属性,统计特征1~特征10中颜色属性的分布,根据占比最大的颜色属性特征确定第一对象的颜色属性。例如,特征1~特征10中均包含红色属性特征,在特征9中出现了部分特征为白色特征,但是总体来说,红色属性特征的占比最大。因此,可以确定第一对象的颜色为红色,特征9中出现的白色属性特征为误检测,可以作为异常属性特征。
例如,可以从初始特征序列301过滤掉特征4中的异常属性特征和特征9中的异常属性特征,得到中间特征序列302。
第一对象的遮挡信息可以包括被遮挡比例,例如针对第一图像序列中的每个第一图像,可以计算该第一图像中各个第一对象彼此间的遮挡关系,得到当前第一对象的被遮挡比例。如果在当前第一图像中,第一对象的被遮挡比例大于第一阈值(例如50%),可以确定当前第一图像中的第一对象的特征包含了太多的遮挡物的特征,因此,当前第一图像中的第一对象的特征质量较差,可以作为异常遮挡特征,当前第一图像可以作为异常图像。
例如,中间特征序列302中的特征2和特征7是异常遮挡特征,可以将特征2和特征7从中间特征序列302中去除,得到第一预处理特征序列303。
第一对象的行驶方向可以包括直行、左转、右转等,针对不同的行驶方向,第一图像序列可以包含第一对象的不同外表面。例如,针对左转的车辆,第一图像序列可以包括车辆左侧面、车辆上表面和车辆后表面。可以以不同外表面为划分标准,将第一预处理特征序列303中的特征划分多个第一特征组。
例如,第一预处理特征序列303中属于左侧面的特征(特征1、特征4、特征5)划分为一组,属于上表面的特征(特征6、特征8)划分为一组,以及属于后表面的特征(特征3、特征9和特征10)划分为一组。多个第一特征组组成第一特征组序列304。
可以理解,将第二初始特征序列处理为第二特征组序列的方法是类似的,本实施例不再赘述。
本实施例将异常属性特征和异常遮挡特征从初始特征序列中去除,能够提高对象的特征的质量和准确性。并且根据方向对特征序列中的特征进行精细化分组,能够提高后续特征序列的匹配准确性。
图4是根据本公开的另一个实施例的确定对象的运动轨迹的方法的流程图。
如图4所示,本实施例包括操作S411~S415、操作S421~S425、操作S431~S433。操作S411~S415是针对来自第一路侧感知设备的第一图像序列进行处理,得到第一对象的第一特征组序列的步骤。操作S421~S425是针对来自第二路侧感知设备的第二图像序列进行处理,得到第二对象的第二特征组序列的步骤。操作S411~S415和操作S421~S425可以是并行执行的。操作S431~S433是对第一对象和第二对象进行匹配的步骤。
在操作S411,对来自第一路侧感知设备的第一图像序列进行目标检测,得到第一对象在第一图像序列中的第一包围框序列。
例如,可以使用目标检测模型对第一图像序列中的各个第一图像进行目标检测,针对每个第一图像,目标检测模型可以输出第一对象的第一包围框和各自的ID(标识)。同一个第一图像中可以包含多个第一包围框,多个包围框可以分别对应该第一图像中的多个第一对象。相邻图像中同一ID的包围框可以认为是同一第一对象的包围框。第一图像序列中同一ID的包围框可以组成该ID所表示的第一对象的第一包围框序列。
例如,目标检测模型可以包括单阶段检测模型(例如YOLO系列、基于Anchor Free的检测模型、CenterNet、FCOS、TTFNet等)、两阶段检测模型(例如Faster RCNN、CascadeRCNN等)以及基于Transformer的检测模型(例如DETR系列、Swin Transformer系列、VITDet等)。
在操作S412,对第一包围框序列中的图像进行特征提取,得到第一初始特征序列。
例如,可以使用特征提取模型对第一包围框序列中的图像进行特征提取,得到第一对象的初始特征序列。
例如,特征提取模型可以包括Resnet系列,Resnext系列,ViT等,采用CrossEntropy Loss(交叉熵损失)、Triplet Loss(三元损失函数)、N-pair Loss等训练出来的深度学习模型。
基于操作S411的目标检测结果和操作S412的特征提取结果,可以得到第一对象的初始特征序列。例如第一图像序列中的同一ID的包围框的特征组成该ID所表示的第一对象的初始特征序列。
例如,基于目标检测和特征提取确定第一对象的特征序列的过程可以称为目标跟踪。可以基于多目标跟踪框架(例如Deep Sort、FairMot等),联合端到端的目标检测模型和特征提取模型,来实现目标跟踪和/或多目标跟踪。
在操作S413,根据第一对象的基本属性,从第一初始特征序列中去除第一异常属性特征,得到第一中间特征序列。
在操作S414,根据第一对象的被遮挡信息,从第一中间特征序列中去除第一异常遮挡特征,得到第一预处理特征序列。
在操作S415,根据第一对象的运动方向,将第一预处理特征序列处理为第一特征组序列。
操作S413~操作S415可以参考如上文的将第一初始特征序列处理为第一特征组序列方法的具体实施例,本实施例不再赘述。
在操作S421,对来自第二路侧感知设备的第二图像序列进行目标检测,得到第二对象在第二图像序列中的第二包围框序列。
在操作S422,对第二包围框序列中的图像进行特征提取,得到第二初始特征序列。
在操作S423,根据第二对象的基本属性,从第二初始特征序列中去除第二异常属性特征,得到第二中间特征序列。
在操作S424,根据第二对象的被遮挡信息,从第二中间特征序列中去除第二异常遮挡特征,得到第二预处理特征序列。
在操作S425,根据第二对象的运动方向,将第二预处理特征序列处理为第二特征组序列。
操作S421~操作S425的具体实现方式可以参考操作S411~操作S415,本实施例不再赘述。
在操作S431,计算第一特征组序列和第二特征组序列之间的距离。
例如,可以从第一特征组序列和第二特征组序列中确定属于同一外表面的第一特征组和第二特征组,针对属于同一外表面的第一特征组和第二特征组进行相似度计算,得到至少一个相似度值。该至少一个相似度值与至少一个外表面各自对应。可以对该至少一个相似度值进行加权平均,得到的加权平均值作为第一特征组序列和第二特征组序列之间的距离。
在操作S432,判断距离是否符合目标条件。如果是,则执行操作S433。否则流程结束。
例如,在距离符合目标条件(例如小于0.2)时,可以确定第一对象和第二对象为同一车辆。在距离不符合上述目标条件时,可以确定第一对象和第二对象不是同一目标对象。
在操作S433,确定第一对象和第二对象为同一目标对象,并确定目标对象的运动轨迹。
在确定第一对象和第二对象为同一车辆的情况下,可以确定该同一车辆从第一路侧感知设备到第二路侧感知设备的运动轨迹。例如,该车辆的运动轨迹为经过第一路侧感知设备的路口后左转,左转后直行经过第二路侧感知设备。
根据本公开的实施例,用于进行匹配的第一对象和第二对象符合约束条件,对应地,第一路侧感知设备和第二路侧感知设备也符合上述约束条件。例如约束条件可以包括路侧感知设备的拓扑关系(包括从第一路侧感知设备到第二路侧感知设备的运动方向、时间间距范围)、车辆经过各个路侧感知设备的先后顺序。
例如,上述约束条件可用于对要进行匹配的第一对象和第二对象的选取进行约束。例如,第一对象在第一路侧感知设备的路口左转之后会到达第二路侧感知设备。那么针对第一对象,如果该第一对象在第一时刻(例如X日10点30分)离开第一路侧感知设备,那么应从来自第二路侧感知设备的生产时间在X日10点30分之后的,且间隔一定时间间距范围(例如5分钟到1小时)的第二对象的特征序列,来与第一对象的特征序列做匹配。
例如,上述约束条件还可用于对匹配后的对象进行验证。例如,对于匹配成功的第一对象和第二对象,如果第一对象到达第一路侧感知设备的时间晚于第二对象达到第二路侧感知设备的时间,而第一对象应先经过第一路侧感知设备再经过第二路侧感知设备,那么说明第一对象和第二对匹配错误。
本实施例提供的约束条件可以提高对象的匹配效率以及验证对象匹配的正确性。
图5是根据本公开的一个实施例的确定对象的运动轨迹的装置的框图。
如图5所示,该确定对象的运动轨迹的装置500包括第一确定模块501、处理模块502、第二确定模块503和第三确定模块504。
第一确定模块501用于从来自第一路侧感知设备的第一图像序列中确定第一对象的第一初始特征序列,并从来自第二路侧感知设备的第二图像序列中确定第二对象的第二初始特征序列。
处理模块502用于根据第一对象的属性将第一初始特征序列处理为第一特征组序列,并根据第二对象的属性将第二初始特征序列处理为第二特征组序列。
第二确定模块503用于响应于第一特征组序列和第二特征组序列之间的距离符合目标条件,将第一对象和第二对象确定为同一目标对象。
第三确定模块504用于确定目标对象从第一路侧感知设备到第二路侧感知设备的运动轨迹。
根据本公开的实施例,属性包括基本属性、被遮挡信息和运动方向;处理模块502包括过滤单元和分组单元。
过滤单元用于根据第一对象的基本属性和被遮挡信息,从第一初始特征序列中去除异常特征,得到第一预处理特征序列;以及根据第二对象的基本属性和被遮挡信息,从第二初始特征序列中去除异常特征,得到第二预处理特征序列。
分组单元用于根据第一对象的运动方向,将第一预处理特征序列处理为第一特征组序列;以及根据第二对象的运动方向,将第二预处理特征序列处理为第二特征组序列。
根据本公开的实施例,过滤单元包括第一过滤子单元和第二过滤子单元。
第一过滤子单元用于根据第一对象的基本属性,从第一初始特征序列中去除第一异常属性特征,得到第一中间特征序列。
第二过滤子单元用于根据第一对象的被遮挡信息,从第一中间特征序列中去除第一异常遮挡特征,得到第一预处理特征序列。
第一过滤子单元还用于根据第二对象的基本属性,从第二初始特征序列中去除第二异常属性特征,得到第二中间特征序列。
第二过滤子单元,还用于根据第二对象的被遮挡信息,从第二中间特征序列中去除第二异常遮挡特征,得到第二预处理特征序列。
根据本公开的实施例,基本属性包括多个类别。
第一过滤子单元具体用于确定第一初始特征序列中多个类别的第一属性特征;根据多个类别的第一属性特征各自的占比,从多个类别的第一属性特征中确定第一异常类别的属性特征作为第一异常属性特征;以及从第一初始特征序列中去除第一异常属性特征,得到第一中间特征序列。
第一过滤子单元具体还用于确定第二初始特征序列中多个类别的第二属性特征;根据多个类别的第二属性特征各自的占比,从多个类别的第二属性特征中确定第二异常类别的属性特征作为第二异常属性特征;以及从第二初始特征序列中去除第二异常属性特征,得到第二中间特征序列。
第二过滤子单元具体用于计算第一对象在第一图像序列中各个第一图像中的第一被遮挡比例;从第一图像序列中确定第一被遮挡比例大于第一阈值的第一图像作为第一异常图像;将第一异常图像中第一对象的特征确定为第一异常遮挡特征;以及从第一中间特征序列中去除第一异常遮挡特征,得到第一预处理特征序列。
第二过滤子单元具体还用于计算第二对象在第二图像序列中各个第二图像中的第二被遮挡比例;从第二图像序列中确定第二被遮挡比例大于第二阈值的第二图像作为第二异常图像;将第二异常图像中第二对象的特征确定为第二异常遮挡特征;以及从第二中间特征序列中去除第二异常遮挡特征,得到第二预处理特征序列。
根据本公开的实施例,第一特征组序列包括M个第一特征组,M个第一特征组与第一对象的M个外表面各自对应;第二特征组序列包括N个第二特征组,N个第二特征组与第二对象的N个外表面各自对应;M和N均为大于等于1的整数。
分组单元用于根据第一对象的运动方向,确定第一图像序列中包含的第一对象的M个外表面的信息;以及以M个外表面中的各个外表面为划分标准,将第一预处理特征序列划分为M个第一特征组,得到第一特征组序列。
分组单元还用于根据第二对象的运动方向,确定第二图像序列中包含的第二对象的N个外表面的信息;以及以N个外表面中的各个外表面为划分标准,将第二预处理特征序列划分为N个第二特征组,得到第二特征组序列。
根据本公开的实施例,确定对象的运动轨迹的装置500还包括计算模块和第四确定模块。
计算模块用于针对属于相同外表面的第一特征组和第二特征组进行相似度计算,得到至少一个相似度值。
第四确定模块用于根据至少一个相似度值,确定第一特征组序列和第二特征组序列之间的距离。
根据本公开的实施例,目标条件包括距离小于第三阈值。
根据本公开的实施例,第一确定模块包括检测单元和提取单元。
检测单元用于确定第一对象在第一图像序列中的第一包围框序列。
提取单元用于对第一包围框序列中的图像进行特征提取,得到第一初始特征序列。
检测单元还用于确定第二对象在第二图像序列中的第二包围框序列。
提取单元还用于对第二包围框序列中的图像进行特征提取,得到第二初始特征序列。
根据本公开的实施例,第一路侧感知设备和第二路侧感知设备符合约束条件,约束条件包括:从第一路侧感知设备到第二路侧感知设备的运动方向、时间先后顺序以及时间间距范围。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如确定对象的运动轨迹的方法。例如,在一些实施例中,确定对象的运动轨迹的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的确定对象的运动轨迹的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行确定对象的运动轨迹的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种确定对象的运动轨迹的方法,包括:
从来自第一路侧感知设备的第一图像序列中确定第一对象的第一初始特征序列,并从来自第二路侧感知设备的第二图像序列中确定第二对象的第二初始特征序列;
根据所述第一对象的属性将所述第一初始特征序列处理为第一特征组序列,并根据所述第二对象的属性将所述第二初始特征序列处理为第二特征组序列;
响应于所述第一特征组序列和所述第二特征组序列之间的距离符合目标条件,将所述第一对象和所述第二对象确定为同一目标对象;以及
确定所述目标对象从所述第一路侧感知设备到所述第二路侧感知设备的运动轨迹。
2.根据权利要求1所述的方法,其中,所述属性包括基本属性、被遮挡信息和运动方向;所述根据所述第一对象的属性将所述第一初始特征序列处理为第一特征组序列,并根据所述第二对象的属性将所述第二初始特征序列处理为第二特征组序列包括:
根据所述第一对象的基本属性和被遮挡信息,从所述第一初始特征序列中去除异常特征,得到第一预处理特征序列;
根据所述第二对象的基本属性和被遮挡信息,从所述第二初始特征序列中去除异常特征,得到第二预处理特征序列;
根据所述第一对象的运动方向,将所述第一预处理特征序列处理为所述第一特征组序列;以及
根据所述第二对象的运动方向,将所述第二预处理特征序列处理为所述第二特征组序列。
3.根据权利要求2所述的方法,其中,
所述根据所述第一对象的基本属性和被遮挡信息,从所述第一初始特征序列中去除异常特征,得到第一预处理特征序列包括:
根据所述第一对象的基本属性,从所述第一初始特征序列中去除第一异常属性特征,得到第一中间特征序列;以及
根据所述第一对象的被遮挡信息,从所述第一中间特征序列中去除第一异常遮挡特征,得到所述第一预处理特征序列;
所述根据所述第二对象的基本属性和被遮挡信息,从所述第二初始特征序列中去除异常特征,得到第二预处理特征序列包括:
根据所述第二对象的基本属性,从所述第二初始特征序列中去除第二异常属性特征,得到第二中间特征序列;以及
根据所述第二对象的被遮挡信息,从所述第二中间特征序列中去除第二异常遮挡特征,得到所述第二预处理特征序列。
4.根据权利要求3所述的方法,其中,所述基本属性包括多个类别;
所述根据所述第一对象的基本属性,从所述第一初始特征序列中去除第一异常属性特征,得到第一中间特征序列包括:
确定所述第一初始特征序列中所述多个类别的第一属性特征;
根据所述多个类别的第一属性特征各自的占比,从所述多个类别的第一属性特征中确定第一异常类别的属性特征作为所述第一异常属性特征;以及
从所述第一初始特征序列中去除所述第一异常属性特征,得到所述第一中间特征序列;
所述根据所述第二对象的基本属性,从所述第二初始特征序列中去除第二异常属性特征,得到第二中间特征序列包括:
确定所述第二初始特征序列中所述多个类别的第二属性特征;
根据所述多个类别的第二属性特征各自的占比,从所述多个类别的第二属性特征中确定第二异常类别的属性特征作为所述第二异常属性特征;以及
从所述第二初始特征序列中去除所述第二异常属性特征,得到所述第二中间特征序列。
5.根据权利要求3或4所述的方法,其中,
所述根据所述第一对象的被遮挡信息,从所述第一中间特征序列中去除第一异常遮挡特征,得到所述第一预处理特征序列包括:
计算所述第一对象在所述第一图像序列中各个第一图像中的第一被遮挡比例;
从所述第一图像序列中确定所述第一被遮挡比例大于第一阈值的第一图像作为第一异常图像;
将所述第一异常图像中所述第一对象的特征确定为第一异常遮挡特征;以及
从所述第一中间特征序列中去除所述第一异常遮挡特征,得到所述第一预处理特征序列;
所述根据所述第二对象的被遮挡信息,从所述第二中间特征序列中去除第二异常遮挡特征,得到所述第二预处理特征序列包括:
计算所述第二对象在所述第二图像序列中各个第二图像中的第二被遮挡比例;
从所述第二图像序列中确定所述第二被遮挡比例大于第二阈值的第二图像作为第二异常图像;
将所述第二异常图像中所述第二对象的特征确定为第二异常遮挡特征;以及
从所述第二中间特征序列中去除所述第二异常遮挡特征,得到所述第二预处理特征序列。
6.根据权利要求2所述的方法,其中,所述第一特征组序列包括M个第一特征组,所述M个第一特征组与所述第一对象的M个外表面各自对应;所述第二特征组序列包括N个第二特征组,所述N个第二特征组与所述第二对象的N个外表面各自对应;M和N均为大于等于1的整数;
所述根据所述第一对象的运动方向,将所述第一预处理特征序列处理为所述第一特征组序列包括:
根据所述第一对象的运动方向,确定所述第一图像序列中包含的所述第一对象的M个外表面的信息;以及
以所述M个外表面中的各个外表面为划分标准,将所述第一预处理特征序列划分为M个第一特征组,得到所述第一特征组序列;
所述根据所述第二对象的运动方向,将所述第二预处理特征序列处理为所述第二特征组序列包括:
根据所述第二对象的运动方向,确定所述第二图像序列中包含的所述第二对象的N个外表面的信息;以及
以所述N个外表面中的各个外表面为划分标准,将所述第二预处理特征序列划分为N个第二特征组,得到所述第二特征组序列。
7.根据权利要求6所述的方法,还包括:
针对属于相同外表面的第一特征组和第二特征组进行相似度计算,得到至少一个相似度值;以及
根据所述至少一个相似度值,确定所述第一特征组序列和所述第二特征组序列之间的距离;
其中,响应于所述第一特征组序列和所述第二特征组序列之间的距离符合目标条件,将所述第一对象和所述第二对象确定为同一目标对象,所述目标条件包括所述距离小于第三阈值。
8.根据权利要求1至7中任一项所述的方法,其中,
所述从来自第一路侧感知设备的第一图像序列中确定第一对象的第一初始特征序列包括:
确定所述第一对象在所述第一图像序列中的第一包围框序列;以及
对所述第一包围框序列中的图像进行特征提取,得到所述第一初始特征序列;
所述从来自第二路侧感知设备的第二图像序列中确定第二对象的第二初始特征序列包括:
确定所述第二对象在所述第二图像序列中的第二包围框序列;以及
对所述第二包围框序列中的图像进行特征提取,得到所述第二初始特征序列。
9.根据权利要求1至8中任一项所述的方法,其中,所述第一路侧感知设备和所述第二路侧感知设备符合约束条件,所述约束条件包括:
从所述第一路侧感知设备到所述第二路侧感知设备的运动方向、时间先后顺序以及时间间距范围。
10.一种确定对象的运动轨迹的装置,包括:
第一确定模块,用于从来自第一路侧感知设备的第一图像序列中确定第一对象的第一初始特征序列,并从来自第二路侧感知设备的第二图像序列中确定第二对象的第二初始特征序列;
处理模块,用于根据所述第一对象的属性将所述第一初始特征序列处理为第一特征组序列,并根据所述第二对象的属性将所述第二初始特征序列处理为第二特征组序列;
第二确定模块,用于响应于所述第一特征组序列和所述第二特征组序列之间的距离符合目标条件,将所述第一对象和所述第二对象确定为同一目标对象;以及
第三确定模块,用于确定所述目标对象从所述第一路侧感知设备到所述第二路侧感知设备的运动轨迹。
11.根据权利要求10所述的装置,其中,所述属性包括基本属性、被遮挡信息和运动方向;所述处理模块包括:
过滤单元,用于根据所述第一对象的基本属性和被遮挡信息,从所述第一初始特征序列中去除异常特征,得到第一预处理特征序列;以及根据所述第二对象的基本属性和被遮挡信息,从所述第二初始特征序列中去除异常特征,得到第二预处理特征序列;
分组单元,用于根据所述第一对象的运动方向,将所述第一预处理特征序列处理为所述第一特征组序列;以及根据所述第二对象的运动方向,将所述第二预处理特征序列处理为所述第二特征组序列。
12.根据权利要求11所述的装置,其中,所述过滤单元包括:
第一过滤子单元,用于根据所述第一对象的基本属性,从所述第一初始特征序列中去除第一异常属性特征,得到第一中间特征序列;以及
第二过滤子单元,用于根据所述第一对象的被遮挡信息,从所述第一中间特征序列中去除第一异常遮挡特征,得到所述第一预处理特征序列;
所述第一过滤子单元,还用于根据所述第二对象的基本属性,从所述第二初始特征序列中去除第二异常属性特征,得到第二中间特征序列;
所述第二过滤子单元,还用于根据所述第二对象的被遮挡信息,从所述第二中间特征序列中去除第二异常遮挡特征,得到所述第二预处理特征序列。
13.根据权利要求12所述的装置,其中,所述基本属性包括多个类别;所述第一过滤子单元,用于确定所述第一初始特征序列中所述多个类别的第一属性特征;根据所述多个类别的第一属性特征各自的占比,从所述多个类别的第一属性特征中确定第一异常类别的属性特征作为所述第一异常属性特征;以及从所述第一初始特征序列中去除所述第一异常属性特征,得到所述第一中间特征序列;
所述第一过滤子单元,还用于确定所述第二初始特征序列中所述多个类别的第二属性特征;根据所述多个类别的第二属性特征各自的占比,从所述多个类别的第二属性特征中确定第二异常类别的属性特征作为所述第二异常属性特征;以及从所述第二初始特征序列中去除所述第二异常属性特征,得到所述第二中间特征序列。
14.根据权利要求12或13所述的装置,其中,所述第二过滤子单元,用于计算所述第一对象在所述第一图像序列中各个第一图像中的第一被遮挡比例;从所述第一图像序列中确定所述第一被遮挡比例大于第一阈值的第一图像作为第一异常图像;将所述第一异常图像中所述第一对象的特征确定为第一异常遮挡特征;以及从所述第一中间特征序列中去除所述第一异常遮挡特征,得到所述第一预处理特征序列;
所述第二过滤子单元,还用于计算所述第二对象在所述第二图像序列中各个第二图像中的第二被遮挡比例;从所述第二图像序列中确定所述第二被遮挡比例大于第二阈值的第二图像作为第二异常图像;将所述第二异常图像中所述第二对象的特征确定为第二异常遮挡特征;以及从所述第二中间特征序列中去除所述第二异常遮挡特征,得到所述第二预处理特征序列。
15.根据权利要求11所述的装置,其中,所述第一特征组序列包括M个第一特征组,所述M个第一特征组与所述第一对象的M个外表面各自对应;所述第二特征组序列包括N个第二特征组,所述N个第二特征组与所述第二对象的N个外表面各自对应;M和N均为大于等于1的整数;
所述分组单元,用于根据所述第一对象的运动方向,确定所述第一图像序列中包含的所述第一对象的M个外表面的信息;以及以所述M个外表面中的各个外表面为划分标准,将所述第一预处理特征序列划分为M个第一特征组,得到所述第一特征组序列;
所述分组单元,还用于根据所述第二对象的运动方向,确定所述第二图像序列中包含的所述第二对象的N个外表面的信息;以及以所述N个外表面中的各个外表面为划分标准,将所述第二预处理特征序列划分为N个第二特征组,得到所述第二特征组序列。
16.根据权利要求15所述的装置,还包括:
计算模块,用于针对属于相同外表面的第一特征组和第二特征组进行相似度计算,得到至少一个相似度值;以及
第四确定模块,用于根据所述至少一个相似度值,确定所述第一特征组序列和所述第二特征组序列之间的距离;
其中,所述目标条件包括所述距离小于第三阈值。
17.根据权利要求10至16中任一项所述的装置,其中,所述第一确定模块包括:
检测单元,用于确定所述第一对象在所述第一图像序列中的第一包围框序列;以及
提取单元,用于对所述第一包围框序列中的图像进行特征提取,得到所述第一初始特征序列;
所述检测单元,还用于确定所述第二对象在所述第二图像序列中的第二包围框序列;以及
所述提取单元,还用于对所述第二包围框序列中的图像进行特征提取,得到所述第二初始特征序列。
18.根据权利要求10至17中任一项所述的装置,其中,所述第一路侧感知设备和所述第二路侧感知设备符合约束条件,所述约束条件包括:
从所述第一路侧感知设备到所述第二路侧感知设备的运动方向、时间先后顺序以及时间间距范围。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序存储于可读存储介质和电子设备其中至少之一上,所述计算机程序在被处理器执行时实现根据权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276261.7A CN115641359B (zh) | 2022-10-17 | 2022-10-17 | 确定对象的运动轨迹的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276261.7A CN115641359B (zh) | 2022-10-17 | 2022-10-17 | 确定对象的运动轨迹的方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115641359A true CN115641359A (zh) | 2023-01-24 |
CN115641359B CN115641359B (zh) | 2023-10-31 |
Family
ID=84944577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211276261.7A Active CN115641359B (zh) | 2022-10-17 | 2022-10-17 | 确定对象的运动轨迹的方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641359B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953434A (zh) * | 2023-01-31 | 2023-04-11 | 北京百度网讯科技有限公司 | 轨迹匹配方法、装置、电子设备和存储介质 |
CN117541620A (zh) * | 2023-11-02 | 2024-02-09 | 杭州像素元科技有限公司 | 结合道路拓扑结构和重叠视场的跨摄像头多车辆跟踪方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004042673A2 (en) * | 2002-11-04 | 2004-05-21 | Imperial Vision Ltd. | Automatic, real time and complete identification of vehicles |
CN102779267A (zh) * | 2011-05-12 | 2012-11-14 | 株式会社理光 | 检测图像中特定对象区域的方法和设备 |
US20130250107A1 (en) * | 2012-03-26 | 2013-09-26 | Fujitsu Limited | Image processing device, image processing method |
US20130286198A1 (en) * | 2012-04-25 | 2013-10-31 | Xerox Corporation | Method and system for automatically detecting anomalies at a traffic intersection |
CN103392187A (zh) * | 2010-12-30 | 2013-11-13 | 派尔高公司 | 利用从物体轨迹数据获取的统计和语义特征的场景活动分析 |
JP2014106739A (ja) * | 2012-11-27 | 2014-06-09 | Clarion Co Ltd | 車載画像処理装置 |
CN109816701A (zh) * | 2019-01-17 | 2019-05-28 | 北京市商汤科技开发有限公司 | 一种目标跟踪方法及装置、存储介质 |
WO2019196308A1 (zh) * | 2018-04-09 | 2019-10-17 | 平安科技(深圳)有限公司 | 人脸识别模型的生成装置、方法及计算机可读存储介质 |
WO2020154990A1 (zh) * | 2019-01-30 | 2020-08-06 | 深圳市大疆创新科技有限公司 | 目标物体运动状态检测方法、设备及存储介质 |
JP2020198053A (ja) * | 2019-06-05 | 2020-12-10 | コニカミノルタ株式会社 | 情報処理装置、情報処理方法、人物検索システムおよび人物検索方法 |
CN112200841A (zh) * | 2020-09-30 | 2021-01-08 | 杭州海宴科技有限公司 | 一种基于行人体态的跨域多摄像头跟踪方法和装置 |
WO2021069053A1 (en) * | 2019-10-07 | 2021-04-15 | Huawei Technologies Co., Ltd. | Crowd behavior anomaly detection based on video analysis |
CN112749638A (zh) * | 2020-12-28 | 2021-05-04 | 深兰人工智能(深圳)有限公司 | 视觉识别轨迹的筛错方法和售货柜的视觉识别方法 |
CN112861570A (zh) * | 2019-11-26 | 2021-05-28 | 斑马智行网络(香港)有限公司 | 检测方法、装置及路侧单元 |
US20210192219A1 (en) * | 2019-09-24 | 2021-06-24 | Hrl Laboratories, Llc | Generation and usage of semantic features for detection and correction of perception errors |
CN113450390A (zh) * | 2021-09-01 | 2021-09-28 | 智道网联科技(北京)有限公司 | 一种基于路侧摄像头的目标跟踪方法、装置及电子设备 |
CN113450388A (zh) * | 2021-09-01 | 2021-09-28 | 智道网联科技(北京)有限公司 | 一种目标跟踪方法、装置及电子设备 |
CN114170807A (zh) * | 2020-09-11 | 2022-03-11 | 北京聚利科技有限公司 | 车辆轨迹信息获取方法、装置、设备和存储介质 |
CN115222773A (zh) * | 2022-07-28 | 2022-10-21 | 上海幻电信息科技有限公司 | 单点运动学习方法及装置 |
-
2022
- 2022-10-17 CN CN202211276261.7A patent/CN115641359B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004042673A2 (en) * | 2002-11-04 | 2004-05-21 | Imperial Vision Ltd. | Automatic, real time and complete identification of vehicles |
CN103392187A (zh) * | 2010-12-30 | 2013-11-13 | 派尔高公司 | 利用从物体轨迹数据获取的统计和语义特征的场景活动分析 |
CN102779267A (zh) * | 2011-05-12 | 2012-11-14 | 株式会社理光 | 检测图像中特定对象区域的方法和设备 |
US20130250107A1 (en) * | 2012-03-26 | 2013-09-26 | Fujitsu Limited | Image processing device, image processing method |
US20130286198A1 (en) * | 2012-04-25 | 2013-10-31 | Xerox Corporation | Method and system for automatically detecting anomalies at a traffic intersection |
JP2014106739A (ja) * | 2012-11-27 | 2014-06-09 | Clarion Co Ltd | 車載画像処理装置 |
WO2019196308A1 (zh) * | 2018-04-09 | 2019-10-17 | 平安科技(深圳)有限公司 | 人脸识别模型的生成装置、方法及计算机可读存储介质 |
CN109816701A (zh) * | 2019-01-17 | 2019-05-28 | 北京市商汤科技开发有限公司 | 一种目标跟踪方法及装置、存储介质 |
WO2020154990A1 (zh) * | 2019-01-30 | 2020-08-06 | 深圳市大疆创新科技有限公司 | 目标物体运动状态检测方法、设备及存储介质 |
JP2020198053A (ja) * | 2019-06-05 | 2020-12-10 | コニカミノルタ株式会社 | 情報処理装置、情報処理方法、人物検索システムおよび人物検索方法 |
US20210192219A1 (en) * | 2019-09-24 | 2021-06-24 | Hrl Laboratories, Llc | Generation and usage of semantic features for detection and correction of perception errors |
WO2021069053A1 (en) * | 2019-10-07 | 2021-04-15 | Huawei Technologies Co., Ltd. | Crowd behavior anomaly detection based on video analysis |
CN112861570A (zh) * | 2019-11-26 | 2021-05-28 | 斑马智行网络(香港)有限公司 | 检测方法、装置及路侧单元 |
CN114170807A (zh) * | 2020-09-11 | 2022-03-11 | 北京聚利科技有限公司 | 车辆轨迹信息获取方法、装置、设备和存储介质 |
CN112200841A (zh) * | 2020-09-30 | 2021-01-08 | 杭州海宴科技有限公司 | 一种基于行人体态的跨域多摄像头跟踪方法和装置 |
CN112749638A (zh) * | 2020-12-28 | 2021-05-04 | 深兰人工智能(深圳)有限公司 | 视觉识别轨迹的筛错方法和售货柜的视觉识别方法 |
CN113450390A (zh) * | 2021-09-01 | 2021-09-28 | 智道网联科技(北京)有限公司 | 一种基于路侧摄像头的目标跟踪方法、装置及电子设备 |
CN113450388A (zh) * | 2021-09-01 | 2021-09-28 | 智道网联科技(北京)有限公司 | 一种目标跟踪方法、装置及电子设备 |
CN115222773A (zh) * | 2022-07-28 | 2022-10-21 | 上海幻电信息科技有限公司 | 单点运动学习方法及装置 |
Non-Patent Citations (1)
Title |
---|
谭天: "基于轨迹的监控视频检索的研究", 《中国优秀硕士论文全文数据库 信息科技辑》, no. 08 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953434A (zh) * | 2023-01-31 | 2023-04-11 | 北京百度网讯科技有限公司 | 轨迹匹配方法、装置、电子设备和存储介质 |
CN115953434B (zh) * | 2023-01-31 | 2023-12-19 | 北京百度网讯科技有限公司 | 轨迹匹配方法、装置、电子设备和存储介质 |
CN117541620A (zh) * | 2023-11-02 | 2024-02-09 | 杭州像素元科技有限公司 | 结合道路拓扑结构和重叠视场的跨摄像头多车辆跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115641359B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN115641359B (zh) | 确定对象的运动轨迹的方法、装置、电子设备和介质 | |
CN113593219B (zh) | 车流的统计方法、装置、电子设备及存储介质 | |
CN113392794A (zh) | 车辆跨线识别方法、装置、电子设备和存储介质 | |
CN115359471A (zh) | 图像处理及联合检测模型训练方法、装置、设备和存储介质 | |
CN113887391A (zh) | 用于识别路面标识的方法、装置以及自动驾驶车辆 | |
CN115953434A (zh) | 轨迹匹配方法、装置、电子设备和存储介质 | |
CN114998883A (zh) | 车牌识别方法、装置、电子设备、智能交通设备 | |
CN115782919A (zh) | 信息感知方法、装置及电子设备 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN115114312A (zh) | 地图数据更新方法、装置及电子设备 | |
CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN114820690A (zh) | 轨迹还原方法、装置和电子设备 | |
CN112507964B (zh) | 用于车道级事件的检测方法和装置、路侧设备和云控平台 | |
CN114724113A (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN113989720A (zh) | 目标检测方法、训练方法、装置、电子设备及存储介质 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN114510996A (zh) | 基于视频的车辆匹配方法、装置、电子设备及存储介质 | |
CN117615363B (zh) | 基于信令数据分析目标车辆内人员的方法、装置、设备 | |
CN114572233B (zh) | 基于模型集合的预测方法、电子设备及自动驾驶车辆 | |
CN118135827A (zh) | 信号灯的灯色识别方法、装置、设备及介质 | |
CN115049895B (zh) | 一种图像属性识别方法、属性识别模型训练方法及装置 | |
CN114596552B (zh) | 信息处理方法、训练方法、装置、设备、车辆及介质 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
CN114049615A (zh) | 行驶环境中交通对象融合关联方法、装置及边缘计算设备 |
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 |