CN115830079B - 交通参与者的轨迹追踪方法、装置及介质 - Google Patents
交通参与者的轨迹追踪方法、装置及介质 Download PDFInfo
- Publication number
- CN115830079B CN115830079B CN202310117440.4A CN202310117440A CN115830079B CN 115830079 B CN115830079 B CN 115830079B CN 202310117440 A CN202310117440 A CN 202310117440A CN 115830079 B CN115830079 B CN 115830079B
- Authority
- CN
- China
- Prior art keywords
- license plate
- information
- cost matrix
- data
- tracking
- 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
Images
Classifications
-
- 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
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通参与者的轨迹追踪方法、装置及介质,所述方法包括:基于图像数据和点云数据进行目标检测,以获得交通参与者的语义信息;基于所述图像数据进行车牌识别,以获得车牌信息;对所述语义信息和所述车牌信息进行数据处理和匹配,以获得交通参与者的融合信息;基于所述融合信息进行多目标追踪,以获得交通参与者的身份标识和轨迹。本发明结合语义信息和车牌信息进行多目标追踪,可以利用更多维度的信息,保证追踪结果更加准确。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种交通参与者的轨迹追踪方法、装置及介质。
背景技术
轨迹追踪是计算机视觉领域的一项关键技术,在自动驾驶、智能监控、行为识别等方面应用广泛。对交通参与者进行检测与跟踪,在进行交通管理以减少安全事故以及确定走失儿童的方位和活动轨迹等方面具有重要意义。
在轨迹跟踪领域中,目前的主流方法分为两类:基于几何追踪的方法和基于模型预测的方法。基于几何追踪的方法较为代表性的是纯跟踪算法,需要对纯追踪控制器进行调整,即对调整系数调优。基于模型预测的方法较为代表性的是深度学习模型,根据交通参与者过去的轨迹数据预测他们未来的轨迹。
在进行多目标轨迹跟踪时,既要面对在单目标跟踪中存在的遮挡、变形、运动模糊、拥挤场景、快速运动、光照变化、尺度变化等挑战,还要面对如轨迹的初始化与终止、相似目标间的相互干扰等复杂问题。
因此,有必要研究一种更加准确高效的多目标追踪方法。
发明内容
本发明的主要目的在于提供一种交通参与者的轨迹追踪方法、装置及介质,以解决追踪结果的准确性不足的问题。
根据本发明的一个方面,提出一种交通参与者的轨迹追踪方法,包括:
基于图像数据和点云数据进行目标检测,以获得交通参与者的语义信息;
基于所述图像数据进行车牌识别,以获得车牌信息;
对所述语义信息和所述车牌信息进行数据处理和匹配,以获得交通参与者的融合信息;
基于所述融合信息进行多目标追踪,以获得交通参与者的身份标识和轨迹。
根据本发明的一个实施例,所述语义信息包括:车辆的位置、形状。
根据本发明的一个实施例,所述对所述语义信息和所述车牌信息进行数据处理,包括:
对所述语义信息和所述车牌信息进行以下处理中的一种或多种:数据清洗、图像分辨率对齐、时间戳对齐。
根据本发明的一个实施例,所述对所述语义信息和所述车牌信息进行匹配,包括:
计算车牌中心点和车辆检测框中心点的欧几里得距离作为代价矩阵;
基于所述代价矩阵进行匈牙利算法匹配,将所述车牌信息分配给代价最小的语义信息,以获得所述融合信息。
根据本发明的一个实施例,所述基于所述融合信息进行多目标追踪,获得多个交通参与者的身份标识和轨迹,包括:
对所述融合信息进行处理,以获得三维边界框和车牌数据;
基于所述三维边界框,确定重叠度代价矩阵;
基于所述车牌数据,确定车牌符合度代价矩阵;
对所述重叠度代价矩阵和所述车牌符合度代价矩阵进行加权求和,以获得最终代价矩阵;
使用卡尔曼滤波模型进行预测,并基于所述最终代价矩阵使用匈牙利算法将预测后的追踪数据和当前帧的检测数据进行匹配,以及根据匹配结果更新卡尔曼滤波模型参数。
根据本发明的一个实施例,所述基于所述三维边界框,确定重叠度代价矩阵,包括:
计算前后两帧的三维边界框的重叠度填充代价矩阵。
根据本发明的一个实施例,所述基于所述车牌数据,确定车牌符合度代价矩阵,包括:
计算前后两帧的车牌的最长公共子序列占比并和车牌置信度求乘积填充代价矩阵。
根据本发明的另一方面,提出一种交通参与者的轨迹追踪装置,包括:
目标检测单元,配置为基于图像数据和点云数据进行目标检测,以获得交通参与者的语义信息;
车牌识别单元,配置为基于所述图像数据进行车牌识别,以获得车牌信息;
数据处理和匹配单元,配置为对所述语义信息和所述车牌信息进行数据处理和匹配,以获得交通参与者的融合信息;
多目标追踪单元,配置为基于所述融合信息进行多目标追踪,以获得交通参与者的身份标识和轨迹。
根据本发明的一个实施例,所述数据处理和匹配单元配置为:
计算车牌中心点和车辆检测框中心点的欧几里得距离作为代价矩阵;
基于所述代价矩阵进行匈牙利算法匹配,将所述车牌信息分配给代价最小的语义信息,以获得所述融合信息。
根据本发明的另一方面,提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如以上任一实施例所述的方法。
在根据本发明的实施例的交通参与者的轨迹追踪方法、装置及介质中,结合语义信息和车牌信息进行多目标追踪,可以利用更多维度的信息,保证追踪结果更加准确。
附图说明
为了更清楚地说明本发明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,下面描述中的附图仅仅是本发明的一些实施例,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他的附图。
图1示出根据本发明实施例的交通参与者的轨迹追踪方法的流程图;
图2示出图1的方法中对语义信息和车牌信息进行数据处理和匹配的流程图;
图3示出图1的方法中基于融合信息进行多目标追踪的流程图;
图4示出根据本发明实施例的交通参与者的轨迹追踪装置的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
图1示出根据本发明实施例的交通参与者的轨迹追踪方法的流程图,如图1所示,所述方法包括:
基于图像数据和点云数据进行目标检测,以获得交通参与者的语义信息;
基于所述图像数据进行车牌识别,以获得车牌信息;
对所述语义信息和所述车牌信息进行数据处理和匹配,以获得交通参与者的融合信息;
基于所述融合信息进行多目标追踪,以获得交通参与者的身份标识和轨迹。
在一些实施例中,可以基于路侧相机获取所述图像数据并基于雷达设备获取所述点云数据。可以将所述图像数据和所述点云数据输入目标检测模型中,以获得交通参与者的语义信息。本发明结合图像数据和点云数据进行目标检测,从而可以基于更加丰富的感知数据来获得更加准确的语义信息。图像数据和点云数据可以相互补充,例如,当处于夜间环境时,图像数据可能不够准确,此时可以从点云数据获得补充的信息。在本发明的实施例中,所述语义信息包括:车辆的位置、形状。此外,可以将所述图像数据输入车牌识别模型中,以获得所述车牌信息。在一些实施例中,可以对所述图像数据和所述点云数据中所有的交通参与者进行追踪。
在本发明的实施例中,在语义信息的基础上结合车牌信息进行多目标追踪,可以利用更多维度的信息,保证追踪结果更加准确。发明人意识到,如果仅基于语义信息来进行目标跟踪,有可能获得断开的追踪轨迹。本发明通过结合车牌信息,可以进行长距离的目标追踪,得到的车辆行驶轨迹较为完整。
图2示出图1的方法中对语义信息和车牌信息进行数据处理和匹配的流程图,如图2所示,所述对所述语义信息和所述车牌信息进行数据处理,包括:对所述语义信息和所述车牌信息进行以下处理中的一种或多种:数据清洗、图像分辨率对齐、时间戳对齐。例如,可以对语义数据进行数据过滤,对车牌数据进行分辨率适配处理,并对语义数据和车牌数据进行时间戳对齐。经过这些数据处理,有利于保证后续获得良好的匹配效果。
参考图2,所述对所述语义信息和所述车牌信息进行匹配,包括:计算车牌中心点和车辆检测框中心点的欧几里得距离作为代价矩阵;基于所述代价矩阵进行最小二分图匈牙利算法匹配,将所述车牌信息分配给代价最小的语义信息,以获得所述融合信息。
图3示出图1的方法中基于融合信息进行多目标追踪的流程图,如图3所示,所述基于所述融合信息进行多目标追踪,获得多个交通参与者的身份标识和轨迹,包括:
对所述融合信息进行处理,以获得三维边界框和车牌数据;
基于所述三维边界框,确定重叠度代价矩阵;
基于所述车牌数据,确定车牌符合度代价矩阵;
对所述重叠度代价矩阵和所述车牌符合度代价矩阵进行加权求和,以获得最终代价矩阵;其中,权重可以根据经验来分配;
使用卡尔曼滤波模型进行预测,并基于所述最终代价矩阵使用匈牙利算法将预测后的追踪数据和当前帧的检测数据进行匹配,以及根据匹配结果更新卡尔曼滤波模型参数,完成当前帧的追踪。当完成所有帧的追踪后,可以输出交通参与者的身份标识和轨迹数据。
在一些实施例中,所述基于所述三维边界框,确定重叠度代价矩阵,包括:计算前后两帧的三维边界框的重叠度填充代价矩阵。
在一些实施例中,所述基于所述车牌数据,确定车牌符合度代价矩阵,包括:计算前后两帧的车牌的最长公共子序列占比并和车牌置信度求乘积填充代价矩阵。
参考图3,可以根据匹配后获得的融合信息来进一步获得三维边界框的重叠度代价矩阵以及车牌符合度代价矩阵,并将两个代价矩阵进行加权求和获得最终代价矩阵,同时使用卡尔曼滤波模型进行预测,可以基于所述最终代价矩阵使用匈牙利算法将预测后的追踪数据和当前帧的检测数据进行匹配,对于未匹配上的追踪目标,将其删除(先前追踪目标在当前帧中不能进行匹配,表明该先前追踪目标已经离开视野,因此可以将其删除);对于未匹配上的检测目标,可以将其作为新追踪对象,利用卡尔曼滤波进行预测(先前未追踪并在当前帧中出现的检测目标,为新进入视野的目标,因此将其作为新的追踪对象);对于匹配上的追踪目标,可以进行卡尔曼滤波更新,从而基于检测值修正卡尔曼滤波模型,以在后续预测中获得更加准确的预测值。当完成所有帧的预测后,可以获得整体的轨迹。
图4示出根据本发明实施例的交通参与者的轨迹追踪装置100的示意图,如图4所示,轨迹追踪装置100包括:目标检测单元10,配置为基于图像数据和点云数据进行目标检测,以获得交通参与者的语义信息;车牌识别单元20,配置为基于所述图像数据进行车牌识别,以获得车牌信息;数据处理和匹配单元30,配置为对所述语义信息和所述车牌信息进行数据处理和匹配,以获得交通参与者的融合信息;多目标追踪单元40,配置为基于所述融合信息进行多目标追踪,以获得交通参与者的身份标识和轨迹。
在一些实施例中,所述语义信息包括:车辆的位置、形状。
在一些实施例中,数据处理和匹配单元30配置为对所述语义信息和所述车牌信息进行以下处理中的一种或多种:数据清洗、图像分辨率对齐、时间戳对齐。
在一些实施例中,数据处理和匹配单元30配置为:计算车牌中心点和车辆检测框中心点的欧几里得距离作为代价矩阵;基于所述代价矩阵进行匈牙利算法匹配,将所述车牌信息分配给代价最小的语义信息,以获得所述融合信息。
在一些实施例中,多目标追踪单元40配置为:
对所述融合信息进行处理,以获得三维边界框和车牌数据;
基于所述三维边界框,确定重叠度代价矩阵;
基于所述车牌数据,确定车牌符合度代价矩阵;
对所述重叠度代价矩阵和所述车牌符合度代价矩阵进行加权求和,以获得最终代价矩阵;
使用卡尔曼滤波模型进行预测,并基于所述最终代价矩阵使用匈牙利算法将预测后的追踪数据和当前帧的检测数据进行匹配,以及根据匹配结果更新卡尔曼滤波模型参数。
在一些实施例中,多目标追踪单元40配置为:计算前后两帧的三维边界框的重叠度填充代价矩阵,以获得所述重叠度代价矩阵。
在一些实施例中,多目标追踪单元40配置为:计算前后两帧的车牌的最长公共子序列占比并和车牌置信度求乘积填充代价矩阵,以获得所述车牌符合度代价矩阵。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如以上任一实施例所述的方法。
综上所述,本发明的轨迹追踪方法及装置结合了车牌数据进行多目标追踪,相比于传统方法,利用了更多维度的信息,结果更加准确,并且通过车牌信息可以进行长距离的目标追踪,得到的车辆行驶轨迹完整。
需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。
此外,应该明白的是,本文的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上所述的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包括在本发明实施例的保护范围之内。
Claims (8)
1.一种交通参与者的轨迹追踪方法,其特征在于,包括:
基于图像数据和点云数据进行目标检测,以获得交通参与者的语义信息;
基于所述图像数据进行车牌识别,以获得车牌信息;
对所述语义信息和所述车牌信息进行数据处理和匹配,以获得交通参与者的融合信息;
基于所述融合信息进行多目标追踪,以获得交通参与者的身份标识和轨迹;
其中,所述基于所述融合信息进行多目标追踪,获得多个交通参与者的身份标识和轨迹,包括:
对所述融合信息进行处理,以获得三维边界框和车牌数据;
基于前后两帧的所述三维边界框的重叠度填充代价矩阵,以确定重叠度代价矩阵;
基于前后两帧的所述车牌数据的符合度填充代价矩阵,以确定车牌符合度代价矩阵;
对所述重叠度代价矩阵和所述车牌符合度代价矩阵进行加权求和,以获得最终代价矩阵;
使用卡尔曼滤波模型进行预测,并基于所述最终代价矩阵使用匈牙利算法将预测后的追踪数据和当前帧的检测数据进行匹配,以及根据匹配结果更新卡尔曼滤波模型参数。
2.根据权利要求1所述的方法,其特征在于,所述语义信息包括:车辆的位置、形状。
3.根据权利要求1所述的方法,其特征在于,所述对所述语义信息和所述车牌信息进行数据处理,包括:
对所述语义信息和所述车牌信息进行以下处理中的一种或多种:数据清洗、图像分辨率对齐、时间戳对齐。
4.根据权利要求1所述的方法,其特征在于,所述对所述语义信息和所述车牌信息进行匹配,包括:
计算车牌中心点和车辆检测框中心点的欧几里得距离作为代价矩阵;
基于所述代价矩阵进行匈牙利算法匹配,将所述车牌信息分配给代价最小的语义信息,以获得所述融合信息。
5.根据权利要求1所述的方法,其特征在于,所述基于前后两帧的所述车牌数据的符合度填充代价矩阵,以确定车牌符合度代价矩阵,包括:
计算前后两帧的车牌的最长公共子序列占比并和车牌置信度求乘积填充代价矩阵。
6.一种交通参与者的轨迹追踪装置,其特征在于,包括:
目标检测单元,配置为基于图像数据和点云数据进行目标检测,以获得交通参与者的语义信息;
车牌识别单元,配置为基于所述图像数据进行车牌识别,以获得车牌信息;
数据处理和匹配单元,配置为对所述语义信息和所述车牌信息进行数据处理和匹配,以获得交通参与者的融合信息;
多目标追踪单元,配置为基于所述融合信息进行多目标追踪,以获得交通参与者的身份标识和轨迹;
其中,所述多目标追踪单元配置为:
对所述融合信息进行处理,以获得三维边界框和车牌数据;
基于前后两帧的所述三维边界框的重叠度填充代价矩阵,以确定重叠度代价矩阵;
基于前后两帧的所述车牌数据的符合度填充代价矩阵,以确定车牌符合度代价矩阵;
对所述重叠度代价矩阵和所述车牌符合度代价矩阵进行加权求和,以获得最终代价矩阵;
使用卡尔曼滤波模型进行预测,并基于所述最终代价矩阵使用匈牙利算法将预测后的追踪数据和当前帧的检测数据进行匹配,以及根据匹配结果更新卡尔曼滤波模型参数。
7.根据权利要求6所述的装置,其特征在于,所述数据处理和匹配单元配置为:
计算车牌中心点和车辆检测框中心点的欧几里得距离作为代价矩阵;
基于所述代价矩阵进行匈牙利算法匹配,将所述车牌信息分配给代价最小的语义信息,以获得所述融合信息。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310117440.4A CN115830079B (zh) | 2023-02-15 | 2023-02-15 | 交通参与者的轨迹追踪方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310117440.4A CN115830079B (zh) | 2023-02-15 | 2023-02-15 | 交通参与者的轨迹追踪方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115830079A CN115830079A (zh) | 2023-03-21 |
CN115830079B true CN115830079B (zh) | 2023-05-26 |
Family
ID=85521496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310117440.4A Active CN115830079B (zh) | 2023-02-15 | 2023-02-15 | 交通参与者的轨迹追踪方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830079B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674317A (zh) * | 2021-08-10 | 2021-11-19 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频的车辆跟踪方法及装置 |
CN114638855A (zh) * | 2022-01-21 | 2022-06-17 | 山东汇创信息技术有限公司 | 一种多目标跟踪方法、设备及介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111627045B (zh) * | 2020-05-06 | 2021-11-02 | 佳都科技集团股份有限公司 | 单镜头下的多行人在线跟踪方法、装置、设备及存储介质 |
CN111860352B (zh) * | 2020-07-23 | 2024-03-01 | 青岛高重信息科技有限公司 | 一种多镜头车辆轨迹全跟踪系统及方法 |
CN112884815A (zh) * | 2021-02-02 | 2021-06-01 | 鹏城实验室 | 一种基于多摄像机的车辆追踪方法 |
CN115049700A (zh) * | 2021-03-09 | 2022-09-13 | 华为技术有限公司 | 一种目标检测方法及装置 |
CN113435333A (zh) * | 2021-06-28 | 2021-09-24 | 深圳市商汤科技有限公司 | 一种数据处理方法、装置、计算机设备和存储介质 |
CN113343985B (zh) * | 2021-06-28 | 2023-04-18 | 展讯通信(上海)有限公司 | 车牌识别方法和装置 |
CN115690146A (zh) * | 2021-07-29 | 2023-02-03 | 北京图森智途科技有限公司 | 一种多目标跟踪方法、装置、计算设备和存储介质 |
CN114463303A (zh) * | 2022-01-29 | 2022-05-10 | 合肥工业大学 | 一种基于双目相机和激光雷达融合的道路目标检测方法 |
CN114724131A (zh) * | 2022-04-01 | 2022-07-08 | 北京明略昭辉科技有限公司 | 一种车辆追踪方法、装置、电子设备及存储介质 |
CN115273034A (zh) * | 2022-08-08 | 2022-11-01 | 江苏智行未来汽车研究院有限公司 | 一种基于车载多传感器融合的交通目标检测与跟踪方法 |
CN115457497A (zh) * | 2022-09-19 | 2022-12-09 | 东南大学 | 一种基于3d目标检测和多目标追踪检测车辆速度的方法 |
-
2023
- 2023-02-15 CN CN202310117440.4A patent/CN115830079B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674317A (zh) * | 2021-08-10 | 2021-11-19 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频的车辆跟踪方法及装置 |
CN114638855A (zh) * | 2022-01-21 | 2022-06-17 | 山东汇创信息技术有限公司 | 一种多目标跟踪方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115830079A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020147348A1 (zh) | 一种目标跟踪方法及装置、存储介质 | |
CN111932580A (zh) | 一种基于卡尔曼滤波与匈牙利算法的道路3d车辆跟踪方法及系统 | |
WO2021170030A1 (zh) | 一种用于目标追踪的方法、设备及系统 | |
CN111127513A (zh) | 一种多目标跟踪方法 | |
CN114049382B (zh) | 一种智能网联环境下目标融合跟踪方法、系统和介质 | |
CN109871763A (zh) | 一种基于yolo的特定目标跟踪方法 | |
CN111860352B (zh) | 一种多镜头车辆轨迹全跟踪系统及方法 | |
CN112991391A (zh) | 一种基于雷达信号和视觉融合的车辆检测与跟踪方法 | |
CN113848545B (zh) | 一种基于视觉和毫米波雷达的融合目标检测和跟踪方法 | |
CN110992424B (zh) | 基于双目视觉的定位方法和系统 | |
CN115063454B (zh) | 多目标跟踪匹配方法、装置、终端及存储介质 | |
CN115546705B (zh) | 目标识别方法、终端设备及存储介质 | |
CN114419098A (zh) | 基于视觉变换的运动目标轨迹预测方法及装置 | |
CN116071283A (zh) | 基于计算机视觉的三维点云图像融合方法 | |
Notz et al. | Extraction and assessment of naturalistic human driving trajectories from infrastructure camera and radar sensors | |
CN115830079B (zh) | 交通参与者的轨迹追踪方法、装置及介质 | |
CN113077495B (zh) | 在线多目标跟踪方法、系统、计算机设备及可读存储介质 | |
CN115100565B (zh) | 一种基于空间相关性与光流配准的多目标跟踪方法 | |
CN116681739A (zh) | 目标运动轨迹生成方法、装置及电子设备 | |
CN116543023A (zh) | 一种基于修正DeepSORT的多传感目标群智跟踪方法 | |
CN110864670A (zh) | 目标障碍物位置的获取方法和系统 | |
CN110781730A (zh) | 智能驾驶感知方法及感知装置 | |
CN115471526A (zh) | 基于多源异构信息融合的自动驾驶目标检测与跟踪方法 | |
Vaudrey et al. | Integrating disparity images by incorporating disparity rate | |
CN112487984A (zh) | 一种点云数据轻量化快速生成方法 |
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 |