CN116205948A - 车辆跟踪匹配方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请提供了一种车辆跟踪匹配方法、装置、电子设备和存储介质，涉及车辆技术领域，该方法包括：获取待检测图像；待检测图像至少包括一辆车辆；对待检测图像中的车辆进行遮挡检测，确定每个车辆对应的车牌遮挡程度；基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框；基于目标跟踪匹配框对车辆进行跟踪匹配。本申请缓解了由于车辆遮挡导致的id‑switch的问题，进而提升了车辆跟踪匹配的准确性。

Description

车辆跟踪匹配方法、装置、电子设备和存储介质

技术领域

本申请涉及车辆技术领域，尤其是涉及一种车辆跟踪匹配方法、装置、电子设备和存储介质。

背景技术

车辆处在露天环境且停靠时间长，由于昼夜交替或者天气变化，车辆的外部特征也容易变化，比如车辆中午与傍晚呈现的特征完全不同，因此无法保证较高的匹配率。相关技术中，采用多目标跟踪的方案进行匹配：一种方案是通过额外训练一个embedding(嵌入)作为辅助判定依据，另一种方案不再额外训练一个embedding。两种方案均是采用2阶段匹配的方式，由于通常会存在被大范围遮挡的车辆，因此第2阶段的交并比匹配更容易出现id-switch现象，从而进行车辆长时间跟踪时跟踪效果不佳。

发明内容

本申请的目的在于提供一种车辆跟踪匹配方法、装置、电子设备和存储介质，缓解了由于车辆遮挡导致的id-switch的问题，进而提升了车辆跟踪匹配的准确性。

第一方面，本发明提供一种车辆跟踪匹配方法，方法包括：获取待检测图像；待检测图像至少包括一辆车辆；对待检测图像中的车辆进行遮挡检测，确定每个车辆对应的车牌遮挡程度；基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框；基于目标跟踪匹配框对车辆进行跟踪匹配。

在可选的实施方式中，在获取待检测图像之后，方法还包括：基于车辆检测模型在检测头层对待检测图像进行解耦处理，确定车牌分支和车辆分支；其中，车牌分支对应车牌检测头，车辆分支对应车辆检测头。

在可选的实施方式中，对待检测图像中的车辆进行遮挡检测，确定每个车辆对应的车牌遮挡程度，包括：对待检测图像中的车辆进行遮挡测试，并基于预先划分的遮挡类别确定每个车辆对应的车牌遮挡程度；其中，每种车牌遮挡程度用于表征当前车牌的完整度阈值；

方法还包括：当完整度阈值低于预设临界阈值时，剔除待检测图像。

在可选的实施方式中，方法还包括：基于预先配置的离散方向类确定车头方向概率；基于车头方向概率确定方向值权重，并基于方向值权重计算缩并累加值；基于缩并累加值确定待检测图像中的车辆的车头朝向。

在可选的实施方式中，方法还包括：对待检测图像进行车辆识别，得到目标车辆区域；对目标车辆区域进行划分，确定多个目标区域信息；其中，每个目标区域信息用于预测车辆是否被遮挡。

在可选的实施方式中，基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框，包括：判断目标区域信息是否被遮挡；

如果是，则确定目标区域信息为车辆遮挡区域信息；基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框和目标跟踪匹配框对应的匹配阈值。

在可选的实施方式中，方法还包括：确定跟踪匹配框对应的优先级；基于跟踪匹配框对应的优先级动态调整跟踪匹配框所处的目标区域信息。

第二方面，本发明提供一种车辆跟踪匹配装置，装置包括：获取模块，用于获取待检测图像；待检测图像至少包括一辆车辆；遮挡检测模块，用于对待检测图像中的车辆进行遮挡检测，确定每个车辆对应的车牌遮挡程度；确定模块，用于基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框；跟踪匹配模块，用于基于目标跟踪匹配框对车辆进行跟踪匹配。

第三方面，本发明提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现前述实施方式任一项的车辆跟踪匹配方法。

第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现前述实施方式任一项的车辆跟踪匹配方法。

本申请提供的车辆跟踪匹配方法、装置、电子设备和存储介质，该车辆跟踪匹配方法通过获取至少包括一辆车辆的待检测图像，对待检测图像中的车辆进行遮挡检测，确定每个车辆对应的车牌遮挡程度，基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框，最后基于目标跟踪匹配框对车辆进行跟踪匹配。上述方式通过进行车辆遮挡检测，并针对不同车辆对应的车牌遮挡程度确定对应的目标跟踪匹配框，从而可以进行相应的跟踪检测，缓解了由于车辆遮挡导致的id-switch的问题，进而提升了车辆跟踪匹配的准确性。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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方式，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为本申请实施例提供的一种车辆跟踪匹配方法的流程图；

图2为本申请实施例提供的一种解耦方式的示意图；

图3为本申请实施例提供的另一种解耦方式的示意图；

图4为本申请实施例提供的一种不同车牌完整性的示意图；

图5为本申请实施例提供的一种车头朝向划分示意图；

图6为本申请实施例提供的一种车辆区域划分示意图；

图7为本申请实施例提供的一种检测框动态匹配的示意图；

图8为本申请实施例提供的一种无遮挡的车辆目标跟踪匹配框的选取示意图；

图9为本申请实施例提供的一种C部分或D部分被遮挡的目标跟踪匹配框的选取示意图；

图10为本申请实施例提供的一种A部分被遮挡B部分未被遮挡的目标跟踪匹配框的选取示意图；

图11为本申请实施例提供的一种分类任务的处理示意图；

图12为本申请实施例提供的一种车辆跟踪匹配装置的结构图；

图13为本申请实施例提供的一种电子设备的结构图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

车辆处在露天环境且停靠时间长，由于昼夜交替或者天气变化，车辆的外部特征也容易变化，比如车辆中午与傍晚呈现的特征完全不同，因此无法保证较高的匹配率。相关技术中，采用多目标跟踪的方案进行匹配。一种方案是通过额外训练一个embedding(嵌入)作为辅助判定依据，诸如fairMot、centerTrack、deepSort与Sort等跟踪方案；另一种方案不再额外训练一个embedding，比如ByteTrack等，只使用检测框的交并做匹配进行跟踪。

然而，使用embedding跟踪方案的方法存在的缺陷包括：a)需要海量的样本数据，其标注工程量巨大，成本偏高；b)需要使用度量学习方法额外训练embedding，且其维度一般在64-128之间，训练时间长，推理效率低。

上述的两种方案均是采用2阶段匹配的方式，第1阶段都是利用根据前一时刻的跟踪结果，使用卡尔曼滤波预测当前时刻的运动位置，使用交并比匹配；第2阶段两种方式存在不同：前者使用embedding对第1轮匹配余下的目标进行第二轮匹配，而后者仍然使用交并比或贝叶斯估计等更简单的方法。

在实际应用中，第2阶段的交并比匹配更容易出现id-switch现象。其原因在于即使是被大范围遮挡的车辆，仍有较大的置信度。除了跟踪问题之外，车辆跟踪还需要进行车牌ocr识别。一般会使用2个模型分别检测车牌与车辆；或者将车牌直接作为一个单独的类，用一个同时网络检测车牌与车辆。但是，车牌与车辆的业务需求是不同的，应该有所侧重。

上述不使用embedding的跟踪方法(比如ByteTrack等)，第一轮匹配置信度高的目标，第二轮匹配置信度低的目标，然而该方案没有具体的方案处理到id-switch问题，在进行车辆长时间跟踪时跟踪效果不佳。

基于此，本申请实施例提供了一种车辆跟踪匹配方法、装置、电子设备和存储介质，缓解了由于车辆遮挡导致的id-switch的问题，进而提升了车辆跟踪匹配的准确性。

本申请实施例提供了一种车辆跟踪匹配方法，参见图1所示，该方法主要包括以下步骤：

步骤S102，获取待检测图像。

上述待检测图像至少包括一辆车辆，在一种实施方式中，该待检测图像可以为表征路边停放车辆的图像，也可以为表征行驶路上的车辆的图像，还可以是停车场中停放车辆的图像。可以理解的是，由于拍摄设备的设置位置不同，因此待检测图像中的车辆会存在遮挡情况，并且不同位置的车辆可能存在不同程度的遮挡，例如，有的车辆被遮挡了一小部分、有的车辆被遮挡被遮挡了大半部分，有的车辆的车牌被遮挡、有的车辆的车牌被部分遮挡等等。

步骤S104，对待检测图像中的车辆进行遮挡检测，确定每个车辆对应的车牌遮挡程度。

在一种实施方式中，可以通过车辆检测模型对待检测图像进行检测，检测待检测图像中车辆的完整度，通过完整度可以确定，诶个车辆对应的车牌遮挡程度。

步骤S106，基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框。

上述车辆遮挡区域信息为图像中车辆被遮挡的相关区域，在一种实施方式中，可以预先将图像中的车辆区域进行划分，可以确定若干个车辆局部区域，划分的方式可以是水平划分和/或竖直划分，例如，可以将车辆区域划分为上下两个区域，也可以将车辆区域划分为上下左右四个区域，还可以将车辆区域划分其他数量的区域，等等。

上述目标跟踪匹配框用于对框住的车辆图像进行跟踪检测。若待检测图像中的图像A未被遮挡，则该匹配框中完整框住车辆；若待检测图像中的图像B被部分遮挡，则该匹配框框住的部分根据车牌遮挡程度和车辆遮挡区域信息确定的匹配框。

步骤S108，基于目标跟踪匹配框对车辆进行跟踪匹配。

本申请实施例提供的车辆跟踪匹配方法，通过进行车辆遮挡检测，并针对不同车辆对应的车牌遮挡程度确定对应的目标跟踪匹配框，从而可以进行相应的跟踪检测，缓解了由于车辆遮挡导致的id-switch的问题，进而提升了车辆跟踪匹配的准确性。

以下对本申请实施例提供的车辆跟踪匹配方法进行详细说明。

在一可选的实施方式中，为了提升处理效率，在获取待检测图像之后，可以基于车辆检测模型在检测头层对待检测图像进行解耦处理，确定车牌分支和车辆分支；其中，车牌分支对应车牌检测头，车辆分支对应车辆检测头。

图2示出了一种解耦方式，该方式是在head(检测头)层直接解耦，车牌分支与车辆分支分别使用不同的head。

图3示出了另一种解耦方式，该方式是在head(检测头)层内部进行解耦，车牌分支与车辆分支先共用head层的一部分，剩下的一部分各自使用自己的。

进一步，上述对待检测图像中的车辆进行遮挡检测，确定每个车辆对应的车牌遮挡程度，在具体实施时，可以对待检测图像中的车辆进行遮挡测试，并基于预先划分的遮挡类别确定每个车辆对应的车牌遮挡程度；其中，每种车牌遮挡程度用于表征当前车牌的完整度阈值。

车牌完整性判断是为了后续的车牌角点定位与字符识别的前期判据。当检测到车牌，不论其是否完整，则在后续过程中依然要调用定位角点与字符识别的模型。由于检测到的不完整车牌可能是无效的，因此在一种实施方式中，可以通过5个类别判定车牌遮挡程度，这里使用5个类判断车牌是否完整，每个类代表(0～20％、21～40％、41～60％、61～80％及完整)。如果完整度低于某个阈值，则该车牌不应该参与后续的角点定位与字符识别环节，以此提高效率。通过车牌完整性判断，可以为后续是否需要进行ocr识别流程提供了判断依据，进一步提升效率。

图4示出了一种不同车牌完整性的示意图，图中车辆的车牌完整度在图中标注，可以看出，不同位置的车辆对应的车牌的完整性并不相同。当无法获取车辆的车牌时，则无法获知该车辆的信息，因此在一种实施方式中，当完整度阈值低于预设临界阈值时，剔除待检测图像。例如，当完整度阈值低于60％时，可以放弃对该车辆进行跟踪处理。

进一步，为了判断车辆是否停反，以及为跟踪目标分类时简化相反方向的目标跟踪逻辑，上述方法还包括进行车头朝向判断，在一种实施方式中，可以包括以下步骤1.1)至步骤1.3)：

步骤1.1)，基于预先配置的离散方向类确定车头方向概率；

步骤1.2)，基于车头方向概率确定方向值权重，并基于方向值权重计算缩并累加值；

步骤1.3)，基于缩并累加值确定待检测图像中的车辆的车头朝向。

在一种示例中，车头朝向可以设置为8个类，每个类的代表不同的方向，参见图5所示，使用离散的8个类代表8个方向的目的是为了降低拟合难度，并对8个方向顺时针从0到7设置方向值，模型预测的结果是车头在8个方向的概率，将概率值作为方向值的权重计算缩并累加值作为最终的方向判断结果。

进一步，为了方便判断，可以预先对车辆区域进行划分，在一种实施方式中，上述方法还包括以下步骤2.1)和步骤2.2)：

步骤2.1)，对待检测图像进行车辆识别，得到目标车辆区域；

步骤2.2)，对目标车辆区域进行划分，确定多个目标区域信息；其中，每个目标区域信息用于预测车辆是否被遮挡。

在一种实施方式中，参见图6所示，可以将车辆划分为4个部分，分别为A部分、B部分、C部分和D部分。

在一可选的实施方式中，上述基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框，在具体实施时，可以包括以下步骤3.1)至步骤3.3)：

步骤3.1)，判断目标区域信息是否被遮挡；

步骤3.2)，如果是，则确定目标区域信息为车辆遮挡区域信息；

步骤3.3)，基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框和目标跟踪匹配框对应的匹配阈值。

图7示出了一种检测框动态匹配的示意图，由于B车被A车遮挡，A车的检测框与临近的B车的检测则出现IOU大面积重合，可能导致id-switch。若B车的C部分被判断为遮挡，则在进行IOU匹配时，B车可以使用[AB]部分的上半框与所有卡尔曼预测的检测框的[AB]部分进行IOU匹配。

图8示出了针对无遮挡的车辆(也即A车)，目标跟踪匹配框的一种选取方式，该选取方式为选择下[CD]组成的下半框参与匹配。

此外，上述方法还包括：确定跟踪匹配框对应的优先级，基于跟踪匹配框对应的优先级动态调整跟踪匹配框所处的目标区域信息。例如，增加一个预测可以预测车辆4个部分被遮挡概率的分支，根据被遮挡部分的概率动态的变换检测框。优先级的确定方式可以包括以下规则的一种或多种：[1]上/下半框优先；[2]隔离被遮挡的部分的半框；[3]未被遮挡，下半框优先。

通过检测任务的提供的车辆4部分遮挡信息，动态地调整跟踪匹配框，可以显著降低了不同id的IOU匹配值，进而缓解了id-switch的问题。

以下示出了当划分区域为图6所示的4部分时，不同遮挡情况下跟踪匹配框的优先级确定情况：

(1)C部分或D部分被遮挡，其它所有车辆选择AB部分组成的上半框，参见图9所示。

(2)A部分被遮挡，B部分未被遮挡，其它所有车辆选择BD部分组成的右半框，参见图10所示。

(3)B部分被遮挡，A部分未被遮挡，选择AC部分组成的左半框。

(4)A部分与B部分均被遮挡，该检测框不参与匹配，直接遗弃。

相对于中心不变，长宽比统一的缩放为原来的一半的方式，该方法提升了相同id车辆的匹配值，可以将检测间隔进一步延长，降低了实时性要求；此外，还可以根据前述的遮挡判据，以基本可以确认车辆各种状态，只需进行1次IOU匹配即可，提升了处理效率。

本申请实施例提供的方案中，车牌作为单独的类和车辆一起检测，考虑到车牌与车辆的归属关系，可以使用IOU损失强化车牌与车辆的匹配。也即，白天，车牌应该属于车辆，即车牌的检测框应该在车辆检测框的内部；夜间，比较暗的车辆会经常漏检，如果存在高置信度的车牌检测结果，可以将其作为车辆跟踪的判定依据。因此，通过进行车牌完整度判读，可以提升处理效率，防止不必要的计算。

在一种实施方式中，参见图11所示，针对车辆部分：黄色部分是基本检测任务预测值；红色是车辆方向的预测值，预设为8个；蓝色部分是遮挡信息预测值，[part-block]表示该车4个部分是否被遮挡的判断，也即在该跟踪任务中，head总共预测5+N+8+4个目标。针对车牌部分：黄色部分为基本检测任务，红色部分是车牌完整度等级，防止不完整的车牌进入ocr识别流程，该head一共预测5+4个目标。

本申请实施例通过将回归任务改为离散的分类任务，降低模型拟合目标值的难度。本申请上述对车辆检测的方式，丰富了车辆检测的方案，同时为下游的跟踪任务提供了辅助信息；将车牌检测业务与车辆检测业务统一在一个模型中，并在模型检测头部分进行解耦，不仅提升了效率，也较好地解决不同业务需求特征耦合的问题；车牌业务中通过划分类别判定车牌遮挡程度，为后续是否需要进行ocr识别流程提供了判断依据，进一步提升效率；根据上游检测任务的提供的车辆若干部分遮挡信息，动态地调整跟踪匹配框，显著地降低了不同id的IOU匹配值，进而缓解了id-switch的问题。

基于上述方法实施例，本申请实施例还提供一种车辆跟踪匹配装置，参见图12所示，该装置主要包括以下部分：

获取模块122，用于获取待检测图像；待检测图像至少包括一辆车辆；

遮挡检测模块124，用于对待检测图像中的车辆进行遮挡检测，确定每个车辆对应的车牌遮挡程度；

确定模块126，用于基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框；

跟踪匹配模块128，用于基于目标跟踪匹配框对车辆进行跟踪匹配。

本申请实施例提供的车辆跟踪匹配装置，通过进行车辆遮挡检测，并针对不同车辆对应的车牌遮挡程度确定对应的目标跟踪匹配框，从而可以进行相应的跟踪检测，缓解了由于车辆遮挡导致的id-switch的问题，进而提升了车辆跟踪匹配的准确性。

在一些实施方式中，在获取待检测图像之后，上述装置还包括，解耦模块，用于：

基于车辆检测模型在检测头层对待检测图像进行解耦处理，确定车牌分支和车辆分支；其中，车牌分支对应车牌检测头，车辆分支对应车辆检测头。

在一些实施方式中，遮挡检测模块124，还用于：

对待检测图像中的车辆进行遮挡测试，并基于预先划分的遮挡类别确定每个车辆对应的车牌遮挡程度；其中，每种车牌遮挡程度用于表征当前车牌的完整度阈值；

上述装置还包括，图像剔除模块，用于：

当完整度阈值低于预设临界阈值时，剔除待检测图像。

在一些实施方式中，上述装置还包括，车头检测模块，用于：

基于预先配置的离散方向类确定车头方向概率；基于车头方向概率确定方向值权重，并基于方向值权重计算缩并累加值；基于缩并累加值确定待检测图像中的车辆的车头朝向。

在一些实施方式中，上述装置还包括，区域划分模块，用于：

对待检测图像进行车辆识别，得到目标车辆区域；对目标车辆区域进行划分，确定多个目标区域信息；其中，每个目标区域信息用于预测车辆是否被遮挡。

在一些实施方式中，上述确定模块126，还用于：

判断目标区域信息是否被遮挡；如果是，则确定目标区域信息为车辆遮挡区域信息；基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框和目标跟踪匹配框对应的匹配阈值。

在一些实施方式中，上述装置还包括，动态调整模块，用于：

确定跟踪匹配框对应的优先级；基于跟踪匹配框对应的优先级动态调整跟踪匹配框所处的目标区域信息。

本申请实施例提供的车辆跟踪匹配装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，车辆跟踪匹配装置的实施例部分未提及之处，可参考前述车辆跟踪匹配方法实施例中相应内容。

本申请实施例还提供了一种电子设备，如图13所示，为该电子设备的结构示意图，其中，该电子设备100包括处理器131和存储器130，该存储器130存储有能够被该处理器131执行的计算机可执行指令，该处理器131执行该计算机可执行指令以实现上述任一项车辆跟踪匹配方法。

在图13示出的实施方式中，该电子设备还包括总线132和通信接口133，其中，处理器131、通信接口133和存储器130通过总线132连接。

其中，存储器130可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口133(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线132可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线132可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器131可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器131中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器131可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器131读取存储器中的信息，结合其硬件完成前述实施例的车辆跟踪匹配方法的步骤。

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计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述车辆跟踪匹配方法，具体实现可参见前述方法实施例，在此不再赘述。

本申请实施例所提供的车辆跟踪匹配方法、装置、电子设备和存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；

可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连5通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请

中的具体含义。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通

技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修0改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，

并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种车辆跟踪匹配方法，其特征在于，所述方法包括：

获取待检测图像；所述待检测图像至少包括一辆车辆；

对所述待检测图像中的车辆进行遮挡检测，确定每个车辆对应的车牌遮挡程度；

基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框；

基于所述目标跟踪匹配框对车辆进行跟踪匹配。

2.根据权利要求1所述的车辆跟踪匹配方法，其特征在于，在获取待检测图像之后，所述方法还包括：

基于车辆检测模型在检测头层对所述待检测图像进行解耦处理，确定车牌分支和车辆分支；

其中，车牌分支对应车牌检测头，车辆分支对应车辆检测头。

3.根据权利要求1所述的车辆跟踪匹配方法，其特征在于，对所述待检测图像中的车辆进行遮挡检测，确定每个车辆对应的车牌遮挡程度，包括：

对所述待检测图像中的车辆进行遮挡测试，并基于预先划分的遮挡类别确定每个车辆对应的车牌遮挡程度；其中，每种车牌遮挡程度用于表征当前车牌的完整度阈值；

所述方法还包括：

当完整度阈值低于预设临界阈值时，剔除所述待检测图像。

4.根据权利要求1所述的车辆跟踪匹配方法，其特征在于，所述方法还包括：

基于预先配置的离散方向类确定车头方向概率；

基于车头方向概率确定方向值权重，并基于所述方向值权重计算缩并累加值；

基于所述缩并累加值确定所述待检测图像中的车辆的车头朝向。

5.根据权利要求1所述的车辆跟踪匹配方法，其特征在于，所述方法还包括：

对所述待检测图像进行车辆识别，得到目标车辆区域；

对所述目标车辆区域进行划分，确定多个目标区域信息；其中，每个目标区域信息用于预测车辆是否被遮挡。

6.根据权利要求5所述的车辆跟踪匹配方法，其特征在于，基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框，包括：

判断所述目标区域信息是否被遮挡；

如果是，则确定目标区域信息为车辆遮挡区域信息；

基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框和目标跟踪匹配框对应的匹配阈值。

7.根据权利要求6所述的车辆跟踪匹配方法，其特征在于，所述方法还包括：

确定所述跟踪匹配框对应的优先级；

基于所述跟踪匹配框对应的优先级动态调整所述跟踪匹配框所处的目标区域信息。

8.一种车辆跟踪匹配装置，其特征在于，所述装置包括：

获取模块，用于获取待检测图像；所述待检测图像至少包括一辆车辆；

遮挡检测模块，用于对所述待检测图像中的车辆进行遮挡检测，确定每个车辆对应的车牌遮挡程度；

确定模块，用于基于每个车辆对应的车牌遮挡程度和车辆遮挡区域信息，确定目标跟踪匹配框；

跟踪匹配模块，用于基于所述目标跟踪匹配框对车辆进行跟踪匹配。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的车辆跟踪匹配方法。

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计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的车辆跟踪匹配方法。

Images