CN117854035A - 车辆实时跟踪方法、装置、计算机设备及存储介质 - Google Patents
车辆实时跟踪方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117854035A CN117854035A CN202311597103.6A CN202311597103A CN117854035A CN 117854035 A CN117854035 A CN 117854035A CN 202311597103 A CN202311597103 A CN 202311597103A CN 117854035 A CN117854035 A CN 117854035A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- target
- tracking
- road side
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008034 disappearance Effects 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 21
- 238000004422 calculation algorithm Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及车辆跟踪技术领域，特别涉及一种车辆实时跟踪方法、装置、计算机设备及存储介质，其中，方法包括：获取多个路侧摄像机采集的目标跟踪车辆的图像信息；基于多个路侧摄像机之间的相对关系和预先构建的空间‑时间‑外观模型，基于图像信息得到目标跟踪车辆在多个路侧摄像机之间的盲区通行的通行时间；以及利用通行时间和预设的正态分布模型获取目标跟踪车辆的交通行为特征，并基于交通行为特征生成车辆实时跟踪结果。由此，解决了相关技术中，由于多个摄像机视域间存在盲区，目标运动方式多样化，无法准确预测目标的出现及消失时间，影响跟踪的准确性，且信息获取的难度较大，计算的复杂程度较高，降低了计算速率，影响算法实时性等问题。
Description
技术领域
本申请涉及车辆跟踪技术领域，特别涉及一种车辆实时跟踪方法、装置、计算机设备及存储介质。
背景技术
相关技术中，目前的跨摄像机车辆目标跟踪技术主要通过目标外观特征模型和时空模型两种方式实现，其中，基于目标外观特征模型的车辆目标跟踪方法，主要通过获取颜色、几何、纹理等特征对目标进行关联跟踪，由于颜色特征易于获取并且在目标姿态发生变化时具有较强的稳定性，有不少研究者着重利用目标的颜色特征来建立用于跨摄像机目标匹配的表观模型，20世纪初，Porikli等人提出了亮度转移函数的概念，通过合理地构建不同摄像机间的亮度转移函数，来解决跨摄像机跟踪期间目标亮度发生较大改变的问题。除了采用颜色特征外，Collinst等人试图借助多摄像机之间的三维场景模型来辅助跨摄像机之间的目标匹配，还利用SIFT(Scale Invariant Feature Transform，尺度不变特征转换)算子的旋转不变性、尺度缩放不变性等特性，以区域SIFT特征作为多摄像机目标跟踪的表观模型。基于时空模型的多摄像机车辆目标跟踪方法，主要根据摄像机之间的视野域拓扑结构的关系，把目标投射到世界坐标系中，利用在空间信息计算轨迹相似度，能够与实际的运动目标进一步关联，从而达到追踪的目的。
然而，相关技术中，由于多个摄像机视域间存在盲区，目标运动方式多样化，无法准确预测目标的出现及消失时间，而且目标特征匹配存在类间差异等情况，从而导致目标关联失败，影响跟踪的准确性，需要获取每个摄像机的内参与外参，信息获取的难度较大，且计算的复杂程度较高，降低了计算速率，影响算法实时性，从而影响车辆的实时跟踪，亟待改进。
发明内容
本申请提供一种车辆实时跟踪方法、装置、计算机设备及存储介质，以解决相关技术中，由于多个摄像机视域间存在盲区，目标运动方式多样化，无法准确预测目标的出现及消失时间，影响跟踪的准确性，且信息获取的难度较大，计算的复杂程度较高，降低了计算速率，影响算法实时性等问题。
本申请第一方面实施例提供一种车辆实时跟踪方法，包括以下步骤：获取多个路侧摄像机采集的目标跟踪车辆的图像信息；基于所述多个路侧摄像机之间的相对关系和预先构建的空间-时间-外观模型，基于所述图像信息得到所述目标跟踪车辆在所述多个路侧摄像机之间的盲区通行的通行时间；以及利用所述通行时间和预设的正态分布模型获取所述目标跟踪车辆的交通行为特征，并基于所述交通行为特征生成车辆实时跟踪结果。
可选地，在本申请的一个实施例中，所述多个路侧摄像机之间的距离小于预设距离且在道路侧呈镜像布置。
可选地，在本申请的一个实施例中，所述基于所述多个路侧摄像机之间的相对关系和预先构建的空间-时间-外观模型，基于所述图像信息得到所述目标跟踪车辆在所述多个路侧摄像机之间的盲区通行的通行时间，包括：获取所述目标跟踪车辆在任一路侧摄像机的图像信息中消失时刻的像素坐标；获取所述目标跟踪车辆在于所述任一路侧摄像机的相邻路侧摄像机的图像信息中检测到新目标时，从所述新目标所在的像素坐标中寻找所述消失时刻的像素坐标；从所述消失时刻的像素坐标附近搜索与所述新目标所在的像素坐标距离最接近的车辆进行关联。
可选地，在本申请的一个实施例中，所述利用所述通行时间和预设的正态分布模型获取所述目标跟踪车辆的交通行为特征，并基于所述交通行为特征生成车辆实时跟踪结果，包括：获取所述新目标与所述相邻路侧摄像机中相应搜寻范围内的车辆之间的时间差；判断所述时间差是否满足预设置信区间；如果满足所述预设置信区间，则采用预设时间模型进行目标关联，否则采用预设外观特征模型进行目标关联，生成关联信息；利用所述关联信息更新所述正态分布模型，得到更新后的正态分布模型。
可选地，在本申请的一个实施例中，所述利用所述通行时间和预设的正态分布模型获取所述目标跟踪车辆的交通行为特征，并基于所述交通行为特征生成车辆实时跟踪结果，还包括：基于所述更新后的正态分布模型，得到所述车辆实时跟踪结果。
本申请第二方面实施例提供一种车辆实时跟踪装置，包括：获取模块，用于获取多个路侧摄像机采集的目标跟踪车辆的图像信息；预测模块，用于基于所述多个路侧摄像机之间的相对关系和预先构建的空间-时间-外观模型，基于所述图像信息得到所述目标跟踪车辆在所述多个路侧摄像机之间的盲区通行的通行时间；以及生成模块，用于利用所述通行时间和预设的正态分布模型获取所述目标跟踪车辆的交通行为特征，并基于所述交通行为特征生成车辆实时跟踪结果。
可选地，在本申请的一个实施例中，所述多个路侧摄像机之间的距离小于预设距离且在道路侧呈镜像布置。
可选地，在本申请的一个实施例中，所述预测模块包括：第一获取单元，用于获取所述目标跟踪车辆在任一路侧摄像机的图像信息中消失时刻的像素坐标；寻找单元，用于获取所述目标跟踪车辆在于所述任一路侧摄像机的相邻路侧摄像机的图像信息中检测到新目标时，从所述新目标所在的像素坐标中寻找所述消失时刻的像素坐标；关联单元，用于从所述消失时刻的像素坐标附近搜索与所述新目标所在的像素坐标距离最接近的车辆进行关联。
可选地，在本申请的一个实施例中，所述生成模块包括：第二获取单元，用于获取所述新目标与所述相邻路侧摄像机中相应搜寻范围内的车辆之间的时间差；判断单元，用于判断所述时间差是否满足预设置信区间；生成单元，用于在满足所述预设置信区间时，则采用预设时间模型进行目标关联，否则采用预设外观特征模型进行目标关联，生成关联信息；更新单元，用于利用所述关联信息更新所述正态分布模型，得到更新后的正态分布模型。
可选地，在本申请的一个实施例中，还包括：目标跟踪模块，用于基于所述更新后的正态分布模型，得到所述车辆实时跟踪结果。
本申请第三方面实施例提供一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的车辆实时跟踪方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的车辆实时跟踪方法。
本申请实施例可以根据多个路侧摄像机采集的图像信息确定目标车辆在多个路侧摄像机之间的盲区通行的通行时间，从而结合预设的正态分布模型获取目标跟踪车辆的交通行为特征，并生成车辆实时跟踪结果，实现正态分布模型自我迭代优化，提高多目标关联方法总体的准确率，降低关联错误率，同时，有效降低多目标关联算法复杂度，提升计算速率，保证了算法的实时性。由此，解决了相关技术中，由于多个摄像机视域间存在盲区，目标运动方式多样化，无法准确预测目标的出现及消失时间，影响跟踪的准确性，且信息获取的难度较大，计算的复杂程度较高，降低了计算速率，影响算法实时性等问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种车辆实时跟踪方法的流程图；
图2为根据本申请一个实施例的基于空间点匹配的多目标关联方法的原理示意图；
图3为根据本申请一个实施例的同一限速路段交通车辆通行15米摄像机盲区时间的正态分布示意图；
图4为根据本申请一个实施例的基于空间-时间-外观特征模型的多目标关联方法的原理示意图；
图5为根据本申请实施例提供的一种车辆实时跟踪装置的结构示意图；
图6为根据本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的车辆实时跟踪方法、装置、计算机设备及存储介质。针对上述背景技术中心提到的相关技术中，由于多个摄像机视域间存在盲区，目标运动方式多样化，无法准确预测目标的出现及消失时间，影响跟踪的准确性，且信息获取的难度较大，计算的复杂程度较高，降低了计算速率，影响算法实时性等问题，本申请提供了一种车辆实时跟踪方法，在该方法中，可以根据多个路侧摄像机采集的图像信息确定目标车辆在多个路侧摄像机之间的盲区通行的通行时间，从而结合预设的正态分布模型获取目标跟踪车辆的交通行为特征，并生成车辆实时跟踪结果，实现正态分布模型自我迭代优化，提高多目标关联方法总体的准确率，降低关联错误率，同时，有效降低多目标关联算法复杂度，提升计算速率，保证了算法的实时性。由此，解决了相关技术中，由于多个摄像机视域间存在盲区，目标运动方式多样化，无法准确预测目标的出现及消失时间，影响跟踪的准确性，且信息获取的难度较大，计算的复杂程度较高，降低了计算速率，影响算法实时性等问题。
具体而言，图1为本申请实施例所提供的一种车辆实时跟踪方法的流程示意图。
如图1所示，该车辆实时跟踪方法包括以下步骤：
在步骤S101中，获取多个路侧摄像机采集的目标跟踪车辆的图像信息。
一些实施例中，本申请实施例可以通过计算机视觉和图像处理技术进行图像的分析提取，从而获取路侧摄像机采集的目标跟踪车辆的图像信息，可以是车辆的位置信息也可以是外观特征，例如通过计算机视觉和图像处理技术，对路侧摄像机采集的图像进行分析，从而得到车辆的像素坐标为(100，200)，车辆颜色为黑色。
在本申请的实施例中，图像信息的获取方式可以有很多种，在此不作具体限制，提供多方位全面的视野，提高图像信息的准确性，为后续目标检测和跟踪提供图像数据基础。
可选地，在本申请的一个实施例中，多个路侧摄像机之间的距离小于预设距离且在道路侧呈镜像布置。
可以理解的是，预设距离可以有不同的取值，例如30米、50米，其取值可以和路侧摄像机之间的关系或者拍摄图像之间的关系相关。
在实际执行过程中，本申请实施例实现多个路侧摄像机之间的距离小于预设距离且在道路侧呈镜像布置，例如根据预设要求，可以设置路侧摄像机之间的距离小于50米，并在道路侧可以呈镜像布置。
在本申请的实施例中，预设距离可以根据具体应用需求和场景要求由本领域技术人员进行相应设置，在此不做具体限制，提高图像信息的获取精确度和便捷性，以满足目标的识别、跟踪的需求。
在步骤S102中，基于多个路侧摄像机之间的相对关系和预先构建的空间-时间-外观模型，基于图像信息得到目标跟踪车辆在多个路侧摄像机之间的盲区通行的通行时间。
可以理解的是，相对关系指的是路侧摄像机之间的相对位置和方向关系，如路侧摄像机之间的距离小于50米，并可以呈镜像分布，预先构建的空间-时间-外观模型指的是构建的车辆在盲区通行的空间、时间和外观之间的关系。
作为一种可实现的方式，本申请实施例可以基于多个路侧摄像机之间的相对关系和预先构建的空间-时间-外观模型，并可以结合从图像信息中获取的目标车辆的外观特征和运动轨迹，从而能够预测目标车辆在盲区区域内的通行时间，例如在第一个摄像机中检测到目标车辆进入盲区时，根据车辆的速度(如为40km/h)和行驶方向(如向右)，并基于构建的模型和路侧摄像机之间的相对关系，可以预测得到车辆在盲区内的通行时间为1秒。
本申请实施例可以基于图像信息、摄像机之间的相对关系和预先构建的空间-时间-外观模型，实现对盲区通行时间的预测，算法结构简单，占用算力资源少，且有效提高了预测结果的准确性。
可选地，在本申请的一个实施例中，基于多个路侧摄像机之间的相对关系和预先构建的空间-时间-外观模型，基于图像信息得到目标跟踪车辆在多个路侧摄像机之间的盲区通行的通行时间，包括：获取目标跟踪车辆在任一路侧摄像机的图像信息中消失时刻的像素坐标；获取目标跟踪车辆在于任一路侧摄像机的相邻路侧摄像机的图像信息中检测到新目标时，从新目标所在的像素坐标中寻找消失时刻的像素坐标；从消失时刻的像素坐标附近搜索与新目标所在的像素坐标距离最接近的车辆进行关联。
一些实施例中，本申请实施例可以通过将路侧摄像机之间的距离调小且在道路侧呈镜像布置，使得摄像机的视野盲区小，两摄像机视野存在较为严格的空间对应关系，从而目标跟踪车辆在视野盲区的行驶距离短，难以实现变道，目标跟踪车辆在摄像机视野中的位置变化不大，因此可以根据目标跟踪车辆在前视摄像机中消失的位置找到相邻摄像机中对应的位置，并搜寻附近距离最近的车辆进行关联，如图2所示，当两摄像机镜像布置且摄像机之间的视野盲区范围少于15米时，每当有车辆从摄像机A驶离，实时记录该车辆消失时刻的像素坐标，经过一段时间后，当摄像机B检测到新目标时，需要从新目标所在的像素坐标1′找到摄像机A中对应的像素坐标1，从像素坐标1附近搜寻像素坐标与像素坐标1′距离最接近的车辆进行关联。
本申请实施例可以通过从新目标所在的像素坐标中寻找消失时刻的像素坐标，通过利用相邻摄像机的图像信息，可以弥补视觉盲区，确保目标跟踪的连续性，并在其附近搜索与新目标所在像素坐标距离最接近的已知目标进行关联，可以更精确地找到与新目标相关的消失目标，提高目标关联的准确性，同时，有效降低目标关联复杂度，提升计算速率。
在步骤S103中，利用通行时间和预设的正态分布模型获取目标跟踪车辆的交通行为特征，并基于交通行为特征生成车辆实时跟踪结果。
可以理解的是，预设的正态分布模型指的是构建的车辆通行时间的正态分布模型，以描述车辆通行时间的概率分布特征，交通行为特征指的是与车辆的行驶行为和状态相关的信息，如速度、通过程度、行驶路径等，实时跟踪结果指的是车辆当前状态的实时信息，如位置、速度等。
在实际执行过程中，本申请实施例可以通过路侧摄像机获取目标跟踪车辆的通行时间，并结合预设的正态分布模型获取车辆的交通行为特征，从而生成车辆实时跟踪结果，例如将通行时间归纳到预设的正态分布模型中，计算出车辆的通行时间t并检测到车辆的位置信息s，通过数据的比对分析，可以估计该车辆的速度v，进而推断其下一时刻的位置s'，并持续进行车辆实时跟踪。
本申请实施例通过获取目标跟踪车辆的交通行为特征，可以对车辆行驶情况进行定量化分析，准确了解目标车辆的行驶情况，通过迭代更新目标的位置和状态，优化车辆的实时跟踪结果，可以减少跟踪误差，提高跟踪精度和连续性。
可选地，在本申请的一个实施例中，利用通行时间和预设的正态分布模型获取目标跟踪车辆的交通行为特征，并基于交通行为特征生成车辆实时跟踪结果，包括：获取新目标与相邻路侧摄像机中相应搜寻范围内的车辆之间的时间差；判断时间差是否满足预设置信区间；如果满足预设置信区间，则采用预设时间模型进行目标关联，否则采用预设外观特征模型进行目标关联，生成关联信息；利用关联信息更新正态分布模型，得到更新后的正态分布模型。
可以理解的是，信区间指的是预先设置的时间差范围，用于判断计算得到的时间差是否在可接受范围内，作为选择时间模型或外观特征模型的依据。
部分实施例中，本申请实施例可以通过计算新目标与相邻摄像机图像中目标之间的时间差，判断时间差是否满足预设信区间，从而决定使用时间模型还是外观特征模型进行目标关联，其中，时间模型基于目标在时间上的关联性，外观特征模型基于目标在外观上的相似性，从而可以根据选择的模型，进行目标关联操作，并利用生成的关联信息更新正态分布模型，有利于后续的目标跟踪和分析。
具体地，如图3所示，根据正态分布的规律，并结合构建的空间-时间-外观模型和目标关联，可以知道当大部分车辆均以正常速度通过盲区，车辆进入盲区的顺序关系在大部分情况下十分可靠，从而可以基础建立空间-时间模型，用作采集车辆通过摄像机盲区所用的时间搭建正态分布模型。正态分布模型搭建完成后，当前视摄像机中出现新检测目标时，需要先判断该检测目标与相邻摄像机中相应搜寻范围内的车辆之间的时间差是否满足正态分布模型指定的置信区间，如果时间差满足置信区间的范围，则采用时间模型进行目标关联；若不满足置信区间，则采用外观特征模型进行目标关联。在车辆关联完成后，用车辆通行盲区的时间持续更新正态分布模型。
此外，如图4所示，每当有车辆从前视摄像机驶离时，记录该时刻的时间戳Tn，车辆在摄像机中的像素坐标(Xn,Yn)，车辆的图像外观特征Fn，当后视摄像机检测到新目标时，记录该时刻的时间戳Tn+1，车辆在摄像机中的像素坐标(Xn+1,Yn+1)，车辆的图像外观特征Fn+1，采用KS检验(Kolmogorov-Smirnov test，拟合优度检验)对正态分布模型进行检验，若采集的数据未通过KS检验，则需要通过空间-时间模型对目标进行关联，并持续收集关联后车辆通行盲区的时间差，用于继续完善正态分布模型；若KS检验通过，则判断新检测目标和盲区车辆的时间差是否符合正态分布的指定置信区间，若符合正态分布95％的置信区间，则采用时间模型完成关联，否则采用外观特征模型完成关联，从而收集关联后车辆通行盲区的时间差，以保证正态分布模型的在线学习。
在本申请的实施例中，信区间的设置可以根据具体应用需求和经验知识进行调整，由本领域技术人员进行相应设置，在此不做具体限制，可以合理选择时间模型或外观特征模型进行目标关联，增加目标关联的准确性和可靠性，提高考虑目标关联各方面的全面性，提高目标关联的成功率，对正态分布模型进行更新，以提升目标跟踪的准确性和连续性。
可选地，在本申请的一个实施例中，利用通行时间和预设的正态分布模型获取目标跟踪车辆的交通行为特征，并基于交通行为特征生成车辆实时跟踪结果，还包括：基于更新后的正态分布模型，得到车辆实时跟踪结果。
可以理解的是，本申请实施例可以根据目标的位置、速度等参数对正态分布进行调整，从而利用更新后的正态分布模型，生成实时的车辆跟踪结果，例如根据跟踪的车辆状态(如位置、速度等)，可以调整正态分布参数，从而基于更新后的正态分布模型，在当前图像中重新检测并得到车辆当前实时位置信息。
本申请实施例通过使用更新后的正态分布模型，可以更好地匹配实际的目标行为和状态分布，有助于提高目标跟踪的准确性，可以更好地跟踪目标的运动轨迹，提高了连续跟踪的能力。
结合图2、图3和图4所示，下面以一个实施例对本申请实施例的车辆实时跟踪方法进行详细阐述。
可以理解的是，如图2所示，当两摄像机间盲区较小时，目标车辆从前视摄像机转移相邻摄像机时，目标车辆的横向距离变化小，相对应的摄像机的像素坐标也应变化不大，故可搜寻附近像素距离最近车辆完成关联，关联算法结构简单，占用算力资源少，可应用于真实道路的实时跨域跟踪部署中，而且可以有效提高跨摄像机跟踪的准确率，具体地，当两摄像机镜像布置且摄像机之间的视野盲区范围少于15米时，每当有车辆从摄像机A驶离，路侧单元实时记录该车辆消失时刻的像素坐标。经过一段时间后当摄像机B检测到新目标时，需要从该检测目标所在的像素坐标1′找到摄像机A中对应的像素坐标1，从像素坐标1附近搜寻像素坐标与像素坐标1′距离最接近的车辆进行关联。
此外，如图3所示，统计所用数据集样本量为1044634条，当交通车辆以正常速度通过摄像机间视野盲区时，车辆进入盲区的顺序关系十分可靠；但是当交通车辆以高速或低速通过盲区时，有可能会导致车辆顺序在盲区发生改变，致使目标关联错误。根据正态分布的规律，大部分车辆均以正常速度通过盲区，车辆进入盲区的顺序关系在大部分情况下十分可靠，正态分布模型搭建完成后，当前视摄像机中出现新检测目标时，需要先判断该检测目标与相邻摄像机中相应搜寻范围内的车辆之间的时间差是否满足正态分布模型指定的置信区间，如果时间差满足置信区间的范围，则采用时间模型进行目标关联；若不满足置信区间，则采用外观特征模型进行目标关联。在车辆关联完成后，用车辆通行盲区的时间持续更新正态分布模型。
具体地，如图4所示，每当有车辆从前视摄像机驶离时，记录该时刻的时间戳Tn，车辆在摄像机中的像素坐标(Xn,Yn)，车辆的图像外观特征Fn。一段时间后，当后视摄像机检测到新目标时，记录该时刻的时间戳Tn+1，车辆在摄像机中的像素坐标(Xn+1,Yn+1)，车辆的图像外观特征Fn+1。本方法采用KS检验对正态分布模型进行检验。若采集的数据未通过KS检验，则需要通过空间-时间模型对目标进行关联，并持续收集关联后车辆通行盲区的时间差，用于继续完善正态分布模型；若KS检验通过，则判断新检测目标和盲区车辆的时间差是否符合正态分布的指定置信区间，若符合正态分布95％的置信区间，则采用时间模型完成关联，否则采用外观特征模型完成关联，关联完成后，同样需要收集关联后车辆通行盲区的时间差，用与正态分布模型的在线学习。
根据本申请实施例提出的车辆实时跟踪方法，可以根据多个路侧摄像机采集的图像信息确定目标车辆在多个路侧摄像机之间的盲区通行的通行时间，从而结合预设的正态分布模型获取目标跟踪车辆的交通行为特征，并生成车辆实时跟踪结果，实现正态分布模型自我迭代优化，提高多目标关联方法总体的准确率，降低关联错误率，同时，有效降低多目标关联算法复杂度，提升计算速率，保证了算法的实时性。由此，解决了相关技术中，由于多个摄像机视域间存在盲区，目标运动方式多样化，无法准确预测目标的出现及消失时间，影响跟踪的准确性，且信息获取的难度较大，计算的复杂程度较高，降低了计算速率，影响算法实时性等技术问题。
其次参照附图描述根据本申请实施例提出的车辆实时跟踪装置。
图5是本申请实施例的车辆实时跟踪装置的方框示意图。
如图5所示，该车辆实时跟踪装置10包括：获取模块100、预测模块200和生成模块300。
具体地，获取模块100，用于获取多个路侧摄像机采集的目标跟踪车辆的图像信息。
预测模块200，用于基于多个路侧摄像机之间的相对关系和预先构建的空间-时间-外观模型，基于图像信息得到目标跟踪车辆在多个路侧摄像机之间的盲区通行的通行时间。
生成模块300，用于利用通行时间和预设的正态分布模型获取目标跟踪车辆的交通行为特征，并基于交通行为特征生成车辆实时跟踪结果。
可选地，在本申请的一个实施例中，多个路侧摄像机之间的距离小于预设距离且在道路侧呈镜像布置。
可选地，在本申请的一个实施例中，预测模块200包括：第一获取单元、寻找单元和关联单元。
其中，第一获取单元，用于获取目标跟踪车辆在任一路侧摄像机的图像信息中消失时刻的像素坐标；
寻找单元，用于获取目标跟踪车辆在于任一路侧摄像机的相邻路侧摄像机的图像信息中检测到新目标时，从新目标所在的像素坐标中寻找消失时刻的像素坐标；
关联单元，用于从消失时刻的像素坐标附近搜索与新目标所在的像素坐标距离最接近的车辆进行关联。
可选地，在本申请的一个实施例中，生成模块300包括：第二获取单元、判断单元、关联单元和更新单元。
其中，第二获取单元，用于获取新目标与相邻路侧摄像机中相应搜寻范围内的车辆之间的时间差；
判断单元，用于判断时间差是否满足预设置信区间；
关联单元，用于在满足预设置信区间时，则采用预设时间模型进行目标关联，否则采用预设外观特征模型进行目标关联，生成关联信息；
更新单元，用于利用关联信息更新正态分布模型，得到更新后的正态分布模型。
可选地，在本申请的一个实施例中，还包括：目标跟踪模块。
其中，目标跟踪模块，用于基于更新后的正态分布模型，得到车辆实时跟踪结果。
需要说明的是，前述对车辆实时跟踪方法实施例的解释说明也适用于该实施例的车辆实时跟踪装置，此处不再赘述。
根据本申请实施例提出的车辆实时跟踪装置，可以根据多个路侧摄像机采集的图像信息确定目标车辆在多个路侧摄像机之间的盲区通行的通行时间，从而结合预设的正态分布模型获取目标跟踪车辆的交通行为特征，并生成车辆实时跟踪结果，实现正态分布模型自我迭代优化，提高多目标关联方法总体的准确率，降低关联错误率，同时，有效降低多目标关联算法复杂度，提升计算速率，保证了算法的实时性。由此，解决了相关技术中，由于多个摄像机视域间存在盲区，目标运动方式多样化，无法准确预测目标的出现及消失时间，影响跟踪的准确性，且信息获取的难度较大，计算的复杂程度较高，降低了计算速率，影响算法实时性等技术问题。
图6为本申请实施例提供的计算机设备的结构示意图。该计算机设备可以包括：
存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序。
处理器602执行程序时实现上述实施例中提供的车辆实时跟踪方法。
进一步地，计算机设备还包括：
通信接口603，用于存储器601和处理器602之间的通信。
存储器601，用于存放可在处理器602上运行的计算机程序。
存储器601可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器601、处理器602和通信接口603独立实现，则通信接口603、存储器601和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent Interconnect，简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器601、处理器602及通信接口603，集成在一块芯片上实现，则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。
处理器602可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的车辆实时跟踪方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种车辆实时跟踪方法，其特征在于，包括以下步骤：
获取多个路侧摄像机采集的目标跟踪车辆的图像信息；
基于所述多个路侧摄像机之间的相对关系和预先构建的空间-时间-外观模型，基于所述图像信息得到所述目标跟踪车辆在所述多个路侧摄像机之间的盲区通行的通行时间；以及
利用所述通行时间和预设的正态分布模型获取所述目标跟踪车辆的交通行为特征，并基于所述交通行为特征生成车辆实时跟踪结果。
2.根据权利要求1所述的方法，其特征在于，所述多个路侧摄像机之间的距离小于预设距离且在道路侧呈镜像布置。
3.根据权利要求1所述的方法，其特征在于，所述基于所述多个路侧摄像机之间的相对关系和预先构建的空间-时间-外观模型，基于所述图像信息得到所述目标跟踪车辆在所述多个路侧摄像机之间的盲区通行的通行时间，包括：
获取所述目标跟踪车辆在任一路侧摄像机的图像信息中消失时刻的像素坐标；
获取所述目标跟踪车辆在于所述任一路侧摄像机的相邻路侧摄像机的图像信息中检测到新目标时，从所述新目标所在的像素坐标中寻找所述消失时刻的像素坐标；
从所述消失时刻的像素坐标附近搜索与所述新目标所在的像素坐标距离最接近的车辆进行关联。
4.根据权利要求3所述的方法，其特征在于，所述利用所述通行时间和预设的正态分布模型获取所述目标跟踪车辆的交通行为特征，并基于所述交通行为特征生成车辆实时跟踪结果，包括：
获取所述新目标与所述相邻路侧摄像机中相应搜寻范围内车辆之间的时间差；
判断所述时间差是否满足预设置信区间；
如果满足所述预设置信区间，则采用预设时间模型进行目标关联，否则采用预设外观特征模型进行目标关联，生成关联信息；
利用所述关联信息更新所述正态分布模型，得到更新后的正态分布模型。
5.根据权利要求4所述的方法，其特征在于，所述利用所述通行时间和预设的正态分布模型获取所述目标跟踪车辆的交通行为特征，并基于所述交通行为特征生成车辆实时跟踪结果，还包括：
基于所述更新后的正态分布模型，得到所述车辆实时跟踪结果。
6.一种车辆实时跟踪装置，其特征在于，包括：
获取模块，用于获取多个路侧摄像机采集的目标跟踪车辆的图像信息；
预测模块，用于基于所述多个路侧摄像机之间的相对关系和预先构建的空间-时间-外观模型，基于所述图像信息得到所述目标跟踪车辆在所述多个路侧摄像机之间的盲区通行的通行时间；以及
生成模块，用于利用所述通行时间和预设的正态分布模型获取所述目标跟踪车辆的交通行为特征，并基于所述交通行为特征生成车辆实时跟踪结果。
7.根据权利要求6所述的装置，其特征在于，所述多个路侧摄像机之间的距离小于预设距离且在道路侧呈镜像布置。
8.根据权利要求6所述的装置，其特征在于，所述预测模块包括：
第一获取单元，用于获取所述目标跟踪车辆在任一路侧摄像机的图像信息中消失时刻的像素坐标；
寻找单元，用于获取所述目标跟踪车辆在于所述任一路侧摄像机的相邻路侧摄像机的图像信息中检测到新目标时，从所述新目标所在的像素坐标中寻找所述消失时刻的像素坐标；
关联单元，用于从所述消失时刻的像素坐标附近搜索与所述新目标所在的像素坐标距离最接近的车辆进行关联。
9.根据权利要求8所述的装置，其特征在于，所述生成模块包括：
第二获取单元，用于获取所述新目标与所述相邻路侧摄像机中相应搜寻范围内的车辆之间的时间差；
判断单元，用于判断所述时间差是否满足预设置信区间；
生成单元，用于在满足所述预设置信区间时，则采用预设时间模型进行目标关联，否则采用预设外观特征模型进行目标关联，生成关联信息；
更新单元，用于利用所述关联信息更新所述正态分布模型，得到更新后的正态分布模型。
10.根据权利要求9所述的装置，其特征在于，所述生成模块还包括：
目标跟踪模块，用于基于所述更新后的正态分布模型，得到所述车辆实时跟踪结果。
11.一种计算机设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的车辆实时跟踪方法。
12.一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，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的车辆实时跟踪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311597103.6A CN117854035A (zh) | 2023-11-27 | 2023-11-27 | 车辆实时跟踪方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311597103.6A CN117854035A (zh) | 2023-11-27 | 2023-11-27 | 车辆实时跟踪方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117854035A true CN117854035A (zh) | 2024-04-09 |
Family
ID=90533338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311597103.6A Pending CN117854035A (zh) | 2023-11-27 | 2023-11-27 | 车辆实时跟踪方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117854035A (zh) |
-
2023
- 2023-11-27 CN CN202311597103.6A patent/CN117854035A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8605947B2 (en) | Method for detecting a clear path of travel for a vehicle enhanced by object detection | |
| Liu et al. | Rear vehicle detection and tracking for lane change assist | |
| US7612800B2 (en) | Image processing apparatus and method | |
| Zhao et al. | A novel multi-lane detection and tracking system | |
| US8611585B2 (en) | Clear path detection using patch approach | |
| CN102792314B (zh) | 交叉通行碰撞警报系统 | |
| EP3007099B1 (en) | Image recognition system for a vehicle and corresponding method | |
| US8670592B2 (en) | Clear path detection using segmentation-based method | |
| US8406472B2 (en) | Method and system for processing image data | |
| Kim et al. | Deep traffic light detection for self-driving cars from a large-scale dataset | |
| CN107389084A (zh) | 行车路径规划方法及存储介质 | |
| US10984263B2 (en) | Detection and validation of objects from sequential images of a camera by using homographies | |
| Liu et al. | Vehicle detection and ranging using two different focal length cameras | |
| CN114419098A (zh) | 基于视觉变换的运动目标轨迹预测方法及装置 | |
| CN113435237A (zh) | 物体状态识别装置、识别方法和识别用程序以及控制装置 | |
| JP2006140636A (ja) | 障害物検出装置および方法 | |
| CN114495066A (zh) | 一种辅助倒车的方法 | |
| Kim | Realtime obstacle detection and tracking based on constrained Delaunay triangulation | |
| US11120292B2 (en) | Distance estimation device, distance estimation method, and distance estimation computer program | |
| Kim et al. | An intelligent and integrated driver assistance system for increased safety and convenience based on all-around sensing | |
| Kanhere | Vision-based detection, tracking and classification of vehicles using stable features with automatic camera calibration | |
| CN117854035A (zh) | 车辆实时跟踪方法、装置、计算机设备及存储介质 | |
| Cao et al. | Vehicle motion analysis based on a monocular vision system | |
| Muller-Schneiders et al. | Performance evaluation of a real time traffic sign recognition system | |
| Kuprešak et al. | Solution for autonomous vehicle parking |
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 |