CN118015847A - 一种车辆轨迹生成方法、系统、电子设备及存储介质 - Google Patents
一种车辆轨迹生成方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118015847A CN118015847A CN202410066996.XA CN202410066996A CN118015847A CN 118015847 A CN118015847 A CN 118015847A CN 202410066996 A CN202410066996 A CN 202410066996A CN 118015847 A CN118015847 A CN 118015847A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- identity information
- fusion
- target vehicle
- 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 40
- 230000004927 fusion Effects 0.000 claims abstract description 69
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 abstract description 6
- 238000012937 correction Methods 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function 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
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种车辆轨迹生成方法、系统、电子设备及存储介质，方法包括：获取车辆的ETC身份信息；并对通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据；对ETC身份信息与雷视融合数据进行数据融合，将ETC身份信息赋予目标车辆；对已赋予ETC身份信息的目标车辆，判断目标车辆是否带有ETC标识，若是，则根据目标车辆的ID标识，判断目标车辆在已有的交通目标列表中是否已存在，若是，则将目标车辆的行驶轨迹连续，生成行驶轨迹。通过实施本发明，实现对环境因素、车辆遮挡干扰情况下，摄像机无法准确车牌识别结果的增添和校正，完善道路的全息路口感知信息。
Description
技术领域
本发明涉及智能交通领域，尤其涉及一种车辆轨迹生成方法、系统、电子设备及存储介质。
背景技术
随着车路协同技术的发展，基于多模式、多场景的前端感知的多数据源融合技术显得越来越重要，目前雷达和摄像机的融合数据已经被广泛应用，但是由于环境因素、车辆遮挡等因素的影响，导致视频模式下车牌识别的准确率低，无法实现全息路口感知。
发明内容
本发明要解决的技术问题在于，针对现上述背景技术中提及的相关技术存在的至少一个缺陷，提供一种车辆轨迹生成方法、系统、电子设备及存储介质。
本发明解决其技术问题所采用的技术方案是：提供一种车辆轨迹生成方法，适用于MEC设备，包括以下步骤：
步骤S10：获取车辆的ETC身份信息；并对通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据；
步骤S20：对所述ETC身份信息与所述雷视融合数据进行数据融合，将所述ETC身份信息赋予目标车辆；
步骤S30：对已赋予所述ETC身份信息的目标车辆，判断所述目标车辆是否带有ETC标识，若是，则根据所述目标车辆的ID标识，判断所述目标车辆在已有的交通目标列表中是否已存在，若是，则将所述目标车辆的行驶轨迹连续，生成行驶轨迹。
优选地，所述获取车辆的ETC身份信息包括：
当安装有OBU或携有CPC卡的车辆经过RSU的覆盖范围时，通过所述RSU获取车辆中OBU或CPC卡中的ETC身份信息，并传输至MEC设备中。
优选地，所述对通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据包括：
通过架设的摄像机采集的视频数据，基于所述车辆深度学习识别模型判断车辆在图像坐标系下的数据，并与雷达检测的目标进行目标融合，获得车辆在世界坐标系中定位的所述雷视融合数据。
优选地，所述步骤S20包括：
步骤S21：从所述雷视融合数据的目标列表中选取一个交通目标；
步骤S22：判断所述交通目标是否已融合ETC，若否，则执行步骤S23；
步骤S23：在所述ETC身份信息的列表中，基于预设的车牌模糊匹配算法查找ETC目标，判断是否查找到匹配的ETC目标，若是，则执行步骤S26；
步骤S26：将所述匹配的ETC目标赋予目标车辆。
优选地，所述步骤S23还包括：
若否，则执行步骤S24；
步骤S24：在所述ETC身份信息的列表中根据车型查找ETC目标，判断相同车型的ETC目标是否只有一个，若是，则执行步骤S26。
优选地，所述步骤S24还包括：
若否，则执行步骤S25；
步骤S25：判断所述ETC身份信息的列表和所述雷视融合数据的目标列表中的交通目标是否均只有一个，若是，则执行步骤S26。
优选地，所述步骤S30还包括：
判断所述目标车辆是否带有ETC标识，若否，则执行步骤S31；
步骤S31：判断所述目标车辆的当前位置是否已过ETC识别区，若是，则执行步骤S32；
步骤S32：判断所述目标车辆是否与其他车辆距离较近，若是，则执行步骤S33；
步骤S33：根据所述目标车辆的ID标识获取所述目标车辆的历史轨迹，判断所述目标车辆的轨迹是否不稳定，若是，则执行步骤S34；
步骤S34：判断所述目标车辆为虚拟目标，将所述目标车辆的ID标识进行删除。
本发明还构造了一种车辆轨迹生成系统，包括：
获取模块，用于获取车辆的ETC身份信息；并对通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据；
身份融合模块，用于对所述ETC身份信息与所述雷视融合数据进行数据融合，将所述ETC身份信息赋予目标车辆；
轨迹生成模块，用于对已赋予所述ETC身份信息的目标车辆，判断所述目标车辆是否带有ETC标识，若是，则根据所述目标车辆的ID标识，判断所述目标车辆在已有的交通目标列表中是否已存在，若是，则将所述目标车辆的行驶轨迹连续，生成行驶轨迹。
本发明还构造了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述任一项所述的车辆轨迹生成方法。
本发明还构造了一种存储介质，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上述任一项所述的车辆轨迹生成方法。
通过实施本发明，具有以下有益效果：
本发明公开了一种车辆轨迹生成方法、系统、电子设备及存储介质，方法包括：获取车辆的ETC身份信息；并对通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据；对ETC身份信息与雷视融合数据进行数据融合，将ETC身份信息赋予目标车辆；对已赋予ETC身份信息的目标车辆，判断目标车辆是否带有ETC标识，若是，则根据目标车辆的ID标识，判断目标车辆在已有的交通目标列表中是否已存在，若是，则将目标车辆的行驶轨迹连续，生成行驶轨迹。通过实施本发明，实现对环境因素、车辆遮挡干扰情况下，摄像机无法准确车牌识别结果的增添和校正，完善道路的全息路口感知信息。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明车辆轨迹生成方法的流程示意图；
图2是本发明第一实施例的流程示意图；
图3是本发明第二实施例的流程示意图；
图4是本发明车辆轨迹生成系统的模块框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
需要说明的是，附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
全文中简称：
边缘计算技术(Mobile Edge Computing，MEC)；
复合通行卡(Comprehensive Pass Card，CPC)；
路侧设备(Road Side Unit，RSU)；
电子不停车收费系统(Electronic Toll Collection，ETC)；
车载单元(On board Unit，OBU)。
本发明基于MEC设备移动边缘计算，使用雷达和摄像机融合的跟踪技术，利用OBU和CPC的ETC身份信息对雷视融合数据进行再次融合，进而完成摄像机无法识别车牌或者误识别的增添或校正，从而完善全息路口感知。
在本实施例中，如图1所示，本发明提供了一种车辆轨迹生成方法，适用于MEC设备，包括以下步骤：
步骤S10：获取车辆的ETC身份信息；并对通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据；
在本实施例中，获取车辆的ETC身份信息包括：
当安装有OBU或携有CPC卡的车辆经过RSU的覆盖范围时，通过RSU获取车辆中OBU或CPC卡中的ETC身份信息，并传输至MEC设备中。
在一个实施例中，车辆的OBU在安装时，就已经被写入车辆的真实车牌和车型信息。而CPC，除非是高速公路入口提前发卡的情况，CPC在高速公路入口分发时也会被写入真实车牌和车型信息。因此，当安装有OBU或者携带CPC的车辆经过RSU的覆盖范围时，RSU会获取OBU或者CPC中的ETC身份信息。ETC身份信息中包括车辆的车牌和车型。
在本实施例中，对通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据包括：
通过架设的摄像机采集的视频数据，基于车辆深度学习识别模型判断车辆在图像坐标系下的数据，并与雷达检测的目标进行目标融合，获得车辆在世界坐标系中定位的雷视融合数据。
在一个实施例中，通过雷达和摄像机进行雷视融合，获得雷视身份信息(包括车辆类型和车牌等，其中大中小客货车型在仅有雷达时仅能识别大中小，车牌可能为空)，根据路侧设备的有效覆盖区域与雷达检测车辆的位置信息，进行ETC身份融合。
在一个实施例中，通过架设在电警杆的摄像机采集视频数据，通过预设的车辆深度学习识别模型判断车辆在图像坐标系下的位置信息，并与雷达检测目标进行目标融合，实现目标在世界坐标系下的精确定位。
摄像机类型包括但不限于广角鱼眼摄像机，雷达类型包括但不限于毫米波雷达、激光雷达等。通过对雷视融合车辆的实时数据信息，依据动态跟踪技术，即能得到跟踪后车辆目标位置信息。
其中车辆深度学习模型包括但不限于：sequeezenet-ssd、mobilenetv2-ssd、cascade-rcnn、vgg-repulsionloss等。动态跟踪技术有但不限于扩展卡尔曼滤波、最大似然估计等方法。
在一个实施例中，当生成雷视融合数据后，还会对每个交通目标均赋予一个数字作为ID标识并且该ID标识在跟踪过程中保持不变。因此,可以在新旧的交通目标列表中根据ID标识关联目标，并跟踪轨迹。
如图2所示，步骤S20：对ETC身份信息与雷视融合数据进行数据融合，将ETC身份信息赋予目标车辆；
在本实施例中，步骤S20包括：
步骤S21：从雷视融合数据的目标列表中选取一个交通目标；
步骤S22：判断交通目标是否已融合ETC，若否，则执行步骤S23；若是，则结束流程。
步骤S23：在ETC身份信息的列表中，基于预设的车牌模糊匹配算法查找ETC目标，判断是否查找到匹配的ETC目标，若是，则执行步骤S26；若否，则执行步骤S24；
步骤S24：在ETC身份信息的列表中根据车型查找ETC目标，判断相同车型的ETC目标是否只有一个，若是，则执行步骤S26；若否，则执行步骤S25；
步骤S25：判断ETC身份信息的列表和雷视融合数据的目标列表中的交通目标是否均只有一个，若是，则说明当前时刻只有一个交通目标，执行步骤S26；若否，则结束流程。
步骤S26：将匹配的ETC目标赋予目标车辆。
在一个实施例中，当获取ETC身份信息和雷视融合数据后，将ETC身份融合给目标车辆。融合过程中，将会以雷视目标为主，雷视融合数据中包括雷视融合数据的目标列表，如果车牌模糊匹配，就会将ETC身份信息赋予目标，否则再次检测车型是否匹配。如果车型唯一匹配，或者雷视目标和ETC目标均只有一个车，将ETC身份信息赋予目标。在每个交通目标都完成上述的融合流程后，便形成当前时刻的交通目标列表数据。
如图3所示，步骤S30：对已赋予ETC身份信息的目标车辆，判断目标车辆是否带有ETC标识，若是，则根据目标车辆的ID标识，判断目标车辆在已有的交通目标列表中是否已存在，若是，则复用原有车辆的ID标识，将目标车辆的行驶轨迹连续，即将目标车辆当前时刻和历史时刻的数据进行串联，生成行驶轨迹；若否，则将所述目标车辆绑定ETC标识。
在本实施例中，步骤S30还包括：
判断目标车辆是否带有ETC标识，若否，则执行步骤S31；
步骤S31：判断目标车辆的当前位置是否已过ETC识别区，若是，则执行步骤S32；若否，则结束流程。若目标车辆尚未过ETC识别区，即仅生了雷视融合数据。
步骤S32：判断目标车辆是否与其他车辆距离较近，若是，则执行步骤S33；若否，则结束流程。如果目标车辆与大车的距离较近，可能被大车遮挡，也可能是虚拟目标。
步骤S33：根据目标车辆的ID标识获取目标车辆的历史轨迹，判断目标车辆的轨迹是否不稳定，若是，则执行步骤S34；若否，则结束流程。
步骤S34：判断目标车辆为虚拟目标，将目标车辆的ID标识进行删除。
在一个实施例中，首先判断该目标是否已经带有ETC标识，对带有ETC标识的目标，如果已经存在就复用原有车辆ID标识，形成连续的轨迹；如果不存在则绑定ETC标识后记录保存。对于未带有ETC标识的目标，还要判断是否已经过ETC识读区、是否与大车距离较进、是否轨迹不稳定。轨迹不稳定的目标，有可能是雷视误识别的虚拟目标，应将目标车辆的ID标识进行删除。
在本实施例中，如图4所示，本发明还构造了一种车辆轨迹生成系统，包括：
获取模块，用于获取车辆的ETC身份信息；并对通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据；
身份融合模块，用于对ETC身份信息与雷视融合数据进行数据融合，将ETC身份信息赋予目标车辆；
轨迹生成模块，用于对已赋予ETC身份信息的目标车辆，判断目标车辆是否带有ETC标识，若是，则根据目标车辆的ID标识，判断目标车辆在已有的交通目标列表中是否已存在，若是，则将目标车辆的行驶轨迹连续，生成行驶轨迹。
具体的，这里的车辆轨迹生成系统中各模块之间具体的配合操作过程具体可以参照上述车辆轨迹生成方法，这里不再赘述。
另，本发明的一种电子设备，包括存储器和处理器；存储器用于存储计算机程序；处理器用于执行计算机程序实现如上面任意一项的车辆轨迹生成方法。具体的，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过电子设备下载和安装并且执行时，执行本发明实施例的方法中限定的上述功能。本发明中的电子设备可为笔记本、台式机、平板电脑、智能手机等终端，也可为服务器。
另，本发明的一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上面任意一项的车辆轨迹生成方法。具体的，需要说明的是，本发明上述的存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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。
通过实施本发明，具有以下有益效果：
本发明公开了一种车辆轨迹生成方法、系统、电子设备及存储介质，方法包括：获取车辆的ETC身份信息；并对通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据；对ETC身份信息与雷视融合数据进行数据融合，将ETC身份信息赋予目标车辆；对已赋予ETC身份信息的目标车辆，判断目标车辆是否带有ETC标识，若是，则根据目标车辆的ID标识，判断目标车辆在已有的交通目标列表中是否已存在，若是，则将目标车辆的行驶轨迹连续，生成行驶轨迹。通过实施本发明，实现对环境因素、车辆遮挡干扰情况下，摄像机无法准确车牌识别结果的增添和校正，完善道路的全息路口感知信息。
以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。
Claims (10)
1.一种车辆轨迹生成方法，适用于MEC设备，其特征在于，包括以下步骤：
步骤S10：获取车辆的ETC身份信息；并对通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据；
步骤S20：对所述ETC身份信息与所述雷视融合数据进行数据融合，将所述ETC身份信息赋予目标车辆；
步骤S30：对已赋予所述ETC身份信息的目标车辆，判断所述目标车辆是否带有ETC标识，若是，则根据所述目标车辆的ID标识，判断所述目标车辆在已有的交通目标列表中是否已存在，若是，则将所述目标车辆的行驶轨迹连续，生成行驶轨迹。
2.根据权利要求1所述的车辆轨迹生成方法，其特征在于，所述获取车辆的ETC身份信息包括：
当安装有OBU或携有CPC卡的车辆经过RSU的覆盖范围时，通过所述RSU获取车辆中OBU或CPC卡中的ETC身份信息，并传输至MEC设备中。
3.根据权利要求1所述的车辆轨迹生成方法，其特征在于，所述通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据包括：
通过架设的摄像机采集的视频数据，基于所述车辆深度学习识别模型判断车辆在图像坐标系下的数据，并与雷达检测的目标进行目标融合，获得车辆在世界坐标系中定位的所述雷视融合数据。
4.根据权利要求1所述的车辆轨迹生成方法，其特征在于，所述步骤S20包括：
步骤S21：从所述雷视融合数据的目标列表中选取一个交通目标；
步骤S22：判断所述交通目标是否已融合ETC，若否，则执行步骤S23；
步骤S23：在所述ETC身份信息的列表中，基于预设的车牌模糊匹配算法查找ETC目标，判断是否查找到匹配的ETC目标，若是，则执行步骤S26；
步骤S26：将所述匹配的ETC目标赋予目标车辆。
5.根据权利要求4所述的车辆轨迹生成方法，其特征在于，所述步骤S23还包括：
若否，则执行步骤S24；
步骤S24：在所述ETC身份信息的列表中根据车型查找ETC目标，判断相同车型的ETC目标是否只有一个，若是，则执行步骤S26。
6.根据权利要求5所述的车辆轨迹生成方法，其特征在于，所述步骤S24还包括：
若否，则执行步骤S25；
步骤S25：判断所述ETC身份信息的列表和所述雷视融合数据的目标列表中的交通目标是否均只有一个，若是，则执行步骤S26。
7.根据权利要求1所述的车辆轨迹生成方法，其特征在于，所述步骤S30还包括：
判断所述目标车辆是否带有ETC标识，若否，则执行步骤S31；
步骤S31：判断所述目标车辆的当前位置是否已过ETC识别区，若是，则执行步骤S32；
步骤S32：判断所述目标车辆是否与其他车辆距离较近，若是，则执行步骤S33；
步骤S33：根据所述目标车辆的ID标识获取所述目标车辆的历史轨迹，判断所述目标车辆的轨迹是否不稳定，若是，则执行步骤S34；
步骤S34：判断所述目标车辆为虚拟目标，将所述目标车辆的ID标识进行删除。
8.一种车辆轨迹生成系统，其特征在于，包括：
获取模块，用于获取车辆的ETC身份信息；并对通过雷达和摄像机获取的车辆数据，基于预设的车辆深度学习识别模型进行信息融合，获得雷视融合数据；
身份融合模块，用于对所述ETC身份信息与所述雷视融合数据进行数据融合，将所述ETC身份信息赋予目标车辆；
轨迹生成模块，用于对已赋予所述ETC身份信息的目标车辆，判断所述目标车辆是否带有ETC标识，若是，则根据所述目标车辆的ID标识，判断所述目标车辆在已有的交通目标列表中是否已存在，若是，则将所述目标车辆的行驶轨迹连续，生成行驶轨迹。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7任一项所述的车辆轨迹生成方法。
10.一种存储介质，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1-7任一项所述的车辆轨迹生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410066996.XA CN118015847A (zh) | 2024-01-17 | 2024-01-17 | 一种车辆轨迹生成方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410066996.XA CN118015847A (zh) | 2024-01-17 | 2024-01-17 | 一种车辆轨迹生成方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118015847A true CN118015847A (zh) | 2024-05-10 |
Family
ID=90959860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410066996.XA Pending CN118015847A (zh) | 2024-01-17 | 2024-01-17 | 一种车辆轨迹生成方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118015847A (zh) |
-
2024
- 2024-01-17 CN CN202410066996.XA patent/CN118015847A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110785774A (zh) | 用于自动驾驶车辆中的闭环感知的方法和系统 | |
| CN110869936A (zh) | 用于自动驾驶车辆中的分布式学习与适应的方法和系统 | |
| CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和系统 | |
| CN114333347B (zh) | 车辆信息融合方法、装置、计算机设备及存储介质 | |
| CN107977654B (zh) | 一种道路区域检测方法、装置及终端 | |
| CN112541416A (zh) | 跨雷达障碍物跟踪方法、装置、电子设备和存储介质 | |
| CN111079782B (zh) | 车辆交易方法和系统、存储介质及电子装置 | |
| CN113945219A (zh) | 动态地图生成方法、系统、可读存储介质及终端设备 | |
| CN113192217A (zh) | 逃费检测方法、装置、计算机设备和介质 | |
| CN110539748B (zh) | 基于环视的拥堵跟车系统和终端 | |
| CN109344776B (zh) | 数据处理方法 | |
| CN116958935A (zh) | 基于多视角的目标定位方法、装置、设备及介质 | |
| CN111605481A (zh) | 基于环视的拥堵跟车系统和终端 | |
| CN118015847A (zh) | 一种车辆轨迹生成方法、系统、电子设备及存储介质 | |
| CN109598199B (zh) | 车道线生成方法和装置 | |
| CN113393675A (zh) | 一种车辆id确定方法、装置、设备和介质 | |
| CN113923405A (zh) | 一种基于安全监控的移动通信系统 | |
| CN113009467A (zh) | 一种雷达盲区目标检测跟踪方法、装置及终端设备 | |
| CN110930714B (zh) | 位置匹配方法及装置 | |
| CN111461064A (zh) | 一种用于无人值守传感器系统的车辆目标识别方法及系统 | |
| CN111256707A (zh) | 基于环视的拥堵跟车系统和终端 | |
| CN117554949B (zh) | 一种联动式目标接力跟踪方法和系统 | |
| CN115271751A (zh) | 车载收费异常识别方法、装置、电子设备及存储介质 | |
| CN116625384B (zh) | 一种数据关联方法、装置及电子设备 | |
| CN110907928B (zh) | 目标对象的位置确定方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |