[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111709328A - 车辆跟踪方法、装置及电子设备 - Google Patents

车辆跟踪方法、装置及电子设备 Download PDF

Info

Publication number
CN111709328A
CN111709328A CN202010478496.9A CN202010478496A CN111709328A CN 111709328 A CN111709328 A CN 111709328A CN 202010478496 A CN202010478496 A CN 202010478496A CN 111709328 A CN111709328 A CN 111709328A
Authority
CN
China
Prior art keywords
vehicle
target image
image
pixel point
detection frame
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
Application number
CN202010478496.9A
Other languages
English (en)
Other versions
CN111709328B (zh
Inventor
张伟
谭啸
孙昊
文石磊
章宏武
丁二锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010478496.9A priority Critical patent/CN111709328B/zh
Publication of CN111709328A publication Critical patent/CN111709328A/zh
Priority to JP2022545432A priority patent/JP7429796B2/ja
Priority to EP20938232.4A priority patent/EP4116867A4/en
Priority to US17/995,752 priority patent/US20230186486A1/en
Priority to PCT/CN2020/125446 priority patent/WO2021238062A1/zh
Priority to KR1020227025961A priority patent/KR20220113829A/ko
Application granted granted Critical
Publication of CN111709328B publication Critical patent/CN111709328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提出一种车辆跟踪方法、装置及电子设备，属于人工智能计算机视觉及智能交通技术领域。其中，该方法包括：从车辆行驶过程中采集的视频流中提取当前时刻的目标图像；对目标图像进行实例分割，以获取目标图像中各个车辆对应的检测框；从每个车辆对应的检测框内提取每个车辆对应的像素点集合；对每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定目标图像中每个车辆的特征；根据目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定目标图像中每个车辆的运行轨迹，其中，历史图像为视频流中与目标图像相邻的前n帧图像，n为正整数。由此，通过这种车辆跟踪方法，提升了车辆跟踪的效率，实时性好。

Description

车辆跟踪方法、装置及电子设备
技术领域
本申请涉及计算机技术领域，尤其涉及人工智能计算机视觉及智能交通技术领域，提出一种车辆跟踪方法、装置及电子设备。
背景技术
对道路交通的视频进行结构化分析，确定图像中的车辆，并对车辆进行跟踪，是智能交通视觉感知的重要技术能力。
相关技术中，通常利用检测模型对图像帧进行物体检测，确定图像帧中包含的检测框，并对检测框进行特征提取，确定车辆的特征，进而根据当前图像帧中的车辆特征与历史检测结果间的匹配度，对车辆进行跟踪。但是，由于这种追踪方法需要通过两个阶段确定车辆对应的检测框，耗时长、实时性差。
发明内容
提供了一种用于车辆跟踪方法、装置、电子设备及存储介质。
根据第一方面，提供了一种车辆跟踪方法，包括：从车辆行驶过程中采集的视频流中提取当前时刻的目标图像；对所述目标图像进行实例分割，以获取所述目标图像中各个车辆对应的检测框；从每个所述车辆对应的检测框内提取每个车辆对应的像素点集合；对所述每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定所述目标图像中每个车辆的特征；以及根据所述目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定所述目标图像中每个车辆的运行轨迹，其中，所述历史图像为所述视频流中与所述目标图像相邻的前n帧图像，n为正整数。
根据第二方面，提供了一种车辆跟踪装置，包括：第一提取模块，用于从车辆行驶过程中采集的视频流中提取当前时刻的目标图像；实例分割模块，用于对所述目标图像进行实例分割，以获取所述目标图像中各个车辆对应的检测框；第二提取模块，用于从每个所述车辆对应的检测框内提取每个车辆对应的像素点集合；第一确定模块，用于对所述每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定所述目标图像中每个车辆的特征；以及第二确定模块，用于根据所述目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定所述目标图像中每个车辆的运行轨迹，其中，所述历史图像为所述视频流中与所述目标图像相邻的前n帧图像，n为正整数。
根据第三方面，提供了一种电子设备，其包括：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如前所述的车辆跟踪方法。
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，其中，所述计算机指令用于使所述计算机执行如前所述的车辆跟踪方法。
根据本申请的技术方案，通过对视频流中当前时刻的目标图像进行实例分割，直接获取目标图像中各个车辆对应的检测框，并从每个车辆对应的检测框内提取每个车辆对应的像素点集合，之后对每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定目标图像中每个车辆的特征，进而根据目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定目标图像中每个车辆的运行轨迹。由此，通过对目标图像进行实例分割，直接滤除目标图像中包含的其他物体，实时获取目标图像中的车辆对应的检测框，以进行后续处理，从而提升了车辆跟踪的效率，实时性好。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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，不构成对本申请的限定。其中：
图1为本申请实施例所提供的一种车辆跟踪方法的流程示意图；
图2为对目标图像中的各个车辆进行标记的示意图；
图3为本申请实施例所提供的另一种车辆跟踪方法的流程示意图；
图4为本申请实施例所提供的再一种车辆跟踪方法的流程示意图；
图5为本申请实施例提供的一种车辆跟踪装置的结构示意图；
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
本申请实施例针对相关技术中，需要通过两个阶段确定车辆对应的检测框的车辆跟踪方法，耗时长、实时性差的问题，提出一种车辆跟踪方法。
下面参考附图对本申请提供的车辆跟踪方法、装置、电子设备及存储介质进行详细描述。
图1为本申请实施例所提供的一种车辆跟踪方法的流程示意图。
如图1所示，该车辆跟踪方法，包括以下步骤：
步骤101，从车辆行驶过程中采集的视频流中提取当前时刻的目标图像。
需要说明的是，实际使用时，本申请实施例的车辆跟踪方法，可以由本申请实施例的车辆跟踪装置执行。本申请实施例的车辆跟踪装置可以配置在任意电子设备中，以执行本申请实施例的车辆跟踪方法。
举例来说，本申请实施例的车辆跟踪装置可以配置在车辆(如自动驾驶车辆)中，用于对车辆行驶道路中的车辆进行跟踪，以对车辆的周围环境进行视觉感知，提升车辆行驶的安全性；或者，本申请实施例的车辆跟踪装置，还可以配置在交通管理系统的服务器中，用于对交通监控路口的车辆进行违章识别、车流统计等。
需要说明的是，本申请实施例的视频流的获取途径与本申请实施例的车辆跟踪方法的应用场景有关。比如，在本申请实施例的车辆跟踪方法应用在车辆自动驾驶、辅助驾驶等领域时，车辆中的处理器可以与车辆中的视频采集设备建立通信连接，实时获取视频采集设备采集的视频流；又如，在本申请实施例的车辆跟踪方法应用在交通管理场景中，实现违章识别、车辆统计等目的时，交通管理系统的服务器可以实时获取交通路口的监控设备采集的视频流。
其中，目标图像，可以是视频采集设备在采集视频时，最新采集到的一帧图像。
作为一种可能的实现方式，可以实时获取通过视频采集设备采集的视频流，并且每在获取到视频流中的新一帧图像时，可以将获取到的新一帧图像确定为当前时刻的目标图像。
作为另一种可能的实现方式，还可以以插帧的方式从采集的视频流中提取当前时刻的目标图像，以降低车辆跟踪的数据处理量，进一步提升车辆跟踪的实时性。比如，可以从采集的视频流中每两帧提取一次当前时刻的目标图像，即可以在获取到视频流中的第1帧、第3帧、第5帧、第7帧等奇数帧图像的时刻，分别将各奇数帧图像确定为目标图像。
需要说明的是，本申请实施例的车辆跟踪方法还可以应用在非实时的车辆跟踪场景中，比如，对给定的视频数据进行分析，确定特定车辆的行驶轨迹等。因此，本申请实施例的车辆跟踪装置还可以直接获取一段已经拍摄完成的视频数据，并对视频数据进行分析，将视频数据中包括的每帧图像依次确定为目标图像；或者，还可以以插帧的方式将视频数据中的部分图像帧依次确定为目标图像，比如，可以将视频数据中的奇数帧图像依次确定为目标图像。
步骤102，对目标图像进行实例分割，以获取目标图像中各个车辆对应的检测框。
在本申请实施例中，可以采用任意的实例分割算法，对目标图像进行实例分割，以确定目标图像中包含的各个车辆，并生成每个车辆对应的检测框。其中，目标图像中各个车辆全部位于其对应的检测框内，或者车辆的绝大部分区域位于其对应的检测框内。
需要说明的是，实际使用时，可以根据实际需要或电子设备的计算性能，选择合适的实例分割算法，对目标图像进行实例分割，本申请实施例对此不做限定。比如，可以采用基于空间嵌入的实例分割算法、K-means(K均值)聚类算法等。
步骤103，从每个车辆对应的检测框内提取每个车辆对应的像素点集合。
其中，车辆对应的像素点集合，是指从该车辆对应的检测框内的目标图像区域中提取的像素点组成的集合。
在本申请实施例中，对目标图像进行实例分割，确定出目标图像中各个车辆对应的检测框之后，每个车辆对应的检测框中的大部分像素点为车辆对应的像素点，从而车辆对应的检测框中的像素点可以准确描述车辆的特征。因此，在本申请实施例中，可以从每个车辆对应的检测框内分别提取每个车辆对应的像素点集合，以对每个车辆的特征进行描述。
作为一种可能的实现方式，在提取车辆对应的像素点集合时，可以该车辆对应的检测框平均划分为多个子区域(如划分为N×N的区域，N为大于1的正整数)，并从该车辆对应的检测框的每个子区域中随机提取一定数量的像素点，构成该车辆对应的像素点集合。比如，可以从车辆对应的检测框的每个子区域中随机提取预设数量(如100个)的像素点，或者预设比例(如80％)的像素点，构成该车辆对应的像素点集合，本申请实施例对此不做限定。
作为另一种可能的实现方式，由于车辆对应的像素点通常位于检测框的中部位置，因此还可以将车辆对应的检测框划分为中心区域和边缘区域，并从检测框的中心区域随机提取一定数量的像素点，构成车辆对应的像素点集合。
比如，车辆A对应的检测框的大小为500×500像素，则可以将位于检测框中部位置的80％的区域确定为中心区域，即将位于检测框中部位置的400×400像素的区域确定为中心区域，其中，中心区域的中心点的位置与检测框的中心点的位置相同，并将检测框中的其他区域确定为边缘区域，进而从400×400像素的中心区域中随机提取80％的像素点，构成车辆A对应的像素点集合。
作为再一种可能的实现方式，将车辆对应的检测框划分为中心区域和边缘区域时，还可以分别从检测框的中心区域与边缘区域中分别随机提取一定数量的像素点，构成车辆对应的像素点集合，从而使得车辆对应的像素点集合中不仅可以包括车辆对应的像素点，还可以包括车辆附近的背景对应的像素点，以更好的描述车辆特征，提升了车辆跟踪的准确性。
比如，车辆A对应的检测框的大小为500×500像素，则可以将以检测框的中心点为圆心、以400像素为半径的圆形区域确定为检测框的中心区域，并将检测框中的其他区域确定为边缘区域，进而从中心区域中随机提取80％的像素点，从边缘区域中随机提取80％的像素点，构成车辆A对应的像素点集合。
需要说明的是，上述举例仅为示例性的，不能视为对本申请的限制。实际使用时，可以根据实际需要及具体的应用场景，选择确定检测框的中心区域的方式，以及像素点的提取数量或比例，本申请实施例对此不做限定。
步骤104，对每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定目标图像中每个车辆的特征。
其中，像素点的图像特征，可以包括像素点的像素值、像素点的邻域像素值、像素点与像素点集合中的其他各像素点的位置关系、像素值差异等特征。实际使用时，可以根据实际需要选择使用的像素点的图像特征，本申请实施例对此不做限定。
其中，车辆的特征，是指通过对车辆对应的像素点集合中各个像素点的图像特征进行计算或学习，确定的可用于目标识别的特征。比如，车辆的特征可以为ReID(Personre-identification，行人重识别)特征、HOG(Histogram of Oriented Gradient，梯度直方图)特征、Haar(Haar-like，哈尔)特征等。
在本申请实施例中，提取出每个车辆对应的像素点集合之后，则可以利用预设的算法对每个车辆对应的像素点集合中各个像素的图像特征进行计算或学习，以通过像素点集合中各个像素的图像特征对车辆进行描述，生成目标图像中每个车辆的特征。
需要说明的是，实际使用时，可以根据实际需要及具体的应用场景，选择车辆的特征类型，以及相应的确定车辆的特征的算法，本申请实施例对此不做限定。比如，为提升实时性和计算效率，可以选择高效率的深度学习算法或图像特征提取算法，确定目标图像中各车辆的特征。
步骤105，根据目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定目标图像中每个车辆的运行轨迹，其中，历史图像为视频流中与目标图像相邻的前n帧图像，n为正整数。
在本申请实施例中，可以通过度量学习的方式，确定目标图像中的每个车辆的特征与历史图像中各个车辆的特征间的匹配度。具体的，对于目标图像中的一个车辆，可以通过度量学习的方式，确定该车辆与历史图像中各个车辆的特征间的距离。由于特征间的距离越小，说明特征越相似，因此可以将该车辆与历史图像中各个车辆的特征间的距离的倒数，确定为该车辆与历史图像中各个车辆的特征间的匹配度。
作为一种可能的实现方式，n的取值可以为1，即可以仅将目标图像中的每个车辆与视频流中与目标图像相邻的前一帧图像进行比较，确定目标图像中每个车辆的运行轨迹。可选地，对于目标图像中的一个车辆A，可以将历史图像中与车辆A的特征间的匹配度大于阈值的车辆，确定为车辆A，进而根据历史图像中车辆A的运行轨迹与目标图像的采集位置，确定目标图像中车辆A的运行轨迹，并将历史图像中车辆A的标识确定为目标图像中车辆A的标识，并在目标图像中显示车辆A的标识，以对车辆A进行标记。比如，历史图像中车辆A的标识为“Car1”，则可以在车辆A的顶部显示车辆A的标识“Car1”。如图2所示，为对目标图像中的各个车辆进行标记的示意图。
相应的，若历史图像中不存在与车辆A的特征间的匹配度大于阈值的车辆，则可以确定车辆A为在视频流中首次出现的新车辆，从而可以将目标图像的采集位置，确定为车辆A的运行轨迹的起点，并为车辆A分配新的车辆标识，并在目标图像中显示车辆A的标识，以对车辆A进行标记。
作为另一种可能的实现方式，n的取值可以为大于1的整数，即可以将目标图像中的每个车辆与视频流中位于目标图像之前且与目标图像相邻的多帧图像进行比较，确定目标图像中每个车辆的运行轨迹，以提升车辆跟踪的准确性。可选地，对于目标图像中的一个车辆A，可以首先确定出历史图像中与车辆A的特征间的匹配度大于阈值的候选车辆。若仅有一帧历史图像中包含候选车辆，则可以将该候选车辆确定为车辆A，进而根据历史图像中车辆A的运行轨迹与目标图像的采集位置，确定目标图像中车辆A的运行轨迹，并将历史图像中车辆A的标识确定为目标图像中车辆A的标识。若存在多帧图像中包含候选车辆，则可以确定各帧历史图像中的候选车辆是否为同一车辆，若是，则可以将采集时刻与目标图像的采集时刻最近的历史图像中的候选车辆确定为车辆A，并根据与目标图像的采集时刻最近的历史图像中车辆A的运行轨迹与目标图像的采集位置，确定目标图像中车辆A的运行轨迹。
相应的，若各帧历史图像中均不存在与车辆A的特征间的匹配度大于阈值的车辆，则可以确定车辆A为在视频流中首次出现的新车辆，从而可以将目标图像的采集位置，确定为车辆A的运行轨迹的起点，并为车辆A分配新的车辆标识，并在目标图像中显示车辆A的标识，以对车辆A进行标记。
在本申请实施例中，根据车辆的特征确定历史图像中与目标图像中的各车辆匹配的车辆时，可能出现目标图像中的一个车辆特征与历史图像中的多个车辆的特征匹配度大于阈值的情况。
可选的，在本申请实施例一种可能的实现方式中，可以在目标图像中的一个车辆的特征与历史图像中的多个车辆的特征的匹配度大于阈值时，可以将与该车辆的特征间的匹配度最大的车辆，确定为该车辆。
可选的，在本申请实施例另一种可能的实现方式中，可以首先分别确定出目标图像中各车辆的特征与历史图像中各车辆的特征的匹配度，进而确定出与目标图像中各车辆的特征间的匹配度大于阈值的各候选车辆，以确定出目标图像中各车辆与历史图像中各车辆的匹配关系，进而利用匈牙利算法对目标图像中车辆与历史图像中各车辆的匹配关系进行分析，确定出历史图像中与目标图像中的各车辆唯一匹配的车辆。
需要说明的是，实际使用时，可以根据实际需要及具体的应用场景，确定n的取值，本申请实施例对此不做限定。比如，本申请实施例的车辆跟踪方法应用在交通管理场景时，由于交通路口的监控设备是固定的，因此仅与目标图像相邻的前一帧图像进行比较，即可以确定出目标图像中各车辆的运行轨迹，从而n的取值可以为1；又如，本申请实施例的车辆跟踪方法应用在车辆自动驾驶、辅助驾驶等场景时，由于车辆行驶过程中视频采集设备的位置是不断变化的，且在车辆行驶过程中会出现超车与被超车的情况，如果仅与目标图像相邻的前一帧图像进行比较，容易导致车辆跟踪结果不准确，因此，可以将n确定为大于1的整数，以提升车辆跟踪的准确性。
根据本申请实施例的技术方案，通过对视频流中当前时刻的目标图像进行实例分割，直接获取目标图像中各个车辆对应的检测框，并从每个车辆对应的检测框内提取每个车辆对应的像素点集合，之后对每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定目标图像中每个车辆的特征，进而根据目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定目标图像中每个车辆的运行轨迹。由此，通过对目标图像进行实例分割，直接滤除目标图像中包含的其他物体，实时获取目标图像中的车辆对应的检测框，以进行后续处理，从而提升了车辆跟踪的效率，实时性好。
在本申请一种可能的实现形式中，可以利用点云模型分别对检测框中的前景区域的像素点(即检测框中的车辆对应的像素点)与背景区域的像素点进行处理，确定目标图像中各个车辆的特征，以实现准确、高效的提取车辆特征，进一步提升了车辆跟踪的实时性和准确性。
下面结合图3，对本申请实施例提供的车辆跟踪方法进行进一步说明。
图3为本申请实施例所提供的另一种车辆跟踪方法的流程示意图。
如图3所示，该车辆跟踪方法，包括以下步骤：
步骤201，从车辆行驶过程中采集的视频流中提取当前时刻的目标图像。
步骤202，对目标图像进行实例分割，以获取目标图像中各个车辆对应的检测框。
上述步骤201-202的具体实现过程及原理，可以参照上述实施例的详细描述，此处不再赘述。
步骤203，从每个车辆对应的检测框内的掩膜区域中提取第一像素点子集合。
其中，检测框内的掩膜区域，是指该检测框内的车辆在检测框内的对应区域。车辆对应的第一像素点子集合，是指从车辆对应的检测框内的掩膜区域提取的用于表征车辆对应像素的集合。
作为一种可能的实现方式，对目标图像进行实例分割的结果可以是同时输出目标图像中各个车辆对应的检测框及检测框内的掩膜区域。也就是说，可以利用实例分割算法识别出目标图像中的各个车辆，并生成各个车辆对应的检测框，以及每个检测框中车辆对应的掩膜区域，而每个检测框中除掩膜区域外的区域即为背景区域对应的非掩膜区域，即每个车辆对应的检测框内可以包括掩膜区域及非掩膜区域。
需要说明的是，实际使用时，对目标图像进行实例分割的算法，可以是任意可以直接识别出特定类型目标，并可以同时输出特定类型目标对应的检测框及掩膜区域的实例分割算法，本申请实施例对此不做限定。比如，可以是基于聚类的实例分割算法，如基于空间嵌入的实例分割算法、K-means聚类算法等。
在本申请实施例中，由于车辆对应的检测框内的掩膜区域可以表征车辆在检测框内的相应区域，因此车辆对应的检测框内的掩膜区域的像素点可以准确描述该车辆本身的特征。从而，可以从每个车辆对应的检测框内的掩膜区域随机提取一定数量的像素点，分别构成每个车辆对应的第一像素点子集合，以准确描述每个车辆本身的特征(如颜色特征、形状特征、品牌特征等)。
作为一种可能的实现方式，可以预设第一像素点子集合中包括的像素点数量，从而可以直接从每个车辆对应的检测框内的掩膜区域随机抽取预设数量的像素点，分别构成每个车辆对应的第一像素点子集合。比如，预设数量为500，则可以从每个车辆对应的检测框内的掩膜区域中随机提取500个像素点，分别构成每个车辆对应的第一像素点子集合。
作为另一种可能的实现方式，还可以预设第一像素点子集合中的像素点数量与掩膜区域的像素点数量的比例，从而从每个车辆对应的检测框内的掩膜区域随机抽取预设比例的像素点，分别构成每个车辆对应的第一像素点子集合。比如，预设比例为80％，车辆A对应的检测框内的掩膜区域的像素点数量为1000，则可以从车辆对应的检测框内的掩膜区域中随机提取800个像素点，构成车辆A对应的第一像素点子集合。
需要说明的是，从掩膜区域中提取第一像素点子集合的方式，可以包括但不限于以上列举的情形。实际使用时，可以根据实际需要及具体的应用场景，选取合适的提取方式，本申请实施例对此不做限定。
步骤204，从每个车辆对应的检测框内的非掩膜区域提取第二像素点子集合。
其中，检测框内的非掩膜区域，是指是指该检测框内除车辆之外的背景区域在检测框内的对应区域。车辆对应的第二像素点子集合，是指从车辆对应的检测框内的非掩膜区域提取的用于表征车辆背景的像素点集合。
作为一种可能的实现方式，由于对目标图像进行实例分割的结果可以是同时输出目标图像中各个车辆对应的检测框及检测框内的掩膜区域，从而可以直接将每个检测框内除掩膜区域之外的区域，分别确定为每个检测框内的非掩膜区域。
在本申请实施例中，由于车辆的颜色、外形等具有极大的相似性，仅通过车辆本身的像素点的特征对车辆特征进行描述，容易导致将不同车辆确定为同一车辆，从而导致车辆跟踪的结果不准确。因此，在本申请实施例一种可能的实现形式中，可以通过每个检测框内的背景区域像素对车辆特征进行辅助描述，以通过车辆的背景区域特征增强车辆特征之间的差异，提升车辆跟踪的准确性。从而，可以从每个车辆对应的检测框内的非掩膜区域随机提取一定数量的像素点，分别构成每个车辆对应的第二像素点子集合，以准确描述每个车辆的背景特征。
作为一种可能的实现方式，第一像素点子集合中包括的像素点数量，可以与第二像素点子集合中包括的像素点数量相同，以使车辆的特征中均衡融合了车辆本身的特征与车辆的背景特征，从而使得车辆的特征描述更准确，提升了车辆跟踪的准确性。因此，可以预设第一像素点子集合与第二像素点子集合中包括的像素点数量，并从每个车辆对应的检测框内的掩膜区域随机提取预设数量的像素点，分别构成每个车辆对应的第一像素点子集合，以及从每个车辆对应的检测框内的非掩膜区域随机提取预设数量的像素点，分别构成每个车辆对应的第二像素点子集合。
举例来说，预设数量为500，对于目标图像中的车辆A，可以从车辆A对应的检测框内的掩膜区域随机提取500个像素点，构成车辆A对应的第一像素点子集合，以及从车辆A对应的检测框内的非掩膜区域随机提取500个像素点，构成车辆A对应的第二像素点子集合。
作为另一种可能的实现方式，还可以为第一像素点子集合与第二像素点子集合分别分配不同的权重，以使提取的像素点集合中对表征车辆特征贡献较大的像素点较多，而对表征车辆特征贡献较小的像素点较少。需要说明的是，第一像素点子集合与第二像素点子集合的权重，可以是根据大量实验数据标定的，本申请实施例对此不做限定。
举例来说，预设数量为500，通过实验数据标定的第一像素点子集合的权重为1，第二像素点子集合的权重为0.8，则对于目标图像中的车辆A，可以从车辆A对应的检测框内的掩膜区域随机提取500个像素点，构成车辆A对应的第一像素点子集合，以及从车辆A对应的检测框内的非掩膜区域随机提取400个像素点，构成车辆A对应的第二像素点子集合。
作为再一种可能的实现方式，第二像素点子集合中包括的像素点数量也可以与第一像素点子集合中包括的像素点数量不相关，即可以单独预设第二像素点子集合中包括的像素点数量，或者第二像素点子集合中的像素点数量与非掩膜区域的像素点数量的比例。之后，按照与步骤204中提取第一像素点子集合相同的方式，从非掩膜区域中提取第二像素点子集合，具体的实现过程及原理，可以参照步骤204的详细描述，此处不再赘述。
步骤205，利用预设的点云模型中的第一编码器，对每个车辆对应的第一像素点子集合中各个像素点的图像特征进行编码处理，以确定每个车辆对应的第一向量。
其中，预设的点云模型，是指预先训练的可以对输入的点集进行处理，生成点集对应的特征表示的模型。
其中，车辆对应的第一向量，可以是指车辆本身像素点的特征表示，可以用于表征车辆本身的特征。
其中，像素点的图像特征，可以包括像素点的RGB像素值等。
在本申请实施例中，由于点云模型可以根据输入的无序的点集数据，直接生成点集数据的特征表示，因此，利用点云模型生成车辆的特征，可以实现对车辆特征的高效率提取。作为一种可能的实现方式，可以预先确定车辆的特征类型，比如车辆的特征类型可以为ReID特征，并获取包含车辆的大量样本图像，之后对每个样本图像进行实例分割，生成每个样本图像中各个车辆对应的检测框及掩膜区域，进而利用ReID特征提取算法确定每个样本图像中各个车辆对应的掩膜区域的样本第一ReID特征，以及从检测框内的掩膜区域中提取样本第一像素点子集合，最后利用初始点云模型对每个车辆对应的样本第一ReID特征与样本第一像素点子集合的对应关系进行学习，生成预设的点云模型中的第一编码器。从而使得预设的点云模型中的第一编码器学习到了车辆的第一ReID特征与第一像素点子集合之间的关联性，因此，可以将车辆对应的第一像素点子集合中各像素点的图像特征输入预设的点云模型中的第一编码器，以使第一编码器对第一像素点子集合中各像素点的RGB像素值进行编码处理，生成车辆对应的第一向量，即车辆本身的ReID特征。
步骤206，利用预设的点云模型中的第二编码器，对每个车辆对应的第二像素点子集合中各个像素点的图像特征进行编码处理，以确定每个车辆对应的第二向量。
其中，车辆对应的第二向量，可以是指车辆的背景像素点的特征表示，可以用于表征车辆的背景特征。
需要说明的是，由于车辆对应的第一像素点子集合用于表征车辆本身的特征，车辆对应的第二像素点子集合用于表征车辆的背景特征，因此，可以在点云模型中训练生成与第一编码器不同的第二编码器，对第二像素点子集合进行编码处理，以使生成的第二向量可以更加准确的表示车辆的背景特征。
在本申请实施例中，对每个样本图像进行实例分割，生成每个样本图像中各个车辆对应的检测框及掩膜区域后，可以利用ReID特征提取算法确定每个样本图像中各个车辆对应的检测框内的非掩膜区域的样本第二ReID特征，以及从检测框内的非掩膜区域中提取样本第二像素点子集合，之后利用初始点云模型对每个车辆对应的样本第二ReID特征与样本第二像素点子集合的对应关系进行学习，生成预设的点云模型中的第二编码器。从而使得预设的点云模型中的第二编码器学习到了车辆的第二ReID特征与第二像素点子集合之间的关联性，因此，可以将车辆对应的第二像素点子集合中各像素点的图像特征输入预设的点云模型中的第二编码器，以使第二编码器对第二像素点子集合中各像素点的RGB像素值进行编码处理，生成车辆对应的第二向量，即车辆的背景区域的ReID特征。
步骤207，利用预设的点云模型中的解码器，对每个车辆对应的第一向量及第二向量进行解码处理，以确定每个车辆的特征。
在本申请实施例中，由于采用了预设的点云模型中的不同网络分支，分别确定出车辆本身特征的向量表示，与车辆的背景特征的向量表示，从而还可以利用预设的点云模型中的解码器对每个车辆对应的第一向量与第二向量进行融合，以生成每个车辆的特征。
可选地，在本申请一种可能的实现方式中，可以利用预设的点云模型中的解码器，对每个车辆对应的第一向量与第二向量进行最大值池化处理，以实现每个车辆的第一向量与第二向量的融合，生成每个车辆的特征。
步骤208，根据目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定目标图像中每个车辆的运行轨迹，其中，历史图像为视频流中与目标图像相邻的前n帧图像，n为正整数。
上述步骤208的具体实现过程及原理，可以参照上述实施例的详细描述，此处不再赘述。
根据本申请实施例的技术方案，通过对视频流中当前时刻的目标图像进行实例分割，直接获取目标图像中各个车辆对应的检测框及掩膜区域，并从每个车辆对应的检测框内的掩膜区域提取第一像素点子集合，表征车辆的前景特征，以及从非掩膜区域内提取第二像素点子集合，表征车辆的背景特征，进而利用预设的点云模型根据提取的像素点集合，生成车辆的特征，以根据目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定目标图像中每个车辆的运行轨迹。由此，通过利用点云模型融合车辆的前景特征和背景特征，实现了准确、高效的提取车辆特征从而进一步提升了车辆跟踪实时性和准确性。
在本申请一种可能的实现形式中，可以利用聚类算法实现对目标图像的实例分割，以实现直接生成车辆对应的检测框，提升车辆跟踪的实时性。
下面结合图4，对本申请实施例提供的车辆跟踪方法进行进一步说明。
图4为本申请实施例所提供的再一种车辆跟踪方法的流程示意图。
如图4所示，该车辆跟踪方法，包括以下步骤：
步骤301，从车辆行驶过程中采集的视频流中提取当前时刻的目标图像。
上述步骤301的具体实现过程及原理，可以参照上述实施例的详细描述，此处不再赘述。
步骤302，基于目标图像中各个像素点的特征，将目标图像中的像素点进行聚类处理，以根据聚类结果确定目标图像中各个车辆对应的检测框。
其中，像素点的特征，可以包括像素点的像素值、邻域像素、邻域像素的像素值等特征。实际使用时，可以根据实际需要选择使用的像素点的特征，本申请实施例对此不做限定。
在本申请实施例中，可以利用聚类算法，对目标图像中的各个像素点的特征进行聚类处理，以对目标图像中的各个像素点进行分类，确定目标图像中的各个像素点是否是车辆对应的像素点，以及是否是同一车辆对应的像素点。进而，根据每个车辆对应的像素点，生成各个车辆对应的检测框，即每个检测框可以包括同一车辆对应的所有像素点。
作为一种可能的实现方式，可以采用基于空间嵌入的实例分割算法，对目标图像中各像素点的特征进行分析，以对目标图像中的各个像素点进行聚类处理，进而直接根据对像素点的聚类结果，生成每个车辆对应的检测框，一步完成实例分割，实时性好。并且，基于空间嵌入的实例分割算法对于不同类型的实例，可以学习到不同的聚类半径，实例分割的准确性较高。
步骤303，从每个车辆对应的检测框内提取每个车辆对应的像素点集合。
步骤304，对每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定目标图像中每个车辆的特征。
上述步骤303-304的具体实现过程及原理，可以参照上述实施例的详细描述，此处不再赘述。
步骤305，若目标图像中第一车辆的特征，与历史图像中第二车辆的特征间的匹配度大于阈值，则根据目标图像的获取位置及获取时刻，对第二车辆的运行轨迹进行更新。
其中，第一车辆，是指目标图像中的任意一个车辆；第二车辆，是指既在历史图像中存在，又在目标图像中存在的车辆。
在本申请实施例中，可以通过度量学习的方式，确定目标图像中的每个车辆的特征与历史图像中各个车辆的特征间的匹配度。具体的，对于目标图像中的一个车辆，可以通过度量学习的方式，确定该车辆与历史图像中各个车辆的特征间的距离。由于特征间的距离越小，说明特征越相似，因此可以将该车辆与历史图像中各个车辆的特征间的距离的倒数，确定为该车辆与历史图像中各个车辆的特征间的匹配度。
作为一种可能的实现方式，对于目标图像中的一个第一车辆，可以将历史图像中与第一车辆的特征间的匹配度大于阈值的车辆，确定为第二车辆，进而根据历史图像中第二车辆的运行轨迹与目标图像的采集位置，将目标图像的采集位置作为第二车辆的运行轨迹的新增点，添加至第二车辆的运行轨迹中，以对第二车辆的运行轨迹进行更新。
作为另一种可能的实现方式，车辆的运行轨迹中不仅可以包括车辆的位置信息，还可以包括车辆运行至运行轨迹中的各个点的时刻信息。因此，在本申请实施例中，在将目标图像的采集位置作为第二车辆的运行轨迹的新增点，添加至第二车辆的运行轨迹中时，还可以将目标图像的采集时刻作为新增点的时刻信息添加至运行轨迹中，以提升车辆跟踪信息的准确性和丰富度。
举例来说，在将目标图像的采集位置作为第二车辆的运行轨迹的新增点，添加至第二车辆的运行轨迹中时，可以将新增点突出显示，并将新增点与上一相邻时刻添加至运行轨迹中的点进行连接，以及在新增点附近显示新增点的时刻信息(即目标图像的采集时刻)。
相应的，若历史图像中不存在与第一车辆的特征间的匹配度大于阈值的第二车辆，则可以确定第一车辆为在视频流中首次出现的新车辆，从而可以将目标图像的采集位置，确定为第一车辆的运行轨迹的起点，并将目标图像的采集时刻作为起点的时刻信息添加至第一车辆的运行轨迹中。
根据本申请实施例的技术方案，通过对目标图像中的像素点进行聚类处理，以直接获取目标图像中各个车辆对应的检测框，并从每个车辆对应的检测框内提取每个车辆对应的像素点集合，之后对每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定目标图像中每个车辆的特征，进而在目标图像中第一车辆的特征，与历史图像中第二车辆的特征间的匹配度大于阈值时，根据目标图像的获取位置及获取时刻，对第二车辆的运行轨迹进行更新。由此，通过聚类算法实现对目标图像的实例分割，直接滤除目标图像中包含的其他物体，实时获取目标图像中的车辆对应的检测框，并在车辆的运行轨迹中融入时刻信息，从而不仅进一步提升了车辆跟踪的实时性，而且进一步提升了车辆跟踪信息的准确性和丰富度。
为了实现上述实施例，本申请还提出一种车辆跟踪装置。
图5为本申请实施例提供的一种车辆跟踪装置的结构示意图。
如图5所示，该车辆跟踪装置40，包括：
第一提取模块41，用于从车辆行驶过程中采集的视频流中提取当前时刻的目标图像；
实例分割模块42，用于对目标图像进行实例分割，以获取目标图像中各个车辆对应的检测框；
第二提取模块43，用于从每个车辆对应的检测框内提取每个车辆对应的像素点集合；
第一确定模块44，用于对每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定目标图像中每个车辆的特征；以及
第二确定模块45，用于根据目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定目标图像中每个车辆的运行轨迹，其中，历史图像为视频流中与目标图像相邻的前n帧图像，n为正整数。
在实际使用时，本申请实施例提供的车辆跟踪装置，可以被配置在任意电子设备中，以执行前述车辆跟踪方法。
根据本申请实施例的技术方案，通过对视频流中当前时刻的目标图像进行实例分割，直接获取目标图像中各个车辆对应的检测框，并从每个车辆对应的检测框内提取每个车辆对应的像素点集合，之后对每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定目标图像中每个车辆的特征，进而根据目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定目标图像中每个车辆的运行轨迹。由此，通过对目标图像进行实例分割，直接滤除目标图像中包含的其他物体，实时获取目标图像中的车辆对应的检测框，以进行后续处理，从而提升了车辆跟踪的效率，实时性好。
在本申请一种可能的实现形式中，上述每个车辆对应的检测框内包括掩膜区域及非掩膜区域，其中，第二提取模块43，包括：
第一提取单元，用于从每个车辆对应的检测框内的掩膜区域中提取第一像素点子集合；以及
第二提取单元，用于从每个车辆对应的检测框内的非掩膜区域提取第二像素点子集合。
进一步的，在本申请另一种可能的实现形式中，上述第一确定模块44，包括：
第一确定单元，用于利用预设的点云模型中的第一编码器，对每个车辆对应的第一像素点子集合中各个像素点的图像特征进行编码处理，以确定每个车辆对应的第一向量；
第二确定单元，用于利用预设的点云模型中的第二编码器，对每个车辆对应的第二像素点子集合中各个像素点的图像特征进行编码处理，以确定每个车辆对应的第二向量；以及
第三确定单元，用于利用预设的点云模型中的解码器，对每个车辆对应的第一向量及第二向量进行解码处理，以确定每个车辆的特征。
进一步的，在本申请再一种可能的实现形式中，上述第一像素点子集合中包括的像素点数量，与上述第二像素点子集合中包括的像素点数量相同。
进一步的，在本申请又一种可能的实现形式中，上述实例分割模块42，包括：
聚类处理单元，用于基于目标图像中各个像素点的特征，将目标图像中的像素点进行聚类处理，以根据聚类结果确定目标图像中各个车辆对应的检测框。
进一步的，在本申请又一种可能的实现形式中，上述第二确定模块45，包括：
更新单元，用于在目标图像中第一车辆的特征，与历史图像中第二车辆的特征间的匹配度大于阈值时，根据目标图像的获取位置及获取时刻，对第二车辆的运行轨迹进行更新。
需要说明的是，前述对图1、图3、图4所示的车辆跟踪方法实施例的解释说明也适用于该实施例的车辆跟踪装置40，此处不再赘述。
根据本申请实施例的技术方案，通过对视频流中当前时刻的目标图像进行实例分割，直接获取目标图像中各个车辆对应的检测框及掩膜区域，并从每个车辆对应的检测框内的掩膜区域提取第一像素点子集合，表征车辆的前景特征，以及从非掩膜区域内提取第二像素点子集合，表征车辆的背景特征，进而利用预设的点云模型根据提取的像素点集合，生成车辆的特征，以根据目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定目标图像中每个车辆的运行轨迹。由此，通过利用点云模型融合车辆的前景特征和背景特征，实现了准确、高效的提取车辆特征从而进一步提升了车辆跟踪实时性和准确性。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的车辆跟踪方法的电子设备的框图。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/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个电子设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的车辆跟踪方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的车辆跟踪方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的车辆跟踪方法对应的程序指令/模块(例如，附图5所示的第一提取模块41、实例分割模块42、第二提取模块43、第一确定模块44及第二确定模块45)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的车辆跟踪方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据车辆跟踪方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至车辆跟踪方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
车辆跟踪方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与车辆跟踪方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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。
根据本申请实施例的技术方案，通过对视频流中当前时刻的目标图像进行实例分割，直接获取目标图像中各个车辆对应的检测框，并从每个车辆对应的检测框内提取每个车辆对应的像素点集合，之后对每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定目标图像中每个车辆的特征，进而根据目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定目标图像中每个车辆的运行轨迹。由此，通过对目标图像进行实例分割，直接滤除目标图像中包含的其他物体，实时获取目标图像中的车辆对应的检测框，以进行后续处理，从而提升了车辆跟踪的效率，实时性好。
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，本发申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种车辆跟踪方法，其中，包括：
从车辆行驶过程中采集的视频流中提取当前时刻的目标图像；
对所述目标图像进行实例分割，以获取所述目标图像中各个车辆对应的检测框；
从每个所述车辆对应的检测框内提取每个车辆对应的像素点集合；
对所述每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定所述目标图像中每个车辆的特征；以及
根据所述目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定所述目标图像中每个车辆的运行轨迹，其中，所述历史图像为所述视频流中与所述目标图像相邻的前n帧图像，n为正整数。
2.如权利要求1所述的方法，其中，每个车辆对应的检测框内包括掩膜区域及非掩膜区域，其中，所述从每个车辆对应的检测框内提取每个车辆对应的像素点集合，包括：
从每个车辆对应的检测框内的掩膜区域中提取第一像素点子集合；以及
从每个车辆对应的检测框内的非掩膜区域提取第二像素点子集合。
3.如权利要求2所述的方法，其中，所述对所述每个车辆对应的像素点集合中各个像素点的图像特征进行处理，包括：
利用预设的点云模型中的第一编码器，对每个车辆对应的第一像素点子集合中各个像素点的图像特征进行编码处理，以确定每个车辆对应的第一向量；
利用所述预设的点云模型中的第二编码器，对每个车辆对应的第二像素点子集合中各个像素点的图像特征进行编码处理，以确定每个车辆对应的第二向量；以及
利用所述预设的点云模型中的解码器，对每个车辆对应的第一向量及第二向量进行解码处理，以确定每个车辆的特征。
4.如权利要求2所述的方法，其中，所述第一像素点子集合中包括的像素点数量，与所述第二像素点子集合中包括的像素点数量相同。
5.如权利要求1-4任一所述的方法，其中，所述对所述目标图像进行实例分割，以获取所述目标图像中各个车辆对应的检测框，包括：
基于所述目标图像中各个像素点的特征，将所述目标图像中的像素点进行聚类处理，以根据聚类结果确定所述目标图像中各个车辆对应的检测框。
6.如权利要求1-4任一所述的方法，其中，所述根据所述目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定所述目标图像中每个车辆的运行轨迹，包括：
若所述目标图像中第一车辆的特征，与历史图像中第二车辆的特征间的匹配度大于阈值，则根据所述目标图像的获取位置及获取时刻，对所述第二车辆的运行轨迹进行更新。
7.一种车辆跟踪装置，其中，包括：
第一提取模块，用于从车辆行驶过程中采集的视频流中提取当前时刻的目标图像；
实例分割模块，用于对所述目标图像进行实例分割，以获取所述目标图像中各个车辆对应的检测框；
第二提取模块，用于从每个所述车辆对应的检测框内提取每个车辆对应的像素点集合；
第一确定模块，用于对所述每个车辆对应的像素点集合中各个像素点的图像特征进行处理，以确定所述目标图像中每个车辆的特征；以及
第二确定模块，用于根据所述目标图像中每个车辆的特征，与历史图像中各个车辆的特征间的匹配度，确定所述目标图像中每个车辆的运行轨迹，其中，所述历史图像为所述视频流中与所述目标图像相邻的前n帧图像，n为正整数。
8.如权利要求7所述的装置，其中，每个车辆对应的检测框内包括掩膜区域及非掩膜区域，其中，第二提取模块，包括：
第一提取单元，用于从每个车辆对应的检测框内的掩膜区域中提取第一像素点子集合；以及
第二提取单元，用于从每个车辆对应的检测框内的非掩膜区域提取第二像素点子集合。
9.如权利要求8所述的装置，其中，所述第一确定模块，包括：
第一确定单元，用于利用预设的点云模型中的第一编码器，对每个车辆对应的第一像素点子集合中各个像素点的图像特征进行编码处理，以确定每个车辆对应的第一向量；
第二确定单元，用于利用所述预设的点云模型中的第二编码器，对每个车辆对应的第二像素点子集合中各个像素点的图像特征进行编码处理，以确定每个车辆对应的第二向量；以及
第三确定单元，用于利用所述预设的点云模型中的解码器，对每个车辆对应的第一向量及第二向量进行解码处理，以确定每个车辆的特征。
10.如权利要求8所述的装置，其中，所述第一像素点子集合中包括的像素点数量，与所述第二像素点子集合中包括的像素点数量相同。
11.如权利要求7-10任一所述的装置，其中，所述实例分割模块，包括：
聚类处理单元，用于基于所述目标图像中各个像素点的特征，将所述目标图像中的像素点进行聚类处理，以根据聚类结果确定所述目标图像中各个车辆对应的检测框。
12.如权利要求7-10任一所述的装置，其中，所述第二确定模块，包括：
更新单元，用于在所述目标图像中第一车辆的特征，与历史图像中第二车辆的特征间的匹配度大于阈值时，根据所述目标图像的获取位置及获取时刻，对所述第二车辆的运行轨迹进行更新。
13.一种电子设备，其中，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1-6中任一项所述的方法。
14.一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权利要求1-6中任一项所述的方法。
CN202010478496.9A 2020-05-29 2020-05-29 车辆跟踪方法、装置及电子设备 Active CN111709328B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202010478496.9A CN111709328B (zh) 2020-05-29 2020-05-29 车辆跟踪方法、装置及电子设备
JP2022545432A JP7429796B2 (ja) 2020-05-29 2020-10-30 車両追跡方法、装置及び電子機器
EP20938232.4A EP4116867A4 (en) 2020-05-29 2020-10-30 VEHICLE TRACKING METHOD AND APPARATUS AND ELECTRONIC DEVICE
US17/995,752 US20230186486A1 (en) 2020-05-29 2020-10-30 Vehicle tracking method and apparatus, and electronic device
PCT/CN2020/125446 WO2021238062A1 (zh) 2020-05-29 2020-10-30 车辆跟踪方法、装置及电子设备
KR1020227025961A KR20220113829A (ko) 2020-05-29 2020-10-30 차량 추적 방법, 장치 및 전자 기기

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010478496.9A CN111709328B (zh) 2020-05-29 2020-05-29 车辆跟踪方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111709328A true CN111709328A (zh) 2020-09-25
CN111709328B CN111709328B (zh) 2023-08-04

Family

ID=72537343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010478496.9A Active CN111709328B (zh) 2020-05-29 2020-05-29 车辆跟踪方法、装置及电子设备

Country Status (6)

Country Link
US (1) US20230186486A1 (zh)
EP (1) EP4116867A4 (zh)
JP (1) JP7429796B2 (zh)
KR (1) KR20220113829A (zh)
CN (1) CN111709328B (zh)
WO (1) WO2021238062A1 (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270244A (zh) * 2020-10-23 2021-01-26 平安科技（深圳）有限公司 目标物违规监控方法、装置、电子设备及存储介质
CN112489450A (zh) * 2020-12-21 2021-03-12 北京百度网讯科技有限公司 交通路口处的车辆流量控制方法、路侧设备及云控平台
CN112987764A (zh) * 2021-02-01 2021-06-18 鹏城实验室 降落方法、装置、无人机以及计算机可读存储介质
CN113160272A (zh) * 2021-03-19 2021-07-23 苏州科达科技股份有限公司 目标跟踪方法、装置、电子设备及存储介质
CN113344978A (zh) * 2021-06-29 2021-09-03 北京搜狗科技发展有限公司 一种目标跟踪方法、装置和用于目标跟踪的装置
WO2021238062A1 (zh) * 2020-05-29 2021-12-02 北京百度网讯科技有限公司 车辆跟踪方法、装置及电子设备
CN113901911A (zh) * 2021-09-30 2022-01-07 北京百度网讯科技有限公司 图像识别、模型训练方法、装置、电子设备及存储介质
CN114004864A (zh) * 2021-10-29 2022-02-01 北京百度网讯科技有限公司 对象追踪方法、相关装置及计算机程序产品
CN114067270A (zh) * 2021-11-18 2022-02-18 华南理工大学 一种车辆追踪方法、装置、计算机设备及存储介质
CN114140717A (zh) * 2021-11-26 2022-03-04 北京比特易湃信息技术有限公司 一种视频中基于车辆轨迹的分类投票方法
CN115050190A (zh) * 2022-06-13 2022-09-13 天翼数字生活科技有限公司 一种道路车辆监控方法及其相关装置
CN115394098A (zh) * 2021-11-02 2022-11-25 杭州宇涵信息工程有限公司 一种分布式动态监控交通诱导屏控制系统
WO2023093086A1 (zh) * 2021-11-26 2023-06-01 上海商汤智能科技有限公司 目标跟踪及相关模型的训练方法、装置、设备、介质、计算机程序产品
CN116363400A (zh) * 2023-03-31 2023-06-30 阿波罗智联(北京)科技有限公司 一种车辆匹配方法、装置、电子设备和存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463705A (zh) * 2022-02-07 2022-05-10 厦门市执象智能科技有限公司 一种基于视频流行为轨迹自动识别检测方法
CN114973169A (zh) * 2022-08-02 2022-08-30 山东建筑大学 基于多目标检测和跟踪的车辆分类计数方法及系统
CN116091552B (zh) * 2023-04-04 2023-07-28 上海鉴智其迹科技有限公司 基于DeepSORT的目标跟踪方法、装置、设备及存储介质
CN117237418B (zh) * 2023-11-15 2024-01-23 成都航空职业技术学院 一种基于深度学习的运动目标检测方法和系统
CN118411700B (zh) * 2024-06-27 2024-09-13 浙江恒逸石化有限公司 检测方法、装置、设备及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012050185A1 (ja) * 2010-10-14 2012-04-19 シャープ株式会社 映像処理装置、映像処理方法、及び映像処理プログラム
US20140002655A1 (en) * 2012-06-29 2014-01-02 Lg Innotek Co., Ltd. Lane departure warning system and lane departure warning method
US20140348390A1 (en) * 2013-05-21 2014-11-27 Peking University Founder Group Co., Ltd. Method and apparatus for detecting traffic monitoring video
US20170053393A1 (en) * 2015-08-18 2017-02-23 Industrial Technology Research Institute System and method for object recognition
CN107909005A (zh) * 2017-10-26 2018-04-13 西安电子科技大学 基于深度学习的监控场景下人物姿态识别方法
CN108053427A (zh) * 2017-10-31 2018-05-18 深圳大学 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置
US20190057507A1 (en) * 2017-08-18 2019-02-21 Samsung Electronics Co., Ltd. System and method for semantic segmentation of images
CN109389671A (zh) * 2018-09-25 2019-02-26 南京大学 一种基于多阶段神经网络的单图像三维重建方法
CN109816686A (zh) * 2019-01-15 2019-05-28 山东大学 基于物体实例匹配的机器人语义slam方法、处理器及机器人
CN109993091A (zh) * 2019-03-25 2019-07-09 浙江大学 一种基于背景消除的监控视频目标检测方法
CN110349138A (zh) * 2019-06-28 2019-10-18 歌尔股份有限公司 基于实例分割框架的目标物体的检测方法及装置
CN110895810A (zh) * 2019-10-24 2020-03-20 中科院广州电子技术有限公司 基于改进Mask RCNN的染色体图像实例分割方法及装置
CN110956643A (zh) * 2019-12-04 2020-04-03 齐鲁工业大学 一种基于MDNet的改进车辆跟踪方法及系统
US20200117937A1 (en) * 2018-10-16 2020-04-16 Samsung Electronics Co., Ltd. Convolutional neural network for object detection

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5344618B2 (ja) 2009-11-30 2013-11-20 住友電気工業株式会社 移動体追跡装置、追跡方法及びコンピュータプログラム
US9070289B2 (en) 2013-05-10 2015-06-30 Palo Alto Research Incorporated System and method for detecting, tracking and estimating the speed of vehicles from a mobile platform
JP6565661B2 (ja) 2015-12-17 2019-08-28 富士通株式会社 画像処理システム、画像類似判定方法および画像類似判定プログラム
CN111709328B (zh) * 2020-05-29 2023-08-04 北京百度网讯科技有限公司 车辆跟踪方法、装置及电子设备

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012050185A1 (ja) * 2010-10-14 2012-04-19 シャープ株式会社 映像処理装置、映像処理方法、及び映像処理プログラム
US20140002655A1 (en) * 2012-06-29 2014-01-02 Lg Innotek Co., Ltd. Lane departure warning system and lane departure warning method
US20140348390A1 (en) * 2013-05-21 2014-11-27 Peking University Founder Group Co., Ltd. Method and apparatus for detecting traffic monitoring video
US20170053393A1 (en) * 2015-08-18 2017-02-23 Industrial Technology Research Institute System and method for object recognition
US20190057507A1 (en) * 2017-08-18 2019-02-21 Samsung Electronics Co., Ltd. System and method for semantic segmentation of images
CN107909005A (zh) * 2017-10-26 2018-04-13 西安电子科技大学 基于深度学习的监控场景下人物姿态识别方法
CN108053427A (zh) * 2017-10-31 2018-05-18 深圳大学 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置
CN109389671A (zh) * 2018-09-25 2019-02-26 南京大学 一种基于多阶段神经网络的单图像三维重建方法
US20200117937A1 (en) * 2018-10-16 2020-04-16 Samsung Electronics Co., Ltd. Convolutional neural network for object detection
CN109816686A (zh) * 2019-01-15 2019-05-28 山东大学 基于物体实例匹配的机器人语义slam方法、处理器及机器人
CN109993091A (zh) * 2019-03-25 2019-07-09 浙江大学 一种基于背景消除的监控视频目标检测方法
CN110349138A (zh) * 2019-06-28 2019-10-18 歌尔股份有限公司 基于实例分割框架的目标物体的检测方法及装置
CN110895810A (zh) * 2019-10-24 2020-03-20 中科院广州电子技术有限公司 基于改进Mask RCNN的染色体图像实例分割方法及装置
CN110956643A (zh) * 2019-12-04 2020-04-03 齐鲁工业大学 一种基于MDNet的改进车辆跟踪方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PAUL VOIGTLAENDER 等: "MOTS: Multi-Object Tracking and Segmentation" *
ZHIXIAN YANG 等: "Instance Segmentation Method Based on Improved Mask R-CNN for the Stacked Electronic Components" *
杨仕琴: "基于车全脸特征的车辆身份识别的设计与实现" *
陈伟华: "基于感兴趣区域和神经网络的盲图像质量评价" *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021238062A1 (zh) * 2020-05-29 2021-12-02 北京百度网讯科技有限公司 车辆跟踪方法、装置及电子设备
CN112270244A (zh) * 2020-10-23 2021-01-26 平安科技（深圳）有限公司 目标物违规监控方法、装置、电子设备及存储介质
CN112489450A (zh) * 2020-12-21 2021-03-12 北京百度网讯科技有限公司 交通路口处的车辆流量控制方法、路侧设备及云控平台
CN112987764A (zh) * 2021-02-01 2021-06-18 鹏城实验室 降落方法、装置、无人机以及计算机可读存储介质
CN112987764B (zh) * 2021-02-01 2024-02-20 鹏城实验室 降落方法、装置、无人机以及计算机可读存储介质
CN113160272B (zh) * 2021-03-19 2023-04-07 苏州科达科技股份有限公司 目标跟踪方法、装置、电子设备及存储介质
CN113160272A (zh) * 2021-03-19 2021-07-23 苏州科达科技股份有限公司 目标跟踪方法、装置、电子设备及存储介质
CN113344978A (zh) * 2021-06-29 2021-09-03 北京搜狗科技发展有限公司 一种目标跟踪方法、装置和用于目标跟踪的装置
CN113901911A (zh) * 2021-09-30 2022-01-07 北京百度网讯科技有限公司 图像识别、模型训练方法、装置、电子设备及存储介质
CN114004864A (zh) * 2021-10-29 2022-02-01 北京百度网讯科技有限公司 对象追踪方法、相关装置及计算机程序产品
CN115394098A (zh) * 2021-11-02 2022-11-25 杭州宇涵信息工程有限公司 一种分布式动态监控交通诱导屏控制系统
CN114067270A (zh) * 2021-11-18 2022-02-18 华南理工大学 一种车辆追踪方法、装置、计算机设备及存储介质
CN114140717A (zh) * 2021-11-26 2022-03-04 北京比特易湃信息技术有限公司 一种视频中基于车辆轨迹的分类投票方法
WO2023093086A1 (zh) * 2021-11-26 2023-06-01 上海商汤智能科技有限公司 目标跟踪及相关模型的训练方法、装置、设备、介质、计算机程序产品
CN114140717B (zh) * 2021-11-26 2024-07-23 北京比特易湃信息技术有限公司 一种视频中基于车辆轨迹的分类投票方法
CN115050190A (zh) * 2022-06-13 2022-09-13 天翼数字生活科技有限公司 一种道路车辆监控方法及其相关装置
CN115050190B (zh) * 2022-06-13 2024-01-23 天翼数字生活科技有限公司 一种道路车辆监控方法及其相关装置
CN116363400A (zh) * 2023-03-31 2023-06-30 阿波罗智联(北京)科技有限公司 一种车辆匹配方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
EP4116867A4 (en) 2024-02-07
CN111709328B (zh) 2023-08-04
KR20220113829A (ko) 2022-08-16
EP4116867A1 (en) 2023-01-11
WO2021238062A1 (zh) 2021-12-02
JP2023511455A (ja) 2023-03-17
US20230186486A1 (en) 2023-06-15
JP7429796B2 (ja) 2024-02-08

Similar Documents

Publication Publication Date Title
CN111709328B (zh) 车辆跟踪方法、装置及电子设备
CN111967302B (zh) 视频标签的生成方法、装置及电子设备
CN112132113B (zh) 车辆再识别的方法、装置、训练方法以及电子设备
CN111598164B (zh) 识别目标对象的属性的方法、装置、电子设备和存储介质
CN112528786B (zh) 车辆跟踪方法、装置及电子设备
CN111832568B (zh) 车牌识别方法、车牌识别模型的训练方法和装置
CN113221677B (zh) 一种轨迹异常检测方法、装置、路侧设备和云控平台
Romdhane et al. An improved traffic signs recognition and tracking method for driver assistance system
CN111833340A (zh) 图像检测方法、装置、电子设备及存储介质
CN111783760A (zh) 文字识别的方法、装置、电子设备及计算机可读存储介质
CN111950537B (zh) 斑马线信息获取方法、地图更新方法、装置及系统
CN113361344B (zh) 视频事件识别方法、装置、设备及存储介质
CN111709288B (zh) 人脸关键点检测方法、装置以及电子设备
CN112508003A (zh) 字符识别处理方法和装置
CN111767831B (zh) 用于处理图像的方法、装置、设备及存储介质
CN110968718A (zh) 目标检测模型负样本挖掘方法、装置及电子设备
CN111783650A (zh) 模型训练方法、动作识别方法、装置、设备以及存储介质
CN111783646A (zh) 行人再识别模型的训练方法、装置、设备和存储介质
CN113344121B (zh) 训练招牌分类模型和招牌分类的方法
CN111523515A (zh) 自动驾驶车辆环境认知能力评价方法、设备及存储介质
CN112561879A (zh) 模糊度评价模型训练方法、图像模糊度评价方法及装置
CN114419493A (zh) 图像的标注方法、装置、电子设备和存储介质
CN111597986A (zh) 用于生成信息的方法、装置、设备和存储介质
CN111666771A (zh) 文书的语义标签抽取、装置、电子设备及可读存储介质
CN113673281A (zh) 限速信息确定方法、装置、设备以及存储介质

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