一种跨相机的车辆轨迹关联方法与流程

本发明涉及数据关联，尤其涉及一种跨相机的车辆轨迹关联方法。

背景技术：

1、在当前的高速公路交通场景中，本专利发明人在实现本发明实施例技术方法的过程中，至少发现现有技术中存在如下技术问题：

2、路面上固定监控相机的监控范围十分有限，一个监控相机往往只能覆盖一百米左右的距离，通过单相机车辆跟踪获取到的轨迹信息十分有限，其轨迹信息只能表征监控范围内的车辆轨迹，相邻的监控相机之间的轨迹信息彼此孤立，未建立有效关联，一旦车辆驶出监控范围，无法定位车辆轨迹。

3、综上，现有车辆监控方法无法满足实际车辆跟踪需求。

技术实现思路

1、本发明实施例提供一种跨相机的车辆轨迹关联方法，通过设置多个监控相机来监控高速公路交通场景中各个区域的交通状况，得到更为丰富的路面交通运行状况信息，跨相机轨迹关联是使用一定规则关联相邻监控相机间的同一目标车辆的轨迹，以得到多个监控相机下的同一目标车辆连续轨迹，解决了现有车辆监控方法无法满足实际车辆跟踪需求的问题。

2、本发明实施例提供了一种跨相机的车辆轨迹关联方法，包括：

3、统一坐标系步骤：建立世界坐标系，统一高速公路交通场景中多个连续监控相机的坐标系，其中，所述世界坐标系的原点位于首个监控相机的正下方位置且与路面贴合，x轴垂直于公路方向，y轴沿着车道方向，z轴垂直于x轴与y轴构成的xy平面；

4、筛选待匹配轨迹步骤：从多个连续监控相机的车辆轨迹中筛选出要进行跨相机轨迹关联的待匹配轨迹；

5、预测车辆空间信息步骤：采用高斯过程回归，预测所述待匹配轨迹的下一时刻车辆空间信息；

6、提取车辆深度信息步骤：车辆空间信息预测完成后进行车辆深度信息的提取，以增加数据关联的线索；

7、跨相机轨迹关联步骤：将所述车辆空间信息和所述车辆深度信息作为多特征数据关联机制的线索，以完成跨相机轨迹关联。

8、可选地，所述预测车辆空间信息步骤，具体包括：

9、将一待匹配轨迹表示为，所述待匹配轨迹在时空图上具有j个跟踪结点，将所述待匹配轨迹视为一个高斯过程，所述待匹配轨迹的每个跟踪结点视为一个符合高斯分布的随机变量，高斯过程表示为：

10、，

11、，

12、其中，为均值函数，为核函数，与为核函数的超参数；

13、将需要实施预测的第n个跟踪结点定义为，预测得到的下一时刻车辆空间信息为，通过贝叶斯公式得到下式：

14、；

15、待匹配轨迹之间的联合概率分布为，则下一时刻车辆空间信息的先验概率分布为，联合概率分布满足下式：

16、，

17、式中，，，从而下一时刻车辆空间信息为：

18、。

19、可选地，所述车辆深度信息包括车辆类别信息、车辆颜色信息、车辆尺寸信息、轨迹类别信息。

20、可选地，所述提取车辆深度信息步骤，具体包括：

21、在残差网络中加入通道注意力模块和空间注意力模块，网络卷积层输出的车辆原始特征会先通过所述通道注意力模块进行权重分配后，再与所述车辆原始特征按通道相乘，得到车辆特征调整信息；

22、将所述车辆特征调整信息作为输入，通过所述空间注意力模块进行权重分配后，与所述空间注意力模块的所述车辆特征调整信息逐元素相乘，得到最终输出的车辆深度信息。

23、可选地，所述通道注意力模块得到所述车辆特征调整信息的过程，具体包括：

24、所述通道注意力模块根据所述车辆原始特征对每个特征通道进行权重分配；

25、将所述车辆原始特征分别通过全局最大池化和全局平均池化；

26、将池化后的结果通过共享多层神经网络进行映射；

27、将映射的特征向量基于元素相加后再使用sigmoid函数激活，得到作为车辆特征调整信息的通道注意力输出向量，计算公式如下：

28、，

29、其中， f表示车辆原始特征，表示sigmoid函数， avgpool表示全局平均池化计算， mlp表示多层感知器网络架构处理， maxpool表示全局最大池化计算，表示特征通道中的第一权重，表示特征通道中的第二权重，表示车辆原始特征的通道注意力平均值，表示车辆原始特征的通道注意力最大值。

30、可选地，所述空间注意力模块得到所述车辆深度信息的过程，具体包括：

31、空间注意力模块只专注于对任务有一定相关性的图像区域，将所述车辆特征调整信息分别通过通道维度的全局最大池化和全局平均池化；

32、将得到的池化后的结果以通道维度堆叠，将堆叠后的结果再通过一个卷积层降维成一个通道；

33、将降维后的结果通过sigmoid函数激活操作,得到作为车辆深度信息的空间注意力输出向量，计算公式如下：

34、，

35、其中，表示sigmoid函数，表示7×7卷积操作， maxpool表示全局最大池化计算， avgpool表示全局平均池化计算，表示车辆原始特征的空间注意力平均值，表示车辆原始特征的空间注意力最大值。

36、可选地，所述跨相机轨迹关联步骤，具体包括：

37、基于卡尔门滤波法，构造轨迹匹配代价矩阵；

38、利用待匹配轨迹相对应的轨迹类别信息，对所述轨迹匹配代价矩阵进行初步筛选；

39、计算待匹配轨迹组的欧式距离；

40、计算待匹配轨迹组的最小余弦距离；

41、基于所述欧式距离和所述最小余弦距离，获得最终轨迹距离，以更新所述轨迹匹配代价矩阵。

42、可选地，所述计算待匹配轨迹组的欧式距离的步骤，具体为：

43、将当前监控相机的待匹配轨迹库中的集合用进行定义，将下一监控相机的待匹配轨迹库中的集合用进行定义，将待匹配轨迹的空间预测位置定义为，待匹配轨迹的初始空间位置定义为，待匹配轨迹组的欧式距离的计算公式如下：

44、。

45、可选地，所述计算待匹配轨迹组的最小余弦距离的步骤，具体为：

46、将待匹配轨迹中的一跟踪结点的目标深度信息定义为a，待匹配轨迹中的一跟踪结点的目标深度信息定义为b，则待匹配轨迹组的最小余弦距离计算公式如下：

47、。

48、可选地，所述基于所述欧式距离和所述最小余弦距离，获得最终轨迹距离的步骤，具体为：

49、在所述欧式距离和所述最小余弦距离中引入权值，联合起来计算最终轨迹距离，计算公式如下：

50、。

51、本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

52、本发明通过使用多特征数据关联机制，将相邻监控相机间的同一目标车联的轨迹之间建立关联，最终实现高速公路交通场景下的跨相机轨迹关联，得到多个监控相机下目标车辆长时间稳定的跟踪轨迹，能够提高车辆跟踪的精度以及跟踪连续性。