[发明专利]多摄像头场景下车辆的轨迹计算方法

说明书

本发明提供一种多摄像头场景下车辆的轨迹计算方法，包括：采用卷积神经网络识别摄像机采集的车辆监控视频，获取目标车辆的识别信息，识别信息包括：目标车辆的型号、品牌、实际运行方向以及目标车辆的倾斜角度，并将目标车辆所在位置用矩阵框标注；根据矩阵框与跟踪器保存区域的重合面积对目标车辆进行跟踪，获取目标车辆的运动信息，运动信息包括目标车辆的出现位置、离开位置以及目标车辆的运行方向和轨迹；根据目标车辆的运动信息、摄像机的安装位置和道路连通关系标定摄像机网络的拓扑结构；通过贝叶斯估计对摄像机网络中的目标车辆的轨迹进行关联。本发明提高了多摄像头场景下车辆的轨迹计算的准确率。

技术领域

本发明涉及车辆轨迹计算技术领域，尤其涉及一种多摄像头场景下车辆的轨迹计算方法。

背景技术

在目前的智能交通系统中，对车辆的识别和跟踪一直是一个核心的环节，也是一个难点，对单摄像头下的车辆追踪的研究很多。

现有的车辆轨迹计算一般都拘泥于利用车辆本身的属性如转弯角度等来估计车辆的行驶轨迹，计算结果准确率不够高。

发明内容

本发明提供了一种多摄像头场景下车辆的轨迹计算方法，解决上述技术问题。

本发明一种多摄像头场景下车辆的轨迹计算方法，包括：

采用卷积神经网络识别摄像机采集的车辆监控视频，获取目标车辆的识别信息，所述识别信息包括：所述目标车辆的型号、品牌、实际运行方向以及所述目标车辆的倾斜角度，并将目标车辆用矩阵框标注；

根据所述矩阵框与跟踪器保存区域的重合面积对所述目标车辆进行跟踪，获取所述目标车辆的运动信息，所述运动信息包括所述目标车辆的出现位置、离开位置以及所述目标车辆的运行方向和轨迹；

根据所述目标车辆的运动信息、摄像机的安装位置和道路连通关系标定摄像机网络的拓扑结构；

通过贝叶斯估计对所述摄像机网络中的所述目标车辆的轨迹进行关联。

进一步地，所述根据所述矩阵框与跟踪器保存区域的重合面积对所述目标车辆进行跟踪，获取所述目标车辆的运动信息之后，还包括：

采用卡尔曼滤波器和匈牙利匹配算法更新所述跟踪器。

进一步地，所述根据所述矩阵框与跟踪器保存区域的重合面积对所述目标车辆进行跟踪，获取所述目标车辆的运动信息，包括：

判断目标车辆的矩阵框与跟踪器中保存的区域是否重叠，若是，则按照重叠面积率将跟踪器排序，若否，则判断下一辆目标车辆；

选取重叠面积率最大的区域对应的跟踪器确定所述目标车辆的运行方向；

判断所述跟踪器中的车辆运行方向与所述目标车辆的实际运行方向是否相同，若是，则确定所述跟踪器中保存的车辆为所述目标车辆，若否，则跟踪下一辆目标车辆。

进一步地，所述根据所述目标车辆的运动信息、摄像机的安装位置和道路连通关系标定摄像机网络的拓扑结构，包括：

根据摄像机中目标车辆的出现位置、离开位置信息确定所述目标车辆对应所述摄像机的出现区域和消失区域，并将所述出现区域和所述消失区域做为摄像机网络中的节点；

根据所述摄像机的安装位置和道路连通关系判断任意两个所述节点之间是否连通；

根据所述节点之间的连通关系确定摄像机网络的拓扑结构。

进一步地，所述通过贝叶斯估计对所述摄像机网络中的所述目标车辆的轨迹进行关联，包括：

将目标车辆在任一摄像机中的出现区域和消失区域分别划分在不同的子图单元中；