1.本技术涉及图像处理技术领域，尤其涉及一种车辆跟踪方法、装置、设备及介质。
背景技术：2.多目标跟踪算法是给定一个图像序列，确定每个物体在图像序列中每个图像中的位置，再确定出每个物体的运动轨迹。基于此，电子设备可以在多目标跟踪算法的基础上，根据图像采集设备的位置以及每个图像采集设备采集到的图像帧中的每个车辆的特征，实现车辆的跨图像采集设备跟踪。
3.其中，现有技术中在提取车辆的特征时，通常获取图像采集设备在一定时长内采集到的每个图像帧，针对每个车辆，确定该车辆在每个图像帧中的每个特征，然后通过对每个特征进行加权计算或者均值计算，并将计算后的特征确定为该车辆的特征。之后将该特征与上一个时长确定的该车辆的特征进行匹配，确定上一个时长内与该车辆匹配的目标车辆，进而确定该车辆的id。但是，由于车辆的移动速度快，因此车辆与图像采集设备的相对位置变化较快，导致一定时长内采集到的每个图像帧中车辆的特征差别过大，进而导致车辆的特征匹配的精度下降，进一步导致车辆跟踪精度下降。同时在跨图像采集设备的车辆跟踪时，需要利用车辆的特征进行车辆id再识别，然而多个图像采集设备的拍摄角度一般不同，提取的车辆的特征也会有较大差异，因此导致车辆id再识别的时候也会存在较大误差，跨图像采集设备跟踪时也会出现跟踪失败的问题。
技术实现要素：4.本技术提供了一种车辆跟踪方法、装置、设备及介质，用以解决现有技术中每一帧的提取的车辆的特征差别过大，导致车辆的特征匹配的精度下降，进一步导致车辆跟踪精度下降的问题。
5.第一方面，本技术实施例提供了一种车辆跟踪方法，所述方法包括：
6.获取图像采集设备采集到的当前图像帧；
7.将所述当前图像帧输入到训练完成的模型中，获取所述模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别，其中，所述特征向量中包括每个区域类别对应的子特征向量；
8.针对所述当前图像帧中包含的每个车辆，根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆；将所述目标车辆对应的id确定为当前图像帧中该车辆的id。
9.第二方面，本技术实施例还提供了一种车辆跟踪装置，所述装置包括：
10.获取模块，用于获取图像采集设备采集到的当前图像帧；
11.特征提取模块，用于将所述当前图像帧输入到训练完成的模型中，获取所述模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别，其中，所述特征向量中包括每个区域类别对应的子特征向量；
12.匹配模块，用于针对所述当前图像帧中包含的每个车辆，根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆；将所述目标车辆对应的id确定为当前图像帧中该车辆的id。
13.第三方面，本技术实施例还提供了一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述所述车辆跟踪方法的步骤。
14.第四方面，本技术实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述车辆跟踪方法的步骤。
15.在本技术实施例中，电子设备获取图像采集设备采集到的当前图像帧，将该当前图像帧输入到训练完成的模型中，获取该模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别，其中，该特征向量中包括每个区域类别对应的子特征向量；针对该当前图像帧中包含的每个车辆，根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆；将该目标车辆对应的id确定为当前图像帧中该车辆的id。即在本技术实施例中，电子设备确定了当前图像帧中每个车辆的每个区域类别对应的子特征向量，以及每个车辆被采集到的区域对应的区域类别，该电子设备可以基于车辆在当前图像帧的目标区域类别和目标特征向量与上一个图像帧中的车辆进行匹配，提高了车辆的特征匹配的精度，进一步提高了车辆跟踪的精度。
附图说明
16.为了更清楚地说明本技术的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1为本技术实施例提供的一种告警处理过程示意图；
18.图2为本技术实施例提供的图像采集设备采集到的当前图像帧的示意图；
19.图3为本技术实施例提供的各种区域类别的车辆的示意图；
20.图4a为本技术实施例提供的车辆a在图像采集设备1采集到的第一图像帧中的区域类别；
21.图4b为本技术实施例提供的车辆a在图像采集设备1采集到的第二图像帧中的区域类别；
22.图4c为本技术实施例提供的车辆a在图像采集设备2采集到的第三图像帧中的区域类别；
23.图4d为本技术实施例提供的车辆a在图像采集设备2采集到的第四图像帧中的区域类别；
24.图5为本技术实施例提供的模型结构示意图；
25.图6为本技术实施例提供的车辆在图像采集设备的已采集图像帧中出现的示意图；
26.图7为本技术实施例提供的一种风险数据获取装置结构示意图；
27.图8为本技术实施例提供的一种电子设备结构示意图。
具体实施方式
28.为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
29.为了提高车辆的特征匹配的精度，提高车辆跟踪的精度，本技术实施例提供了一种车辆跟踪方法、装置、设备及介质。
30.实施例1：
31.图1为本技术实施例提供的一种车辆跟踪过程示意图，该过程包括：
32.s101：获取图像采集设备采集到的当前图像帧。
33.本技术实施例提供的一种车辆跟踪方法应用于电子设备，该电子设备可以是服务器、pc或图像采集设备等。
34.在本技术实施例中，图像采集设备实时的对监控范围内的场景和物体进行监控，并采集图像帧。电子设备实时地获取图像采集设备采集到的当前图像帧，并基于该当前图像帧对车辆进行车辆跟踪。
35.图2为本技术实施例提供的图像采集设备采集到的当前图像帧的示意图，如该图2所示，图像采集设备对监控范围内的场景和物体进行监控，并采集图像帧。
36.s102：将所述当前图像帧输入到训练完成的模型中，获取所述模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别，其中，所述特征向量中包括每个区域类别对应的子特征向量。
37.电子设备在获取到当前图像帧之后，该电子设备可以确定该当前图像帧中包含的每个车辆，并确定每个车辆对应的特征向量，以及每个车辆被采集到的区域对应的区域类别，使得电子设备可以对该当前图像帧中的每个车辆进行车辆跟踪。
38.具体的，电子设备在进行车辆跟踪时，在同一图像采集设备采集到的不同图像帧中，该同一车辆的相对图像采集设备的位置可能会发生较大的变化，因此，为了更好地对每个车辆进行车辆跟踪，在本技术实施例中，电子设备会确定每个车辆被采集到的区域对应的区域类别，并且电子设备在生成车辆对应的特征向量时，是基于车辆的每个区域类别生成的，即每个车辆的特征向量中包括每个区域类别对应的子特征向量。其中，在本技术实施例中，车辆的区域类别至少包括车头、车身和车尾。
39.图3为本技术实施例提供的各种区域类别的车辆的示意图，如该图3所示，第一行中的每个车辆对应的区域类别均为车头，第二行中的每个车辆对应的区域类别均为车身，第三行中的每个车辆对应的区域类别均为车尾。
40.具体的，在本技术实施例中，电子设备将当前图像帧输入到训练完成的模型中，该模型对该图像帧中包含的每个车辆分别进行识别，确定该当前图像帧中每个车辆的特征向量，每个车辆被采集到的区域对应的区域类别，并输出该每个车辆对应的特征向量和区域类别。
41.图4a为本技术实施例提供的车辆a在图像采集设备1采集到的第一图像帧中的区域类别，如该图4a所示，车辆a被采集到的区域对应的区域类别为车头。
42.图4b为本技术实施例提供的车辆a在图像采集设备1采集到的第二图像帧中的区
域类别，如该图4b所示，车辆a被采集到的区域对应的区域类别为车身。
43.图4c为本技术实施例提供的车辆a在图像采集设备2采集到的第三图像帧中的区域类别，如该图4c所示，车辆a被采集到的区域对应的区域类别为车身。
44.图4d为本技术实施例提供的车辆a在图像采集设备2采集到的第四图像帧中的区域类别，如该图4d所示，车辆a被采集到的区域对应的区域类别为车尾。
45.s103：针对所述当前图像帧中包含的每个车辆，根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆；将所述目标车辆对应的id确定为当前图像帧中该车辆的id。
46.在本技术实施例中，针对当前图像帧中包含的每个车辆，电子设备根据该车辆在当前图像帧中的目标区域类别和目标特征向量，在该当前图像帧的上一个图像帧中确定与该车辆匹配的目标车辆，并将该目标车辆的id确定为当前图像帧中该车辆的id。其中，该上一个图像帧与该当前图像帧是同一个图像采集设备采集到的。
47.此外，在本技术实施例中，在确定了与该车辆匹配的目标车辆之后，电子设备还可以进一步的校验该车辆与该目标车辆是否为同一车辆。具体的，电子设备根据上一个图像帧中每个车辆的位置，采用卡尔曼滤波和匈牙利算法预测该上一个图像帧中的每个车辆的运动状态并预测每个车辆在该当前图像帧中的位置，并基于该预测结果，进一步的校验该车辆与该目标车辆是否为同一车辆。其中，该预测过程为现有技术，在此不再赘述。
48.在本技术实施例中，电子设备确定了当前图像帧中每个车辆的每个区域类别对应的子特征向量，以及每个车辆被采集到的区域对应的区域类别，该电子设备可以基于车辆在当前图像帧的目标区域类别和目标特征向量与上一个图像帧中的车辆进行匹配，提高了车辆的特征匹配的精度，进一步提高了车辆跟踪的精度。
49.实施例2：
50.为了提高车辆的特征匹配的精度，在上述实施例的基础上，在本技术实施例中，所述将所述当前图像帧输入到训练完成的模型中，获取所述模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别包括：
51.将所述当前图像帧输入到所述模型的第一子模型中，确定携带有每个车辆的位置信息的第一中间图像帧；
52.将所述第一中间图像帧输入到所述模型的第二子模型中，确定携带有每个车辆的特征向量的第二中间图像帧；
53.将所述第二中间图像帧输入到所述模型的第三子模型中，确定每个车辆的区域对应的区域类别，输出每个车辆对应的特征向量和区域类别。
54.在本技术实施例中，模型在确定当前图像帧中每个车辆对应的特征向量和区域类别时，该模型中包含至少三个子模型，分别为用于确定当前图像帧中包含的每个车辆的位置信息的第一子模型，用于确定每个车辆对应的特征向量的第二子模型以及用于确定每个车辆的区域类别的第三子模型。
55.具体的，在本技术实施例中，模型将当前图像帧输入到第一子模型中，该第一子模型至少包括热图(heatmap)、中心偏移(center offest)和边界盒大小(bbox size)等模块。其中，heatmap用于确定该当前图像帧中包含的物体是否为车辆，center offest用于采用矩形等形状在该当前图像帧中框选出每个车辆，bbox size用于根据预先配置的坐标系构
建方法，在该当前图像帧中构建坐标系，并确定每个车辆对应的矩形框的预设顶点的坐标以及矩形框的长宽。该每个车辆对应的矩形框，以及每个矩形框的预设顶点的坐标以及长宽构成该车辆的位置信息，该第一子模型输出携带有每个车辆的位置信息的第一中间图像帧。
56.该模型将该第一中间图像帧输入到第二子模型中，该第二子模型根据该第一中间图像帧中携带的每个车辆的位置信息，在该第一中间图像帧中定位出每个车辆，并确定每个车辆对应的特征向量。该第二子模型输出携带有每个车辆对应的特征向量的第二中间图像帧。
57.该模型将该第二中间图像帧输入到第三子模型中，该第三子模型确定每个车辆对应的区域类别。模型输出每个车辆对应的特征向量和区域类别。
58.图5为本技术实施例提供的模型结构示意图，如该图5所示，该模型为深层聚合网络模型(deep layer aggregation,dla)，该模型中包含第一子模型、第二子模型和第三子模型。第一子模型为车辆检测模块，该车辆检测模块包括heatmap、center offset和bbox size，其中heatmap用于确定当前图像帧中的每个物体是否为车辆，center offset用于确定当前图像帧中每个车辆的位置并框选出每个车辆，bbox size用于确定每个车辆对应的框的位置信息；第二子模型为reid模块，用于确定当前图像帧中每个车辆对应的特征向量；第三子模型为车辆形态分类模块，用于确定每个车辆被采集到的区域对应的区域类别。
59.实施例3：
60.为了对模型更好地进行训练，使得训练完成的模型可以更好地确定每个车辆对应的特征向量和区域类别，在上述各实施例的基础上，在本技术实施例中，所述模型的训练过程包括：
61.获取训练样本集中保存的每个样本图像帧，其中所述每个样本图像帧中携带有每个车辆对应的初始位置信息和初始区域类别；
62.针对每个样本图像帧，将所述样本图像帧输入到所述模型的第一子模型中，确定携带有每个车辆的预测位置信息的预测第一中间图像帧；将所述预测第一中间图像帧输入到所述模型的第二子模型中，所述第二子模型确定每个车辆的预测特征向量，并根据每个车辆的预测特征向量为每个车辆分配预测编号，并确定携带有每个车辆的预测特征向量的预测第二中间图像帧；将所述预测第二中间图像帧输入到所述模型的第三子模型中，确定每个车辆的区域对应的预测区域类别；
63.根据每个样本图像帧中每个车辆对应的初始位置信息和预测位置信息，确定所述第一子模型对应的第一损失值；
64.根据每个样本图像帧是否存在至少预测编号相同的车辆，确定所述第二子模型对应的第二损失值；
65.根据每个样本图像帧中每个车辆对应的初始区域类别和预测区域类别，确定所述第三子模型对应的第三损失值；
66.根据所述第一损失值、第二损失值和第三损失值，对所述模型的参数进行调整。
67.其中，在本技术实施例中，对模型的训练过程包括：获取训练样本集中的每个样本图像帧，其中该样本图像帧中携带有每个车辆的初始位置信息以及每个车辆的初始区域类别，该初始位置信息包括初始车辆框和初始车辆框对应的初始信息。针对每个样本图像帧，
将该样本图像帧输入到该模型中，该模型中的第一子模型对该样本图像帧中的车辆的位置信息进行预测，输出携带有车辆的预测位置的预测第一中间图像帧；该模型中的第二子模型根据该预测第一中间图像帧，确定该预测第一中间图像帧中每个车辆对应的预测特征向量，并比较每个预测特征向量，将预测特征向量相似的车辆确定为同一车辆，为每个车辆分配预测编号，其中同一车辆的预测编号相同，该第二子模型输出携带有车辆的预测特征向量的预测第二中间图像帧；第三子模型根据预测第二中间图像帧，确定每个车辆的预测区域类别。
68.电子设备根据每个车辆的初始位置信息以及预测位置信息，确定第一子模型对应的第一损失值；根据一张图像帧中不可能存在编号相同的车辆以及第二子模型预测的每个车辆对应的预测编号，确定该第二子模型对应的第二损失值；根据每个车辆的初始区域类别和预测区域类别，确定第三子模型对应的第三损失值。电子设备确定该第一损失值、第二损失值和第三损失值的和值，并将该和值确定为该模型的总损失值，根据该总损失值对该模型的参数进行调整。
69.其中，在本技术实施例中，在确定第一子模型对应的第一损失值时，电子设备根据样本图像帧中每个物体是否为车辆，确定第一子损失值；根据每个初始位置信息和预测位置信息，确定第二子损失值。电子设备确定该第一子损失值与第二子损失值的和值，并将该和值确定为该第一子模型对应的第一损失值。
70.其中，该第一子损失值可以采用以下公式计算：
[0071][0072]
其中，l
heatmap
表示第一子损失值；表示预先保存的每个物体是否为车辆时对应的数值，若该物体为车辆，则的值为1，否则为其他；m表示第一子模型预测的每个物体是否为车辆，若该物体为车辆，则m的值为1，否则为其他；n表示输入的样本图像帧的数量，α和β为预设数值。
[0073]
其中，该第二子损失值可以采用以下公式计算：
[0074][0075]
其中，l
box
表示第二子损失值，表示第i个车辆的预测车辆框的预测偏移量，oi表示第i个车辆的初始车辆框的初始偏移量，其中，示第i个车辆的初始车辆框的初始偏移量，其中，示第i个车辆的初始车辆框的初始偏移量，其中，为第i个初始车辆框的中心坐标，表示第i个预测车辆框对应的长，si表示第i个初始车辆框的长，其中，的长，其中，为第i个初始车辆框的左上角坐标，为第i个初始车辆框的右上角坐标，n表示输入的样本图像帧的数量。
[0076]
其中，第二损失值可以采用以下公式计算：
[0077][0078]
其中，l
identity
表示第二损失值，p(k)表示第k个车辆的预测编号是否与其他车辆的预测编号重复的概率，若重复则p(k)为1，若不重复则p(k)为0，l(k)为第一预设数值，每个车辆对应的l(k)相同。
[0079]
其中，第三损失值可以采用以下公式计算：
[0080][0081]
其中，l
car_shape_classes
表示第三损失值，其中yi为第i个车辆预先设置的初始区域类别，为第i个车辆的预测区域类别，n为样本总数。其中，在本技术实施例中，区域类别可以用数字表示，例如若区域类别为车头，则对应数字0，若区域类别为车身，则对应数字1，若区域类别为车尾，则对应数字2，li(yi)为第二预设数值，每个车辆对应的l(y)相同。
[0082]
其中，总损失值可以采用以下公式计算：
[0083]
l
total
＝l
heatmap
+l
box
+l
identity
+l
car_shape_classes
[0084]
其中，l
total
表示总损失值，l
heatmap
表示第一子损失值，l
box
表示第二子损失值，l
identity
表示第二损失值，l
car_shape_classes
表示第三损失值。
[0085]
实施例4：
[0086]
为了实现车辆的跨摄像头跟踪，在上述各实施例的基础上，在本技术实施例中，所述将所述目标车辆对应的id确定为当前图像帧中该车辆的id之前，所述方法包括：
[0087]
判断所述目标车辆在所述图像采集设备已采集图像帧中出现的第一次数是否超过预设的第一次数阈值；
[0088]
若否，则根据预先保存的每个图像采集设备对应的顺序，确定在所述图像采集设备之前的首个图像采集设备；
[0089]
获取保存的离开该首个图像采集设备的监控范围的每个第一候选车辆的车辆信息，其中，所述车辆信息中包含第一候选车辆的候选id和候选特征向量；
[0090]
根据每个第一候选车辆的车辆信息中携带的候选特征向量以及所述目标车辆的特征向量，确定所述每个第一候选车辆中与所述目标车辆匹配的目标第一候选车辆；
[0091]
根据所述目标第一候选车辆的候选特征向量以及该车辆的目标特征向量，判断所述目标第一候选车辆与该车辆是否匹配，若匹配，则对保存的所述目标车辆和所述目标第一候选车辆匹配的第二次数进行更新；
[0092]
若更新后的第二次数超过预设的第二次数阈值，则将所述目标第一候选车辆的目标候选id确定为该目标车辆的id。
[0093]
在本技术实施例中，一条道路上会存在多个图像采集设备，每个图像采集设备的监控范围也不同，当一个车辆离开一个图像采集设备的监控范围之后，该车辆会进入另一个图像采集设备的监控范围，电子设备需要保证车辆无论是被哪个图像采集设备采集到，确定的该车辆的id不变。
[0094]
其中，车辆在进入一个图像采集设备的监控范围时，该车辆被采集到的区域的面积在图像采集设备采集到的图像帧中可能出现渐进式的变化。图6为本技术实施例提供的车辆在图像采集设备的已采集图像帧中出现的示意图，如该图6所示，a图像帧为该车辆首次出现在该图像采集设备的已采集图像帧中，此时该车辆只有1/4的区域出现在该a图像帧中；b图像帧为该车辆第二次出现在该图像采集设备的已采集图像帧中，此时该车辆有1/2的区域出现在该b图像帧中；c图像帧为该车辆第三次出现在该图像采集设备的已采集图像帧中，此时该车辆有3/4的区域出现在该c图像帧中；d图像帧为该车辆第四次出现在该图像采集设备的已采集图像帧中，此时该车辆的全部区域均出现在该d图像帧中。
[0095]
在本技术实施例中，电子设备在确定目标车辆的id时，该电子设备判断目标车辆在图像采集设备已采集图像帧中出现的第一次数是否超过预设的第一次数阈值，其中，该第一次数阈值用于表示图像采集设备是否完整地采集到该车辆，若该第一次数未超过该第一预设阈值，则确定该图像采集设备还未完整地采集到该车辆，即说明该车辆刚进入该图像采集设备的监控范围，此时检测出车辆的特征向量不够丰富。此时，电子设备需要基于在该图像采集设备之前的首个图像采集设备采集到的图像帧中包含的车辆，与目标车辆进行多次匹配，确定目标车辆的id。其中，该第一预设阈值个图像帧也可以被称为特征匹配缓冲区。
[0096]
具体的，根据图像采集设备安装的位置，电子设备预先保存有每个图像采集设备对应的顺序，该电子设备根据该顺序确定在该图像采集设备之前的首个图像采集设备，并获取保存的离开该首个图像采集设备的监控范围的每个第一候选车辆的车辆信息，其中，该车辆信息中包含第一候选车辆的候选id和候选特征向量。需要说明的是，在该电子设备中预先配置有一个存储区域，该存储区域被划分为了多个子存储区域，每个子存储区域针对一个对应的图像采集设备，存储有离开该图像采集设备的监控范围的每个第一候选车辆的车辆信息，该存储区域可以被命名为跨摄像头轨迹容器。
[0097]
电子设备根据每个第一候选车辆的车辆信息中携带的候选特征向量以及目标车辆的特征向量，确定该每个第一候选车辆中与该目标车辆匹配的目标第一候选车辆，并根据目标第一候选车辆的候选特征向量以及该车辆的目标特征向量，判断该目标第一候选车辆与该车辆是否匹配，若匹配，则对保存的目标车辆和目标第一候选车辆匹配的第二次数进行更新，若更新后的第二次数超过预设的第二次数阈值，则将该目标第一候选车辆的目标候选id确定为该目标车辆的id。
[0098]
为了减轻电子设备的存储压力，在上述各实施例的基础上，在本技术实施例中，所述方法还包括：
[0099]
删除保存的所述目标第一候选车辆的车辆信息。
[0100]
在本技术实施例中，为了减轻电子设备的存储压力，当确定了目标车辆与目标第一候选车辆匹配成功之后，该电子设备删除保存的该目标第一候选车辆的车辆信息。
[0101]
实施例5：
[0102]
为了提高车辆匹配的准确度，在上述各实施例的基础上，在本技术实施例中，所述根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆包括：
[0103]
确定所述目标特征向量中所述目标区域类别对应的目标子特征向量，以及所述上
一个图像帧中每个第二候选车辆对应的特征向量中所述目标区域类别对应的子特征向量；
[0104]
确定所述目标子特征向量与每个子特征向量的相似度，将超过相似度阈值的最高相似度对应的第二候选车辆确定为所述目标车辆。
[0105]
在本技术实施例中，为了提高车辆匹配的准确度，电子设备在确定与车辆匹配的目标车辆时，该电子设备确定该车辆对应的目标特征向量中目标区域类别对应的目标子特征向量，以及上一个图像帧中每个第二候选车辆对应的特征向量中该目标区域类别对应的子特征向量。该电子设备确定每个目标子特征向量与每个子特征向量的相似度，将超过相似度阈值的最高相似度对应的第二候选车辆确定为目标车辆。
[0106]
其中，在本技术实施例中，车辆对应的特征向量中包含了多个子特征向量，每个子特征向量对应一个区域类别，电子设备在根据车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆时，只需要确定目标特征向量和特征向量中该目标区域类别对应的子特征向量的相似度，提高了车辆匹配和跟踪的准确度，同时也降低了电子设备的计算压力。
[0107]
实施例6：
[0108]
为了进一步的对车辆进行跟踪，在上述各实施例的基础上，在本技术实施例中，所述方法还包括：
[0109]
根据所述当前图像帧中每个车辆的id，以及所述图像采集设备已采集的每个图像帧中车辆的id，判断是否存在未在所述当前图像帧中出现的第三候选车辆；
[0110]
若存在，则统计所述第三候选车辆在所述图像采集设备已采集的图像帧中出现的第一帧数以及消失的第二帧数，若所述第一帧数超过预设的出现帧数阈值且所述第二帧数超过预设的消失帧数阈值，则确定所述第三候选车辆为离开所述图像采集设备的监控范围的车辆；
[0111]
获取所述第三候选车辆在最后一次出现的图像帧中的特征向量和id为所述第三候选车辆的车辆信息，并保存所述车辆信息。
[0112]
在本技术实施例中，可能存在一个车辆在上一个图像帧出现，但是在当前帧图像中未出现的情况，即出现一个车辆离开该图像采集设备的监控范围的情况。为了实现车辆的跨图像采集设备跟踪，在本技术实施例中，电子设备会保存离开图像采集设备的监控范围的车辆的车辆信息。并且为了消除误检的情况，在本技术实施例中，预先在电子设备中保存了筛选机制，只有当车辆出现的帧数达到出现帧数阈值，以及车辆消失帧数达到消失帧数阈值，该电子设备才会认为该车辆离开图像采集设备的监控范围。
[0113]
具体的，在本技术实施例中，电子设备根据该当前图像帧中每个车辆的id，以及该图像采集设备已采集的每个图像帧中车辆的id，判断是否存在未在当前图像帧中出现的第三候选车辆。若存在，则电子设备统计该第三候选车辆在该图像采集设备已采集的图像帧中出现的第一帧数以及消失的第二帧数，若该第一帧数超过预设的出现帧数阈值且该第二帧数超过预设的消失帧数阈值，则确定该第三候选车辆为离开该图像采集设备的监控范围的车辆，则电子设备获取该第三候选车辆在最后一次出现的图像帧中的特征向量和id为该第三候选车辆的车辆信息，并保存该车辆信息。
[0114]
实施例7：
[0115]
图7为本技术实施例提供的一种车辆跟踪装置结构示意图，该装置包括：
[0116]
获取模块701，用于获取图像采集设备采集到的当前图像帧；
[0117]
特征提取模块702，用于将所述当前图像帧输入到训练完成的模型中，获取所述模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别，其中，所述特征向量中包括每个区域类别对应的子特征向量；
[0118]
匹配模块703，用于针对所述当前图像帧中包含的每个车辆，根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆；将所述目标车辆对应的id确定为当前图像帧中该车辆的id。
[0119]
在一种可能的实施方式中，所述特征提取模块702，具体用于将所述当前图像帧输入到所述模型的第一子模型中，确定携带有每个车辆的位置信息的第一中间图像帧；将所述第一中间图像帧输入到所述模型的第二子模型中，确定携带有每个车辆的特征向量的第二中间图像帧；将所述第二中间图像帧输入到所述模型的第三子模型中，确定每个车辆的区域对应的区域类别，输出每个车辆对应的特征向量和区域类别。
[0120]
在一种可能的实施方式中，所述装置还包括：
[0121]
训练模块704，用于获取训练样本集中保存的每个样本图像帧，其中所述每个样本图像帧中携带有每个车辆对应的初始位置信息和初始区域类别；针对每个样本图像帧，将所述样本图像帧输入到所述模型的第一子模型中，确定携带有每个车辆的预测位置信息的预测第一中间图像帧；将所述预测第一中间图像帧输入到所述模型的第二子模型中，所述第二子模型确定每个车辆的预测特征向量，并根据每个车辆的预测特征向量为每个车辆分配预测编号，并确定携带有每个车辆的预测特征向量的预测第二中间图像帧；将所述预测第二中间图像帧输入到所述模型的第三子模型中，确定每个车辆的区域对应的预测区域类别；根据每个样本图像帧中每个车辆对应的初始位置信息和预测位置信息，确定所述第一子模型对应的第一损失值；根据每个样本图像帧是否存在至少预测编号相同的车辆，确定所述第二子模型对应的第二损失值；根据每个样本图像帧中每个车辆对应的初始区域类别和预测区域类别，确定所述第三子模型对应的第三损失值；根据所述第一损失值、第二损失值和第三损失值，对所述模型的参数进行调整。
[0122]
在一种可能的实施方式中，所述装置还包括：
[0123]
处理模块705，还用于判断所述目标车辆在所述图像采集设备已采集图像帧中出现的第一次数是否超过预设的第一次数阈值；若否，则根据预先保存的每个图像采集设备对应的顺序，确定在所述图像采集设备之前的首个图像采集设备；获取保存的离开该首个图像采集设备的监控范围的每个第一候选车辆的车辆信息，其中，所述车辆信息中包含第一候选车辆的候选id和候选特征向量；根据每个第一候选车辆的车辆信息中携带的候选特征向量以及所述目标车辆的特征向量，确定所述每个第一候选车辆中与所述目标车辆匹配的目标第一候选车辆；根据所述目标第一候选车辆的候选特征向量以及该车辆的目标特征向量，判断所述目标第一候选车辆与该车辆是否匹配，若匹配，则对保存的所述目标车辆和所述目标第一候选车辆匹配的第二次数进行更新；若更新后的第二次数超过预设的第二次数阈值，则将所述目标第一候选车辆的目标候选id确定为该目标车辆的id。
[0124]
在一种可能的实施方式中，所述处理模块705，还用于删除保存的所述目标第一候选车辆的车辆信息。
[0125]
在一种可能的实施方式中，所述匹配模块703，具体用于确定所述目标特征向量中
所述目标区域类别对应的目标子特征向量，以及所述上一个图像帧中每个第二候选车辆对应的特征向量中所述目标区域类别对应的子特征向量；确定所述目标子特征向量与每个子特征向量的相似度，将超过相似度阈值的最高相似度对应的第二候选车辆确定为所述目标车辆。
[0126]
在一种可能的实施方式中，所述处理模块705，还用于根据所述当前图像帧中每个车辆的id，以及所述图像采集设备已采集的每个图像帧中车辆的id，判断是否存在未在所述当前图像帧中出现的第三候选车辆；若存在，则统计所述第三候选车辆在所述图像采集设备已采集的图像帧中出现的第一帧数以及消失的第二帧数，若所述第一帧数超过预设的出现帧数阈值且所述第二帧数超过预设的消失帧数阈值，则确定所述第三候选车辆为离开所述图像采集设备的监控范围的车辆；获取所述第三候选车辆在最后一次出现的图像帧中的特征向量和id为所述第三候选车辆的车辆信息，并保存所述车辆信息。
[0127]
实施例8：
[0128]
在上述实施例的基础上，本技术实施例还提供了一种电子设备，图8为本技术实施例提供的一种电子设备结构示意图，如图8所示，包括：处理器801、通信接口802、存储器803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信；
[0129]
存储器803中存储有计算机程序，当程序被处理器801执行时，使得处理器801执行如下步骤：
[0130]
获取图像采集设备采集到的当前图像帧；
[0131]
将所述当前图像帧输入到训练完成的模型中，获取所述模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别，其中，所述特征向量中包括每个区域类别对应的子特征向量；
[0132]
针对所述当前图像帧中包含的每个车辆，根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆；将所述目标车辆对应的id确定为当前图像帧中该车辆的id。
[0133]
在一种可能的实施方式中，所述处理器还用于：
[0134]
将所述当前图像帧输入到所述模型的第一子模型中，确定携带有每个车辆的位置信息的第一中间图像帧；
[0135]
将所述第一中间图像帧输入到所述模型的第二子模型中，确定携带有每个车辆的特征向量的第二中间图像帧；
[0136]
将所述第二中间图像帧输入到所述模型的第三子模型中，确定每个车辆的区域对应的区域类别，输出每个车辆对应的特征向量和区域类别。
[0137]
在一种可能的实施方式中，所述处理器还用于：
[0138]
获取训练样本集中保存的每个样本图像帧，其中所述每个样本图像帧中携带有每个车辆对应的初始位置信息和初始区域类别；
[0139]
针对每个样本图像帧，将所述样本图像帧输入到所述模型的第一子模型中，确定携带有每个车辆的预测位置信息的预测第一中间图像帧；将所述预测第一中间图像帧输入到所述模型的第二子模型中，所述第二子模型确定每个车辆的预测特征向量，并根据每个车辆的预测特征向量为每个车辆分配预测编号，并确定携带有每个车辆的预测特征向量的
预测第二中间图像帧；将所述预测第二中间图像帧输入到所述模型的第三子模型中，确定每个车辆的区域对应的预测区域类别；
[0140]
根据每个样本图像帧中每个车辆对应的初始位置信息和预测位置信息，确定所述第一子模型对应的第一损失值；
[0141]
根据每个样本图像帧是否存在至少预测编号相同的车辆，确定所述第二子模型对应的第二损失值；
[0142]
根据每个样本图像帧中每个车辆对应的初始区域类别和预测区域类别，确定所述第三子模型对应的第三损失值；
[0143]
根据所述第一损失值、第二损失值和第三损失值，对所述模型的参数进行调整。
[0144]
在一种可能的实施方式中，所述处理器还用于：
[0145]
判断所述目标车辆在所述图像采集设备已采集图像帧中出现的第一次数是否超过预设的第一次数阈值；
[0146]
若否，则根据预先保存的每个图像采集设备对应的顺序，确定在所述图像采集设备之前的首个图像采集设备；
[0147]
获取保存的离开该首个图像采集设备的监控范围的每个第一候选车辆的车辆信息，其中，所述车辆信息中包含第一候选车辆的候选id和候选特征向量；
[0148]
根据每个第一候选车辆的车辆信息中携带的候选特征向量以及所述目标车辆的特征向量，确定所述每个第一候选车辆中与所述目标车辆匹配的目标第一候选车辆；
[0149]
根据所述目标第一候选车辆的候选特征向量以及该车辆的目标特征向量，判断所述目标第一候选车辆与该车辆是否匹配，若匹配，则对保存的所述目标车辆和所述目标第一候选车辆匹配的第二次数进行更新；
[0150]
若更新后的第二次数超过预设的第二次数阈值，则将所述目标第一候选车辆的目标候选id确定为该目标车辆的id。
[0151]
在一种可能的实施方式中，所述处理器还用于：
[0152]
删除保存的所述目标第一候选车辆的车辆信息。
[0153]
在一种可能的实施方式中，所述处理器还用于：
[0154]
确定所述目标特征向量中所述目标区域类别对应的目标子特征向量，以及所述上一个图像帧中每个第二候选车辆对应的特征向量中所述目标区域类别对应的子特征向量；
[0155]
确定所述目标子特征向量与每个子特征向量的相似度，将超过相似度阈值的最高相似度对应的第二候选车辆确定为所述目标车辆。
[0156]
在一种可能的实施方式中，所述处理器还用于：
[0157]
根据所述当前图像帧中每个车辆的id，以及所述图像采集设备已采集的每个图像帧中车辆的id，判断是否存在未在所述当前图像帧中出现的第三候选车辆；
[0158]
若存在，则统计所述第三候选车辆在所述图像采集设备已采集的图像帧中出现的第一帧数以及消失的第二帧数，若所述第一帧数超过预设的出现帧数阈值且所述第二帧数超过预设的消失帧数阈值，则确定所述第三候选车辆为离开所述图像采集设备的监控范围的车辆；
[0159]
获取所述第三候选车辆在最后一次出现的图像帧中的特征向量和id为所述第三候选车辆的车辆信息，并保存所述车辆信息。
[0160]
由于上述电子设备解决问题的原理与车辆跟踪方法相似，因此上述电子设备的实施可以参见方法的实施例，重复之处不再赘述。
[0161]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信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。通信接口802用于上述电子设备与其他设备之间的通信。存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0162]
上述处理器可以是通用处理器，包括中央处理器、网络处理器(network processor，np)等；还可以是数字指令处理器(digital signal processing，dsp)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0163]
实施例9：
[0164]
在上述各实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质内存储有可由处理器执行的计算机程序，当程序在处理器上运行时，使得处理器执行时实现如下步骤：
[0165]
获取图像采集设备采集到的当前图像帧；
[0166]
将所述当前图像帧输入到训练完成的模型中，获取所述模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别，其中，所述特征向量中包括每个区域类别对应的子特征向量；
[0167]
针对所述当前图像帧中包含的每个车辆，根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆；将所述目标车辆对应的id确定为当前图像帧中该车辆的id。
[0168]
在一种可能的实施方式中，所述将所述当前图像帧输入到训练完成的模型中，获取所述模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别包括：
[0169]
将所述当前图像帧输入到所述模型的第一子模型中，确定携带有每个车辆的位置信息的第一中间图像帧；
[0170]
将所述第一中间图像帧输入到所述模型的第二子模型中，确定携带有每个车辆的特征向量的第二中间图像帧；
[0171]
将所述第二中间图像帧输入到所述模型的第三子模型中，确定每个车辆的区域对应的区域类别，输出每个车辆对应的特征向量和区域类别。
[0172]
在一种可能的实施方式中，所述模型的训练过程包括：
[0173]
获取训练样本集中保存的每个样本图像帧，其中所述每个样本图像帧中携带有每个车辆对应的初始位置信息和初始区域类别；
[0174]
针对每个样本图像帧，将所述样本图像帧输入到所述模型的第一子模型中，确定携带有每个车辆的预测位置信息的预测第一中间图像帧；将所述预测第一中间图像帧输入到所述模型的第二子模型中，所述第二子模型确定每个车辆的预测特征向量，并根据每个
车辆的预测特征向量为每个车辆分配预测编号，并确定携带有每个车辆的预测特征向量的预测第二中间图像帧；将所述预测第二中间图像帧输入到所述模型的第三子模型中，确定每个车辆的区域对应的预测区域类别；
[0175]
根据每个样本图像帧中每个车辆对应的初始位置信息和预测位置信息，确定所述第一子模型对应的第一损失值；
[0176]
根据每个样本图像帧是否存在至少预测编号相同的车辆，确定所述第二子模型对应的第二损失值；
[0177]
根据每个样本图像帧中每个车辆对应的初始区域类别和预测区域类别，确定所述第三子模型对应的第三损失值；
[0178]
根据所述第一损失值、第二损失值和第三损失值，对所述模型的参数进行调整。
[0179]
在一种可能的实施方式中，所述将所述目标车辆对应的id确定为当前图像帧中该车辆的id之前，所述方法包括：
[0180]
判断所述目标车辆在所述图像采集设备已采集图像帧中出现的第一次数是否超过预设的第一次数阈值；
[0181]
若否，则根据预先保存的每个图像采集设备对应的顺序，确定在所述图像采集设备之前的首个图像采集设备；
[0182]
获取保存的离开该首个图像采集设备的监控范围的每个第一候选车辆的车辆信息，其中，所述车辆信息中包含第一候选车辆的候选id和候选特征向量；
[0183]
根据每个第一候选车辆的车辆信息中携带的候选特征向量以及所述目标车辆的特征向量，确定所述每个第一候选车辆中与所述目标车辆匹配的目标第一候选车辆；
[0184]
根据所述目标第一候选车辆的候选特征向量以及该车辆的目标特征向量，判断所述目标第一候选车辆与该车辆是否匹配，若匹配，则对保存的所述目标车辆和所述目标第一候选车辆匹配的第二次数进行更新；
[0185]
若更新后的第二次数超过预设的第二次数阈值，则将所述目标第一候选车辆的目标候选id确定为该目标车辆的id。
[0186]
在一种可能的实施方式中，所述方法还包括：
[0187]
删除保存的所述目标第一候选车辆的车辆信息。
[0188]
在一种可能的实施方式中，所述根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆包括：
[0189]
确定所述目标特征向量中所述目标区域类别对应的目标子特征向量，以及所述上一个图像帧中每个第二候选车辆对应的特征向量中所述目标区域类别对应的子特征向量；
[0190]
确定所述目标子特征向量与每个子特征向量的相似度，将超过相似度阈值的最高相似度对应的第二候选车辆确定为所述目标车辆。
[0191]
在一种可能的实施方式中，所述方法还包括：
[0192]
根据所述当前图像帧中每个车辆的id，以及所述图像采集设备已采集的每个图像帧中车辆的id，判断是否存在未在所述当前图像帧中出现的第三候选车辆；
[0193]
若存在，则统计所述第三候选车辆在所述图像采集设备已采集的图像帧中出现的第一帧数以及消失的第二帧数，若所述第一帧数超过预设的出现帧数阈值且所述第二帧数超过预设的消失帧数阈值，则确定所述第三候选车辆为离开所述图像采集设备的监控范围
的车辆；
[0194]
获取所述第三候选车辆在最后一次出现的图像帧中的特征向量和id为所述第三候选车辆的车辆信息，并保存所述车辆信息。
[0195]
由于上述计算机可读存储介质解决问题的原理与车辆跟踪方法相似，因此上述计算机可读存储介质的实施可以参见方法的实施例，重复之处不再赘述。
[0196]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0197]
本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0198]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0199]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0200]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。
技术特征：1.一种车辆跟踪方法，其特征在于，所述方法包括：获取图像采集设备采集到的当前图像帧；将所述当前图像帧输入到训练完成的模型中，获取所述模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别，其中，所述特征向量中包括每个区域类别对应的子特征向量；针对所述当前图像帧中包含的每个车辆，根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆；将所述目标车辆对应的id确定为当前图像帧中该车辆的id。2.根据权利要求1所述的方法，其特征在于，所述将所述当前图像帧输入到训练完成的模型中，获取所述模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别包括：将所述当前图像帧输入到所述模型的第一子模型中，确定携带有每个车辆的位置信息的第一中间图像帧；将所述第一中间图像帧输入到所述模型的第二子模型中，确定携带有每个车辆的特征向量的第二中间图像帧；将所述第二中间图像帧输入到所述模型的第三子模型中，确定每个车辆的区域对应的区域类别，输出每个车辆对应的特征向量和区域类别。3.根据权利要求2所述的方法，其特征在于，所述模型的训练过程包括：获取训练样本集中保存的每个样本图像帧，其中所述每个样本图像帧中携带有每个车辆对应的初始位置信息和初始区域类别；针对每个样本图像帧，将所述样本图像帧输入到所述模型的第一子模型中，确定携带有每个车辆的预测位置信息的预测第一中间图像帧；将所述预测第一中间图像帧输入到所述模型的第二子模型中，所述第二子模型确定每个车辆的预测特征向量，并根据每个车辆的预测特征向量为每个车辆分配预测编号，并确定携带有每个车辆的预测特征向量的预测第二中间图像帧；将所述预测第二中间图像帧输入到所述模型的第三子模型中，确定每个车辆的区域对应的预测区域类别；根据每个样本图像帧中每个车辆对应的初始位置信息和预测位置信息，确定所述第一子模型对应的第一损失值；根据每个样本图像帧是否存在至少预测编号相同的车辆，确定所述第二子模型对应的第二损失值；根据每个样本图像帧中每个车辆对应的初始区域类别和预测区域类别，确定所述第三子模型对应的第三损失值；根据所述第一损失值、第二损失值和第三损失值，对所述模型的参数进行调整。4.根据权利要求1所述的方法，其特征在于，所述将所述目标车辆对应的id确定为当前图像帧中该车辆的id之前，所述方法包括：判断所述目标车辆在所述图像采集设备已采集图像帧中出现的第一次数是否超过预设的第一次数阈值；若否，则根据预先保存的每个图像采集设备对应的顺序，确定在所述图像采集设备之前的首个图像采集设备；
获取保存的离开该首个图像采集设备的监控范围的每个第一候选车辆的车辆信息，其中，所述车辆信息中包含第一候选车辆的候选id和候选特征向量；根据每个第一候选车辆的车辆信息中携带的候选特征向量以及所述目标车辆的特征向量，确定所述每个第一候选车辆中与所述目标车辆匹配的目标第一候选车辆；根据所述目标第一候选车辆的候选特征向量以及该车辆的目标特征向量，判断所述目标第一候选车辆与该车辆是否匹配，若匹配，则对保存的所述目标车辆和所述目标第一候选车辆匹配的第二次数进行更新；若更新后的第二次数超过预设的第二次数阈值，则将所述目标第一候选车辆的目标候选id确定为该目标车辆的id。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：删除保存的所述目标第一候选车辆的车辆信息。6.根据权利要求1所述的方法，其特征在于，所述根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆包括：确定所述目标特征向量中所述目标区域类别对应的目标子特征向量，以及所述上一个图像帧中每个第二候选车辆对应的特征向量中所述目标区域类别对应的子特征向量；确定所述目标子特征向量与每个子特征向量的相似度，将超过相似度阈值的最高相似度对应的第二候选车辆确定为所述目标车辆。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述当前图像帧中每个车辆的id，以及所述图像采集设备已采集的每个图像帧中车辆的id，判断是否存在未在所述当前图像帧中出现的第三候选车辆；若存在，则统计所述第三候选车辆在所述图像采集设备已采集的图像帧中出现的第一帧数以及消失的第二帧数，若所述第一帧数超过预设的出现帧数阈值且所述第二帧数超过预设的消失帧数阈值，则确定所述第三候选车辆为离开所述图像采集设备的监控范围的车辆；获取所述第三候选车辆在最后一次出现的图像帧中的特征向量和id为所述第三候选车辆的车辆信息，并保存所述车辆信息。8.一种车辆跟踪装置，其特征在于，所述装置包括：获取模块，用于获取图像采集设备采集到的当前图像帧；特征提取模块，用于将所述当前图像帧输入到训练完成的模型中，获取所述模型输出的当前图像帧中包含的每个车辆的特征向量，以及每个车辆被采集到的区域对应的区域类别，其中，所述特征向量中包括每个区域类别对应的子特征向量；匹配模块，用于针对所述当前图像帧中包含的每个车辆，根据该车辆对应的目标特征向量和目标区域类别，确定上一个图像帧中与该车辆匹配的目标车辆；将所述目标车辆对应的id确定为当前图像帧中该车辆的id。9.一种电子设备，其特征在于，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7任一所述车辆跟踪方法的步骤。10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一所述车辆跟踪方法的步骤。
技术总结本申请实施例提供了一种车辆跟踪方法、装置、设备及介质，在本申请实施例中，电子设备确定了当前图像帧中每个车辆的每个区域类别对应的子特征向量，以及每个车辆被采集到的区域对应的区域类别，该电子设备可以基于车辆在当前图像帧的目标区域类别和目标特征向量与上一个图像帧中的车辆进行匹配，提高了车辆的特征匹配的精度，进一步提高了车辆跟踪的精度。进一步提高了车辆跟踪的精度。进一步提高了车辆跟踪的精度。
技术研发人员：陈硕 陈金 李响 张渊佳 孟祥松
受保护的技术使用者：天翼云科技有限公司
技术研发日：2022.07.18
技术公布日：2022/11/1
