一种基于Docker平台的视频车辆跟踪分析方法技术

本发明专利技术属于视频车辆跟踪分析技术领域，特别涉及一种基于Docker平台的视频车辆跟踪分析方法。本发明专利技术根据目标车辆的特征信息、运行方向以及运行速度判断目标车辆可能经过的摄像机点位，根据本摄像机点位与其上一摄像机点位之间的距离和目标车辆的运行速度，判断目标车辆到达本摄像机点位的时间点，且基于视频流实现车辆运行轨迹的自动跟踪，根据目标车辆运行方向进行自动判别和跟踪，无需进行手动切换，大大提高了业务处理效率，而且本发明专利技术能够对复杂视频场景进行车辆识别和特征分析，本发明专利技术跟踪识别的准确性高，可靠性好。

A video vehicle tracking and analysis method based on Docker platform

The invention belongs to the technical field of video vehicle tracking and analysis, in particular to a video vehicle tracking analysis method based on the Docker platform. According to the invention of the target vehicle characteristic information, running direction and speed of judging camera point target vehicles may pass, according to the running speed of the camera and the camera point between point a and the distance of the target vehicle, determine the target vehicle at the camera position and time points, based on automatic tracking vehicle trajectory video stream, automatic identification and tracking according to the target vehicle running direction, without the need for manual switching, greatly improve the efficiency of business processing, and the invention to the complex video scene into a vehicle recognition and feature analysis, the accuracy of tracking and recognition of high reliability, good.

【技术实现步骤摘要】
一种基于Docker平台的视频车辆跟踪分析方法
本专利技术属于视频车辆跟踪分析
，特别涉及一种基于Docker平台的视频车辆跟踪分析方法。
技术介绍
随着平安城市、智慧城市建设的不断推进，摄像机监控点位建设数据也快速增长，数量为数万路或数十万路不等，视频中包括大量的人、车、物信息，车辆信息对于公安、交通等业务来说极为重要。车辆跟踪分析是判别违章的一个关键环节，现有技术中通常采用视频调阅寻找查看违规车辆，因此无法实现自动的目标跟踪和定位，大大地增加了人工投入，业务处理效率低。
技术实现思路
本专利技术为了克服上述现有技术的不足，提供了一种基于Docker平台的视频车辆跟踪分析方法，本专利技术实现了自动目标跟踪和定位，业务处理效率高。为实现上述目的，本专利技术采用了以下技术措施：一种基于Docker平台的视频车辆跟踪分析方法，包括以下步骤：S1、确定目标车辆，定位最初发现目标车辆的摄像机点位和时间点；S2、设置目标车辆跟踪任务，开始执行跟踪任务；S3、提取最初发现目标车辆的摄像机所采集的目标车辆，并识别目标车辆的特征信息、运行方向以及运行速度；S4、根据目标车辆的特征信息、运行方向以及运行速度判断目标车辆可能经过的摄像机点位，根据本摄像机点位与其上一摄像机点位之间的距离和目标车辆的运行速度，判断目标车辆到达各个摄像机点位的时间点；S5、获取步骤S4中得到的各摄像机点位对应的摄像机的历史视频，将目标车辆的特征信息与历史视频中的车辆特征信息进行比对分析，如果历史视频中存在的车辆特征信息与目标车辆的特征信息的相似度大于设定值，则获取历史视频中的车辆对象、运行方向以及运行速度，如果历史视频中存在的车辆特征信息与目标车辆的特征信息的相似度小于设定值，则将该历史视频对应的摄像机点位舍弃；S6、重复步骤S4和S5，直至得到目标车辆的落脚点；S7、保存目标车辆的特征信息；S8、将目标车辆的行驶轨迹按照时间顺序在地图上展示。优选的，所述设定值为90％。优选的，步骤S3的具体操作步骤包括：S31、采用背景差法提取最初发现目标车辆的摄像机中的运动目标；S32、在运动目标中提取目标车辆；S33、对目标车辆进行图像抓拍；S34、建立深度学习模型识别目标车辆的特征信息。优选的，步骤S5中的将目标车辆的特征信息与历史视频中的车辆特征信息进行比对分析的具体操作步骤包括：获取步骤S3中得到的各摄像机点位对应摄像机的历史视频，提取历史视频中的每一帧图片；对每一帧图片依次进行车辆检测；对车辆检测所检测到的检测车辆按照深度学习模型，识别检测车辆的特征信息；将检测车辆的特征信息与目标车辆的特征信息进行比对分析。进一步的，所述目标车辆的特性信息包括目标车辆的类型、颜色、车牌号码、车辆型号。进一步的，设置所述目标车辆跟踪任务包括目标车辆跟踪时间、任务涉及的摄像机监控范围以及设定值大小。更进一步的，所述步骤S2操作～步骤S8操作均是在docker平台上完成的。本专利技术的有益效果在于：1)、本专利技术基于视频流实现车辆运行轨迹的自动跟踪，根据目标车辆运行方向进行自动判别和跟踪，无需进行手动切换，大大提高了业务处理效率，而且本专利技术能够对复杂视频场景进行车辆识别和特征分析，本专利技术跟踪识别的准确性高，可靠性好。2)、本专利技术将目标车辆的行驶轨迹按照时间顺序在地图上展示，展示方式直观，方便工作人员查看。本专利技术支持多任务、多路摄像机同时分析，分析效率高。附图说明图1为本专利技术的视频车辆跟踪分析方法的流程图；图2为本专利技术的目标车辆识别和特征分析流程图；图3为本专利技术的步骤S5中的将目标车辆的特征信息与历史视频中的车辆特征信息进行比对分析的算法处理流程图；图4为本专利技术的中前端业务系统和docker平台的交互图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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他实施例，都属于本专利技术保护的范围。如图1所示，一种基于Docker平台的视频车辆跟踪分析方法，包括以下步骤：S1、确定目标车辆，定位最初发现目标车辆的摄像机点位和时间点；S2、设置所述目标车辆跟踪任务包括目标车辆跟踪时间、任务涉及的摄像机监控范围以及设定值大小，开始执行跟踪任务；S3、提取最初发现目标车辆的摄像机所采集的目标车辆，并识别目标车辆的特征信息、运行方向以及运行速度；S4、根据目标车辆的特征信息、运行方向以及运行速度判断目标车辆可能经过的摄像机点位，根据本摄像机点位与其上一摄像机点位之间的距离和目标车辆的运行速度，判断目标车辆到达各个摄像机点位的时间点；S5、获取步骤S4中得到的各摄像机点位对应的摄像机的历史视频，将目标车辆的特征信息与历史视频中的车辆特征信息进行比对分析，如果历史视频中存在的车辆特征信息与目标车辆的特征信息的相似度大于设定值，则获取历史视频中的车辆对象、运行方向以及运行速度，如果历史视频中存在的车辆特征信息与目标车辆的特征信息的相似度小于设定值，则将该历史视频对应的摄像机点位舍弃；S6、重复步骤S4和S5，直至得到目标车辆的落脚点；S7、保存目标车辆的特征信息；S8、将目标车辆的行驶轨迹按照时间顺序在地图上展示。具体的，目标车辆的特征信息保存到Oracle数据库，目标车辆的图片信息保存到FTP中。通过目标车辆ID标识关联分析目标车辆的特征信息和目标车辆的图片信息，实现按照时间先后顺序在地图上进行目标车辆行驶轨迹的时空展现。如图2所示，其中，提取最初发现目标车辆的摄像机所采集的目标车辆，并识别目标车辆的特征信息、运行方向以及运行速度的具体操作步骤包括：S31、采用背景差法提取最初发现目标车辆的摄像机中的运动目标；S32、在运动目标中提取目标车辆；S33、对目标车辆进行图像抓拍；S34、建立深度学习模型识别目标车辆的特征信息。具体的，深度学习模型是采用神经网络算法实现的，对样本数据进行迭代，再对数据进行细化。采用神经网络算法建立深度学习模型有效地提高了算法的智能化和目标车辆的特征信息识别的准确度。如图3所示，步骤S5中的将目标车辆的特征信息与历史视频中的车辆特征信息进行比对分析的具体操作步骤包括：获取步骤S3中得到的各摄像机点位对应摄像机的历史视频，提取历史视频中的每一帧图片；对每一帧图片依次进行车辆检测；对车辆检测所检测到的检测车辆按照深度学习模型，识别检测车辆的特征信息；将检测车辆的特征信息与目标车辆的特征信息进行比对分析。根据预先设置的设定值，对于相似度大于设定值检测车辆的特征信息进行存储。所述目标车辆的特性信息包括目标车辆的类型、颜色、车牌号码、车辆型号、车辆品牌、车系。具体的，所述步骤S2操作～步骤S8操作均是在docker平台上完成的。如图4所示，所述Docker平台将目标车辆ID标识通过http协议传递给业务系统，通过目标车辆ID标识关联分析的目标车辆的特征信息和目标车辆的图片信息，实现按照时间先后顺序在地图上进行车辆行驶轨迹的时空展现。具体的，最终关联后的目标车辆的特征信息和目标车辆的图片信息按照时间先后顺序在地图上进行车辆行驶轨迹的时空展现，展现的内容包括车辆的图片以及抓拍卡口、抓拍时间、车辆类型、本文档来自技高网...

【技术保护点】
一种基于Docker平台的视频车辆跟踪分析方法，其特征在于，包括以下步骤：S1、确定目标车辆，定位最初发现目标车辆的摄像机点位和时间点；S2、设置目标车辆跟踪任务，开始执行跟踪任务；S3、提取最初发现目标车辆的摄像机所采集的目标车辆，并识别目标车辆的特征信息、运行方向以及运行速度；S4、根据目标车辆的特征信息、运行方向以及运行速度判断目标车辆可能经过的摄像机点位，根据本摄像机点位与其上一摄像机点位之间的距离和目标车辆的运行速度，判断目标车辆到达各个摄像机点位的时间点；S5、获取步骤S4中得到的各摄像机点位对应的摄像机的历史视频，将目标车辆的特征信息与历史视频中的车辆特征信息进行比对分析，如果历史视频中存在的车辆特征信息与目标车辆的特征信息的相似度大于设定值，则获取历史视频中的车辆对象、运行方向以及运行速度，如果历史视频中存在的车辆特征信息与目标车辆的特征信息的相似度小于设定值，则将该历史视频对应的摄像机点位舍弃；S6、重复步骤S4和S5，直至得到目标车辆的落脚点；S7、保存目标车辆的特征信息；S8、将目标车辆的行驶轨迹按照时间顺序在地图上展示。

【技术特征摘要】
1.一种基于Docker平台的视频车辆跟踪分析方法，其特征在于，包括以下步骤：S1、确定目标车辆，定位最初发现目标车辆的摄像机点位和时间点；S2、设置目标车辆跟踪任务，开始执行跟踪任务；S3、提取最初发现目标车辆的摄像机所采集的目标车辆，并识别目标车辆的特征信息、运行方向以及运行速度；S4、根据目标车辆的特征信息、运行方向以及运行速度判断目标车辆可能经过的摄像机点位，根据本摄像机点位与其上一摄像机点位之间的距离和目标车辆的运行速度，判断目标车辆到达各个摄像机点位的时间点；S5、获取步骤S4中得到的各摄像机点位对应的摄像机的历史视频，将目标车辆的特征信息与历史视频中的车辆特征信息进行比对分析，如果历史视频中存在的车辆特征信息与目标车辆的特征信息的相似度大于设定值，则获取历史视频中的车辆对象、运行方向以及运行速度，如果历史视频中存在的车辆特征信息与目标车辆的特征信息的相似度小于设定值，则将该历史视频对应的摄像机点位舍弃；S6、重复步骤S4和S5，直至得到目标车辆的落脚点；S7、保存目标车辆的特征信息；S8、将目标车辆的行驶轨迹按照时间顺序在地图上展示。2.如权利要求1所述的一种基于Docker平台的视频车辆跟踪分析方法，其特征在于：所述设定值为90％。3.如权利要求1或2所述的一种基于Docker平...

【专利技术属性】
技术研发人员：何丹娜，莫申林，石魁，潘成超，周小将，
申请(专利权)人：安徽四创电子股份有限公司，
类型：发明
国别省市：安徽,34