道路区域标定方法及电子设备与流程

1.本发明涉及智能交通技术领域，特别涉及一种道路区域标定方法及电子设备。


背景技术：

2.随着经济的迅速发展，城市道路中的车辆越来越多，导致城市交通越来越拥堵，所以需要对城市交通道路中的车辆密集区域进行标定，以便于提前对密集区域的车辆进行干预。以此来提高车辆出行效率。
3.但是，现有技术中并没有可以对道路中车辆密集的区域进行标定的方法。由此，导致交通出行的效率较低。


技术实现要素：

4.本公开示例性的实施方式中提供一种道路区域标定方法及电子设备，用于对道路中的车辆密集区域进行标定，以便于提前对车辆密集区域进行干预，提高交通出行的效率。
5.本公开的第一方面提供一种道路区域标定方法，所述方法包括：
6.针对道路视频中指定时长内的任意一帧视频图像，利用预设的目标检测神经网络模型对所述视频图像进行车辆目标检测，得到各目标车辆的检测位置；
7.基于各目标车辆的检测位置对各目标车辆进行识别，得到各目标车辆的标识，其中，不同视频图像中同一目标车辆的标识相同；
8.针对任意一个目标车辆，通过所述指定时长内各帧视频图像中所述目标车辆的标识和检测位置，确定所述目标车辆在道路中的运动轨迹；
9.根据各目标车辆在所述道路中的运动轨迹，确定所述道路中的车辆密集区域。
10.本实施例中通过对道路视频中指定时长内的任一帧视频图像，利用预设的目标检测神经网络模型对所述视频图像进行车辆目标检测，得到各目标车辆的检测位置，然后基于各目标车辆的检测位置对各目标车辆进行识别，得到各目标车辆的标识，并针对任意一个目标车辆，通过所述指定时长内各帧视频图像中所述目标车辆的标识和检测位置，确定所述目标车辆在道路中的运动轨迹；最后根据各目标车辆在所述道路中的运动轨迹，确定所述道路中的车辆密集区域。由此，本实施例可以确定出指定时长内道路中的车辆密集区域，可以及时对道路中的车辆密集区域及时干预，提高车辆出行效率。
11.在一个实施例中，所述目标检测神经网络模型的主干网络中至少一个目标卷积的扩张率为设定值的空洞卷积，且所述目标卷积为指定大小的卷积。
12.本实施例通过将目标检测神经网络模型的主干网络将至少一个指定大小的卷积替换为扩张率为设定值的空洞卷积。以此，利用目标检测神经网络中的空洞卷积来扩展全局视野来获取视频图像中更多抽象特征和空间信息。使得车辆目标检测的结果更加准确。
13.在一个实施例中，所述基于各目标车辆的检测位置对各目标车辆进行识别，得到各目标车辆的标识，包括：
14.针对任意一个目标车辆，通过匈牙利算法将所述目标车辆的检测位置分别与各目
标车辆的预测位置进行匹配，确定与所述目标车辆的检测位置相对应的预测位置；其中，所述各目标车辆的预测位置是利用卡尔曼滤波算法对上一帧视频图像中的各目标车辆的检测位置进行预测得到的；
15.若确定与所述目标车辆的检测位置相对应的预测位置的数量为一个，则将与所述预测位置对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识；
16.若确定与所述目标车辆的检测位置相对应的预测位置的数量为多个，则基于各预测位置对应的级联匹配参数确定出优先级最高的预测位置，并将优先级最高的预测位置对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识，其中，所述级联匹配参数是用于表示预测位置的优先级。
17.本实施例中通过匈牙利算法将所述目标车辆的检测位置分别与各目标车辆的预测位置进行匹配，确定与所述目标车辆的检测位置相对应的预测位置，并且当确定与所述目标车辆的检测位置相对应的预测位置的数量为多个，则基于各预测位置对应的级联匹配参数确定出优先级最高的预测位置，并将优先级最高的预测位置对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识，以此使得确定出的目标车辆的标识更加准确。
18.在一个实施例中，所述针对任意一个目标车辆，通过匈牙利算法将所述目标车辆的检测位置分别与各目标车辆的预测位置进行匹配，确定与所述目标车辆的检测位置相对应的预测位置之前，所述方法还包括：
19.针对检测位置数量为多个的各目标车辆，基于预设算法对各目标车辆的检测位置进行筛选，得到筛选后的各目标车辆的检测位置。
20.本实施例通过匈牙利算法将所述目标车辆的检测位置分别与各目标车辆的预测位置进行匹配，确定与所述目标车辆的检测位置相对应的预测位置之前，需要对检测位置数量为多个的各目标车辆的多个检测位置进行筛选，以此保证匹配结果的准确性。
21.在一个实施例中，所述基于预设算法对各目标车辆的检测位置进行筛选，得到筛选后的各目标车辆的检测位置，包括：
22.利用非极大值抑制算法对各目标车辆的检测位置进行筛选之后，通过各目标车辆的检测位置的置信度对各目标车辆的检测位置再次进行筛选，得到筛选后的各目标车辆的检测位置；其中，所述各目标车辆的检测位置的置信度是基于预设的目标检测神经网络模型得到的。
23.本实施例通过利用非极大值抑制算法对各目标车辆的检测位置进行筛选之后，通过各目标车辆的检测位置的置信度对各目标车辆的检测位置再次进行筛选，得到筛选后的各目标车辆的检测位置，通过两次筛选，以此保证筛选后的各目标车辆的检测位置更加准确。
24.在一个实施例中，所述根据各目标车辆在所述道路中的运动轨迹，确定所述道路中的车辆密集区域，包括：
25.将各目标车辆的运动轨迹分别划分成指定数量的子运动轨迹，其中同一运动轨迹中的各子运动轨迹的长度相等；
26.利用预设的聚类算法对各子运动轨迹进行聚类，得到多个运动轨迹聚类区域；
27.针对任意一个运动轨迹聚类区域，若确定所述运动轨迹聚类区域中各子运动轨迹
的数量大于指定阈值，则确定所述运动轨迹聚类区域为所述道路中的车辆密集区域。
28.本实施例通过将各目标车辆的运动轨迹分别划分成长度相等的指定数量的子运动轨迹，并利用预设的聚类算法对各子运动轨迹进行聚类，得到多个运动轨迹聚类区域，并针对任意一个运动轨迹聚类区域，若确定所述运动轨迹聚类区域中各子运动轨迹的数量大于指定阈值，则确定所述运动轨迹聚类区域为所述道路中的车辆密集区域，由此，通过将运动轨迹划分为多个子运动轨迹，保证聚类的过程更加细粒度化，以使得到的运动轨迹聚类区域更加准确。
29.本公开第二方面提供一种电子设备，包括存储单元和处理器，其中：
30.所述存储单元，被配置为存储道路视频；
31.所述处理器，被配置为：
32.针对道路视频中指定时长内的任意一帧视频图像，利用预设的目标检测神经网络模型对所述视频图像进行车辆目标检测，得到各目标车辆的检测位置；
33.基于各目标车辆的检测位置对各目标车辆进行识别，得到各目标车辆的标识，其中，不同视频图像中同一目标车辆的标识相同；
34.针对任意一个目标车辆，通过所述指定时长内各帧视频图像中所述目标车辆的标识和检测位置，确定所述目标车辆在道路中的运动轨迹；
35.根据各目标车辆在所述道路中的运动轨迹，确定所述道路中的车辆密集区域。
36.在一个实施例中，所述目标检测神经网络模型的主干网络中至少一个目标卷积的扩张率为设定值的空洞卷积，且所述目标卷积为指定大小的卷积。
37.在一个实施例中，所述处理器执行所述基于各目标车辆的检测位置对各目标车辆进行识别，得到各目标车辆的标识，具体被配置为：
38.针对任意一个目标车辆，通过匈牙利算法将所述目标车辆的检测位置分别与各目标车辆的预测位置进行匹配，确定与所述目标车辆的检测位置相对应的预测位置；其中，所述各目标车辆的预测位置是利用卡尔曼滤波算法对上一帧视频图像中的各目标车辆的检测位置进行预测得到的；
39.若确定与所述目标车辆的检测位置相对应的预测位置的数量为一个，则将与所述预测位置对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识；
40.若确定与所述目标车辆的检测位置相对应的预测位置的数量为多个，则基于各预测位置对应的级联匹配参数确定出优先级最高的预测位置，并将优先级最高的预测位置对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识，其中，所述级联匹配参数是用于表示预测位置的优先级。
41.在一个实施例中，所述处理器，还被配置为：
42.所述针对任意一个目标车辆，通过匈牙利算法将所述目标车辆的检测位置分别与各目标车辆的预测位置进行匹配，确定与所述目标车辆的检测位置相对应的预测位置之前，针对检测位置数量为多个的各目标车辆，基于预设算法对各目标车辆的检测位置进行筛选，得到筛选后的各目标车辆的检测位置。
43.在一个实施例中，所述处理器执行所述基于预设算法对各目标车辆的检测位置进行筛选，得到筛选后的各目标车辆的检测位置，具体被配置为：
44.利用非极大值抑制算法对各目标车辆的检测位置进行筛选之后，通过各目标车辆
的检测位置的置信度对各目标车辆的检测位置再次进行筛选，得到筛选后的各目标车辆的检测位置；其中，所述各目标车辆的检测位置的置信度是基于预设的目标检测神经网络模型得到的。
45.在一个实施例中，所述处理器执行所述根据各目标车辆在所述道路中的运动轨迹，确定所述道路中的车辆密集区域，具体被配置为：
46.将各目标车辆的运动轨迹分别划分成指定数量的子运动轨迹，其中同一运动轨迹中的各子运动轨迹的长度相等；
47.利用预设的聚类算法对各子运动轨迹进行聚类，得到多个运动轨迹聚类区域；
48.针对任意一个运动轨迹聚类区域，若确定所述运动轨迹聚类区域中各子运动轨迹的数量大于指定阈值，则确定所述运动轨迹聚类区域为所述道路中的车辆密集区域。
附图说明
49.为了更清楚地说明本公开实施例中的技术方案，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公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
50.图1为根据本公开一个实施例中的适用场景示意图；
51.图2为根据本公开一个实施例的道路区域标定方法的流程示意图之一；
52.图3为根据本公开一个实施例的道路区域标定方法的空洞卷积示意图之二；
53.图4为根据本公开一个实施例的道路区域标定方法中目标检测神经网络模型refinedet的结构示意图；
54.图5为根据本公开一个实施例的道路区域标定方法中的车辆目标检测示意图；
55.图6为根据本公开一个实施例的道路区域标定方法中的目标车辆位置筛选示意图；
56.图7为根据本公开一个实施例的道路区域标定方法中的目标车辆标识示意图；
57.图8为根据本公开一个实施例的道路区域标定方法中的目标车辆轨迹示意图；
58.图9为根据本公开一个实施例的道路区域标定方法中车辆密集区域确定流程示意图；
59.图10为根据本公开一个实施例的车辆密集区域确定的流程示意图；
60.图11为根据本公开一个实施例的道路区域标定方法的流程示意图之二；
61.图12为根据本公开一个实施例的道路区域标定装置；
62.图13为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
63.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
64.本公开实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关
系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
65.本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
66.现有技术中并没有可以对道路中车辆密集的区域进行标定的方法。由此，导致交通出行的效率较低。
67.因此，本公开提供一种道路区域标定方法，通过对道路视频中指定时长内的任一帧视频图像，利用预设的目标检测神经网络模型对所述视频图像进行车辆目标检测，得到各目标车辆的检测位置，然后基于各目标车辆的检测位置对各目标车辆进行识别，得到各目标车辆的标识，并针对任意一个目标车辆，通过所述指定时长内各帧视频图像中所述目标车辆的标识和检测位置，确定所述目标车辆在道路中的运动轨迹；最后根据各目标车辆在所述道路中的运动轨迹，确定所述道路中的车辆密集区域。由此，本实施例可以确定出指定时长内道路中的车辆密集区域，可以及时对道路中的车辆密集区域及时干预，提高车辆出行效率。下面，结合附图对本公开的方案详细的进行介绍。
68.如图1所示，一种道路区域标定方法的应用场景，该应用场景中包括摄像机110、服务器120和终端设备130，图1中是以一个摄像机110和一个终端设备130为例，实际上不限制摄像机110和终端设备130的数量。终端设备130可为手机、平板电脑和个人计算机等。服务器120可以通过单个服务器实现，也可以通过多个服务器实现。服务器120可以通过实体服务器实现，也可以通过虚拟服务器实现。
69.在一种可能的应用场景中，摄像机110将获取的道路视频发送至服务器120中，服务器120针对接收到的道路视频中指定时长内的任意一帧视频图像，利用预设的目标检测神经网络模型对所述视频图像进行车辆目标检测，得到各目标车辆的检测位置；并基于各目标车辆的检测位置对各目标车辆进行识别，得到各目标车辆的标识，其中，不同视频图像中同一目标车辆的标识相同；然后服务器120针对任意一个目标车辆，通过所述指定时长内各帧视频图像中所述目标车辆的标识和检测位置，确定所述目标车辆在道路中的运动轨迹；最后服务器120根据各目标车辆在所述道路中的运动轨迹，确定所述道路中的车辆密集区域，并将所述道路中的车辆密集区域发送至终端设备130中进行显示。
70.图2为本公开的道路区域标定方法的流程示意图，可包括以下步骤：
71.步骤201：针对道路视频中指定时长内的任意一帧视频图像，利用预设的目标检测神经网络模型对所述视频图像进行车辆目标检测，得到各目标车辆的检测位置；
72.为了使得车辆目标检测结果更加准确，在一个实施例中，所述目标检测神经网络模型的主干网络中至少一个目标卷积的扩张率为设定值的空洞卷积，且所述目标卷积为指定大小的卷积。
73.其中，需要说明的是，本实施例中的扩张率大于1。
74.以指定大小的卷积为3*3的卷积为例进行说明。如图3所示，图3中的图像3a为现有技术中目标检测神经网络模型中3*3大小的卷积进行卷积操作的示意图，从图像3a中可以看出，利用现有技术中的3*3大小的卷积进行卷积操作的感受野为3*3。如图3中的图像3b所
示，利用同样大小为3*3，且扩张率为2的空洞卷积进行卷积操作的感受野为5*5。由此，本实施例中改进后的目标检测神经网络扩展了全局视野，以此来获取视频图像中更多抽象特征和空间信息。进一步提高车辆目标检测结果的准确性。
75.下面，以目标检测神经网络模型为refinedet为例，对本公开中的车辆目标检测的过程进行详细的说明，首先如图4所示，为改进后的refinedet的结构示意图，其包括arm(anchor refinement module，特征强化模块)、tcb(transfer connection block，连接模块)以及odm(object detection module，物体检测模块)。其中，refinedet的主干网络为arm，本实施例以将arm中的第二个卷积替换为扩张率为2的空洞卷积为例进行说明：
76.首先，视频图像先经过arm中的多层卷积得到大小不同的特征图。在arm中可粗略预估车辆的位置和得分，并滤除一些车辆的无效位置，以减少分类器的搜索空间并且粗略地调整剩余车辆的位置。同时，arm得到的特征图通过tcb输入到odm中，将arm得到的各特征图中的高层特征图与底层特征图进行融合，用来增强底层特征图的语义信息，以便检测更小的车辆目标。以此，得到各目标车辆的位置。如图5所示，图像5a为待检测的视频图像，图像5b为进行车辆目标检测后的视频图像，该视频图像中包括各目标车辆的位置。
77.如图5所示，由于得到各目标车辆的位置可能存在多个，所以为了保证识别结果的准确性，在一个实施例中，针对检测位置数量为多个的各目标车辆，基于预设算法对各目标车辆的检测位置进行筛选，得到筛选后的各目标车辆的检测位置。
78.其中图5中的图像5b中为车辆目标检测后的图像，如图像5b所示，存在两辆车辆的包围盒为多个，即存在两辆车的位置的数量为多个。所以需要该两辆车的包围盒进行筛选，即筛选后如图6所示。
79.在一个实施例中，通过以下方式对各目标车辆的检测位置进行筛选：
80.利用非极大值抑制算法对各目标车辆的检测位置进行筛选之后，通过各目标车辆的检测位置的置信度对各目标车辆的检测位置再次进行筛选，得到筛选后的各目标车辆的检测位置；其中，所述各目标车辆的检测位置的置信度是基于预设的目标检测神经网络模型得到的。
81.其中，使用非极大抑制算法筛选各目标车辆的检测位置的整体流程为：针对任意一个目标车辆，根据所述目标车辆的各检测位置的置信度对将各检测位置进行排序，确定出所述目标车辆的各检测位置中置信度最高的检测位置，将所述目标车辆的各检测位置中除该置信度最高的检测位置之外的其他检测位置与置信度最高的检测位置进行iou(intersection
‑
over
‑
union，交并比)计算，将iou值大于指定阈值的检测位置进行删除之后，判断剩余检测位置的数量是否在指定范围，若不是，则返回执行根据所述目标车辆的各检测位置的置信度对将各检测位置进行排序，确定出所述目标车辆的各检测位置中置信度最高的检测位置的步骤，直至剩余检测位置的数量在指定范围，则结束。
82.由于本实施例中的目标为车辆，可能有些与车辆的形状相似，目标检测神经网络模型可能也会误认为是车辆，所以需要将各目标车辆的检测位置的置信度小于指定阈值的检测位置进行删除，由于利用非极大抑制算法进行筛选后每个目标车辆只有一个对应的位置，将该位置删除之后，则该位置中的物体不再是本实施例中的目标车辆，以此进一步提高车辆识别的准确率。
83.步骤202：基于各目标车辆的检测位置对各目标车辆进行识别，得到各目标车辆的
标识，其中，不同视频图像中同一目标车辆的标识相同；
84.在一个实施中，可通过以下方式确定各目标车辆的标识：
85.针对任意一个目标车辆，通过匈牙利算法将所述目标车辆的检测位置分别与各目标车辆的预测位置进行匹配，确定与所述目标车辆的检测位置相对应的预测位置；其中，所述各目标车辆的预测位置是利用卡尔曼滤波算法对上一帧视频图像中的各目标车辆的检测位置进行预测得到的；若确定与所述目标车辆的检测位置相对应的预测位置的数量为一个，则将与所述预测位置对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识；若确定与所述目标车辆的检测位置相对应的预测位置的数量为多个，则基于各预测位置对应的级联匹配参数确定出优先级最高的预测位置，并将优先级最高的预测位置对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识，其中，所述级联匹配参数是用于表示预测位置的优先级。
86.例如，若某一车辆对应的预测位置(包围盒)为三个，其中分别为包围盒1、包围盒2和包围盒3，其中包围盒的初始优先级为：包围盒1>包围盒2>包围盒3.，且包围盒1、包围盒2和包围盒3分别对应的级联匹配参数分别为：1、0和2。其中级联匹配参数越大，其对应的包围盒的优先级越低，可以看出包围盒的级联优先级小于包围盒的级联优先级，所以需要对各包围盒的初始优先级进行调整，调整后的各包围盒的优先级分别为：包围盒2>包围盒1>包围盒3。由此，确定出包围2的优先级最高，所以包围盒对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识，若包围盒2对应上一帧视频图像中目标车辆的标识为车辆2，则将该车辆的标识设置为车辆2。
87.如图7所示，当前帧视频图像为第n帧视频图像，第n帧视频图像为基于各目标车辆的检测位置对各目标车辆进行识别之后得到视频图像，从图7中可以看出，第n帧视频图像中包括各目标车辆的标识。其中第n帧视频图像中的各目标车辆的标识与第1帧和第n
‑
1帧中的各目标车辆的标识相对应。
88.步骤203：针对任意一个目标车辆，通过所述指定时长内各帧视频图像中所述目标车辆的标识和检测位置，确定所述目标车辆在道路中的运动轨迹；
89.由于指定时长内的各每帧视频图像都包括各目标车辆检测位置和标识，以此能得到各目标车辆的运动轨迹，如图8所示，得到车辆1、车辆2、车辆3以及车辆n的运动轨迹。
90.步骤204：根据各目标车辆在所述道路中的运动轨迹，确定所述道路中的车辆密集区域。
91.在一个实施例中，如图9所示，为车辆密集区域确定的流程示意图，可包括以下步骤：
92.步骤901：将各目标车辆的运动轨迹分别划分成指定数量的子运动轨迹，其中同一运动轨迹中的各子运动轨迹的长度相等；
93.步骤902：利用预设的聚类算法对各子运动轨迹进行聚类，得到多个运动轨迹聚类区域；
94.步骤903：针对任意一个运动轨迹聚类区域，若确定所述运动轨迹聚类区域中各子运动轨迹的数量大于指定阈值，则确定所述运动轨迹聚类区域为所述道路中的车辆密集区域。
95.例如，图10中的图像10a为将图8中的各运动进行划分后得到的子运动轨迹，然后
将各子运动轨迹利用子运动轨迹的中心点进行表示，即图像10b。然后利用预设的聚类算法对各子运动轨迹对应的点进行聚类，得到多个运动轨迹聚类区域，如图像10c所示，即区域1、区域2和区域3。其中区域2中的各子运动轨迹的数量大于指定阈值，则可确定出区域2为车辆密集区域。图像10c为最后显示的图像。
96.为了进一步的了解本公开的技术方案，下面结合图11进行详细的说明，可包括以下步骤：
97.步骤1101：针对道路视频中指定时长内的任意一帧视频图像，利用预设的目标检测神经网络模型对所述视频图像进行车辆目标检测，得到各目标车辆的检测位置；
98.步骤1102：利用非极大值抑制算法对各目标车辆的检测位置进行筛选之后，通过各目标车辆的检测位置的置信度对各目标车辆的检测位置再次进行筛选，得到筛选后的各目标车辆的检测位置；
99.步骤1103：针对任意一个目标车辆，通过匈牙利算法将所述目标车辆的检测位置分别与各目标车辆的预测位置进行匹配，确定与所述目标车辆的检测位置相对应的预测位置；其中，所述各目标车辆的预测位置是利用卡尔曼滤波算法对上一帧视频图像中的各目标车辆的检测位置进行预测得到的；
100.步骤1104：判断与所述目标车辆的检测位置相对应的预测位置的数量是否为多个，若是，则执行步骤1105，若否，则执行步骤1106；
101.步骤1105：基于各预测位置对应的级联匹配参数确定出优先级最高的预测位置，并将优先级最高的预测位置对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识，其中，所述级联匹配参数是用于表示预测位置的优先级；
102.步骤1106：将与所述预测位置对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识；
103.步骤1107：针对任意一个目标车辆，通过所述指定时长内各帧视频图像中所述目标车辆的标识和检测位置，确定所述目标车辆在道路中的运动轨迹；
104.步骤1108：将各目标车辆的运动轨迹分别划分成指定数量的子运动轨迹，其中同一运动轨迹中的各子运动轨迹的长度相等；
105.步骤1109：利用预设的聚类算法对各子运动轨迹进行聚类，得到多个运动轨迹聚类区域；
106.步骤1110：利用预设的聚类算法对各子运动轨迹进行聚类，得到多个运动轨迹聚类区域。
107.基于相同的公开构思，本公开如上所述的道路区域标定方法还可以由一种道路区域标定装置实现。该道路区域标定装置的效果与前述方法的效果相似，在此不再赘述。
108.图12为根据本公开一个实施例的道路区域标定装置的结构示意图。
109.如图12所示，本公开的道路区域标定装置1200可以包括车辆目标检测模块1210、目标车辆识别模块1220、运动轨迹确定模块1230和车辆密集区域确定模块1240。
110.车辆目标检测模块1210，用于针对道路视频中指定时长内的任意一帧视频图像，利用预设的目标检测神经网络模型对所述视频图像进行车辆目标检测，得到各目标车辆的检测位置；
111.目标车辆识别模块1220，用于基于各目标车辆的检测位置对各目标车辆进行识
别，得到各目标车辆的标识，其中，不同视频图像中同一目标车辆的标识相同；
112.运动轨迹确定模块1230，用于针对任意一个目标车辆，通过所述指定时长内各帧视频图像中所述目标车辆的标识和检测位置，确定所述目标车辆在道路中的运动轨迹；
113.车辆密集区域确定模块1240，用于根据各目标车辆在所述道路中的运动轨迹，确定所述道路中的车辆密集区域。
114.在一个实施例中，所述目标检测神经网络模型的主干网络中至少一个目标卷积的扩张率为设定值的空洞卷积，且所述目标卷积为指定大小的卷积。
115.在一个实施例中，所述目标车辆识别模块1220，具体用于：
116.针对任意一个目标车辆，通过匈牙利算法将所述目标车辆的检测位置分别与各目标车辆的预测位置进行匹配，确定与所述目标车辆的检测位置相对应的预测位置；其中，所述各目标车辆的预测位置是利用卡尔曼滤波算法对上一帧视频图像中的各目标车辆的检测位置进行预测得到的；
117.若确定与所述目标车辆的检测位置相对应的预测位置的数量为一个，则将与所述预测位置对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识；
118.若确定与所述目标车辆的检测位置相对应的预测位置的数量为多个，则基于各预测位置对应的级联匹配参数确定出优先级最高的预测位置，并将优先级最高的预测位置对应的上一帧视频图像中目标车辆的标识确定为所述目标车辆的标识，其中，所述级联匹配参数是用于表示预测位置的优先级。
119.在一个实施例中，所述装置还包括：
120.筛选模块1250，用于所述针对任意一个目标车辆，通过匈牙利算法将所述目标车辆的检测位置分别与各目标车辆的预测位置进行匹配，确定与所述目标车辆的检测位置相对应的预测位置之前，针对检测位置数量为多个的各目标车辆，基于预设算法对各目标车辆的检测位置进行筛选，得到筛选后的各目标车辆的检测位置。
121.在一个实施例中，所述筛选模块1250，具体用于：
122.利用非极大值抑制算法对各目标车辆的检测位置进行筛选之后，通过各目标车辆的检测位置的置信度对各目标车辆的检测位置再次进行筛选，得到筛选后的各目标车辆的检测位置；其中，所述各目标车辆的检测位置的置信度是基于预设的目标检测神经网络模型得到的。
123.在一个实施例中，所述车辆密集区域确定模块1240，具体用于：
124.将各目标车辆的运动轨迹分别划分成指定数量的子运动轨迹，其中同一运动轨迹中的各子运动轨迹的长度相等；
125.利用预设的聚类算法对各子运动轨迹进行聚类，得到多个运动轨迹聚类区域；
126.针对任意一个运动轨迹聚类区域，若确定所述运动轨迹聚类区域中各子运动轨迹的数量大于指定阈值，则确定所述运动轨迹聚类区域为所述道路中的车辆密集区域。
127.在介绍了本公开示例性实施方式的一种道路区域标定方法及设备之后，接下来，介绍根据本公开的另一示例性实施方式的电子设备。
128.所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统
称为“电路”、“模块”或“系统”。
129.在一些可能的实施方式中，根据本公开的电子设备可以至少包括至少一个处理器、以及至少一个计算机存储介质。其中，计算机存储介质存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本公开各种示例性实施方式的道路区域标定方法中的步骤。例如，处理器可以执行如图2中所示的步骤201
‑
204。
130.下面参照图13来描述根据本公开的这种实施方式的电子设备1300。图13显示的电子设备1300仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
131.如图13所示，电子设备1300以通用电子设备的形式表现。电子设备1300的组件可以包括但不限于：上述至少一个处理器1301、上述至少一个计算机存储介质1302、连接不同系统组件(包括计算机存储介质1302和处理器1301)的总线1303。
132.总线1303表示几类总线结构中的一种或多种，包括计算机存储介质总线或者计算机存储介质控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
133.计算机存储介质1302可以包括易失性计算机存储介质形式的可读介质，例如随机存取计算机存储介质(ram)1321和/或高速缓存存储介质1322，还可以进一步包括只读计算机存储介质(rom)1323。
134.计算机存储介质1302还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
135.电子设备1300也可以与一个或多个外部设备1304(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备1300交互的设备通信，和/或与使得该电子设备1300能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1305进行。并且，电子设备1300还可以通过网络适配器1306与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1306通过总线1303与用于电子设备1300的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备1300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
136.在一些可能的实施方式中，本公开提供的一种道路区域标定方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的道路区域标定方法中的步骤。
137.程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取计算机存储介质(ram)、只读计算机存储介质(rom)、可擦式可编程只读计算机存储介质(eprom或闪存)、光纤、便携式紧凑盘只读计算机存储介质(cd
‑
rom)、光计算机存储介质件、磁计算机存储介质件、或者上述的任意合适的组合。
138.本公开的实施方式的道路区域标定的程序产品可以采用便携式紧凑盘只读计算机存储介质(cd
‑
rom)并包括程序代码，并可以在电子设备上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
139.可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
140.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
141.可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
142.应当注意，尽管在上文详细描述中提及了装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
143.此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
144.本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开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(包括但不限于磁盘计算机存储介质、cd
‑
rom、光学计算机存储介质等)上实施的计算机程序产品的形式。
145.本公开是参照根据本公开的方法、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。
146.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计算机存储介质中，使得存储在该计算机可读计算机存储介质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。
147.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。
148.显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。