基于目标检测及多目标跟踪的矿车超挂检测方法及装置与流程

1.本发明涉及矿车超挂运输检测技术领域，具体涉及基于目标检测及多目标跟踪的矿车超挂检测方法及装置。


背景技术：

2.在煤炭开采过程中，需要借助无极绳绞车或电机车等类型的矿车在巷道内承担相应的运输任务。同时，还需要对矿车所挂载的车皮数目进行统计以防止超出最大运输能力而引起运输事故；进而保证开采生产的安全进行。
3.现有的车皮数目的统计检测多基于视频监控加人工判断进行。即通过摄像仪获取与实际的运输信息相应的视频数据，并通过人眼对视频数据进行查看以确认相应的矿车是否存在超挂。但由于矿车的运输速度较快，一般情况下，矿车出现在摄像仪视场内的时间约为2～4秒。且受实际生产需求，矿车的运输随机进行，即其总是随机出现在摄像仪中。因此导致现有的车皮数目统计检测过程中，不但相关技术人员的工作量较大，且总是会出现漏检、错检的情况，从而导致由矿车超挂造成的运输事故难以得到有效避免。


技术实现要素：

4.本发明目的在于提供基于目标检测及多目标跟踪的矿车超挂检测方法及装置，用于解决现有矿车超挂检测中总是存在漏检、错检，从而导致相应运输事故难以有效避免的技术问题。
5.为达成上述目的，本发明提出如下技术方案：
6.基于目标检测及多目标跟踪的矿车超挂检测方法，包括：
7.对矿车的运输视频进行抽帧采样以形成若干图像样本，并对各所述图像样本按正序时间顺序进行排列以生成图像队列；其中，所述矿车在铺设于运输大巷内的轨道上运行，所述运输视频由安装于所述运输大巷内的摄像仪获取；
8.将所述图像队列输入目标检测模型以获取识别队列，并为所述识别队列中各所述识别样本依次添加检测框；同时，基于多目标跟踪算法对与任一矿车相应的第一帧识别样本添加跟踪框进行跟踪；其中，任一所述跟踪框均被分配有唯一的id；
9.更新下一帧识别样本中各所述跟踪框的位置；当存在与所述跟踪框位置相应的检测框时则判断相应车皮为已出现过的车皮，反之则为首次出现的车皮并为其添加跟踪框进行跟踪；
10.重复上一步骤直至所述目标检测模型检测完与所述任一矿车相应的最后一帧识别样本时，统计所述跟踪框的id总数以判断所述矿车挂载是否超出预设的挂载阈值。
11.进一步的，所述统计所述跟踪框的id总数以判断所述矿车挂载是否超出预设的挂载阈值之后，包括：
12.将所述跟踪框的id总数显示于展示平台上；并基于所述矿车挂载是否超出所述挂载阈值的判断结果为所述id总数添加差异化标注信息。
13.进一步的，所述统计所述跟踪框的id总数以判断所述矿车挂载是否超出预设的挂载阈值之后，包括：
14.当所述矿车挂载超出预设的挂载阈值时，抽取所述图像队列中对应的图像样本生成告警视频并存储；
15.将所述告警视频发送至远程控制端。
16.进一步的，所述更新下一帧识别样本中各所述跟踪框的位置时，包括：
17.判断所述跟踪框是否被成功跟踪过，若未被成功跟踪过，记录跟踪失败的失败次数，并当所述失败次数大于预设的次数阈值时则在该帧识别样本中剔除所述跟踪框；反之，则继续进行如下步骤：
18.基于计算所述跟踪框与所述识别样本的左边界框的第一重合率是否大于预设的第一重合阈值；其中，所述r1为所述左边界框的坐标，b
x
为所述跟踪框的坐标；
19.基于计算所述跟踪框与所述识别样本的右边界框的第二重合率是否大于预设的第二重合阈值；其中，所述r2为所述右边界框的坐标，b
x
为所述跟踪框的坐标；
20.当所述第一重合率大于所述第一重合阈值，或所述第二重合率大于所述第二重合阈值时，则在该帧识别样本中剔除所述跟踪框。
21.进一步的，所述当存在与所述跟踪框位置相应的检测框时则判断相应车皮为已出现过的车皮，反之则为首次出现的车皮并为其添加跟踪框进行跟踪；包括：
22.遍历所有所述跟踪框，计算并取最大值；其中，a为所述识别样本中任一所述检测框的坐标；
23.当所述lx的最大值大于预设的交并比阈值时，则表明存在与所述跟踪框位置相应的检测框；反之，则表明则为首次出现的车皮。
24.基于目标检测及多目标跟踪的矿车超挂检测装置，包括：
25.第一获取模块，用于对矿车的运输视频进行抽帧采样以形成若干图像样本，并对各所述图像样本按正序时间顺序进行排列以生成图像队列；其中，所述矿车在铺设于运输大巷内的轨道上运行，所述运输视频由安装于所述运输大巷内的摄像仪获取；
26.检测及追踪模块，用于将所述图像队列输入目标检测模型以获取识别队列，并为所述识别队列中各所述识别样本依次添加检测框；同时，基于多目标跟踪算法对与任一矿车相应的第一帧识别样本添加跟踪框进行跟踪；其中，任一所述跟踪框均被分配有唯一的id；
27.更新判别模块，用于更新下一帧识别样本中各所述跟踪框的位置；当存在与所述跟踪框位置相应的检测框时则判断相应车皮为已出现过的车皮，反之则为首次出现的车皮并为其添加跟踪框进行跟踪；
28.统计输出模块，用于重复调用所述更新判别模块直至所述目标检测模型检测完与所述任一矿车相应的最后一帧识别样本时，统计所述跟踪框的id总数以判断所述矿车挂载是否超出预设的挂载阈值。
29.进一步的，包括：
30.标注模块，用于将所述跟踪框的id总数显示于展示平台上；并基于所述矿车挂载是否超出所述挂载阈值的判断结果为所述id总数添加差异化标注信息。
31.进一步的，包括：
32.告警生成模块，用于当所述矿车挂载超出预设的挂载阈值时，抽取所述图像队列中对应的图像样本生成告警视频并存储；
33.发送模块，用于将所述告警视频发送至远程控制端。
34.进一步的，包括：
35.第一判断模块，用于判断所述跟踪框是否被成功跟踪过，若未被成功跟踪过，记录跟踪失败的失败次数，并当所述失败次数大于预设的次数阈值时则在该帧识别样本中剔除所述跟踪框；反之，则依次调用如下各模块：
36.第一计算模块，用于基于计算所述跟踪框与所述识别样本的左边界框的第一重合率是否大于预设的第一重合阈值；其中，所述r1为所述左边界框坐标，b
x
为所述跟踪框坐标；
37.第二计算模块，用于基于计算所述跟踪框与所述识别样本的右边界框的第二重合率是否大于预设的第二重合阈值；其中，所述r2为所述右边界框坐标，b
x
为所述跟踪框坐标；
38.第一剔除模块，用于当所述第一重合率大于所述第一重合阈值，或所述第二重合率大于所述第二重合阈值时，则在该帧识别样本中剔除所述跟踪框。
39.进一步的，包括：
40.第三计算模块，用于遍历所有所述跟踪框，计算并取最大值；其中，a为所述识别样本中任一所述检测框的坐标；
41.第二判断模块，用于当所述lx的最大值大于预设的交并比阈值时，则表明存在与所述跟踪框位置相应的检测框；反之，则表明则为首次出现的车皮。
42.有益效果：
43.由以上技术方案可知，本发明的技术方案提供了一种基于目标检测及多目标跟踪的矿车超挂检测方法，以改善现有基于视频及人工检测时存在的检测效率低、漏检及错检的缺陷。
44.所述方法包括：对运输视频进行抽帧采样以形成若干图像样本，并对各所述图像样本按正序时间顺序进行排列以生成图像队列；其中，所述矿车在铺设于运输大巷内的轨道上运行，所述运输视频由安装于所述运输大巷内的摄像仪获取。将所述图像队列输入目标检测模型以获取识别队列，并为所述识别队列中任一识别样本添加检测框。基于多目标跟踪算法对所述识别队列中与任一矿车相应的第一帧识别样本添加跟踪框进行跟踪；其中，任一所述跟踪框均被分配有唯一的id。更新下一帧识别样本中各所述跟踪框的位置；当存在与所述跟踪框位置相应的检测框时则判断相应车皮为已出现过的车皮，反之则为首次出现的车皮并为其添加跟踪框进行跟踪。重复上一步骤直至所述目标检测模型检测完与所述任一矿车相应的最后一帧识别样本时，统计所述跟踪框的id总数以判断所述矿车挂载是
否超出预设的挂载阈值。
45.由上述方法可知，由于所述图像队列按正序时间顺序排列，因此将其输入至目标检测模型时，则可按照实际矿车运行情况进行先进先出，后进后出检测。在具体检测时，以与任一矿车相应的第一帧识别样本为跟踪起点，为其添加跟踪框进行跟踪；并进行下一帧识别样本中跟踪框的位置更新。此时，在目标检测及多目标跟踪过程中，当下一帧中的检测框存在与其位置相应的跟踪框时(所述跟踪框由多目标跟踪算法中的跟踪计算获取)，则表明该检测框对应的车皮已被跟踪过。同时由于为任一跟踪框分配了唯一的id，此时还表明该被跟踪过的检测框id已被统计过。而下一帧中的检测框不存在与其位置相应的跟踪框时，则表明该检测框对应的车皮未被跟踪过，即其为新出现的车皮。此时则为其添加跟踪框并分配跟踪框id。当跟踪框迭代更新至所述矿车的最后一帧识别样本时，则表明该列矿车已被识别跟踪完成。由于跟踪框id为唯一分配，因此最终统计得到的跟踪框id总数即为实际的矿车挂载数。基于其即可进行矿车是否超挂的检测。
46.由上述分析可见，本技术方案基于目标检测和多目标跟踪算法的结合实现了矿车车皮数的统计，有效改善了现有技术中人力消耗大，特别是现有技术中存在的误检、漏检情况。进而有效保障了矿井下运输的安全性。
47.应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
48.结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
49.附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
50.图1为本实施例所述的矿车超挂检测方法的流程图；
51.图2为图1中对所述图像样本的处理流程图；
52.图3为任一矿车的驶入方向的流程图；
53.图4为图1中进行重复进行下一帧识别样本跟踪框更新时的流程图；
54.图5为图1中获取是否存在与所述跟踪框位置相应的检测框的流程图；
55.图6为图1中判断是否超挂后的处理流程图；
56.图7为图1中判断是否超挂后的另一种处理流程图；
57.图8为进行图1中所述目标检测模型的训练流程图。
具体实施方式
58.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图,对本发明实施例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发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。除
非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
59.本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况，否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
60.检测矿车是否超挂是保证矿下运行安全的关键。而现有的矿车超挂检测方法中，由于通过来自摄像仪的运输视频获取运输情况，并通过人工进行判断。因此在具体实施时具有人员工作量大、工作效率低；且总是出现漏检、错检的情况。而本实施例旨在提供一种基于目标检测及多目标跟踪的矿车超挂检测方法，以改善现有的矿车超挂检测中存在的上述缺陷，保障矿下运输安全。
61.下面结合附图对本实施例公开的基于目标检测及多目标跟踪的矿车超挂检测方法作进一步介绍。
62.结合图1所示，所述方法按如下步骤进行：
63.步骤s102、对运输视频进行抽帧采样以形成若干图像样本，并对各所述图像样本按正序时间顺序进行排列以生成图像队列；其中，所述矿车在铺设于运输大巷内的轨道上运行，所述运输视频由安装于所述运输大巷内的摄像仪获取。
64.在具体实施时，为了使摄像仪能拍摄到清晰的所述运输视频，并确保获取的所述图像样本中车皮的运动方向为水平方向以便于后续的识别及跟踪。设置所述摄像仪的俯仰角范围为45
°
～75
°
。
65.在进行抽帧采样时，按预设的固定抽帧频率进行。且为了保证每列矿车的第一节车皮的驶入，及最后一节车皮的驶出总能被抽到。设置所述抽帧频率为：其中，m为所述摄像仪每秒拍摄的图像张数；t为所述矿车在所述摄像仪视场内的运动时间，单位为“秒”；n为预设的矿车的挂载阈值。本实施例中，所述摄像仪每秒拍摄的图像张数为24张，即：m＝24张/秒；所述矿车在所述摄像仪视场内的运动时间一般为2秒～4秒，具体取3秒，即：t＝3秒。
66.作为一种可以选择的实施方式，为了防止图像样本的自身缺陷造成后续识别及跟踪异常。结合图2所示，在生成所述图像队列前，对所述图像样本还进行如下预处理：
67.步骤s102.2、基于结构相似度算法剔除各所述图像样本中的相似样本。
68.步骤s102.4、基于拉普拉斯能量函数计算各所述图像样本的清晰度以剔除各所述图像样本中的模糊样本。
69.此时，通过步骤s102.2至步骤s102.4即可使生成的图像队列的图像样本均为无重复的清晰图像样本。
70.步骤s104、将所述图像队列输入目标检测模型以获取识别队列，并为所述识别队
列中各所述识别样本依次添加检测框；同时，基于多目标跟踪算法对与任一矿车相应的第一帧识别样本添加跟踪框进行跟踪；其中，任一所述跟踪框均被分配有唯一的id。
71.在具体实施时，在各检测框上方还绘制有文本框用于显示检测到的对应车皮的得分情况。
72.对于运输大巷内的矿车，任一方向行驶的矿车均在一条轨道上运行。在具体实施时，为了便于进行跟踪框的id分配以便于后续的检测结果统计。还需要知晓任一所述矿车的运行方向，即需要获取基于图像样本而言，其中的所述矿车是自所述图像样本的左侧驶入，还是自所述图像样本的右侧驶入。
73.因此作为一种可以选择的实施方式，结合图3所示，在步骤s104中为每个识别样本增加检测框时，还包括：
74.步骤s104.2、将第一帧识别样本中所有所述检测框作为整体，并获取其中心点坐标；其中，定义所述识别样本的左上角为坐标原点，沿水平方向向右为x轴正方向，沿垂直方向向下为y轴正方向。
75.步骤s104.4、计算前述中心点坐标与所述识别样本左侧边之间的第一间距，与所述识别样本右侧边之间的第二间距；
76.步骤s104.6、当所述第一间距大于第二间距时，则判断所述矿车自所述图像样本的左侧驶入；反之则自所述图像样本的右侧驶入。
77.此时，作为一种具体的实施方式，在进行各所述跟踪框的id分配时，则沿所述列车的驶入方向进行由小至大进行分配。
78.作为一种更优选的实施方式，对于所述跟踪框的id分配，从id为1开始，相邻两跟踪框的id差值也为1。
79.步骤s106、更新下一帧识别样本中各所述跟踪框的位置；当存在与所述跟踪框位置相应的检测框时则判断相应车皮为已出现过的车皮，反之则为首次出现的车皮并为其添加跟踪框进行跟踪。
80.结合图4所示，在每次进行下一帧识别样本的跟踪框更新时，为了降低cpu消耗，并提高跟踪有效性；还包括：
81.步骤s106.2、判断所述跟踪框是否被成功跟踪过，若未被成功跟踪过，记录跟踪失败的失败次数，并当所述失败次数大于预设的次数阈值时则在该帧识别样本中剔除所述跟踪框；反之，则继续进行：
82.步骤s106.4、基于计算所述跟踪框与所述识别样本的左边界框的第一重合率是否大于预设的第一重合阈值；其中，所述r1为所述左边界框坐标，b
x
为所述跟踪框坐标；
83.步骤s106.6、基于计算所述跟踪框与所述识别样本的右边界框的第二重合率是否大于预设的第二重合阈值；其中，所述r2为所述右边界框坐标，b
x
为所述跟踪框坐标；
84.步骤s106.8、当所述第一重合率大于所述第一重合阈值，或所述第二重合率大于所述第二重合阈值时，则在该帧识别样本中剔除所述跟踪框。
85.此时，便可在后续的跟踪框更新中，剔除掉已被重复跟踪过的跟踪框，和总是失败跟踪的跟踪框；以提高跟踪有效性。具体的，所述总是失败跟踪的跟踪框可能是检测框标记的错误失败目标，此时有利于提高最终挂载统计准确性；还可能是与已驶离的一列矿车车皮相应的跟踪框，避免无效跟踪。
86.结合图5所示，作为一种具体的实施方式，基于步骤s106.2～步骤s106.8，对于判断是否存在与所述跟踪框位置相应的检测框，包括：
87.步骤s106.10.2、遍历所有所述跟踪框，计算并取最大值；其中，a为所述识别样本中任一所述检测框的坐标；
88.步骤s106.10.4、当所述lx的最大值大于预设的交并比阈值时，则表明存在与所述跟踪框位置相应的检测框；反之，则表明则为首次出现的车皮。
89.步骤s108、重复上一步骤直至所述目标检测模型检测完与所述任一矿车相应的最后一帧识别样本时，统计所述跟踪框的id总数以判断所述矿车挂载是否超出预设的挂载阈值。
90.作为一种具体的实施方式，当在进行各所述跟踪框的id分配时，则沿所述列车的驶入方向进行由小至大进行。且从id为1开始，相邻两跟踪框的id差值也为1时，统计所述跟踪框的id总数时只需获取最后一个id即可。
91.在具体实施时，对于步骤s104中与任一矿车相应的第一帧识别样本，及步骤s108中与所述任一矿车相应的最后一帧识别样本，通过如下方式获取：
92.当连续若干帧未检测到车皮，则表明该连续若干帧之前的最后一帧为上一列矿车的最后一帧识别样本，该连续若干帧之后的第一帧为下一列矿车的第一帧识别样本。
93.结合图6所示，为了便于进行超挂情况确认，作为一种可以选择的实施方式，在步骤s108之后还包括：
94.步骤s110、将所述跟踪框的id总数显示于展示平台上；并基于所述矿车挂载是否超出所述挂载阈值的判断结果为所述id总数添加差异化标注信息。
95.在具体实施时，当发生超挂时，将所述id总数使用红色文本框标注；当未发生超挂时，将所述id总数使用蓝色文本框标注。
96.结合图7所示，为了便于进行超挂情况确认，作为另一种可以选择的实施方式，在步骤s108之后还包括：
97.步骤s110.2’、当所述矿车挂载超出预设的挂载阈值时，抽取所述图像队列中对应的图像样本生成告警视频并存储。
98.步骤s110.4’、将所述告警视频发送至远程控制端。
99.此时技术人员在远端也可获取超挂时的实际情况以进行异常确认处理。
100.结合图8所示，作为一种具体的实施方式，在整个超挂检测过程中，为了提高检测准确性，本实施例采用如下方法对涉及的所述目标检测模型进行训练：
101.步骤s202、采集若干图像样本，并通过步骤s102.2至步骤s102.4中所示的方法剔除相似图像及模糊图像。
102.步骤s204、将所述图像样本划分为训练集、验证集；将所述训练集输入yolov4神经网络进行训练，并将所述验证集输入前述训练后的神经网络进行训练调整。
103.本步骤中，所述图像样本共3000张，其中所述训练集为2400张，所述验证集为600张。
104.步骤s206、重复上述过程直至获取最优的目标检测模型。
105.本步骤中，最大迭代次数为100000。本实施例在训练至50000此时获取了最优的目标检测模型。本实施例中，所述目标检测模型具体为yolov4目标检测网络。
106.上述方法过程可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何算法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
107.这些计算机程序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，对应与不同的步骤可以通过不同的模块来实现。
108.本实施例就提供了这样的一种装置，该装置被称为基于目标检测及多目标跟踪的矿车超挂检测装置。所述装置依次包括：
109.第一获取模块，用于对矿车的运输视频进行抽帧采样以形成若干图像样本，并对各所述图像样本按正序时间顺序进行排列以生成图像队列；其中，所述矿车在铺设于运输大巷内的轨道上运行，所述运输视频由安装于所述运输大巷巷壁上的摄像仪获取。
110.检测及追踪模块，用于将所述图像队列输入目标检测模型以获取识别队列，并为所述识别队列中各所述识别样本依次添加检测框；同时，基于多目标跟踪算法对与任一矿车相应的第一帧识别样本添加跟踪框进行跟踪；其中，任一所述跟踪框均被分配有唯一的id。
111.更新判别模块，用于更新下一帧识别样本中各所述跟踪框的位置；当存在与所述跟踪框位置相应的检测框时则判断相应车皮为已出现过的车皮，反之则为首次出现的车皮并为其添加跟踪框进行跟踪。
112.统计输出模块，用于重复调用所述更新判别模块直至所述目标检测模型检测完与所述任一矿车相应的最后一帧识别样本时，统计所述跟踪框的id总数以判断所述矿车挂载是否超出预设的挂载阈值。
113.该装置用于实现上述的实施例中所述方法的功能，该装置中的每个模块与方法中的每个步骤相对应，已经在方法中进行过说明的，在此不再赘述。
114.例如，为了便于对超挂情况进行快速获取，所述装置在所述统计输出模块之后，还包括：
115.标注模块，用于将所述跟踪框的id总数显示于展示平台上；并基于所述矿车挂载
是否超出所述挂载阈值的判断结果为所述id总数添加差异化标注信息。
116.作为一种可以选择的实施方式，所述装置在所述统计输出模块之后，还可以依次包括：
117.告警生成模块，用于当所述矿车挂载超出预设的挂载阈值时，抽取所述图像队列中对应的图像样本生成告警视频并存储；
118.发送模块，用于将所述告警视频发送至远程控制端。
119.此时控制人员在远端也可获取实时的超挂情况并进行异常处理。
120.又例如，为了降低cpu消耗，并提高跟踪有效性。所述装置还依次包括：
121.第一判断模块，用于判断所述跟踪框是否被成功跟踪过，若未被成功跟踪过，记录跟踪失败的失败次数，并当所述失败次数大于预设的次数阈值时则在该帧识别样本中剔除所述跟踪框；反之，则调用如下各模块：
122.第一计算模块，用于基于计算所述跟踪框与所述识别样本的左边界框的第一重合率是否大于预设的第一重合阈值；其中，所述r1为所述左边界框坐标，b
x
为所述跟踪框坐标。
123.第二计算模块，用于基于计算所述跟踪框与所述识别样本的右边界框的第二重合率是否大于预设的第二重合阈值；其中，所述r2为所述右边界框坐标，b
x
为所述跟踪框坐标。
124.第一剔除模块，用于当所述第一重合率大于所述第一重合阈值，或所述第二重合率大于所述第二重合阈值时，则在该帧识别样本中剔除所述跟踪框。
125.基于此，作为一种具体的实施方式，所述装置还依次包括：
126.第三计算模块，用于遍历所有所述跟踪框，并计算并取最大值；其中a为所述识别样本中任一所述检测框的坐标。
127.第二判断模块，用于当所述lx的最大值大于预设的交并比阈值时，则表明存在与所述跟踪框位置相应的检测框；反之，则表明则为首次出现的车皮。
128.虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。