一种车辆的回溯跟踪方法

1.本技术实施例涉及交通管理领域，尤指一种车辆的回溯跟踪方法。


背景技术：

2.高速公路是现代交通系统的重要组成部分。相较于普通公路，高速公路的事故严重等级与死亡率均更高。因此，对高速公路上发生交通事故或驾驶行为异常的车辆需要进行轨迹跟踪追查，对于避免事故发生、分析事故原因、提升高速公路交通安全水平具有重大意义。
3.高速公路信息的传感设备主要以高清照相机、摄像机、地感线圈等为主。已有产品均基于高清照相机/摄像机所保存的影像信息进行车辆的判别与回溯跟踪。
4.高速公路上车辆回溯方法主要有两种：
5.一种方法是依靠高速公路卡口的高清照相机抓拍过往车辆，通过车牌号识别建立过往车辆数据库，从而进行目标车辆查询；
6.另一种方法是依靠人工查询录像信息，利用图像采集设备间的空间关系，逐一在当前图像采集设备的前序图像采集设备记录中搜索车辆。
7.上述车辆回溯方法存在效率低、准确性低的问题。


技术实现要素：

8.为了解决上述任一技术问题，本技术实施例提供了一种车辆的跟踪回溯方法，包括：
9.如果预设图像采集设备在预设时刻采集到所述目标车辆的影像信息，则在所述目标车辆的行车轨迹上，获取目标图像采集设备与所述预设图像采集设备之间的目标路段在所述预设时刻的交通状态；
10.利用所述预设时刻的交通状态对应的速度系数，确定所述目标车辆在所述目标路段对应的速度等效值；
11.根据所述速度等效值和所述预设时刻，计算所述目标车辆经过所述目标图像采集设备的时间，得到目标时刻；
12.在所述目标图像采集设备采集的所述目标时刻对应的影像信息中，查询所述目标车辆；
13.在查询到所述目标车辆后,根据所述目标图像采集设备的位置信息,对所述目标车辆的行驶轨迹进行回溯跟踪。
14.上述技术方案中的一个技术方案具有如下优点或有益效果：
15.通过确定所述目标车辆的行车轨迹上目标图像采集设备与所述预设图像采集设备之间的目标路段，达到利用图像采集设备的空间信息，再通过获取目标路段在所述预设时刻的交通状态，确定目标车辆在所述目标路段对应的速度等效值，确定目标车辆经过所述目标图像采集设备的目标时刻，达到利用图像采集设备的时间信息，实现在特定位置和
特定时间范围内搜索车辆的目的，提升了车辆的识别效率和准确度，高效完成车辆的回溯跟踪。
16.本技术实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例而了解。本技术实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
17.附图用来提供对本技术实施例技术方案的进一步理解，并且构成说明书的一部分，与本技术实施例的实施例一起用于解释本技术实施例的技术方案，并不构成对本技术实施例技术方案的限制。
18.图1为本技术实施例提供的车辆识别方法的流程图；
19.图2为本技术实施例提供的确定目标路段在所述预设时刻的交通状态的流程示意图；
20.图3为本技术应用实例提供的车辆识别方法的流程图。
具体实施方式
21.为使本技术实施例的目的、技术方案和优点更加清楚明白，下文中将结合附图对本技术实施例的实施例进行详细说明。需要说明的是，在不冲突的情况下，本技术实施例中的实施例及实施例中的特征可以相互任意组合。
22.在实现本技术过程中，对相关技术进行了技术分析，发现相关技术至少存在如下问题，包括：
23.现有目标车辆回溯跟踪方法中，基于车牌号识别的方法，对天气(如，雨雪等恶劣天气)、拍照环境(如，隧道等恶劣环境)、高清照相机性能、高清照相机覆盖率有一定要求，且对不同时间、位置出现的车辆采用了相同的查找权重，未能有效利用高速公路路网时空信息；
24.另外，现有目标车辆回溯跟踪方法中，基于人工查找的方法，工作量大，准确性低。
25.基于上述分析，本技术实施例提供如下解决方案，包括：
26.图1为本技术实施例提供的车辆的回溯跟踪方法的流程图。如图1所示，所述方法包括：
27.步骤101、如果预设图像采集设备在预设时刻采集到所述目标车辆的影像信息，则在所述目标车辆的行车轨迹上，获取目标图像采集设备与所述预设图像采集设备之间的目标路段在所述预设时刻的交通状态；
28.其中，该行车轨迹是目标车辆在高速公路的行车轨迹；
29.其中，该目标采集设备可以为设置在道路上的摄像头；
30.在一个示例性实施例中，该目标图像采集设备可以为道路上目标车辆已行驶经过的路段上的图像采集设备；或者，为道路上目标车辆即将行驶经过的路段上的图像采集设备。
31.在一个示例性实施例中，交通状态的取值包括：畅通、平稳、拥堵和堵塞中至少一个。
32.步骤102、利用所述预设时刻的交通状态对应的速度系数，确定所述目标车辆在所述目标路段对应的速度等效值；
33.在一个示例性实施例中，可以预先建立每个交通状态与速度系数的对应关系，以便根据该对应关系确定该预设时刻的交通状态对应的速度系数。
34.在一个示例性实施例中，所述速度等效值是根据所述速度系数和所述目标车辆在所述预设图像采集设备的位置处的行驶速度确定的。
35.例如，目标车辆在预设图像采集设备的位置处的行驶速度为a，预设时刻的交通状态对应的速度系数为b，则该目标车辆在所述目标路段对应的速度等效值v'为a*b。
36.步骤103、根据所述速度等效值和所述预设时刻，计算所述目标车辆经过所述目标图像采集设备的时间，得到目标时刻；
37.以目标路段的距离为s，预设时刻为t，速度等效值为v'为例进行说明：
38.如果目标图像采集设备为道路上目标车辆已行驶经过的路段上的图像采集设备，则采用如下计算表达式进行计算目标时刻to，包括：
[0039][0040]
如果目标图像采集设备为道路上目标车辆即将行驶经过的路段上的图像采集设备，则采用如下计算表达式进行计算目标时刻to，包括：
[0041][0042]
步骤104、在所述目标图像采集设备采集的所述目标时刻对应的影像信息中，查询所述目标车辆；。
[0043]
步骤105、在查询到所述目标车辆后,根据所述目标图像采集设备的位置信息,对所述目标车辆的行驶轨迹进行回溯跟踪。
[0044]
具体的，确定所述目标图像采集设备的位置信息所在路段的上游路段的图像采集设备，得到上游设备，并从所述上游设备中，选取采集到所述目标车辆的图像信息的设备，得到目标上游设备，再根据所述目标图像采集设备的位置信息和所述目标上游设备的位置信息，生成所述目标车辆的行驶轨迹，得到车辆回溯信息；或者，
[0045]
确定所述目标图像采集设备的位置信息所在路段的下游路段的图像采集设备，得到下游设备，并从所述下游设备中，选取采集到所述目标车辆的图像信息的设备，得到目标下游设备，根据所述目标图像采集设备的位置信息和所述目标下游设备的位置信息，生成所述目标车辆的行驶轨迹，得到车辆跟踪信息。
[0046]
以车辆的回溯跟踪为例，以当前目标图像采集设备所采集到的时间信息作为当前车辆出现时间，在空间位置上位于上一位置的图像采集设备所采集图像中寻找图像及时间匹配的车辆，以此类推，确定目标车辆途径所有图像采集设备的时间点与画面，从而实现目标车辆的轨迹回溯。
[0047]
本技术实施例提供的方法，通过确定所述目标车辆的行车轨迹上目标图像采集设备与所述预设图像采集设备之间的目标路段，达到利用图像采集设备的空间信息，再通过获取目标路段在所述预设时刻的交通状态，确定目标车辆在所述目标路段对应的速度等效值，确定目标车辆经过所述目标图像采集设备的目标时刻，达到利用图像采集设备的时间
信息，实现在特定位置和特定时间范围内搜索车辆的目的，提升了车辆的识别效率和准确度，高效完成车辆的回溯跟踪。
[0048]
下面对本技术实施例提供的方法进行说明：
[0049]
在一个示例性实施例中，所述目标路段在所述预设时刻的交通状态是通过如下方式得到的，包括：
[0050]
获取所述目标路段的样本数据，所述样本数据包括至少两组交通流表征数据以及与每组交通流表征数据一一对应的交通状态的取值，其中每组交通流表征数据包括至少两个表征参数对应的取值；其中，所述表征参数包括：流量、速度和时间占用率中的至少一个；
[0051]
对所述样本数据进行聚类分析，计算每个表征参数在不同取值的交通状态对应的基准值，得到不同取值的交通状态对应的聚类中心；
[0052]
将所述目标路段在预设时刻对应的交通流表征数据作为待分析数据，将所述待分析数据与不同取值的交通状态对应的聚类中心之间的隶属度；
[0053]
根据所述隶属度，确定所述待分析数据对应的交通状态的取值，得到所述目标路段在预设时刻的交通状态。
[0054]
图2为本技术实施例提供的确定目标路段在所述预设时刻的交通状态的流程示意图。如图2所示，以一段时间的交通流表征参数作为历史数据，通过自适应模糊c-均值(adaptive fuzzy c-means,afcm)算法将其划分为4类，并计算实时交通流数据对于该聚类中心的隶属度，从而实现对目前交通状态的判别。
[0055]
其中afcm算法是在模糊c-均值(fuzzy c-means,fcm)算法的基础上新增权重wk实现的，其中迭代方法不变。
[0056]
其中，交通状态度量标准c为：
[0057][0058]
其中，矩阵第1列表示道路的每分钟平均车流量(veh/5min)，第2列表示道路上车辆的车速(km/h)；第3列表示道路的时间占有率(％)。第1行表示道路的交通状态为畅通对应的聚类中心，第2行表示道路的交通状态为平稳对应的聚类中心，第3行表示道路的交通状态为拥堵对应的聚类中心，第4行表示道路的交通状态为堵塞对应的聚类中心。上述矩阵中9个元素为聚类所得结果。
[0059]
通过计算交通流参数数据与c内不同种类聚类中心的隶属度，对其交通状态进行判别。
[0060]
采用上述聚类分析方式确定预设时刻的交通状态，能够提高确定操作的准确度。
[0061]
在一个示例性实施例中，采用聚类分析的目标函数，得到任一表征参数在不同取值的交通状态对应的基准值，其中所述聚类分析的目标函数的表达式如下：
[0062]
[0063][0064]
其中：
[0065]
x表示表征参数的数据集，其中x＝[x1,x2,
…
,xn]，n表示表征参数的数据集中数据点的总数；
[0066]
u表示表征参数与在不同取值的交通状态的模糊隶属度，其中u
ik
表示第k个数据点xk在交通状态的第i个取值对应的模糊隶属度，c表示交通状态的取值的总数；
[0067]
v表示表征参数的基准值，其中vi表示表征参数在交通状态的第i个取值对应的基准值；
[0068]
wk表示第k个数据点xk的权重；
[0069]
p表示先验超参数；
[0070]
m表示聚类簇数，m为正整数，在本方案中m＝4。
[0071]
在一个示例性实施例中，第k个数据点xk的权重wk是通过如下计算表达式得到的，包括：
[0072][0073]
在一个示例性实施例中，表征参数在交通状态的第i个取值对应的基准值是通过如下计算表达式得到的，包括：
[0074][0075]
在一个示例性实施例中，第k个数据点xk在交通状态的第i个取值对应的模糊隶属度u
ik
是通过如下计算表达式得到的，包括：
[0076][0077]
在一个示例性实施例中，所述在所述目标图像采集设备拍摄的所述目标时刻对应的影像信息中，确定所述目标车辆，包括：
[0078]
将所述影像信息中可疑车辆的置信度从高到低排序，选择排序在前的至少两个可疑车辆作为备选车辆；
[0079]
采用如下计算表达式计算每个备选车辆识别为所述目标车辆的概率，并根据所述概率，从所述备选车辆中确定所述目标车辆，包括：
[0080]
p
car
＝αp
reid-βf(|δt|)；
[0081]
其中，p
car
表示概率，preid表示备选车辆的置信度，δt表示备选车辆实际出现的时刻与目标时刻之间的差值，f表示窗口函数，α和β均为调整系数。
[0082]
下面以高速公路上设置的摄像头为图像采集设备为例，对本技术实施例提供的方法进行说明。
[0083]
图3为本技术应用实例提供的车辆识别方法的流程图。如图3所示，所述方法包括：
[0084]
步骤a、基于视频的车辆行驶特征提取，包括：
[0085]
步骤a1、视频数据采集；
[0086]
具体的，对高速公路上的摄像头进行筛选，并从筛选得到的摄像头获取该摄像头采集的视频流；
[0087]
步骤a2、车辆行驶特征提取，包括：
[0088]
具体的，利用基于深度学习的目标检测及目标跟踪算法，对获得视频数据进行实时车辆检测，例如，基于yolo(you look once)v3的车辆目标检测、基于deepsort的车辆目标跟踪以及基于车道线检测的车速估计；
[0089]
根据车辆检测结果，获取该摄像机点位的车辆信息，包括车辆颜色、车型、通过时间以及车辆预估速度，具体参见表1；
[0090]
表1车辆行驶信息表
[0091]
摄像头标识日期车辆标识到达时刻车型颜色速度c00111-08-2021111:13:38car红80.5c00111-08-2021211:13:40car白86.91964c00111-08-2021311:13:43car黑82.5c00111-08-2021411:13:45car白79.14634c00111-08-2021511:13:47car黑82.5c00111-08-2021611:13:48truck黄74.88462c00111-08-2021711:13:49bus黄76.05469c00111-08-2021811:13:50car白83.92241c00111-08-2021911:13:52car白81.80672
[0092]
步骤a3、建立车辆图片集合
[0093]
具体的，从车辆进入检测框区域起到离开检测框区域为止，每隔10帧保留一次以车辆回归框中心为中点的图片，下表中以“图片+编号”表示图片内容，建立待检索的车辆图片集合，具体参见表2。
[0094]
表2待检索车辆表
[0095]
摄像头标识日期车辆标识到达时刻车辆图像c00111-08-2021111:13:38图片1c00111-08-2021211:13:40图片2c00111-08-2021311:13:43图片3c00111-08-2021411:13:45图片4c00111-08-2021511:13:47图片5
[0096]
步骤a4、利用车辆行驶特征，计算不同点位道路交通流表征参数；
[0097]
具体的，以5min为采样周期，计算各摄像头断面的交通流量、时间和时间占有率，得到交通流表征数据表，具体参见表3。
[0098]
表3交通流表征数据表
[0099][0100]
步骤b、交通状态准实时分析与预测，包括：
[0101]
步骤b1、对交通流表征数据进行异常值检测及归一化操作；
[0102]
具体的，可以先去除异常值，并对去除异常值后剩余的数据进行归一化处理，完成数据的预处理。
[0103]
步骤b2、利用处理后的交通流表征数据，聚类生成交通状态判别标准；
[0104]
具体的，利用afcm对交通流表征参数进行聚类，可得交通状态度量标准c为：
[0105][0106]
其中，矩阵第1列表示道路的每分钟平均车流量(veh/5min)，第2列表示道路上车辆的车速(km/h)；第3列表示道路的时间占有率(％)。第1行表示道路的交通状态为畅通对应的聚类中心，第2行表示道路的交通状态为平稳对应的聚类中心，第3行表示道路的交通状态为拥堵对应的聚类中心，第4行表示道路的交通状态为堵塞对应的聚类中心。
[0107]
步骤b3、利用目标车辆行驶特征及道路交通状态，获取目标车辆短时交流预测结果；
[0108]
具体的，以当前道路交通流量、时间、占有率分别为198(veh/5min)、64.90(km/h)、8.80(％)，可判断其交通状态为平稳。基于此点位交通状态、目标车辆速度及空间位置及道路，可反推其经过前序摄像头的时间区间，具体参见表4。
[0109]
表4预测经过时间表
[0110][0111]
步骤c、基于局部特征与交通状态分析的特定车辆轨迹跟踪回放，包括：
[0112]
步骤c1、基于tranformer神经网络的车辆重识别，计算可疑车辆与目标车辆间的置信度图像；
[0113]
具体的，通过对车辆行驶特征进行数据预处理并进行模型训练完成车辆重识别模型，利用该车辆重识别模型获取可疑车辆与目标车辆间的置信度图像；其中该置信度图像
可以为同车辆同角度的图像、同车不同角度的图像、不同车同角度的图像以及相似车辆同角度的图像。
[0114]
步骤c2、计算所有可疑车辆与目标车辆的重识别置信度。
[0115]
步骤c3、利用目标车辆短时交流预测结果，预估车辆物资，以获取可疑车辆实际行驶位置，从而得到位置置信度；
[0116]
步骤c4、根据重识别置信度与位置置信度，确定可疑车辆作为目标车辆的概率；
[0117]
具体的，具重识别置信度与位置置信度，选取置信度最大的车辆作为目标车辆的可疑车辆，具体参见表5。
[0118]
表5可疑车辆概率表
[0119][0120]
从表5可知，车辆3为所搜寻目标车辆在014摄像机下的影像记录。
[0121]
步骤c5、以车辆3出现时间及速度为目标位置及速度，重复步骤b3计算出车辆在上一摄像头的预估到达时刻；以目标车辆图像为目标图像，确定可疑车辆作为目标车辆的概率，具体参见表6：
[0122]
表6可疑车辆概率表
[0123][0124]
从表6可知，车辆1为所搜寻目标车辆在013摄像机下的影像记录。以此类推，可找到该目标车辆在所有摄像机中的影像，从而实现车辆在多摄像头下的行驶路线跟踪。
[0125]
本技术实施例提供的方法，基于高速公路的摄像头采集的影像数据，在基于车辆图像判断的基础上，充分利用摄像头时空信息与道路交通流信息，利用目标车辆的速度信息及前序道路交通状态信息，预测车辆经过前序摄像头的时间区间，对特定位置、时间范围内的车辆进行高权重搜索，提升了特定车辆识别与回溯跟踪性能。
[0126]
本技术实施例提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上文任一项中所述的方法。
[0127]
本技术实施例提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上文任一项中所述的方法。
[0128]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，
在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

技术特征：
1.一种车辆的回溯跟踪方法，包括：如果预设图像采集设备在预设时刻采集到所述目标车辆的影像信息，则在所述目标车辆的行车轨迹上，获取目标图像采集设备与所述预设图像采集设备之间的目标路段在所述预设时刻的交通状态；利用所述预设时刻的交通状态对应的速度系数，确定所述目标车辆在所述目标路段对应的速度等效值；根据所述速度等效值和所述预设时刻，计算所述目标车辆经过所述目标图像采集设备的时间，得到目标时刻；在所述目标图像采集设备采集的所述目标时刻对应的影像信息中，查询所述目标车辆；在查询到所述目标车辆后,根据所述目标图像采集设备的位置信息,对所述目标车辆的行驶轨迹进行回溯跟踪。2.根据权利要求1所述的方法，其特征在于，所述目标路段在所述预设时刻的交通状态是通过如下方式得到的，包括：获取所述目标路段的样本数据，所述样本数据包括至少两组交通流表征数据以及与每组交通流表征数据一一对应的交通状态的取值，其中每组交通流表征数据包括至少两个表征参数对应的取值；对所述样本数据进行聚类分析，计算每个表征参数在不同取值的交通状态对应的基准值，得到不同取值的交通状态对应的聚类中心；将所述目标路段在预设时刻对应的交通流表征数据作为待分析数据，将所述待分析数据与不同取值的交通状态对应的聚类中心之间的隶属度；根据所述隶属度，确定所述待分析数据对应的交通状态的取值，得到所述目标路段在预设时刻的交通状态。3.根据权利要求2所述的方法，其特征在于，所述表征参数包括：流量、速度和时间占用率中的至少一个。4.根据权利要求2所述的方法，其特征在于，所述交通状态的取值包括：畅通、平稳、拥堵和堵塞中至少一个。5.根据权利要求2至4任一项所述的方法，其特征在于，采用聚类分析的目标函数，得到任一表征参数在不同取值的交通状态对应的基准值，其中所述聚类分析的目标函数的表达式如下：式如下：其中：x表示表征参数的数据集，其中x＝[x1,x2,
…
,x
n
]，n表示表征参数的数据集中数据点的总数；
u表示表征参数与在不同取值的交通状态的模糊隶属度，其中u
ik
表示第k个数据点x
k
在交通状态的第i个取值对应的模糊隶属度，c等于交通状态的取值的总数；v表示表征参数的基准值，其中v
i
表示表征参数在交通状态的第i个取值对应的基准值；w
k
表示第k个数据点x
k
的权重；p表示先验超参数；m表示聚类簇数，m为正整数。6.根据权利要求5所述的方法，其特征在于，第k个数据点x
k
的权重w
k
是通过如下计算表达式得到的，包括：7.根据权利要求5所述的方法，其特征在于，表征参数在交通状态的第i个取值对应的基准值是通过如下计算表达式得到的，包括：8.根据权利要求5所述的方法，其特征在于：第k个数据点x
k
在交通状态的第i个取值对应的模糊隶属度u
ik
是通过如下计算表达式得到的，包括：9.根据权利要求1所述的方法，其特征在于：所述速度等效值是根据所述速度系数和所述目标车辆在所述预设图像采集设备的位置处的行驶速度确定的。10.根据权利要求1所述的方法，其特征在于，所述在所述目标图像采集设备采集的所述目标时刻对应的影像信息中，确定所述目标车辆，包括：获取可疑车辆的图像与目标车辆的图像之间的重识别置信度；以及，获取可疑车辆在实际出现的时刻的位置与可疑车辆在目标时刻的位置之间的位置置信度；根据同一可疑车辆的重识别置信度和位置置信度，确定每个可疑车辆识别为所述目标车辆的概率；根据所述概率，从所述可疑车辆中确定所述目标车辆。11.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像采集设备的位置信息,对所述目标车辆的行驶轨迹进行回溯跟踪,包括:确定所述目标图像采集设备的位置信息所在路段的上游路段的图像采集设备，得到上游设备，并从所述上游设备中，选取采集到所述目标车辆的图像信息的设备，得到目标上游设备，再根据所述目标图像采集设备的位置信息和所述目标上游设备的位置信息，生成所述目标车辆的行驶轨迹，得到车辆回溯信息；或者，
确定所述目标图像采集设备的位置信息所在路段的下游路段的图像采集设备，得到下游设备，并从所述下游设备中，选取采集到所述目标车辆的图像信息的设备，得到目标下游设备，根据所述目标图像采集设备的位置信息和所述目标下游设备的位置信息，生成所述目标车辆的行驶轨迹，得到车辆跟踪信息。

技术总结
本申请实施例公开了一种车辆的回溯跟踪方法，包括：如果预设图像采集设备在预设时刻采集到所述目标车辆的影像信息，则在所述目标车辆的行车轨迹上，获取目标图像采集设备与所述预设图像采集设备之间的目标路段在所述预设时刻的交通状态；利用所述预设时刻的交通状态对应的速度系数，确定所述目标车辆在所述目标路段对应的速度等效值；根据所述速度等效值和所述预设时刻，计算所述目标车辆经过所述目标图像采集设备的时间，得到目标时刻；在所述目标图像采集设备采集的所述目标时刻对应的影像信息中，查询所述目标车辆；在查询到所述目标车辆后,根据所述目标图像采集设备的位置信息,对所述目标车辆的行驶轨迹进行回溯跟踪。踪。踪。


技术研发人员：崔启航 张毅 陈双 彭黎辉 胡峻毅 胥松
受保护的技术使用者：清华大学
技术研发日：2023.02.27
技术公布日：2023/6/28