用于优化位置信息的方法、装置、路侧设备和云控平台

技术领域

本申请的实施例涉及计算机技术领域，具体涉及智能交通、自动驾驶领域的轨迹跟踪优化技术。

背景技术

目标跟踪问题是计算机视觉中的基础问题，在医学影像、智能交通、自动驾驶等领域都有非常重要的用途。例如在智能交通领域，对车辆进行跟踪后，可以对所跟踪的轨迹进行分析，从而对是否出现异常行为进行检测。因此，在智能交通领域，多目标跟踪是非常基础且重要的问题。

现有技术通常可以包括马尔可夫决策过程方法、深度学习方法等，但往往存在资源占用高、运算速度慢等问题。针对多目标跟踪，现有技术中可以利用深度特征以及卡尔曼滤波的方式。然而，现有技术中的跟踪效果易受检测效果的影响。无论是异常工况还是遮挡，都会造成车辆检测不完整或抖动严重的问题，从而导致跟踪效果不佳。

发明内容

提供了一种用于优化位置信息的方法、装置、路侧设备和云控平台。

根据第一方面，提供了一种用于优化位置信息的方法，该方法包括：获取包括待跟踪目标的图像的图像帧序列；从图像帧序列中选取目标图像帧；根据图像帧序列，生成待跟踪目标的轨迹位置预测信息，其中，轨迹位置预测信息用于指示采用目标跟踪技术所确定的待跟踪目标的图像在目标图像帧中的位置；对目标图像帧进行目标检测，生成待跟踪目标的检测位置预测信息，其中，检测位置预测信息用于指示采用目标检测技术所确定待跟踪目标的图像在目标图像帧中的位置；根据轨迹位置预测信息和检测位置预测信息，生成优化后的位置信息，其中，位置信息用于指示待跟踪目标的图像在目标图像帧中的位置。

根据第二方面，提供了一种用于优化位置信息的装置，该装置包括：获取单元，被配置成获取包括待跟踪目标的图像的图像帧序列；第一选取单元，被配置成从图像帧序列中选取目标图像帧；第一生成单元，被配置成根据图像帧序列，生成待跟踪目标的轨迹位置预测信息，其中，轨迹位置预测信息用于指示采用目标跟踪技术所确定的待跟踪目标的图像在目标图像帧中的位置；第二生成单元，被配置成对目标图像帧进行目标检测，生成待跟踪目标的检测位置预测信息，其中，检测位置预测信息用于指示采用目标检测技术所确定待跟踪目标的图像在目标图像帧中的位置；第三生成单元，被配置成根据轨迹位置预测信息和检测位置预测信息，生成优化后的位置信息，其中，位置信息用于指示待跟踪目标的图像在目标图像帧中的位置。

根据第三方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被上述至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使上述至少一个处理器能够执行如第一方面中任一实现方式所描述的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机能够执行如第一方面中任一实现方式所描述的方法。

根据第五方面，提供了一种路侧设备，包括如第三方面所描述的电子设备。

根据第六方面，提供了一种云控平台，包括如第三方面所描述的电子设备。

根据第七方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式所描述的方法。

根据本申请的技术实现了通过将采用目标跟踪技术所确定的位置和采用目标检测技术所确定位置进行结合，从而对待跟踪目标在图像帧中的位置进行优化。进而可以提升目标检测和轨迹跟踪结果的准确性，避免了由于检测结果的不准确性而导致跟踪结果出现偏离的问题。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是根据本申请第二实施例的示意图；

图3是可以实现本申请实施例的用于优化位置信息的方法的一个应用场景的示意图；

图4是根据本申请实施例的用于优化位置信息的装置的示意图；

图5是用来实现本申请实施例的用于优化位置信息的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是示出了根据本申请第一实施例的示意图100。该用于优化位置信息的方法包括以下步骤：

S101，获取包括待跟踪目标的图像的图像帧序列。

在本实施例中，用于优化位置信息的执行主体可以通过各种方式获取包括待跟踪目标的图像的图像帧序列。作为示例，上述执行主体可以是自动驾驶车辆。上述待跟踪目标可以包括各种动态交通参与者，例如行人、车辆、骑行者等。上述执行主体可以通过车载相机在行驶过程中采集针对道路交通环境拍摄的图像。作为又一示例，上述执行主体还可以是各种电子监控设备，上述待跟踪目标的图像的图像帧序列可以是针对待监控区域拍摄的视频。

需要说明的是，上述图像帧序列中通常包括至少三帧图像。上述待跟踪目标的数目可以是1，也可以大于1。

S102，从图像帧序列中选取目标图像帧。

在本实施例中，上述执行主体可以通过各种方式从步骤S101所获取的图像帧序列中选取目标图像帧。其中，上述目标图像帧可以是预先指定的任意图像帧，也可以是根据预设规则而定的图像帧。通常，上述目标图像帧可以是待在其中确定待跟踪目标的位置的图像帧。

S103，根据图像帧序列，生成待跟踪目标的轨迹位置预测信息。

在本实施例中，根据步骤S101所获取的图像帧序列，上述执行主体可以通过各种方式生成待跟踪目标的轨迹位置预测信息。其中，上述轨迹位置预测信息可以用于指示采用目标跟踪技术所确定的上述待跟踪目标的图像在上述步骤S102所选取的目标图像帧中的位置。

在本实施例中，上述目标跟踪技术可以包括但不限于以下至少一项：基于预测的跟踪方法(贝叶斯框架)，基于区域的跟踪方法，基于模型的跟踪方法。其中，上述基于预测的跟踪方法还可以具体包括基于卡尔曼滤波或粒子滤波的方法。上述基于区域的跟踪方法还可以具体包括基于差值平方和、基于颜色统计、基于形状、基于灰度结构特征等方法。上述基于模型的跟踪方法还可以具体包括线图模型、二位轮廓模型、三维立体模型等方法。

S104，对目标图像帧进行目标检测，生成待跟踪目标的检测位置预测信息。

在本实施例中，上述执行主体可以通过各种方式对目标图像帧进行目标检测，生成待跟踪目标的检测位置预测信息。其中，上述检测位置预测信息可以用于指示采用目标检测技术所确定待跟踪目标的图像在上述步骤S102所选取的目标图像帧中的位置。

在本实施例中，上述目标检测技术可以包括但不限于以下至少一项：基于传统手工特征的检测算法，基于深度学习的检测算法。其中，基于深度学习的检测算法还可以包括但不限于：基于一体化卷积网络的检测，基于多尺度多端口检测的算法。

S105、根据轨迹位置预测信息和检测位置预测信息，生成优化后的位置信息。

在本实施例中，根据步骤S103所生成的轨迹位置预测信息和步骤S104所生成的检测位置预测信息，上述执行主体可以通过各种方式生成优化后的位置信息。其中，上述位置信息可以用于指示上述待跟踪目标的图像在上述步骤S102所选取的目标图像帧中的位置。

作为示例，上述执行主体可以根据步骤S103所生成的轨迹位置预测信息和步骤S104所生成的检测位置预测信息之间的匹配程度，生成优化后的位置信息。例如，响应于确定轨迹位置预测信息所指示的待跟踪目标的中心和步骤S104所生成的检测位置预测信息所指示的待跟踪目标的中心之间的距离小于预设阈值，上述执行主体可以将步骤S103所生成的轨迹位置预测信息所指示的待跟踪目标的中心向步骤S104所生成的检测位置预测信息所指示的待跟踪目标的中心移动微小距离。其中，上述微小距离例如可以是轨迹位置预测信息所指示的待跟踪目标的中心和步骤S104所生成的检测位置预测信息所指示的待跟踪目标的中心之间的距离乘以预设的系数。上述预设的系数通常是0～1之间。

作为又一示例，上述执行主体可以根据步骤S103所生成的轨迹位置预测信息所指示的坐标和步骤S104所生成的检测位置预测信息所指示的坐标进行加权求和，从而生成优化后的位置信息。

本申请的上述实施例提供的方法，通过将采用目标跟踪技术所确定的位置和采用目标检测技术所确定位置进行结合，进而对待跟踪目标在图像帧中的位置进行优化。从而可以提升目标检测和轨迹跟踪结果的准确性，避免了由于检测结果的不准确性而导致跟踪结果出现偏离。

在本实施例的一些可选的实现方式中，根据图像帧序列，上述执行主体可以按照如下步骤生成待跟踪目标的轨迹位置预测信息：

第一步，基于检测跟踪(tracking by detection)技术，确定待跟踪目标的图像在图像帧序列中与目标图像帧关联的各图像帧中的位置。

在这些实现方式中，上述执行主体可以基于检测跟踪技术，按照时间正向确定待跟踪目标的图像在图像帧序列中与目标图像帧关联的各图像帧中的位置。其中，上述检测跟踪技术例如可以包括基于baseline框架的跟踪方法。可选地，上述检测跟踪技术例如可以包括基于NMS(Non Maximum Suppression，非极大值抑制)进行后处理的目标跟踪算法。

作为示例，上述目标图像帧序列中可以包括5帧显示有车辆A的图像帧。上述目标图像帧例如可以是第3帧。上述执行主体可以采用DPNMS算法确定上述车辆A在上述目标图像帧序列中的第1帧和第5帧中的位置。

第二步，根据所确定的位置进行插值，生成待跟踪目标的轨迹位置预测信息。

在这些实现方式中，根据上述第一步所确定的位置，上述执行主体可以通过各种方法进行插值，生成待跟踪目标的轨迹位置预测信息。

基于上述可选的实现方式，本方案可以利用准确度较高的检测跟踪技术以及插值方式，确定出待跟踪目标在目标帧中的位置。从而可以在保证准确性的同时避免由于遮挡等造成的检测结果的偏差影响跟踪效果，具有较强的鲁棒性。

在本实施例的一些可选的实现方式中，根据轨迹位置预测信息和检测位置预测信息，上述执行主体可以按照如下步骤生成优化后的位置信息：

第一步，将轨迹位置预测信息和检测位置预测信息输入至预先训练的深度神经网络，生成用于指示目标帧中是否包括待跟踪目标的图像的分类结果和用于指示位置调整增量信息的回归结果。

在这些实现方式中，上述深度神经网络可以包括各种利用有监督方式训练得到的二分支(2-branch)模型。上述深度神经网络模型可以同时进行分类任务和回归任务。上述分类结果可以包括各种形式，例如“0”、“1”。上述回归结果也可以包括各种形式，例如检测框中心坐标x，y、检测框宽度w和高度h的增量值。

第二步，基于分类结果和回归结果，生成优化后的位置信息。

在这些实现方式中，基于上述第一步所得到的分类结果和回归结果，上述执行主体可以通过各种方式生成优化后的位置信息。作为示例，响应于确定分类结果用于指示目标帧中不包括待跟踪目标的图像，上述执行主体可以重新选取与目标帧关联的图像帧进行目标跟踪。

基于上述可选的实现方式，本方案可以利用能够同时进行分类和回归任务的深度神经网络生成优化后的位置信息，从而可以提升轨迹优化的性能。

可选地，基于上述第二步所描述的方式，响应于确定分类结果用于指示目标帧中包括待跟踪目标的图像，上述执行主体可以根据上述回归结果对检测位置预测信息进行更新。作为示例，上述执行主体可以在步骤S104所生成的检测位置预测信息的基础上增加上述第一步所得到的回归结果所指示的增量值，从而实现对检测位置预测信息的更新。

基于上述可选的实现方式，本方案可以以目标检测所得到的结果作为基础，基于深度神经网络融合轨迹跟踪技术和目标检测技术的结果生成优化后的位置信息，从而提升了轨迹跟踪和目标检测的准确性。

继续参见图2，图2是根据本申请第二实施例的示意图200。该用于优化位置信息的方法包括以下步骤：

S201，获取包括待跟踪目标的图像的图像帧序列。

S202，从图像帧序列中选取目标图像帧。

S203，根据图像帧序列，生成待跟踪目标的轨迹位置预测信息。

S204，对目标图像帧进行目标检测，生成待跟踪目标的检测位置预测信息。

S205，根据轨迹位置预测信息和检测位置预测信息，生成优化后的位置信息。

上述S201、S202、S203、S204和S205可以分别与前述实施例中的S101、S102、S103、S104和S105及其可选的实现方式一致，上文针对S101、S102、S103、S104和S105及其可选的实现方式的描述也适用于S201、S202、S203、S204和S205，此处不再赘述。

S206，从图像帧序列中重新选取未优化过的位置信息所对应的图像帧作为新的目标图像帧。

在本实施例中，用于优化位置信息的方法的执行主体可以通过各种方式从图像帧序列中重新选取未优化过的位置信息所对应的图像帧作为新的目标图像帧。

作为示例，上述目标图像帧序列中可以包括5帧显示有车辆A的图像帧。上述目标图像帧例如可以是第3帧。当用于指示车辆A在第3帧图像中的位置的位置信息优化完毕后，上述执行主体可以重新选取未优化过的位置信息所对应的图像帧(例如第5帧)作为新的目标图像帧。

S207，基于优化后的位置信息，生成用于指示待跟踪目标在新的目标图像帧中的位置的优化后位置信息。

在本实施例中，基于步骤S205所生成的优化后的位置信息，上述执行主体可以采用与前述实施例中步骤S103至S105及其可选的实现方式中描述的方法一致的方式，生成用于指示待跟踪目标在新的目标图像帧中的位置的优化后位置信息。

从图2中可以看出，本实施例中的用于优化位置信息的方法的流程200体现了重新选取新的目标图像帧以及利用优化后的位置信息继续优化用于指示待跟踪目标在图像帧序列中的其他图像帧中的位置的位置信息的步骤。由此，本实施例描述的方案可以实现利用优化后的跟踪结果优化检测以及利用优化后的检测结果优化跟踪，从而可以同时优化跟踪结果和检测结果。

继续参见图3，图3是根据本申请的实施例的用于优化位置信息的方法的应用场景的一个示意图。在图3的应用场景中，自动驾驶车辆301可以在行驶过程中利用车载相机拍摄包括待跟踪目标(例如车辆1)的图像的图像帧序列302。而后，自动驾驶车辆301可以从图像帧序列302中选取目标图像帧3022。根据图像帧序列302中第1帧3021和第5帧3023中车辆1的位置，自动驾驶车辆301可以生成车辆1的轨迹位置预测信息30221。可选地，上述车辆1的轨迹位置预测信息30221可以基于轨迹点的插值得到。之后，自动驾驶车辆301可以对目标图像帧3022进行针对车辆1的目标检测，生成车辆1的检测位置预测信息30222。最后，根据轨迹位置预测信息30221和检测位置预测信息30222，自动驾驶车辆301可以生成优化后的位置信息。

目前，现有技术之一通常是采用马尔可夫决策过程方法、深度学习方法、基于深度特征以及卡尔曼滤波的方式等，由于跟踪效果易受检测效果的影响，在异常工况或遮挡场景下会造成目标检测不完整，从而导致跟踪效果不佳。而本申请的上述实施例提供的方法，通过将采用目标跟踪技术所确定的位置和采用目标检测技术所确定位置进行结合，从而对待跟踪目标在图像帧中的位置进行优化。进而可以提升目标检测和轨迹跟踪结果的准确性，避免了由于检测结果的不准确性而导致跟踪结果出现偏离。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了用于优化位置信息的装置的一个实施例，该装置实施例与图1或图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例提供的用于优化位置信息的装置400包括获取单元401、第一选取单元402、第一生成单元403、第二生成单元404和第三生成单元405。其中，获取单元401，被配置成获取包括待跟踪目标的图像的图像帧序列；第一选取单元402，被配置成从图像帧序列中选取目标图像帧；第一生成单元403，被配置成根据图像帧序列，生成待跟踪目标的轨迹位置预测信息，其中，轨迹位置预测信息用于指示采用目标跟踪技术所确定的待跟踪目标的图像在目标图像帧中的位置；第二生成单元404，被配置成对目标图像帧进行目标检测，生成待跟踪目标的检测位置预测信息，其中，检测位置预测信息用于指示采用目标检测技术所确定待跟踪目标的图像在目标图像帧中的位置；第三生成单元405，被配置成根据轨迹位置预测信息和检测位置预测信息，生成优化后的位置信息，其中，位置信息用于指示待跟踪目标的图像在目标图像帧中的位置。

在本实施例中，用于优化位置信息的装置400中：获取单元401、第一选取单元402、第一生成单元403、第二生成单元404和第三生成单元405的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤S101、S102、S103、S104和S105的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述第一生成单元403可以包括：确定模块(图中未示出)，被配置成基于检测跟踪技术，确定待跟踪目标的图像在图像帧序列中与目标图像帧关联的各图像帧中的位置。第一生成模块(图中未示出)，被配置成根据所确定的位置进行插值，生成待跟踪目标的轨迹位置预测信息。

在本实施例的一些可选的实现方式中，上述第三生成单元405可以包括：第二生成模块(图中未示出)，被配置成将轨迹位置预测信息和检测位置预测信息输入至预先训练的深度神经网络，生成用于指示目标帧中是否包括待跟踪目标的图像的分类结果和用于指示位置调整增量信息的回归结果。第三生成模块(图中未示出)，被配置成基于分类结果和回归结果，生成优化后的位置信息。

在本实施例的一些可选的实现方式中，上述第三生成模块可以进一步被配置成：响应于确定分类结果用于指示目标帧中包括待跟踪目标的图像，根据回归结果对检测位置预测信息进行更新。

在本实施例的一些可选的实现方式中，上述用于优化位置信息的装置还可以包括：第二选取单元(图中未示出)，被配置成从图像帧序列中重新选取未优化过的位置信息所对应的图像帧作为新的目标图像帧。第四生成单元(图中未示出)，被配置成基于优化后的位置信息，生成用于指示待跟踪目标在新的目标图像帧中的位置的优化后位置信息。

本申请的上述实施例提供的装置，通过第三生成单元405将第一生成单元403采用目标跟踪技术所确定的位置和第二生成单元404采用目标检测技术所确定位置进行结合，从而对待跟踪目标在图像帧中的位置进行优化。进而可以提升目标检测和轨迹跟踪结果的准确性，避免了由于检测结果的不准确性而导致跟踪结果出现偏离。

下面参考图5，根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，是根据本申请实施例的用于优化位置信息的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，自动驾驶车辆的自动控制系统，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的用于优化位置信息的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于优化位置信息的方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于优化位置信息的方法对应的程序指令/模块(例如，附图4所示的分割单元401、获取单元402、投影单元403和生成单元404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于优化位置信息的方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于优化位置信息的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至用于优化位置信息的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

用于优化位置信息的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与用于优化位置信息的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

路侧设备除了包括上述电子设备，还可以包括通信部件等，上述电子设备可以和通信部件一体集成，也可以分体设置。上述电子设备可以获取感知设备(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算。

云控平台在云端执行处理，云控平台包括的电子设备可以获取感知设备(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算；云控平台也可以称为车路协同管理平台、边缘计算平台、云计算平台、中心系统、云端服务器等

根据本申请实施例的技术方案，可以将采用目标跟踪技术所确定的位置和采用目标检测技术所确定位置进行结合，从而对待跟踪目标在图像帧中的位置进行优化。进而可以提升目标检测和轨迹跟踪结果的准确性，避免了由于检测结果的不准确性而导致跟踪结果出现偏离的问题。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。