一种高速公路监控视频跨镜车辆跟踪方法及系统与流程

本发明涉及计算机视觉图像技术领域，尤其涉及一种高速公路监控视频跨镜车辆跟踪方法及系统。

背景技术：

目前，高速公路监控系统越来越完善，摄像头布设也越来越密集，但高速公路仍是最容易发生事故的地方，究其原因是高速公路车速快，大车多，监控摄像头发挥作用有限。

现有的跨镜车辆再识别技术都是基于已经标注好的数据集，虽然随着高质量数据集的更新发布，车辆的重识别技术也得到了进一步的发展，但数据集场景有限，算法模型局限性较强，在实际场景中难以实施且算法的适用性较低。

技术实现要素：

鉴于上述的分析，本发明实施例旨在提供一种高速公路监控视频跨镜车辆跟踪方法及系统，用以解决现有的跨镜车辆跟踪方法在实际场景中实施困难较大且算法的适用性较低的问题。

一方面，本发明实施例提供了一种高速公路监控视频跨镜车辆跟踪方法，包括如下步骤：

获取待监测高速公路多个摄像头视频文件中的帧图像，基于改进的yolo目标检测模型对每张帧图像进行车辆检测得到包含有完整车辆矩形框的车辆检测图像；

将所述车辆检测图像输入多目标跟踪模型得到车辆跟踪结果；所述车辆跟踪结果包括车辆id和车辆轨迹；

根据所述车辆检测图像和车辆跟踪结果建立车辆信息数据库；

基于所述车辆信息数据库中任一摄像头编号对应的某一车辆检测图像截取目标车辆图像，并根据所述车辆信息数据库匹配目标车辆图像对应的目标车辆的运动轨迹，实现跨镜跟踪。

进一步，所述改进的yolo目标检测模型包括特征提取网络层和yolo检测层；其中，所述特征提取网络层包括stem单元和osa单元；

stem单元，用于对所述高速公路多个摄像头视频文件中的帧图像进行下采样，得到尺寸为304*304*128的图像；

osa单元，用于对输入尺寸为304*304*128的图像进行卷积，获得尺寸为19*19*512的图像；

yolo检测层，用于根据所述osa单元输出的尺寸为19*19*512的图像，获得包含有完整车辆矩形框的车辆检测图像。

进一步，所述多目标跟踪模型包括运动预测单元和深度外观特征提取单元：

所述运动预测单元，用于根据上一帧车辆检测图像预测得到当前帧车辆预测图像；

所述深度外观特征提取单元包括重识别网络，基于输入所述重识别网络的车辆检测图像及车辆预测图像，得到车辆轨迹，并对所述车辆轨迹进行编号，得到与车辆轨迹对应的车辆id。

进一步，根据所述车辆跟踪结果建立车辆信息数据库具体包括：基于摄像头编号及车辆id将车辆检测图像及车辆轨迹存储至数据库得到车辆信息数据库。

进一步，基于所述车辆信息数据库中任一摄像头编号对应的某一车辆检测图像截取目标车辆图像，并根据所述车辆信息数据库匹配目标车辆图像对应的目标车辆的运动轨迹，实现跨镜跟踪，包括如下步骤：

获取所述车辆信息数据库中任一摄像头编号对应的某一车辆检测图像，并截取目标车辆图像；

基于所述目标车辆图像及其他摄像头编号对应的某一车辆检测图像，分别获得目标车辆图像的深度特征矩阵及其他摄像头编号对应的某一车辆检测图像的深度特征矩阵；

基于所述目标车辆图像的深度特征矩阵及其他摄像头编号对应的某一车辆检测图像的深度特征矩阵，利用所述重识别网络获得目标车辆与其他摄像头编号对应的某一车辆检测图像中车辆的余弦相似度距离；

将所述余弦相似度距离按照摄像头编号进行归类并排序，得到相同摄像头编号对应的最小余弦相似度距离；

判断所述最小余弦相似度距离是否小于相似度阈值，若是，则相应所述车辆检测图像中的车辆为目标车辆，若否，判断目标车辆驶离待监测高速公路；

基于所述车辆检测图像对应的摄像头编号及车辆id匹配所述车辆信息数据库，得到目标车辆的运动轨迹，实现跨镜跟踪。

另一方面，本发明实施例提供了一种高速公路监控视频跨镜车辆跟踪系统，包括：

检测模块，用于获取待监测高速公路多个摄像头视频文件中的帧图像，基于改进的yolo目标检测模型对每张帧图像进行车辆检测得到包含有完整车辆矩形框的车辆检测图像；

跟踪模块，用于将所述车辆检测图像输入多目标跟踪模型得到车辆跟踪结果；所述车辆跟踪结果包括车辆id和车辆轨迹；

车辆信息数据库获得模块，用于根据所述车辆检测图像和车辆跟踪结果建立车辆信息数据库；

运动轨迹获得模块，用于根据所述车辆信息数据库中任一摄像头编号对应的某一车辆检测图像截取目标车辆图像，并根据所述车辆信息数据库匹配目标车辆图像对应的目标车辆的运动轨迹，实现跨镜跟踪。

进一步，所述检测模块包括特征提取网络层和yolo检测层；其中，所述特征提取网络层包括stem单元和osa单元；

stem单元，用于对所述高速公路多个摄像头视频文件中的帧图像进行下采样，得到尺寸为304*304*128的图像；

osa单元，用于对输入尺寸为304*304*128的图像进行卷积，获得尺寸为19*19*512的图像；

yolo检测层，用于根据所述osa单元输出的尺寸为19*19*512的图像，获得包含有完整车辆矩形框的车辆检测图像。

进一步，所述跟踪模块包括运动预测单元和深度外观特征提取单元：

所述运动预测单元，用于根据上一帧车辆检测图像预测得到当前帧车辆预测图像；

所述深度外观特征提取单元包括重识别网络，基于输入所述重识别网络的车辆检测图像及车辆预测图像，得到车辆轨迹，并对所述车辆轨迹进行编号，得到与车辆轨迹对应的车辆id。

进一步，所述车辆信息数据库获得模块根据摄像头编号及车辆id将车辆检测图像及车辆轨迹存储至数据库得到车辆信息数据库。

进一步，所述运动轨迹获得模块执行下述流程：

获取所述车辆信息数据库中任一摄像头编号对应的某一车辆检测图像，并截取目标车辆图像；

基于所述目标车辆图像及其他摄像头编号对应的某一车辆检测图像，分别获得目标车辆图像的深度特征矩阵及其他摄像头编号对应的某一车辆检测图像的深度特征矩阵；

基于所述目标车辆图像的深度特征矩阵及其他摄像头编号对应的某一车辆检测图像的深度特征矩阵，利用所述重识别网络获得目标车辆与其他摄像头编号对应的某一车辆检测图像中车辆的余弦相似度距离；

将所述余弦相似度距离按照摄像头编号进行归类并排序，得到相同摄像头编号对应的最小余弦相似度距离；

判断所述最小余弦相似度距离是否小于相似度阈值，若是，则相应所述车辆检测图像中的车辆为目标车辆，若否，判断目标车辆驶离待监测高速公路；

基于所述车辆检测图像对应的摄像头编号及车辆id匹配所述车辆信息数据库，得到目标车辆的运动轨迹，实现跨镜跟踪。

与现有技术相比，本发明至少可实现如下有益效果之一：

1、一种高速公路监控视频跨镜车辆跟踪方法，通过改进的yolo目标检测模型对车辆进行检测，得到车辆检测图像，通过多目标跟踪模型对车辆进行跟踪，得到车辆id及车辆轨迹，最后基于重识别网络获得余弦相似度，进而拼接得到目标车辆的完整运动轨迹，为高速公路管理部门安全监控、搜查目标车辆提供了高效、快速且高精度的视频分析技术。

2、通过将yolov3中的骨干网络替换为具有更好学习能力的densenet的变体vovnet以得到特征提取网络层，同时，针对高速公路监控视频图像拍摄车辆的尺寸，将yolov3检测层的大中小三个尺度减少为中小两个尺度，得到改进的yolo目标检测模型，使得模型体积更小，计算速度更快且减少了运算量，能过更快速的获得包含有完整车辆矩形框的车辆检测图像。

3、通过以摄像头编号-车辆id的命名规则将车辆检测图像及车辆轨迹保存至数据库即可得到车辆信息数据库，为车辆轨迹的重识别及目标车辆轨迹的完整拼接提供了数据支持和依据。

4、通过利用深度外观特征提取单元在车辆信息数据库中任一摄像头对应的某一车辆检测图像中截取目标车辆图像，并计算目标车辆图像与其他摄像头中某一车辆检测图像中的多辆车的余弦相似度，并通过该余弦相似度将目标车辆与其他摄像头中某一车辆检测图像中的多辆车进行匹配，进而拼接得到目标车辆的运动轨迹，实现跨镜跟踪，匹配效率高且精度高。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为高速公路监控视频跨镜车辆跟踪方法整体结构图；

图2为高速公路监控视频跨镜车辆跟踪方法流程示意图；

图3为改进的yolo目标检测模型结构示意图；

图4为deepsort多目标跟踪模型结构示意图；

图5为高速公路监控视频跨镜车辆跟踪系统结构示意图；

附图标记：

100-检测模块，200-跟踪模块，300-车辆信息数据库获得模块，400-运动轨迹获得模块。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

跨镜跟踪指的是基于多个摄像头拍摄的视频文件对目标车辆的运动轨迹进行追踪，并将每个摄像头对应的目标车辆运动轨迹进行拼接，以得到目标车辆的完整运动轨迹。现有的跨镜车辆再识别技术都是基于已经标注好的数据集，虽然随着高质量数据集的更新发布，车辆的重识别技术也得到了进一步的发展，但数据集场景有限，算法模型局限性较强，在实际场景中难以实施且算法的适用性较低。为此，本申请提出一种高速公路监控视频跨镜车辆跟踪方法及系统，如图1所示，通过改进的yolo目标检测模型对待监测高速公路多个摄像头视频文件中的每张帧图像进行车辆检测得到车辆检测图像，将该车辆检测图像输入多目标跟踪模型得到车辆轨迹及与之对应的车辆id，车辆id就是对车辆轨迹的编号；将车辆检测图像及车辆轨迹按照摄像头编号及车辆id存储至数据库，最后根据车辆信息数据库匹配目标车辆图像对应的目标车辆的运动轨迹，实现跨镜跟踪。本申请通过提取每个监控摄像头拍摄视频对应的车辆轨迹信息，并将目标车辆的轨迹跨镜头连接，以得到目标车辆在待监测高速公路的完整运动轨迹，实现了车辆的跨镜跟踪，解决了现有的跨镜车辆跟踪方法在实际场景中实施困难较大且算法的适用性较低等问题，为高速公路管理部门安全监控、搜查目标车辆提供了高效、快速且高精度的视频分析技术，具有较高的实用价值。

本发明的一个具体实施例，公开了一种高速公路监控视频跨镜车辆跟踪方法，如图2所示。包括如下步骤：

步骤s1、获取待监测高速公路多个摄像头视频文件中的帧图像，基于改进的yolo目标检测模型对每张帧图像进行车辆检测得到包含有完整车辆矩形框的车辆检测图像。考虑到高速公路监控视频图像的特点包括高速公路监控摄像头距地面约10米、拍摄图像清晰度较差且车辆目标较小、角度多为斜向下且车辆目标多为俯视侧向车身、图像中障碍物较少等，因此本申请利用改进的yolo目标检测模型分别对获取的待监测高速公路多个摄像头视频文件中的每张帧图像进行车辆检测，以得到包含有完整车辆矩形框的车辆检测图像。其中，改进的yolo目标检测模型是将原来的yolov3中的骨干网络替换为具有更好学习能力的densenet的变体vovnet(特征提取网络层)，模型体积更小，速度更快，同时，针对高速公路监控视频图像拍摄车辆的尺寸，将yolov3检测层的大中小三个尺度减少为中小两个尺度，进一步减少了运算量。

优选地，改进的yolo目标检测模型包括特征提取网络层和yolo检测层；其中，特征提取网络层包括stem单元和osa单元；stem单元，用于对高速公路多个摄像头视频文件中的帧图像进行下采样，得到尺寸为304*304*128的图像；osa单元，用于对输入尺寸为304*304*128的图像进行卷积，获得尺寸为19*19*512的图像；yolo检测层，用于根据osa单元输出的尺寸为19*19*512的图像，获得包含有完整车辆矩形框的车辆检测图像，其中，车辆检测图像中包括由完整车辆矩形框框出的多辆车的图像。

具体来说，如图3所示，改进的yolo目标检测模型包括特征提取网络层和yolo检测层。其中，特征提取网络层包括stem单元和osa单元，stem单元的作用是对高速公路多个摄像头视频文件中的帧图像进行下采样，得到尺寸为304*304*128的图像。osa单元包括四个osa子单元，第一个osa子单元的作用是将stem单元输出的尺寸为304*304*128的图像进行卷积，得到尺寸为152*152*128的图像；第二个osa子单元的作用是将第一个osa子单元输出的尺寸为152*152*128的图像进行卷积，得到尺寸为76*76*256的图像；第三个osa子单元的作用是将第二个osa子单元输出的尺寸为76*76*256的图像进行卷积，得到尺寸为38*38*384的图像；第四个osa子单元的作用是将第三个osa子单元输出的尺寸为38*38*384的图像进行卷积，得到尺寸为19*19*512的图像。同时，改进的yolo目标检测模型中的yolo检测层是将原来yolov3检测层的大中小三个尺度减少为中小两个尺度，作用是将根据第四个osa子单元输出的尺寸为19*19*512的图像，获得包含有完整车辆矩形框的车辆检测图像。基于得到的改进的yolo目标检测模型，利用道路监控数据集进行模型的训练，并通过超参数搜索，即对于每个新一代超参数，都选择适应性最高的前一代(在所有前几代中)进行突变，所有参数都根据具有约20％的1-sigma的正态分布同时变异，以获得合适的学习率、各部分损失函数的权重等超参数，进行多尺度训练，最终保存网络表现最好的一代超参数作为正式训练的超参数。

通过将yolov3中的骨干网络替换为具有更好学习能力的densenet的变体vovnet以得到特征提取网络层，同时，针对高速公路监控视频图像拍摄车辆的尺寸，将yolov3检测层的大中小三个尺度减少为中小两个尺度，得到改进的yolo目标检测模型，使得模型体积更小，计算速度更快且减少了运算量，能过更快速的获得包含有完整车辆矩形框的车辆检测图像。

步骤s2、将车辆检测图像输入多目标跟踪模型得到车辆跟踪结果；车辆跟踪结果包括车辆id和车辆轨迹。优选地，多目标跟踪模型包括运动预测单元和深度外观特征提取单元：运动预测单元，用于根据上一帧车辆检测图像预测得到当前帧车辆预测图像；深度外观特征提取单元包括重识别网络，基于输入重识别网络的车辆检测图像及车辆预测图像，得到车辆轨迹，并对车辆轨迹进行编号，得到与车辆轨迹对应的车辆id。

具体来说，如图4所示，deepsort多目标跟踪模型包括运动预测单元和深度外观特征提取单元，其中，运动预测单元的作用是根据上一帧车辆检测图像预测得到当前帧车辆预测图像，深度外观特征提取单元主要通过重识别网络计算车辆检测图像和车辆预测图像的深度特征信息，将关联匹配成功的车辆预测图像作为车辆在当前帧的车辆位置，连接多帧车辆位置的中心点坐标即可获得车辆轨迹，在得到车辆轨迹的同时，对车辆轨迹进行编号，可得到车辆轨迹对应的车辆id。

步骤s3、根据车辆检测图像和车辆跟踪结果建立车辆信息数据库。

优选地，根据车辆跟踪结果建立车辆信息数据库具体包括：基于摄像头编号及车辆id将车辆检测图像及车辆轨迹存储至数据库得到车辆信息数据库。具体来说，基于步骤s1得到的车辆检测图像及步骤s2获得的车辆轨迹对应的车辆id，以摄像头编号-车辆id的命名规则将车辆检测图像及车辆轨迹保存至数据库即可得到车辆信息数据库。

通过以摄像头编号-车辆id的命名规则将车辆检测图像及车辆轨迹保存至数据库即可得到车辆信息数据库，为车辆轨迹的重识别及目标车辆轨迹的完整拼接提供了数据支持和依据。

步骤s4、基于车辆信息数据库中任一摄像头编号对应的某一车辆检测图像截取目标车辆图像，并根据车辆信息数据库匹配目标车辆图像对应的目标车辆的运动轨迹，实现跨镜跟踪。具体的，步骤s3中以摄像头编号-车辆id将车辆检测图像及车辆轨迹保存至数据库后，可选择任一摄像头编号对应的某一车辆检测图像截取目标车辆图像，进而根据该目标车辆图像寻找其他摄像头对应的某一车辆检测图像中的目标车辆，将每个摄像头中的目标车辆的运动轨迹进行拼接，即可得到目标车辆的完整运动轨迹。优选地，基于车辆信息数据库中的车辆检测图像截取目标车辆图像，并根据车辆信息数据库匹配目标车辆图像对应的目标车辆的运动轨迹，实现跨镜跟踪，包括如下步骤：

步骤s401、获取车辆信息数据库中任一摄像头对应的某一车辆检测图像，并截取目标车辆图像。具体的，基于步骤s3中以摄像头编号-车辆id将车辆检测图像及车辆轨迹保存至数据库后，可从车辆信息数据库中任一摄像头编号对应的某一车辆检测图像截取目标车辆图像。

步骤s402、基于目标车辆图像及其他摄像头对应的某一车辆检测图像，分别获得目标车辆图像的深度特征矩阵及其他摄像头编号对应的某一车辆检测图像的深度特征矩阵。具体的，将目标车辆图像及其他摄像头编号对应的某一车辆检测图像输入深度外观特征提取单元，可得到目标车辆图像的深度特征矩阵及其他摄像头编号对应的某一车辆检测图像的深度特征矩阵。这里是根据每个摄像头对应的某一车辆检测图像得到深度特征矩阵，相比于步骤s2中在获得车辆轨迹的过程中对实时的每一帧图像的处理得到的深度特征矩阵来说，计算量减少了且精确度更高了。

步骤s403、基于目标车辆图像的深度特征矩阵及其他摄像头编号对应的某一车辆检测图像的深度特征矩阵，利用重识别网络获得目标车辆与其他摄像头对应的某一车辆检测图像中多个车辆的余弦相似度距离。具体来说，余弦相似度距离的计算公式为：

式中，cos(θ)为余弦相似度距离，a为目标车辆图像对应的深度特征矩阵，b为车辆检测图像对应的深度特征矩阵，xi为目标车辆图像对应的深度特征矩阵中的第i维元素，yi为车辆检测图像对应的深度特征矩阵中的第i维元素，n为深度特征矩阵的维数，1≤i≤n。

步骤s404、将余弦相似度距离按照摄像头编号进行归类并排序，得到相同摄像头编号对应的最小余弦相似度距离。具体的，基于每个摄像头编号选择了一张车辆检测图像，每一张车辆检测图像中包含多辆车的图像。基于步骤s404可计算得到目标车辆与其他摄像头对应的某一车辆检测图像中多个车辆的余弦相似度距离，将余弦相似度距离按照摄像头编号进行归类并排序，得到相同摄像头编号对应的最小余弦相似度距离。

步骤s405、判断最小余弦相似度距离是否小于相似度阈值，若是，则相应车辆检测图像中的最小余弦相似度距离对应的车辆为目标车辆，若否，判断目标车辆驶离待监测高速公路。具体来说，其他每个摄像头对应的某一车辆检测图像均可获得一个最小余弦相似度距离，基于该最小余弦相似度距离可判断得到其他每个摄像头对应的某一车辆检测图像中是否有目标车辆。其中，相似度阈值根据大量的实验取平均数得到，对于不同的外界条件，如光照、阴雨等影响监控拍摄的条件下，不同的车型对应不同的相似度阈值。

步骤s406、基于车辆检测图像对应的摄像头编号及车辆id匹配所述车辆信息数据库，得到目标车辆的运动轨迹，实现跨镜跟踪。基于上一步骤，判断得到其他每个摄像头对应的车辆检测图像中的车辆为目标图像时，可通过摄像头-车辆id查询车辆信息数据库得到各个摄像头对应的车辆检测图像中为目标车辆的相应车辆轨迹，并把相应车辆轨迹进行拼接，即可得到目标车辆的完整运动轨迹，实现跨镜跟踪。

通过利用深度外观特征提取单元在车辆信息数据库中任一摄像头对应的某一车辆检测图像中截取目标车辆图像，并计算目标车辆图像与其他摄像头中某一车辆检测图像中的多辆车的余弦相似度，并通过该余弦相似度将目标车辆与他摄像头中某一车辆检测图像中的多辆车进行匹配，进而得到目标车辆的运动轨迹，实现跨镜跟踪，匹配效率高且精度高。

与现有技术相比，本实施例提供的一种高速公路监控视频跨镜车辆跟踪方法，通过改进的yolo目标检测模型对车辆进行检测，得到车辆检测图像，通过多目标跟踪模型对车辆进行跟踪，得到车辆id及车辆轨迹，最后基于重识别网络获得余弦相似度，进而拼接得到目标车辆的完整运动轨迹，为高速公路管理部门安全监控、搜查目标车辆提供了高效、快速且高精度的视频分析技术。

本发明的另一个具体实施例，公开了一种高速公路监控视频跨镜车辆跟踪系统，如图5所示，包括检测模块100，用于获取待监测高速公路多个摄像头视频文件中的帧图像，基于改进的yolo目标检测模型对每张帧图像进行车辆检测得到包含有完整车辆矩形框的车辆检测图像；跟踪模块200，用于将车辆检测图像输入多目标跟踪模型得到车辆跟踪结果，车辆跟踪结果包括车辆id和车辆轨迹；车辆信息数据库获得模块300，用于根据车辆检测图像和车辆跟踪结果建立车辆信息数据库；运动轨迹获得模块400，用于根据车辆信息数据库中的车辆检测图像截取目标车辆图像，并根据车辆信息数据库匹配目标车辆图像对应的目标车辆的运动轨迹，实现跨镜跟踪。具体的，该系统可以选择视频文件、进行跟踪跟踪且显示跟踪结果，即每个车辆的图像，并且以表单形式展示车辆的中心点坐标，以得到车辆轨迹即与之对应的车辆id，同时还有暂停恢复跟踪功能。

一种高速公路监控视频跨镜车辆跟踪系统，通过改进的yolo目标检测模型对车辆进行检测，得到车辆检测图像，通过多目标跟踪模型对车辆进行跟踪，得到车辆id及车辆轨迹，最后基于重识别网络获得余弦相似度，进而拼接得到目标车辆的完整运动轨迹，为高速公路管理部门安全监控、搜查目标车辆提供了高效、快速且高精度的视频分析技术。

优选地，检测模块包括特征提取网络层和yolo检测层；其中，特征提取网络层包括stem单元和osa单元；stem单元，用于对高速公路多个摄像头视频文件中的帧图像进行下采样，得到尺寸为304*304*128的图像；osa单元，用于对输入尺寸为304*304*128的图像进行卷积，获得尺寸为19*19*512的图像；yolo检测层，用于根据osa单元输出的尺寸为19*19*512的图像，获得包含有完整车辆矩形框的车辆检测图像。

检测模块将yolov3中的骨干网络替换为具有更好学习能力的densenet的变体vovnet以得到特征提取网络层，同时，针对高速公路监控视频图像拍摄车辆的尺寸，将yolov3检测层的大中小三个尺度减少为中小两个尺度，得到改进的yolo目标检测模型，使得模型体积更小，计算速度更快且减少了运算量，能过更快速的获得包含有完整车辆矩形框的车辆检测图像。

优选地，跟踪模块包括运动预测单元和深度外观特征提取单元，所述运动预测单元，用于根据上一帧车辆检测图像预测得到当前帧车辆预测图像；深度外观特征提取单元包括重识别网络，基于输入重识别网络的车辆检测图像及车辆预测图像，得到车辆轨迹，并对车辆轨迹进行编号，得到与车辆轨迹对应的车辆id。

优选地，车辆信息数据库获得模块根据摄像头编号及车辆id将车辆检测图像及车辆轨迹存储至数据库得到车辆信息数据库。

通过车辆信息数据库获得模块以摄像头编号-车辆id的命名规则将车辆检测图像及车辆轨迹保存至数据库即可得到车辆信息数据库，为车辆轨迹的重识别及目标车辆轨迹的完整拼接提供了数据支持和依据。

优选地，运动轨迹获得模块执行下述流程：

获取车辆信息数据库中任一摄像头编号对应的某一车辆检测图像，利用深度外观特征提取单元截取目标车辆图像；

基于目标车辆图像及其他摄像头编号对应的某一车辆检测图像，分别获得目标车辆图像的深度特征矩阵及其他摄像头编号对应的某一车辆检测图像的深度特征矩阵；

基于目标车辆图像的深度特征矩阵及其他摄像头编号对应的某一车辆检测图像的深度特征矩阵，利用重识别网络获得目标车辆与其他摄像头编号对应的某一车辆检测图像中车辆的余弦相似度距离；

将余弦相似度距离按照摄像头编号进行归类并排序，得到相同摄像头编号对应的最小余弦相似度距离；

判断最小余弦相似度距离是否小于相似度阈值，若是，则相应车辆检测图像中的车辆为目标车辆，若否，判断目标车辆驶离待监测高速公路；

基于车辆检测图像对应的摄像头编号及车辆id匹配所述车辆信息数据库，得到目标车辆的运动轨迹，实现跨镜跟踪。

运动轨迹获得模块能够计算目标车辆与跟踪到的所有车辆的相似度，并按照相似度的大小排序展示在计算机界面，排序越靠前，说明与目标车辆月接近，匹配成功后，在界面的右方输出匹配成功的车辆id并拼接轨迹，以得到目标车辆的完整轨迹。利用深度外观特征提取单元在车辆信息数据库中任一摄像头对应的某一车辆检测图像中截取目标车辆图像，并计算目标车辆图像与其他摄像头中某一车辆检测图像中的多辆车的余弦相似度，并通过该余弦相似度将目标车辆与他摄像头中某一车辆检测图像中的多辆车进行匹配，进而得到目标车辆的运动轨迹，实现跨镜跟踪，匹配效率高且精度高。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。