本申请的实施例主要涉及机器视觉领域。更具体地，本申请的实施例涉及用于确定目标车辆的方法、装置、设备和存储介质。
背景技术：
1、随着计算机技术的发展，对图像中的目标进行检测的目标检测技术以及对视频中的目标进行跟踪的目标跟踪技术也得到了快速的发展。其中，目标检测技术是用于对图像中的目标进行识别，以对图像中的目标进行标记。目标跟踪技术是通过对视频中的每个目标进行跟踪，来确定目标在不同时刻的信息。
2、在交通管理中，相机的使用越来越广泛。因此，对图像的处理操作也越来越多。通过对由相机获取的图像或视频进行目标检测和目标跟踪来确定车辆是否违反交通规则已经成为确定车辆是否违反交通规则的依据。对于车辆违反交通规则的行为，相机会提供车辆在道路不同位置处的抓拍图像作为车辆违反交通规则的依据。然而，在通过相机获取车辆违反交通规则的过程中还存在许多需要解决的问题。
技术实现思路
1、本申请的实施例提供了一种用于确定目标车辆的方案。
2、根据本申请的第一方面，提供了一种用于确定目标车辆的方法。该方法包括：基于车辆的轨迹序列，确定车辆是否违反交通规则；如果确定车辆违反交通规则，获取车辆的图像序列；基于轨迹序列和图像序列来确定车辆的置信度，置信度指示车辆的轨迹序列是车辆的真实轨迹的可信程度；以及如果置信度高于置信度阈值，确定车辆是违反交通规则的目标车辆。
3、通过该方式，由于同时利用了车辆的轨迹序列和图像序列这两种信息来确定车辆是否违反交通规则，使得能够准确检测出违反交通规则的车辆，提高了检测的准确性，减少了违章车辆的误检测，从而改进了用户体验。
4、在一些实施例中，其中车辆是否是违反交通规则包括：获取配置信息，配置信息用于描述违反交通规则的要求；以及基于轨迹序列和配置信息，确定车辆是否违反交通规则。通过该方式，可以快速高效的确定出违反交通规则的潜在车辆。
5、在一些实施例中，该方法还包括：获取针对车辆的一组连续相机图像；通过对一组连续相机图像中的每张相机图像进行目标检测来确定标示相机图像中的车辆的车辆框；以及基于车辆框来生成车辆的轨迹序列。通过该方式，可以快速的识别出车辆，并且准确地生成车辆的轨迹序列。
6、在一些实施例中，其中获取图像序列包括：获取一组连续相机图像中的每张相机图像中的与车辆框相对应的图像部分；以及基于图像部分来生成图像序列。通过该方式，可以快速准确地获取到车辆的图像信息，并且降低了要处理的数据量。
7、在一些实施例中，其中确定所述车辆的置信度包括：基于图像序列，生成与图像序列中的每个图像相对应的图像特征；以及基于图像特征和轨迹序列来确定置信度。通过该方式，能够准确检测出违反交通规则的车辆，提高了检测的准确性，减少了违章车辆的误检测。
8、在一些实施例中，其中生成与图像序列中的每个图像相对应的图像特征包括：确定图像的多个部分；基于图像的多个部分和预定网络参数，来确定针对多个部分的多个特征；以及对多个特征进行采样以获取图像特征。通过该方式，可以快速准确地获取到图像的特征信息。
9、在一些实施例中，其中生成所述图像特征包括：通过将图像特征提取模型应用于图像序列来获得图像特征。通过该方式，可以准确地得到图像特征。
10、在一些实施例中，其中图像特征提取模型为卷积神经网络模型。通过该方式，能够提高数据处理的效率。
11、在一些实施例中，其中图像特征为第一图像特征，其中基于图像特征和轨迹序列来确定置信度包括：确定与第一图像特征相对应的第一时刻；确定轨迹序列中与第一时刻相对应的第一轨迹；基于第一图像特征和第一轨迹来确定第一中间特征；基于与第一时刻的前一时刻相对应的第二图像特征和第二轨迹来获得第二中间特征；以及基于第一中间特征和第二中间特征来确定置信度。通过该方式，可以快速准确地确定出置信度，提高了置信度的准确度。
12、在一些实施例中，其中基于图像特征和轨迹序列来确定置信度包括：通过将置信度确定模型应用于图像特征和轨迹序列来确定置信度。通地该方式，可以提高置信度的获取时效。
13、在一些实施例中，其中所述置信度确定模型为循环神经网络模型。通地该方式，可以提高置信度的准确性。
14、在一些实施例中，所述方法还包括：获取多个车辆的多个轨迹序列；对多个轨迹序列进行聚类以划分为多类轨迹序列；对多类轨迹序列中第一类轨迹序列中的第一轨迹序列和多类轨迹序列中的第二类轨迹序列中的第二轨迹序列进行组合以形成负样本轨迹序列；以及使用负样本轨迹序列和对应的样本置信度来训练置信度确定模型。通过该方式，提供了大量的表示异常轨迹的负样本，提高了训练的模型的精度和准确度。
15、在一些实施例中，其中确定车辆是否违反交通规则的目标车辆包括：获取目标车辆在停止线前、停止线后和触发线上的图像。通过该方式，可以为违反交通规则的行为提供准确的证据。
16、根据本申请的第二方面，提供了一种用于确定目标车辆的装置。该装置包括：判定单元，被配置为基于车辆的轨迹序列，确定车辆是否违反交通规则；获取单元，被配置为如果确定车辆违反交通规则，获取车辆的图像序列；置信度确定单元，被配置为基于轨迹序列和图像序列来确定车辆的置信度，置信度指示车辆的轨迹序列是车辆的真实轨迹的可信程度；以及目标车辆确定单元，被配置为如果置信度高于置信度阈值，确定车辆是违反交通规则的目标车辆。
17、根据本申请的第三方面，还提供了一种电子设备，包括：至少一个计算单元；至少一个存储器，所述至少一个存储器被耦合到所述至少一个计算单元并且存储用于由所述至少一个计算单元执行的指令，所述指令当由所述至少一个计算单元执行时，使得所述设备执行根据本申请的第一方面所述的方法。
18、根据本申请的第四方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据本申请的第一方面所述的方法。
19、根据本申请的第五方面，还提供了一种计算机程序产品，包括计算机可执行指令，其中所述计算机可执行指令被处理器执行时实现根据本申请的第一方面所述的方法。
20、可以理解地，上述提供的第二方面的装置、第三方面的电子设备、第四方面的计算机存储介质、或第五方面的计算机程序产品用于执行第一方面所提供的方法。因此，关于第一方面的解释或者说明同样适用于第二方面、第三方面、第四方面和第五方面。此外，第二方面、第三方面、第四方面、和第五方面所能达到的有益效果可参考对应方法中的有益效果，此处不再赘述。了
1.一种用于确定目标车辆的方法，所述方法包括：
2.根据权利要求1所述的方法，其中确定所述车辆是否是违反交通规则包括：
3.根据权利要求1所述的方法，所述方法还包括：
4.根据权利要求3所述的方法，其中获取所述图像序列包括：
5.根据权利要求1所述的方法，其中确定所述车辆的置信度包括：
6.根据权利要求5所述的方法，其中生成与所述图像序列中的每个图像相对应的图像特征包括：
7.根据权利要求5所述的方法，其中生成所述图像特征包括：
8.根据权利要求7所述的方法，其中所述图像特征提取模型为卷积神经网络模型。
9.根据权利要求5所述的方法，其中所述图像特征为第一图像特征，其中基于所述图像特征和所述轨迹序列来确定所述置信度包括：
10.根据权利要求5所述的方法，其中基于所述图像特征和所述轨迹序列来确定所述置信度包括：
11.根据权利要求10所述方法，其中所述置信度确定模型为循环神经网络模型。
12.根据权利要求10所述的方法，所述方法还包括：
13.根据权利要求1所述的方法，其中确定所述车辆是否违反交通规则的所述目标车辆包括：
14.一种用于确定目标车辆的装置，其特征在于，所述装置包括：
15.一种电子设备，包括：
16.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求1-13中任一项所述的方法。
17.一种计算机程序产品，包括计算机可执行指令，其中所述计算机可执行指令被处理器执行时实现根据权利要求1-13中任一项所述的方法。
