(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210539892.7 (22)申请日 2022.05.17 (71)申请人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 奎晓燕　刘强　夏佳志　杜华坤　 (74)专利代理 机构 长沙永星专利商标事务所 (普通合伙) 43001 专利代理师 周咏　米中业 (51)Int.Cl. G06T 7/20(2017.01) G06T 11/20(2006.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G08G 1/01(2006.01)H04N 7/18(2006.01) (54)发明名称 交通视频流的数据处理方法、 轨迹可视化方 法及分析方法 (57)摘要 本发明公开了一种交通视频流的数据处理 方法， 包括获取待处理的路口交通视频流数据； 采用多目标跟踪算法对视频流数据进行运动轨 迹提取； 对运动轨迹进行还原、 清洗和属性计算； 计算得到最终的连续交通流数据信息。 本发明还 公开了一种包括所述交通视频流的数据处理方 法的轨迹 可视化方法， 以及包括所述交通视频流 的数据处理方法和轨迹可视化方法的分析方法。 本发明通过可视化呈现路口监控视频中的轨迹 信息及其动态演变， 以让用户快速理解视频内 容， 辅助用户进行实时分析； 因此， 本发 明方法能 够处理， 呈现和可视化监控视频中复杂的交通动 态信息， 能够快速处理并得到 路口轨迹中的连续 交通信息流， 适用于各种交通路口场景， 而且可 靠性高、 准确性 好。 权利要求书6页 说明书15页 附图10页 CN 114926495 A 2022.08.19 CN 114926495 A 1.一种交通视频流的数据处 理方法， 包括如下步骤： S1.获取待处 理的路口交通视频流数据； S2.采用多目标跟踪算法， 对步骤S1 获取的视频流数据进行运动轨 迹提取； S3.对步骤S2提取 得到的运动轨 迹进行还原、 清洗和 属性计算； S4.根据步骤S3得到的处 理后的数据， 计算得到最终的连续交通 流数据信息 。 2.根据权利要求1所述的交通视频流的数据处理方法， 其特征在于步骤S2所述的采用 多目标跟踪算法， 对步骤S1 获取的视频流数据进行运动轨 迹提取， 具体包括如下步骤： S2‑1.选取单步模型 Fairmot作为多目标提取模型； S2‑2.选取无人机数据集visdro ne作为多目标提取模型的预训练数据集； S2‑3.按照比例选取设定量的本地监控视频数据， 并采用人工标注的方式对选取的本 地监控视频 数据进行进行 标注， 并将标注后的视频 数据作为预训练数据； S2‑4.采用得到的预训练数据 集对选定的多目标提取模型Fairmot进行训练， 得到最终 的运动轨 迹提取模型； S2.5采用步骤S2 ‑4得到的运动 轨迹提取模型， 对步骤S1获取的视频流数据进行运动 轨 迹提取； 步骤S2‑3所述的标注， 具体包括物体类型的标注、 移动方向的标注和 气象条件的标注； 同时， 在标注前， 对本地监控视频中的路口车道停车线后的区域进 行了遮挡处理， 从而提高 后续的模型精度。 3.根据权利要求2所述的交通视频流的数据处理方法， 其特征在于步骤S3所述的还原， 具体为采用如下步骤进行轨 迹还原： 采用UPNP算法将轨 迹中的像素坐标转换为世界坐标， 从而完成运动轨 迹的还原； 步骤S3所述的清洗， 具体为采用如下步骤进行轨 迹清洗： 设定同一 转向轨迹数据符合 正态分布； 采用z‑score算法对轨迹进行清洗： 对于同一转向轨迹数据， 首先计算得到轨迹长度的 平均值 轨迹长度的方差σl、 轨迹存在时间的平均值 和轨迹存在时间的方差σt， 从而得到 第i条轨迹Ti的z‑score值为 li为轨迹Ti的长度， ti为轨迹Ti的存在时间； 当轨迹Ti的z‑score值大于设定阈值时， 将轨 迹Ti进行清洗滤除； 对所有的轨 迹均进行清洗后， 得到最终的轨 迹清洗的结果； 步骤S3所述的属性计算， 具体为采用如下步骤进行属性计算： 速度计算： 第i条轨迹Ti由一组世界坐标点pi,j和每个坐标点的时间戳ti,j组成， 其中j＝1,2,..., N， N为第i条轨 迹Ti所包含的世界坐标点的总个数； 采用如下算式计算速度vi,j： 式中|| ||为两点的距离； w 为时间窗口大小； median()为取中值；权　利　要　求　书 1/6 页 2 CN 114926495 A 2转向计算： 计算参考轨迹： 针对每个转向， 均选取最优 的若干条轨迹； 然后采用k ‑means聚类算法 对各类轨迹进行聚类， k为路口转向的数量； 聚类后， 将每个类别的最佳质心作为对应的转 向的参考轨迹； 计算相似性： 对于目标轨迹， 将目标轨迹和得到的所有参考轨迹均转换为字符串矢量形式， 然后采 用动态规划方法计算目标轨迹的字符串矢量与各个参考轨迹的字符串矢量之间的编辑距 离， 并将编辑距离最小的参 考轨迹所对应的转向作为目标轨 迹的转向。 4.根据权利要求3所述的交通视频流的数据处理方法， 其特征在于步骤S4所述的根据 步骤S3得到的处 理后的数据， 计算得到最终的连续交通 流数据信息， 具体包括如下步骤： 基于平均间距， 判断出任意同类型的两条轨 迹是否属于同一连续交通 流： 针对任意同类型 的两条轨迹TA和TB， 将轨迹TA和TB视为由一维点坐标构成； 轨迹TA的运 动起始时间为 运动终止时间为 轨迹TB的运动起始时间为 运动终止时间为 计算两条轨迹TA和TB同时运动时对应的各个点坐标之间的平均间距D为 式中tstart为轨迹TA和TB同时运动的起始时间， 且 tend为轨迹TA和TB同 时运动的终止时间， 且 TA(t)为t时刻的轨迹TA的值； TB(t)为t时刻的 轨迹TB的值； 若tstart＞tend， 则认定轨迹TA和TB不属于同一连续交通流； 若平均间距D的值小于设定的 阈值， 则认定 轨迹TA和TB属于同一连续交通 流； 采用图的连通 块概念进行完整的连续交通 流的识别： 构建图G： G中的节点表示轨迹， 节点之间的边表示对应的两条轨迹属于同一连续交通 流； 对图G， 采用深度优先遍历算法搜索得到 图G中所有的连通块； 当连通块中的元素数量 大于1时， 认定P为连续交通 流； 当连通 块P中的元 素数量为1时， 认定P为离 散轨迹。 5.一种包括了权利要求1～4之一所述的交通视频流的数据处理方法的轨迹可视化方 法， 其特征在于包括如下步骤： A.获取待处 理的路口交通视频流数据； B.采用权利要求1～4之一所述的交通视频流的数据处理方法对步骤A获取的路口交通 视频流数据进行处 理， 得到连续交通 流数据信息； C.对步骤B得到的连续交通 流数据信息进行 可视化处 理； D.采用基于FDEB的轨迹捆绑算法， 对步骤C得到的可视化数据中的连续交通流数据信 息进行优化处 理； E.采用基于信息熵的轨迹约减算法， 对步骤C得到的可视化数据中的离散轨迹进行优 化处理； F.对优化处理后的数据信息进行 可视化展示。 6.根据权利要求5所述的轨迹可视化方法， 其特征在于步骤D所述的采用基于FDEB的轨权　利　要　求　书 2/6 页 3 CN 114926495 A 3