一种新型车辆轨迹提取方法及系统技术方案

本发明专利技术公开了一种新型车辆轨迹提取方法及系统，方法包括构建车辆信息提取模型，依据车辆已有轨迹进行预测，得到车辆预测轨迹，获取车辆实际运动轨迹，并将车辆实际运动轨迹和车辆预测运动轨迹进行匹配，得到最优车辆轨迹，对所述最优车辆轨迹进行降噪处理，得到最终车辆轨迹，从而实现车辆轨迹的提取；通过依据车辆已有轨迹进行预测，得到车辆预测轨迹，然后将车辆实际运动轨迹和车辆预测运动轨迹进行匹配，得到最优车辆轨迹，并对最优车辆轨迹进行降噪处理，能够准确得到车辆轨迹，提高车辆轨迹提取的准确度，此外，通过构建车辆信息提取模型，能够提高车辆轨迹提取的效率。能够提高车辆轨迹提取的效率。能够提高车辆轨迹提取的效率。

【技术实现步骤摘要】
一种新型车辆轨迹提取方法及系统


[0001]本专利技术涉及车辆轨迹提取
，尤其涉及一种新型车辆轨迹提取方法及系统。

技术介绍

[0002]车辆的轨迹数据为交通领域的相关研究提供了非常重要的数据支撑，由于道路上存在着许多交织路段，且交通流具有随机性和动态性，在车辆行驶过程中，会出现许多交通冲突，交通冲突的频繁产生不仅会导致交通拥堵，严重的情况下甚至会导致交通事故的发生，车辆的行驶轨迹中包含了车辆位置、速度、加速度等信息，这些车辆轨迹信息能够作为交通安全等方面研究的数据支撑，因此，根据无人机拍摄视频对车辆的运行轨迹进行提取和重构对交通安全等领域的研究有着重大的意义。
[0003]目前提取车辆轨迹数据的方法主要采用视频自动提取法，视频自动提取法分为两大类，一类是利用tracker软件进行参数的提取，从而提取出车辆轨迹数据，第二类是基于深度学习算法进行车辆定位和轨迹追踪，然而，由于tracker软件是单目标追踪软件，且算法为模板匹配，导致提取车辆轨迹数据的效率较低，而基于深度学习算法提取车辆轨迹虽然在效率上得到比较高的提升，但是准确度并不能得到很好的保证。

技术实现思路

[0004]有鉴于此，本专利技术提出一种新型车辆轨迹提取方法及系统，可以解决现有技术存在的效率低和准确度不高的缺陷。
[0005]本专利技术的技术方案是这样实现的：
[0006]一种新型车辆轨迹提取方法，具体包括以下步骤：
[0007]构建车辆信息提取模型，所述车辆信息提取模型的输入为交通流视频，输出为车辆识别结果和车辆已有轨迹；
[0008]依据车辆已有轨迹进行预测，得到车辆预测轨迹；
[0009]获取车辆实际运动轨迹，并将车辆实际运动轨迹和车辆预测运动轨迹进行匹配，得到最优车辆轨迹；
[0010]对所述最优车辆轨迹进行降噪处理，得到最终车辆轨迹，从而实现车辆轨迹的提取。
[0011]作为所述新型车辆轨迹提取方法的进一步可选方案，所述构建车辆信息提取模型，具体包括以下步骤：
[0012]依据交通流视频获取训练图像；
[0013]将训练图像输入至多目标跟踪网络模型和YOLOv5网络模型中进行训练，得到车辆信息提取模型。
[0014]作为所述新型车辆轨迹提取方法的进一步可选方案，所述依据车辆已有轨迹进行预测是采用卡尔曼滤波算法，具体包括以下步骤：
[0015]利用状态方程根据车辆当前帧的位置信息和车辆已有轨迹信息对下一帧的车辆位置进行预测，得到初始车辆预测轨迹；
[0016]利用观测方程对初始车辆预测轨迹进行轨迹更新，得到最终的车辆预测轨迹。
[0017]作为所述新型车辆轨迹提取方法的进一步可选方案，所述将车辆实际运动轨迹和车辆预测运动轨迹进行匹配采用Kuhn
‑
Munkres算法，具体包括以下步骤：
[0018]利用马氏距离来计算车辆实际运动轨迹和车辆预测运动轨迹之间的位置匹配度；
[0019]利用最小余弦距离来计算检测车辆与预测车辆之间的外观匹配度；
[0020]采用线性加权匹配度作为最终度量，判断出最优车辆轨迹。
[0021]作为所述新型车辆轨迹提取方法的进一步可选方案，所述对所述最优车辆轨迹进行降噪处理采用完全噪声辅助聚合经验模态分解算法，具体包括以下步骤：
[0022]在最优车辆轨迹中添加高斯白噪声，构成新的轨迹信号；
[0023]对新的轨迹进行EMD分解，将所有的一阶IMF分量平均化，作为CEEMDAN的第一个IMF分量，同时计算出第一次分解得到的残余信号；
[0024]向第一次分解得到的残余信号中添加经过EMD分解的高斯白噪声一阶IMF分量，构建新的信号；
[0025]对该信号再进行EMD分解，得到多组结果，将所有的一阶IMF分量平均化，作为CEEMDAN的第二个IMF分量，同时计算出第二次分解得到的残余信号；
[0026]不断进行EMD分解直至达到分解终止条件，计算重构后的信号，得到最终车辆轨迹。
[0027]一种新型车辆轨迹提取系统，所述系统包括：
[0028]构建模块，用于构建车辆信息提取模型，所述车辆信息提取模型的输入为交通流视频，输出为车辆识别结果和车辆已有轨迹；
[0029]预测模块，用于依据车辆已有轨迹进行预测，得到车辆预测轨迹；
[0030]第一获取模块，用于获取车辆实际运动轨迹；
[0031]匹配模块，用于将车辆实际运动轨迹和车辆预测运动轨迹进行匹配，得到最优车辆轨迹；
[0032]降噪处理模块，用于对所述最优车辆轨迹进行降噪处理，得到最终车辆轨迹。
[0033]作为所述新型车辆轨迹提取系统的进一步可选方案，所述构建模块包括：
[0034]第二获取模块，用于依据交通流视频获取训练图像；
[0035]训练模块，用于将训练图像输入至多目标跟踪网络模型和YOLOv5网络模型中进行训练，得到车辆信息提取模型。
[0036]作为所述新型车辆轨迹提取系统的进一步可选方案，所述预测模块包括：
[0037]初始预测模块，用于利用状态方程根据车辆当前帧的位置信息和车辆已有轨迹信息对下一帧的车辆位置进行预测，得到初始车辆预测轨迹；
[0038]更新模块，用于利用观测方程对初始车辆预测轨迹进行轨迹更新，得到最终的车辆预测轨迹。
[0039]作为所述新型车辆轨迹提取系统的进一步可选方案，所述匹配模块包括：
[0040]位置匹配度计算模块，用于利用马氏距离来计算车辆实际运动轨迹和车辆预测运动轨迹之间的位置匹配度；
[0041]外观匹配度计算模块，用于利用最小余弦距离来计算检测车辆与预测车辆之间的外观匹配度；
[0042]线性加权模块，用于采用线性加权匹配度作为最终度量，判断出最优车辆轨迹。
[0043]本专利技术的有益效果是：通过依据车辆已有轨迹进行预测，得到车辆预测轨迹，然后将车辆实际运动轨迹和车辆预测运动轨迹进行匹配，得到最优车辆轨迹，并对最优车辆轨迹进行降噪处理，能够准确得到车辆轨迹，提高车辆轨迹提取的准确度，此外，通过构建车辆信息提取模型，能够提高车辆轨迹提取的效率。
附图说明
[0044]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]图1为本专利技术一种新型车辆轨迹提取方法的流程示意图；
[0046]图2为本专利技术一种新型车辆轨迹提取系统的组成示意图。
具体实施方式
[0047]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新型车辆轨迹提取方法，其特征在于，具体包括以下步骤：构建车辆信息提取模型，所述车辆信息提取模型的输入为交通流视频，输出为车辆识别结果和车辆已有轨迹；依据车辆已有轨迹进行预测，得到车辆预测轨迹；获取车辆实际运动轨迹，并将车辆实际运动轨迹和车辆预测运动轨迹进行匹配，得到最优车辆轨迹；对所述最优车辆轨迹进行降噪处理，得到最终车辆轨迹，从而实现车辆轨迹的提取。2.根据权利要求1所述的一种新型车辆轨迹提取方法，其特征在于，所述构建车辆信息提取模型，具体包括以下步骤：依据交通流视频获取训练图像；将训练图像输入至多目标跟踪网络模型和YOLOv5网络模型中进行训练，得到车辆信息提取模型。3.根据权利要求2所述的一种新型车辆轨迹提取方法，其特征在于，所述依据车辆已有轨迹进行预测是采用卡尔曼滤波算法，具体包括以下步骤：利用状态方程根据车辆当前帧的位置信息和车辆已有轨迹信息对下一帧的车辆位置进行预测，得到初始车辆预测轨迹；利用观测方程对初始车辆预测轨迹进行轨迹更新，得到最终的车辆预测轨迹。4.根据权利要求3所述的一种新型车辆轨迹提取方法，其特征在于，所述将车辆实际运动轨迹和车辆预测运动轨迹进行匹配采用Kuhn
‑
Munkres算法，具体包括以下步骤：利用马氏距离来计算车辆实际运动轨迹和车辆预测运动轨迹之间的位置匹配度；利用最小余弦距离来计算检测车辆与预测车辆之间的外观匹配度；采用线性加权匹配度作为最终度量，判断出最优车辆轨迹。5.根据权利要求4所述的一种新型车辆轨迹提取方法，其特征在于，所述对所述最优车辆轨迹进行降噪处理采用完全噪声辅助聚合经验模态分解算法，具体包括以下步骤：在最优车辆轨迹中添加高斯白噪声，构成新的轨迹信号；对新的轨迹进行EMD分解，将所有的一阶IMF分量平均化，作为CEEMDAN的第一个IMF分量，同时计算出第一次分解得到的残余信号...

【专利技术属性】
技术研发人员：陈红哲，周南杰，郭泽棉，饶斌，王伟，漆巍巍，刘永峰，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：