(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 202210808478.1 (22)申请日 2022.07.11 (71)申请人 湖北工业大 学 地址 430068 湖北省武汉市洪山区南李路 28号 (72)发明人 严忠贞　周辉　王相龙　朱信远　 郭峰　丁静文　严赛男　陈豪　 周可薇　刘春　 (74)专利代理 机构 武汉欣博智慧知识产权代理 事务所(普通 合伙) 42277 专利代理师 吴华丽 (51)Int.Cl. G06T 7/246(2017.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06V 20/52(2022.01) G08G 1/01(2006.01) (54)发明名称 一种复杂交叉路口车辆行驶轨迹分析方法、 系统及应用 (57)摘要 本发明属于计算机视觉技术领域， 公开了一 种复杂交叉路口车辆行驶轨迹分析方法、 系统及 应用， 首先对YOLOv5进行迁移学习， 实现复杂交 叉路口车辆感知； 然后以虚拟线圈中心点构建参 考坐标系原点， 采用自适应方式构建参考坐标 系， 并利用DeepSORT对车辆行驶轨迹进行跟踪， 最后以同一车辆在像素位置变化为分类依据， 利 用KNN算法实现车辆行驶轨迹分析。 本发明利用 迁移学习方式训练YOL Ov5和DeepSORT模型， 实现 复杂环境下的车辆精确感知和目标跟踪； 以车辆 在图像像素位置变化为分类依据， 利用KNN算法 分析车辆行驶轨迹； 利用迁移学习和KNN实现复 杂交叉路口车辆感知和轨迹分析， 其具有更高的 精度和鲁棒 性。 权利要求书2页 说明书10页 附图5页 CN 115170611 A 2022.10.11 CN 115170611 A 1.一种复杂交叉路口车辆行驶轨迹分析方法， 其特征在于， 所述复杂交叉路口车辆行 驶轨迹分析方法包括： 利用YOLOv5 迁移学习方法进行复杂交叉路口车辆感知； 以虚拟线圈中心点构建参考坐标系原点， 采用自适应方式构建参考坐标系， 并利用 DeepSORT对车辆行驶轨 迹进行跟踪； 以同一车辆在像素位置变化 为分类依据， 进行 车辆行驶轨 迹分析。 2.如权利要求1所述的复杂交叉路口车辆行驶轨迹分析方法， 其特征在于， 所述复杂交 叉路口车辆行驶轨 迹分析方法具体包括： 步骤一， 引入连续视频帧内采集得到的交通车辆 图像数据集； 人工标注数据集中每张 图像中所有车辆得到车辆外接矩形框标签数据集， 并且对不同帧图像内同一目标车辆裁剪 出并且标记同一目标 得到车辆 重识别数据集， 构建深度学习模型训练集； 步骤二， 引入YOLOv5目标检测模型网络， 构 建起模型损失函数， 将深度学习模型训练集 中的交通车辆图像数据集以及车辆外接矩形框标签数据集输入到YOLOv5中基于迁移学习 的方式进行训练， 得到训练后的YOLOv5网络模型。 步骤三， 引入DeepS ORT目标检测模型网络， 构 建模型损失函数， 将深度学习模型训练集 中的重识别数据集输入到DeepSORT中基于迁移学习的方式进行训练， 得到训练后的 DeepSORT网络模型。 步骤四： 通过道路监控摄像头实时采集初始图像并传输至计算处理主机， 使用YOLO目 标检测模 型检测出目标车辆矩形框作为DeepSORT输入， 模 型输出为对其分配ID进 行实时跟 踪； 步骤五， 以不同图像帧内同一目标车辆坐标变化量为依据， 使用KNN算法进行轨迹方向 的分类， 使用KN N算法计算在不同时序图像帧中目标 车辆坐标变换进行目标 车辆轨迹判断。 3.如权利要求1所述的复杂交叉路口车辆行驶轨迹分析方法， 其特征在于， 步骤一中， 所述深度学习模型训练集包括交通车辆图像数据集、 车辆外接矩形框标签数据集和车辆重 识别数据集； 所述交通车辆图像数据集来源于不同场景下拍摄的交通路口各类车辆信息， 采用YOLO 格式进行 标注， 构建起车辆 外接矩形框标签数据集； 所述车辆重识别数据集是将拍摄的交通路口视频多帧图像 内车辆目标裁剪， 人工标注 对其同一目标 车辆进行分类。 4.如权利要求1所述的复杂交叉路口车辆行驶轨迹分析方法， 其特征在于， 步骤一中， 对目标车辆数据集进行7： 3划分训练集和验证集， 进行图像的随机裁剪， 翻转， 擦除等图像 增强技术， 扩充其数据集， 使得模型泛化能力更强， 同样采用处理图像增强技术对车辆重识 别数据集进行 数据集扩充。 5.如权利要求1所述的复杂交叉路口车辆行驶轨迹分析方法， 其特征在于， 步骤二中， 所述基于 迁移学习的方式训练YOLOv5模型， 包括： 使用YOLOv5模型载入预训练权重， 修改其分类类别个数； 将构建的数据集对网络进行 迁移训练； 通过冻结 特征提取主干网络和特 征融合网络 部分， 只需训练最后的分类网络 。 6.如权利要求1所述的复杂交叉路口车辆行驶轨迹分析方法， 其特征在于， 步骤三中， 所述构建以及训练De epSORT模型， 包括： 引入DeepSORT模型中ResNet特征提取网络， 载入预训练权重去掉网络最后 的全连接权　利　要　求　书 1/2 页 2 CN 115170611 A 2层， 将构建的数据集对ResNet网络进行迁移训练； 通过冻结前面卷积层只训练最后一层， 设 置较小的学习率对其进行训练； 将训练好的ResNet网络作为De epSORT模型的特 征提取网络 。 7.如权利要求1所述的复杂交叉路口车辆行驶轨迹分析方法， 其特征在于， 步骤四中， 对DeepSORT目标跟踪框架进行训练以及搭建出YOLOv5结合DeepSORT模型包括： YOL Ov5对输 入的视频帧图像进行车辆检测， 输出其检测框的位置信息； DeepSORT输入为检测出的目标 车辆位置信息以及该位置裁剪出的图像输出为预测下一帧的位置信息以及对同一目标进 行ID标识。 8.一种执行权利要求1～7任意一项所述的复杂交叉路口车辆行驶轨迹分析方法的复 杂交叉路口车辆行驶轨 迹分析系统。 9.一种计算机可读存储介质， 存储有计算机程序， 所述计算机程序被处理器执行时， 使 得所述处理器执行权利要求1～7任意 一项所述的复杂交叉路口车辆行驶轨 迹分析方法。 10.一种信息数据处理终端， 其特征在于， 所述信息数据处理终端用于实现权利要求1 ～7任意一项所述的复杂交叉路口车辆行驶轨 迹分析方法。权　利　要　求　书 2/2 页 3 CN 115170611 A 3