一种车辆行驶轨迹计算还原方法与流程

本发明涉及一种车辆行驶轨迹计算还原方法，属于车辆行驶轨迹还原。

背景技术：

1、现阶段，车辆行驶轨迹常应用于车辆行驶分析、事故分析和路况分析等交通监管的应用场景中，车辆行驶轨迹的采集方式一般为对交通监管下的道路上的摄像头的视频进行保存，以及通过各种传感器设备采集过往车辆多属性数据。当发生交通事故，或者需要对交通路况进行分析时，再取出保存的历史数据进行人工分析，但上述方式无疑数据量较大，成本较高，不能精细化的直观反馈交通路况及所有行驶车辆的具体轨迹。

2、综上所述，需要一种低数据量的、通过道路侧普通摄像头对道路上行驶的车辆进行多属性数据识别即可实现后续车辆行驶轨迹还原的方法。

技术实现思路

1、在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

2、鉴于此，为解决现有技术中传统的车辆行驶轨迹还原方法在进行交通路况分析时需要人工调用历史数据分析且分析数据量较大的问题，本发明提供一种车辆行驶轨迹计算还原方法。

3、技术方案如下：一种车辆行驶轨迹计算还原方法，包括以下步骤：

4、s1.接入道路侧普通摄像头，对行驶车辆进行多属性数据识别和采集，采用改进后的yolo v8网络框架进行车辆检测，采用改进后的b-cnn网络模型进行车型和车辆颜色的分类，采用缩放因子对车辆图像进行倾斜矫正，使用卷积神经网络进行车牌图像提取，采用卷积神经网络对车牌图像进行车牌字符识别，得到车辆检测的输出结果；

5、具体的：车辆检测的输出结果包括车辆位置坐标、车型分类、车辆颜色分类和车牌号码检测结果及其置信度；

6、s2.采用deepsort算法构建车辆跟踪模型，输入车辆检测的输出结果，输出目标车辆跟踪id；

7、s3.在摄像头视频画面中的道路行驶区域上，设置车辆行驶检测区域，计算车辆中心点坐标，采用射线法根据车辆中心点坐标判断车辆是否在车辆行驶检测区域内，剔除行驶检测区域外的车辆；

8、s4.根据车辆二维移动坐标点和时间差，计算得到车头行驶角度，再根据道路侧普通摄像头的参数，将车辆二维移动坐标点转化为真实世界坐标点，计算得到车辆的行驶速度；

9、s5.将行驶轨迹点数据进行结构化打包处理成json报文即结构化数据，并将结构化数据发送并保存到远程服务器的数据库；

10、具体的：行驶轨迹点数据包括时间、摄像头id编号、摄像头分辨率、车辆id编号、车辆位置坐标、车型、车头行驶角度、车辆行驶速度、车身颜色和车牌号码；

11、s6.在数据库中选取行驶轨迹点数据，对目标车辆跟踪id相同的行驶轨迹点数据，取对应车辆在矩形检测框上的左上角坐标集合进行拟合，得到车辆行驶轨迹的拟合曲线函数；

12、s7.选取某个摄像头的视频画面作为画布，将车辆行驶轨迹的拟合曲线绘制在画布上，标记显示车辆各个行驶轨迹点数据、车头行驶角度和行驶速度，得到还原后的车辆行驶轨迹。

13、进一步地，所述s1中，包括以下步骤：

14、s11.采用改进后的yolo v8网络框架通过目标检测算法进行车辆检测，得到车辆检测图像和车辆位置坐标；

15、s12.根据车辆检测图像，采用改进后的b-cnn网络模型进行车型分类和车辆颜色分类，得到车型分类和车辆颜色分类；

16、s13.根据车辆检测图像，进行缩放因子校正，再通过卷积神经网络进行车牌定位提取车牌图像，再采用卷积神经网络对车牌图像进行识别，输出车牌号码检测结果及其置信度；

17、所述s11中，对yolo v8网络框架进行改进，将yolo v8网络框架的检测目标类别数目设置为1，对yolo v8网络框架进行训练和调整，接入摄像头设备的实时视频流，进行视频解码操作，将视频分割成逐帧图片即车辆检测图像输入到yolo v8网络框架，通过yolo v8网络框架的目标检测算法对每一帧图片进行车辆检测，得到车辆位置坐标，即矩形检测框坐标[left，top，width，height]，其中，left为矩形检测框的左上角横坐标，top为矩形检测框的左上角纵坐标、width为矩形检测框的宽度，height为矩形检测框的高度；

18、所述s12中，对b-cnn网络模型进行改进，将b-cnn网络模型的子网络b替换为resnet网络，子网络a使用vggnet-16网络，增加外积操作，将b-cnn网络模型的conv4_3网络层的特征与conv5_3网络层的特征进行外积，使浅层特征和深层特征相结合，输入车型和车辆颜色，得到车型分类和车辆颜色分类；

19、所述s13中，根据车牌边界框的纵横比，使用缩放因子对目标车辆图像进行倾斜矫正，然后再使用卷积神经网络对车牌进行识别，输出车牌位置及尺度信息，得到车牌图像；

20、采用卷积神经网络模型对车牌图像进行车牌字符识别，卷积神经网络模型的预测框个数设置为2，车牌边界框的纵横比为3:1，则将卷积神经网络模型的输入大小预处理设置为240*80，将车牌图像输入卷积神经网络模型进行识别，输出车牌号码检测结果及其置信度，设置车牌号码检测结果的置信度阈值，若检测结果的置信度高于置信度阈值，则直接输出检测结果，若检测结果的置信度低于置信度阈值，则抛弃检测结果。

21、进一步地，所述s2中，采用deepsort算法构建车辆跟踪模型，将车辆检测的输出结果即作为车辆跟踪模型的输入，输出目标车辆跟踪id和预测的目标跟踪框，通过deepsort算法进行级联匹配，将矩形检测框坐标与预测的目标跟踪框的交并比进行输入组合，得到级联匹配结果，将其输入到匈牙利算法中进行线性分配直接关联矩形检测框坐标与预测的目标跟踪框对应的当前帧中的目标车辆跟踪id进行帧间匹配。

22、进一步地，所述s3中，建立二维坐标系，通过车辆中心点坐标(x，y)判断车辆是否在车辆行驶检测区域内；

23、获取车辆中心点坐标(x，y)所在水平线与车辆行驶检测区域的多边形各边的交点个数，如果交点个数为奇数，则车辆在车辆行驶检测区域内，否则车辆在车辆行驶检测区域外。

24、进一步地，所述s4中，包括以下步骤：

25、s41.根据车辆二维移动坐标点和时间差t，计算得到车头行驶角度angle；

26、s42.根据道路侧普通摄像头的参数，将车辆二维移动坐标点转化为真实世界坐标点计算得到车辆的行驶速度；

27、所述s41中，车辆二维移动坐标点包括车辆第一移动点坐标(x1，y1)、车辆第二移动点坐标(x2，y2)；

28、车头行驶角度angle即车辆行驶方向和y轴负方向顺时针夹角；

29、通过向量a(v1x，v1y)表示y轴负方向，通过向量b(v2x，v2y)表示车辆行驶方向上的车辆前后移动点：

30、若向量a的绝对值|a|或向量b的绝对值|b|等于0，则车头行驶角度angle为0，否则车头行驶角度angle表示为：angle＝180*acos(ab/(|a|*|b|))/3.1415926，其中，acos为反余弦函数，ab为向量a和向量b的叉积ab，若车辆第一移动点的横坐标x2小于车辆第二移动点的横坐标x1，则车头行驶角度angle表示为：angle＝360-angle；

31、所述s42中，将车辆二维移动坐标点转化为真实世界坐标点，建立真实世界坐标系，根据车辆第一移动点坐标(x1，y1)和车辆第二移动点坐标(x2，y2)之间的时间差t、摄像头分辨率宽度camera_width、摄像头分辨率高度camera_height、摄像头安装高度h、摄像头俯视角(alpha)、水平视场角(hfov)和垂直视场角(vfov)，将图像中的车辆第一移动点坐标(x1，y1)转换为相对于图像中心的第一归一化坐标(x1_normalized，y1_normalized)，将图像中的车辆第二移动点坐标(x2，y2)转换为相对于图像中心的第二归一化坐标(x2_normalized，y2_normalized)；

32、根据第一归一化坐标(x1_normalized，y1_normalized)和第二归一化坐标(x2_normalized，y2_normalized)，计算得到车辆第一移动点坐标(x1，y1)对应的第一真实世界坐标(x1，y1)和车辆第二移动点坐标(x2，y2)对应的第二真实世界坐标(x2，y2)；

33、根据第一真实世界坐标(x1，y1)、第二真实世界坐标(x2，y2)和时间差t，计算得到行驶速度speed。

34、进一步地，所述s6中，在数据库中选取某个时间段的某个摄像头内的行驶轨迹点数据，对目标车辆跟踪id相同的行驶轨迹点数据，取对应车辆在矩形检测框上的左上角坐标集合{(x1，y1)，(x2，y2)，...，(xn，yn)}进行k阶多项式拟合，得到车辆行驶轨迹的拟合曲线函数f(x)。

35、本发明的有益效果如下：本发明提供一种车辆行驶轨迹计算还原方法，具体包括车辆轨迹点数据采集和车辆轨迹点数据还原两个部分，车辆轨迹点数据采集，接入道路侧普通摄像头，对道路上行驶的车辆进行多属性数据识别计算，得到行驶轨迹点数据，随后将计算采集到的当前摄像头内的车辆行驶轨迹点数据打包成json报文，并定时上传保存到云平台服务器的数据库；车辆轨迹点数据仿真还原，是对数据库某个时间段的车辆轨迹点数据进行曲线拟合处理之后，将行驶轨迹绘制还原在摄像头的视频画面上，从而以低成本、低数据量的方式实现对车辆行驶轨迹的精细分析，助力实时车辆监管。

技术特征：

1.一种车辆行驶轨迹计算还原方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种车辆行驶轨迹计算还原方法，其特征在于，所述s1中，包括以下步骤：

3.根据权利要求2所述的一种车辆行驶轨迹计算还原方法，其特征在于，所述s2中，采用deepsort算法构建车辆跟踪模型，将车辆检测的输出结果即作为车辆跟踪模型的输入，输出目标车辆跟踪id和预测的目标跟踪框，通过deepsort算法进行级联匹配，将矩形检测框坐标与预测的目标跟踪框的交并比进行输入组合，得到级联匹配结果，将其输入到匈牙利算法中进行线性分配直接关联矩形检测框坐标与预测的目标跟踪框对应的当前帧中的目标车辆跟踪id进行帧间匹配。

4.根据权利要求3所述的一种车辆行驶轨迹计算还原方法，其特征在于，所述s3中，建立二维坐标系，通过车辆中心点坐标(x，y)判断车辆是否在车辆行驶检测区域内；

5.根据权利要求4所述的一种车辆行驶轨迹计算还原方法，其特征在于，所述s4中，包括以下步骤：

6.根据权利要求5所述的一种车辆行驶轨迹计算还原方法，其特征在于，所述s6中，在数据库中选取某个时间段的某个摄像头内的行驶轨迹点数据，对目标车辆跟踪id相同的行驶轨迹点数据，取对应车辆在矩形检测框上的左上角坐标集合{(x1，y1)，(x2，y2)，...，(xn，yn)}进行k阶多项式拟合，得到车辆行驶轨迹的拟合曲线函数f(x)。

技术总结
本发明公开了一种车辆行驶轨迹计算还原方法，属于车辆行驶轨迹还原技术领域。解决了现有技术中传统的车辆行驶轨迹还原方法在进行交通路况分析时需要人工调用历史数据分析且分析数据量较大的问题；本发明通过道路侧普通摄像头，对道路上行驶的车辆进行多属性数据识别计算，得到行驶轨迹点数据；根据车辆行驶方向和行驶轨迹点数据，计算得到车头行驶角度，进行二维坐标系和真实世界坐标系的转换，得到车辆的行驶速度；将采集到的行驶轨迹点数据打包上传到数据库，最后对数据库某个时间段的车辆轨迹点数据进行曲线拟合处理，绘制还原后的车辆行驶轨迹。本发明有效提升了车辆行驶轨迹还原的精度和效率，可以应用于交通路况分析。

技术研发人员：蔡志敏,张帆,耿佳培,朱华,周益辉
受保护的技术使用者：深圳市信息基础设施投资发展有限公司
技术研发日：
技术公布日：2024/12/5