一种基于视频流行为轨迹自动识别检测方法与流程

1.本发明涉及自动识别检测技术领域，具体涉及一种基于视频流行为轨迹自动识别检测方法。


背景技术：

2.现有的车辆检测与轨迹跟踪方法计算速度快，可以满足视频实时播放的要求，但由于手工设计的传统特征本身灵活性较差，导致针对稍复杂场景时，鲁棒性差，在车辆较多时漏检率高，跟踪不到位，而且其一般将车辆作为一大类检测，无法对车辆进行细分类，如：小汽车、出租车、卡车等等。


技术实现要素：

3.有鉴于此，为解决上述技术问题，本发明的目的在于提出一种基于视频流行为轨迹自动识别检测方法，其能够实现目标车辆的行为轨迹自动识别检测。
4.所采用的技术方案为：
5.一种基于视频流行为轨迹自动识别检测方法，包括如下步骤：
6.s1.采集交通视频流图像，将采集的交通视频流图像作为训练集，利用计算机视觉的深度学习识别算法进行样本训练；
7.s2.基于深度学习识别算法的样本训练，提取训练集中的特征，检测出交通视频中车辆的位置，提取车辆特征向量和类别；
8.s3.针对目标车辆，输入相关参数以达到行为轨迹自动识别检测。
9.进一步地，s1中，将采集的交通视频流图像作为训练集是将交通视频分为多个单帧视频图像，各个单帧视频图像中关于车辆的信息作为训练集。
10.进一步地，s2中，检测出交通视频中车辆的位置，提取车辆特征向量和类别，并排除样本训练中的干扰信息。
11.进一步地，s2中，设置前后帧最大距离间距和前后帧最大时间间距，防止匹配到其他车辆，减少干扰信息。
12.进一步地，s3中，针对目标车辆，检测目标车辆是否在检测场景中，若在则继续更新，采集新的交通视频流图像；若不在则结束；结合检测场景进行现实坐标系与视频坐标系转换；最后输出目标车辆坐标，形成轨迹数据，达到行为轨迹自动识别检测。
13.进一步地，s3中，达到行为轨迹自动识别检测后，自动保存所述轨迹数据。
14.本发明的有益效果在于：
15.由于先基于深度学习识别算法的样本训练，提取训练集中的特征，检测出交通视频中车辆的位置，提取车辆特征向量和类别；然后针对目标车辆，输入相关参数以达到行为轨迹自动识别检测，从而能够实现目标车辆的行为轨迹自动识别检测。该目标车辆是一种细分类别的目标车辆。
附图说明
16.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
17.图1为一种基于视频流行为轨迹自动识别检测方法的流程示意图。
18.图2为一种基于视频流行为轨迹自动识别检测方法流程步骤图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明优选的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.参见图1和图2所示，一种基于视频流行为轨迹自动识别检测方法，包括如下步骤：
21.s1.采集交通视频流图像，将采集的交通视频流图像作为训练集，利用计算机视觉的深度学习识别算法进行样本训练；将采集的交通视频流图像作为训练集是将交通视频分为多个单帧视频图像，各个单帧视频图像中关于车辆的信息作为训练集。交通视频流图像来自于具体场景下的摄像机拍摄视频，可以实时获取交通视频图像，然后将该交通视频图像作为训练集。车辆的信息包括车辆的位置、车辆的特征向量和类别。
22.s2.基于深度学习识别算法的样本训练，提取训练集中的特征，检测出交通视频中车辆的位置，提取车辆特征向量和类别；并排除样本训练中的干扰信息。可以设置前后帧最大距离间距和前后帧最大时间间距，防止匹配到其他车辆，减少干扰信息。
23.s3.针对目标车辆，输入相关参数以达到行为轨迹自动识别检测。更具体的，针对目标车辆，检测目标车辆是否在检测场景中，若在则继续更新，采集新的交通视频流图像；若不在则结束；结合检测场景进行现实坐标系与视频坐标系转换；最后输出目标车辆坐标，形成轨迹数据，达到行为轨迹自动识别检测；达到行为轨迹自动识别检测后，自动保存所述轨迹数据。
24.根据上述的一种更具体的实施方式，形成如图2所示的一种基于视频流行为轨迹自动识别检测方法流程步骤图。
25.参见图2所示，在一种具体实施例下，基于视频流行为轨迹自动识别检测方法，在计算机程序上，可以为：先采集交通视频流图像，然后深度学习，提取训练集中的特征，快速检测出交通视频中车辆的位置，提取车辆特征向量和类别，并排除样本训练中的干扰信息；然后输入目标车辆的相关参数，例如车辆特征向量和类别，然后判断是否有符合目标车辆的目标参数，如果有符合则形成轨迹数据，例如通过目标车辆坐标在不同场景的坐标系，形成车辆轨迹，达到行为轨迹自动识别检测。如果不符合，则返回，继续采集交通视频流图像。
26.深度学习的算法可以采用faster r-cnn方法。faster r-cnn(其中r对应于“region(区域)”)是基于深度学习r-cnn系列目标检测最好的方法。使用voc2007+2012训练集训练，voc2007测试集测试map达到73.2％，目标检测的速度可以达到每秒5帧。
27.可以设置一种电子设备，包括存储器及处理器，存储器中储存有计算机程序，计算
机程序被处理器执行时，使得处理器执行上述的基于视频流行为轨迹自动识别检测方法步骤。
28.电子设备可以包括诸如手机、平板电脑、笔记本电脑等。存储器包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存等等。
29.一个或多个存储有计算机可读指令的非易失性可读存储介质，计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述的基于视频流行为轨迹自动识别检测方法步骤。
30.综上，本发明由于先基于深度学习识别算法的样本训练，提取训练集中的特征，检测出交通视频中车辆的位置，提取车辆特征向量和类别；然后针对目标车辆，输入相关参数以达到行为轨迹自动识别检测，从而能够实现目标车辆的行为轨迹自动识别检测。
31.上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。


技术特征：
1.一种基于视频流行为轨迹自动识别检测方法，其特征在于，包括如下步骤：s1.采集交通视频流图像，将采集的交通视频流图像作为训练集，利用计算机视觉的深度学习识别算法进行样本训练；s2.基于深度学习识别算法的样本训练，提取训练集中的特征，检测出交通视频中车辆的位置，提取车辆特征向量和类别；s3.针对目标车辆，输入相关参数以达到行为轨迹自动识别检测。2.根据权利要求1所述的基于视频流行为轨迹自动识别检测方法，其特征在于，s1中，将采集的交通视频流图像作为训练集是将交通视频分为多个单帧视频图像，各个单帧视频图像中关于车辆的信息作为训练集。3.根据权利要求2所述的基于视频流行为轨迹自动识别检测方法，其特征在于，s2中，检测出交通视频中车辆的位置，提取车辆特征向量和类别，并排除样本训练中的干扰信息。4.根据权利要求2所述的基于视频流行为轨迹自动识别检测方法，其特征在于，s2中，设置前后帧最大距离间距和前后帧最大时间间距，防止匹配到其他车辆，减少干扰信息。5.根据权利要求4所述的基于视频流行为轨迹自动识别检测方法，其特征在于，s3中，针对目标车辆，检测目标车辆是否在检测场景中，若在则继续更新，采集新的交通视频流图像；若不在则结束；结合检测场景进行现实坐标系与视频坐标系转换；最后输出目标车辆坐标，形成轨迹数据，达到行为轨迹自动识别检测。6.根据权利要求5所述的基于视频流行为轨迹自动识别检测方法，其特征在于，s3中，达到行为轨迹自动识别检测后，自动保存所述轨迹数据。

技术总结
本发明公开了一种基于视频流行为轨迹自动识别检测方法，其包括如下步骤：S1.采集交通视频流图像，将采集的交通视频流图像作为训练集，利用计算机视觉的深度学习识别算法进行样本训练；S2.基于深度学习识别算法的样本训练，提取训练集中的特征，检测出交通视频中车辆的位置，提取车辆特征向量和类别；S3.针对目标车辆，输入相关参数以达到行为轨迹自动识别检测。本发明能够实现目标车辆的行为轨迹自动识别检测。该目标车辆是一种细分类别的目标车辆。辆。辆。


技术研发人员：曾高发 杨宗庆 李梅
受保护的技术使用者：厦门市执象智能科技有限公司
技术研发日：2022.02.07
技术公布日：2022/5/10