(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 202210116560.8 (22)申请日 2022.02.07 (71)申请人 厦门市执象智能科技有限公司 地址 361000 福建省厦门市软件园三期诚 毅北大街56号21层2101-1单 元 (72)发明人 曾高发　杨宗庆　李梅　 (74)专利代理 机构 北京棘龙知识产权代理有限 公司 11740 专利代理师 李改平 (51)Int.Cl. G06V 20/54(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01)G06T 7/246(2017.01) (54)发明名称 一种基于视频流行为轨迹自动识别检测方 法 (57)摘要 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。 权利要求书1页 说明书3页 附图1页 CN 114463705 A 2022.05.10 CN 114463705 A 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。权　利　要　求　书 1/1 页 2 CN 114463705 A 2一种基于视频流行为轨 迹自动识别检测方 法 技术领域 [0001]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 [0002]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。 发明内容 [0003]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。 [0004]所采用的技 术方案为： [0005]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： [0006]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； [0007]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； [0008]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。 [0009]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。 [0010]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 。 [0011]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 。 [0012]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。 [0013]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。 [0014]本发明的有益效果在于： [0015]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。说　明　书 1/3 页 3 CN 114463705 A 3