(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 202411367828 .0 (22)申请日 2024.09.29 (71)申请人 天翼视联科技有限公司 地址 311100 浙江省杭州市余杭区五常街 道溪沁街 8号中国电信浙江创新园一 号楼一单元 (72)发明人 王艺　胡晓磊　 (74)专利代理机构 杭州华进联浙知识产权代理 有限公司 33250 专利代理师 何晓春 (51)Int.Cl. G06F 18/214(2023.01) G06F 18/25(2023.01) G06F 18/213(2023.01) G06F 18/27(2023.01)G06F 18/20(2023.01) G06N 3/045(2023.01) G06N 3/0499(2023.01) G08G 1/01(2006.01) G06F 123/02(2023.01) (54)发明名称 交通场景的数据标注方法 、装置以及计算机 设备 (57)摘要 本申请涉及一种交通场景的数据标注方法 、 装置以及计算机设备 ，该方法通过基于前向和反 向跟踪，对获取到的交通场景数据中的目标对象 进行初始标注 ，得到每一帧的初始标注数据 ；所 述初始标注数据包括单帧模板图像和跟踪数据 ； 基于所述初始标注数据训练数据标注模型 ，得到 所述交通场景数据的标注信息 ；所述数据标注模 型包括多维度特征提取模块 、时序特征融合模块 以及回归分支 ，解决了人工标注效率低且易出错 的问题，借助人工智能模型实现交通场景下的行 为数据的自动标注 ，减轻人工标注的工作量 ，提 高数据标注的效率和准确率 ，广泛应用于车辆行 驶、行人行走 、交通设施变化等各种交通场景下 的行为数据标注 。 权利要求书2页 说明书14页 附图5页 CN 118861694 A 2024.10.29 CN 118861694 A 1.一种交通场景的数据标注方法 ，其特征在于 ，所述方法包括 ： 基于前向和反向跟踪 ，对获取到的交通场景数据中的目标对象进行初始标注 ，得到每 一帧的初始标注数据 ；所述初始标注数据包括单帧模板图像和跟踪数据 ； 基于所述初始标注数据中的训练数据集对数据标注模型进行训练 ，得到训练完备的所 述数据标注模型 ；所述数据标注模型包括多维度特征提取模块 、时序特征融合模块以及回 归分支； 基于训练完备的所述数据标注模型对所述初始标注数据中的测试数据集进行标注优 化，得到所述交通场景数据的标注信息 。 2.根据权利要求 1所述的交通场景的数据标注方法 ，其特征在于，基于前向和反向跟 踪，对获取到的交通场景数据中的目标对象进行初始标注 ，得到每一帧的初始标注数据 ，包 括： 获取监控设备采集的原始交通场景数据 ，并对所述原始交通场景数据进行预处理 ；所 述预处理包括数据清洗和数据标准化 ； 基于前向和反向跟踪 ，对预处理后的所述原始交通场景数据中的目标对象进行初始标 注，得到初始标注数据 。 3.根据权利要求 2所述的交通场景的数据标注方法 ，其特征在于 ，对预处理后的所述原 始交通场景数据中的目标对象 ，基于前向和反向跟踪进行初始标注 ，得到初始标注数据 ，包 括； 对预处理后的所述原始交通场景数据中的目标对象 ，进行稀疏标注处理 ，得到单帧模 板图像； 基于所述单帧模板图像 ，利用跟踪器进行前向和反向跟踪 ，得到连续多帧的前向搜索 区域图像和对应的前向跟踪结果 、反向搜索区域图像和对应的反向跟踪结果 ； 基于所述单帧模板图像 、连续多帧的前向搜索区域图像和对应的前向跟踪结果 、反向 搜索区域图像和对应的反向跟踪结果得到所述初始标注数据 。 4.根据权利要求 1所述的交通场景的数据标注方法 ，其特征在于 ，在基于所述初始标注 数据中的训练数据集对数据标注模型进行训练 ，得到训练完备的所述数据标注模型之前 ， 还包括： 基于所述初始标注数据中的训练数据集对质量评估模型进行训练 ，得到训练完备的所 述质量评估模型 ； 基于所述质量评估模型 ，从所述初始标注数据中的测试数据集筛选出跟踪成功的所述 初始标注数据 ； 将跟踪成功的所述初始标注数据分为第一数据集和第二数据集 ；所述第一数据集用于 作为所述初始标注数据中的训练数据集对数据标注模型进行训练 ；所述第二数据集用于作 为所述初始标注数据中的测试数据集输入训练完备的所述数据标注模型进行标注优化 ； 所述质量评估模型包括多维度特征提取模块 、时序特征融合模块以及质量评估分支 。 5.根据权利要求 4所述的交通场景的数据标注方法 ，其特征在于 ，基于所述初始标注数 据训练质量评估模型 ，包括： 基于当前帧的所述跟踪数据与真值目标框的重叠率 ，定义所述标注数据的跟踪质量分 数；权　利　要　求　书 1/2页 2 CN 118861694 A 2基于所述跟踪质量分数计算所述质量评估模型的损失函数 。 6.根据权利要求 1或权利要求 4中任一项所述的交通场景的数据标注方法 ，其特征在 于，基于训练完备的所述数据标注模型对所述初始标注数据中的测试数据集进行标注优 化，得到所述交通场景数据的标注信息 ，包括： 将所述初始标注数据中的测试数据输入所述多维度特征提取模块 ，提取得到视觉特征 向量和运动特征向量 ； 将所述视觉特征向量和所述运动特征向量输入所述时序特征融合模块 ，融合得到融合 特征； 将所述融合特征输入所述回归分支 ，得到所述交通场景数据的标注信息 。 7.根据权利要求 6所述的交通场景的数据标注方法 ，其特征在于 ，将所述初始标注数据 中的测试数据输入所述多维度特征提取模块 ，提取得到视觉特征向量和运动特征向量 ，包 括： 将所述测试数据中的单帧模板图像 、连续多帧的前向搜索区域图像和反向搜索区域图 像输入骨干网络 ，提取得到模板特征和连续多帧的前向搜索区域特征和反向搜索区域特 征；将所述模板特征分别与所述前向搜索区域特征和所述反向搜索区域特征进行像素级互 相关操作 ，得到前向相应图和后向相应图 ；将所述前向相应图和所述后向相应图分别输入 相应图网络 ，得到前向视觉特征向量和反向视觉特征向量 ； 将所述测试数据中连续多帧的前向跟踪结果和反向跟踪结果输入运动线性层 ，提取得 到对应的前向运动特征向量和反向运动特征向量 。 8.根据权利要求 6所述的交通场景的数据标注方法 ，其特征在于 ，将所述视觉特征向量 和所述运动特征向量输入所述时序特征融合模块 ，融合得到融合特征 ，包括： 将所述视觉特征向量输入第一融合单元 ，所述第一融合单元重复执行预设次数 ，得到 第一时序融合特征 ； 将所述运动特征向量输入第二融合单元 ，所述第二融合单元重复执行预设次数 ，得到 第二时序融合特征 ； 将所述第一时序融合特征和所述第二时序融合特征通过交叉注意力模块进行融合 ，得 到融合特征 。 9.一种交通场景的数据标注装置 ，其特征在于 ，所述装置包括 ： 数据准备模块 ，用于基于前向和反向跟踪 ，对获取到的交通场景数据中的目标对象进 行初始标注 ，得到每一帧的初始标注数据 ；所述初始标注数据包括单帧模板图像和跟踪数 据； 训练模块 ，用于基于所述初始标注数据中的训练数据集对数据标注模型进行训练 ，得 到训练完备的所述数据标注模型 ；所述数据标注模型包括多维度特征提取模块 、时序特征 融合模块以及回归分支 ； 预测模块 ，用于基于训练完备的所述数据标注模型对所述初始标注数据中的测试数据 集进行标注优化 ，得到所述交通场景数据的标注信息 。 10.一种计算机设备 ，包括存储器和处理器 ，所述存储器存储有计算机程序 ，其特征在 于，所述处理器执行所述计算机程序时实现权利要求 1至权利要求 8中任一项所述的方法的 步骤。权　利　要　求　书 2/2页 3 CN 118861694 A 3交通场景的数据标注方法 、装置以及计算机设备 技术领域 [0001] 本申请涉及数据标注技术领域 ，特别是涉及一种交通场景的数据标注方法 、装置 以及计算机设备 。 背景技术 [0002] 在当前的智能交通系统研究和开发中 ，数据标注是一个重要且必不可少的过程 。 通过数据标注 ，可以将原始的交通场景数据转化为包含丰富信息的标注数据 ，从而为后续 的行为分析 、交通管理决策提供强大的支持 。 [0003] 传统的数据标注方法主要依赖于人工标注 ，这种方式效率低且易有误差 。人工标 注需要消耗大量的人力 、物力和时间 ，而且受标注人员专业水平 、注意力集中程度等因素影 响，标注结果的准确性无法得到充分的保障 。此外，人工标注方法往往只能应用于某些特定 的场景，对于复杂多变的交通场景并无法很好地适应 。 发明内容 [0004] 在本实施例中提供了一种交通场景的数据标注方法 、装置以及计算机设备 ，以解 决相关技术中人工标注效率低不准确的问题 。 [0005] 第一方面 ，在本实施例中提供了一种交通场景的数据标注方法 ，所述方法包括 ： 基于前向和反向跟踪 ，对获取到的交通场景数据中的目标对象进行初始标注 ，得 到每一帧的初始标注数据 ；所述初始标注数据包括单帧模板图像和跟踪数据 ； 基于所述初始标注数据中的训练数据集对数据标注模型进行训练 ，得到训练完备 的所述数据标注模型 ；所述数据标注模型包括多维度特征提取模块 、时序特征融合模块以 及回归分支 ； 基于训练完备的所述数据标注模型对所述初始标注数据中的测试数据集进行标 注优化，得到所述交通场景数据的标注信息 。 [0006] 在其中的一些实施例中 ，基于前向和反向跟踪 ，对获取到的交通场景