一种车辆轨迹聚类生成方法与流程

1.本发明涉及车辆轨迹聚类生成技术领域，具体为一种车辆轨迹聚类生成方法。


背景技术：

2.现有的quickbundles技术，原用于神经成像学领域，实现对蛋白质纤维的聚类。因此该方法同样可以用于轨迹聚类。
3.现有的轨迹生成算法就是基于此技术，常用于遥感图像以及gis领域。但是这项技术存在很多潜在问题：首先，该技术缺乏现成有效的轨迹的预处理操作，不适用于车辆轨迹聚类生成，容易生成许多不完整的轨迹；
4.其次，也存在许多信息缺漏的问题，比如车辆分类信息，车辆方向信息，轨迹位置信息等，容易将不同类型的轨迹合并成一个轨迹；
5.再次，该方法也缺乏结合多种特征信息对不同类型车辆轨迹聚类，尤其是对于车辆轨迹特有的轨迹特性，比如结合位置特征、方向特征、长度特征的聚类。
6.导致最终的聚类结果不理想，无法用作于车辆轨迹聚类的结果，并且其中无法存储轨迹中包含不同类型的车辆的信息。
7.为此提出一种车辆轨迹聚类生成方法，来解决此问题。


技术实现要素：

8.本发明的目的在于提供一种车辆轨迹聚类生成方法，解决了目前轨迹生成算法采用quickbundles技术用于轨迹聚类时存在缺乏现成有效的轨迹的预处理操作、不适用于车辆轨迹聚类生成、缺乏结合多种特征信息对不同类型车辆轨迹聚类和无法存储轨迹中包含不同类型的车辆的信息的问题。
9.为实现上述目的，本发明提供如下技术方案：一种车辆轨迹聚类生成方法，包括以下步骤：
10.步骤1：信息获取：基于目标跟踪算法获取车辆跟踪目标在视频所在帧的车辆id信息、车辆类别信息、车辆位置、车辆外形轮廓等信息；
11.步骤2：聚类分类：根据得到的数据对轨迹数据进行筛选、三阶曲线重采样、等分延长、三阶曲线再次重采样预处理操作后，获得补全好并重采样好的完整轨迹；然后输入到基于优化后的轨迹生成算法，此算法集合了轨迹的位置特征，方向特征，长度特征的聚类方式，首先，位置信息采用轨迹中点信息进行初步聚类分类，然后基于位置信息的初步聚类结果，将每个类的最完整轨迹作为方向聚类基准，通过余弦和正弦结合的方式进行方向信息的聚类，余弦用于确定方向的正反，正弦用于确定角度偏移量，将不同角度的轨迹区分开；最后一层的长度信息聚类，排除掉一些特殊的车行轨迹情况。
12.步骤3：轨迹区分：最后输出各类别各轨迹车流量的数值，并将结果可视化为图像，通过线段粗细来体现车流量的相对大小，颜色用于区分不同的轨迹。
13.优选的，在步骤1中，目标跟踪算法采用以目标区域的颜色直方图作为特征或以目
标的轮廓作为特征中的一种。
14.优选的，以目标区域的颜色直方图作为特征，颜色特征具有旋转不变性，且不受目标物大小和形状的变化影响，在颜色空间中分布大致相同。
15.优选的，以目标的轮廓特征，算法速度较快，并且在目标有小部分遮挡的情况下同样有较好的效果。
16.优选的，在步骤2中，为提高之前收集存储的相关数据的可用性以及更利于后期数据分析必须要对轨迹数据进行筛选。
17.优选的，在步骤2中，余弦和正弦两者取到最大值和最小值的点不同，单对一个周期而言，即从0到2π；
18.正弦曲线取最大值时是2分之π，最小值时是2分之3π；
19.余弦曲线取最大值时是0，最小值时是π。
20.优选的，没有坐标原点时，正弦、余弦曲线能够完全重合；
21.有坐标原点时，在0点处正弦线为0，余弦线为1。
22.优选的，在步骤3中，特殊车行轨迹包括救护车、消防车、警车、工程救险车和军事监理车等。
23.优选的，在步骤3中，各轨迹车流量的线段通过各轨迹上车辆实时的流量进行改变实时动态更新，具体是各个轨迹上的线条由粗变细、由细变粗、由粗变更粗、由细变更新，其中最粗线条充斥整个可视化图像整体轨迹上，最细线段不会从轨迹上消失。
24.优选的，在步骤3中，使用不同颜色和粗线的线段对轨迹进行区分方便快速区分各个轨迹路线，同时也方便快速分辨不同轨迹车流量大小。
25.与现有技术相比，本发明的有益效果是：
26.本发明专利在车辆轨迹聚类拥有更好的轨迹聚类效果；能清晰地对不同车流方向的车行轨迹聚类，并能够得到不同轨迹不同类型车辆的车流量数据，并将结果以图像的形式可视化展示在界面中，基于绘制线的粗细来表现车流量大小，颜色用于区分不同的轨迹，能够更直观地展现出各轨迹各类别车流量的实际情况；
27.本发明专利作为实现无人机或其他监控真实视角下拍摄车辆的轨迹自动生成中的轨迹聚类技术，以得到各轨迹相应的车辆类别、数量等信息，存储于数据库中，并以图像的形式可视化呈现出来；以便于对实际车流量的监控与分析；最终在智慧交通，智能管理，设计决策等提供帮助。
附图说明
28.图1为本发明流程示意图。
具体实施方式
29.下面将通过实施例的方式对本发明作更详细的描述，这些实施例仅是举例说明性的而没有任何对本发明范围的限制。
30.本发明提供一种技术方案：一种车辆轨迹聚类生成方法，包括以下步骤：
31.步骤1：信息获取：基于目标跟踪算法获取车辆跟踪目标在视频所在帧的车辆id信息、车辆类别信息、车辆位置、车辆外形轮廓等信息；
32.步骤2：聚类分类：根据得到的数据对轨迹数据进行筛选、三阶曲线重采样、等分延长、三阶曲线再次重采样预处理操作后，获得补全好并重采样好的完整轨迹；然后输入到基于优化后的轨迹生成算法，此算法集合了轨迹的位置特征，方向特征，长度特征的聚类方式，首先，位置信息采用轨迹中点信息进行初步聚类分类，然后基于位置信息的初步聚类结果，将每个类的最完整轨迹作为方向聚类基准，通过余弦和正弦结合的方式进行方向信息的聚类，余弦用于确定方向的正反，正弦用于确定角度偏移量，将不同角度的轨迹区分开；最后一层的长度信息聚类，排除掉一些特殊的车行轨迹情况。
33.步骤3：轨迹区分：最后输出各类别各轨迹车流量的数值，并将结果可视化为图像，通过线段粗细来体现车流量的相对大小，颜色用于区分不同的轨迹。
34.实施例一：
35.首先信息获取：基于目标跟踪算法获取车辆跟踪目标在视频所在帧的车辆id信息、车辆类别信息、车辆位置、车辆外形轮廓等信息，然后聚类分类：根据得到的数据对轨迹数据进行筛选、三阶曲线重采样、等分延长、三阶曲线再次重采样预处理操作后，获得补全好并重采样好的完整轨迹；然后输入到基于优化后的轨迹生成算法，此算法集合了轨迹的位置特征，方向特征，长度特征的聚类方式，首先，位置信息采用轨迹中点信息进行初步聚类分类，然后基于位置信息的初步聚类结果，将每个类的最完整轨迹作为方向聚类基准，通过余弦和正弦结合的方式进行方向信息的聚类，余弦用于确定方向的正反，正弦用于确定角度偏移量，将不同角度的轨迹区分开；最后一层的长度信息聚类，排除掉一些特殊的车行轨迹情况，最后轨迹区分：最后输出各类别各轨迹车流量的数值，并将结果可视化为图像，通过线段粗细来体现车流量的相对大小，颜色用于区分不同的轨迹。
36.实施例二：
37.在实施例一中，再加上下述工序：
38.在步骤1中，目标跟踪算法采用以目标区域的颜色直方图作为特征或以目标的轮廓作为特征中的一种；以目标区域的颜色直方图作为特征，颜色特征具有旋转不变性，且不受目标物大小和形状的变化影响，在颜色空间中分布大致相同；以目标的轮廓特征，算法速度较快，并且在目标有小部分遮挡的情况下同样有较好的效果。
39.首先信息获取：基于目标跟踪算法获取车辆跟踪目标在视频所在帧的车辆id信息、车辆类别信息、车辆位置、车辆外形轮廓等信息，目标跟踪算法采用以目标区域的颜色直方图作为特征或以目标的轮廓作为特征中的一种；以目标区域的颜色直方图作为特征，颜色特征具有旋转不变性，且不受目标物大小和形状的变化影响，在颜色空间中分布大致相同；以目标的轮廓特征，算法速度较快，并且在目标有小部分遮挡的情况下同样有较好的效果，然后聚类分类：根据得到的数据对轨迹数据进行筛选、三阶曲线重采样、等分延长、三阶曲线再次重采样预处理操作后，获得补全好并重采样好的完整轨迹；然后输入到基于优化后的轨迹生成算法，此算法集合了轨迹的位置特征，方向特征，长度特征的聚类方式，首先，位置信息采用轨迹中点信息进行初步聚类分类，然后基于位置信息的初步聚类结果，将每个类的最完整轨迹作为方向聚类基准，通过余弦和正弦结合的方式进行方向信息的聚类，余弦用于确定方向的正反，正弦用于确定角度偏移量，将不同角度的轨迹区分开；最后一层的长度信息聚类，排除掉一些特殊的车行轨迹情况，最后轨迹区分：最后输出各类别各轨迹车流量的数值，并将结果可视化为图像，通过线段粗细来体现车流量的相对大小，颜色
用于区分不同的轨迹。
40.实施例三：
41.在实施例二中，再加上下述工序：
42.在步骤2中，为提高之前收集存储的相关数据的可用性以及更利于后期数据分析必须要对轨迹数据进行筛选；余弦和正弦两者取到最大值和最小值的点不同，单对一个周期而言，即从0到2π；正弦曲线取最大值时是2分之π，最小值时是2分之3π；余弦曲线取最大值时是0，最小值时是π；没有坐标原点时，正弦、余弦曲线能够完全重合；有坐标原点时，在0点处正弦线为0，余弦线为1。
43.首先信息获取：基于目标跟踪算法获取车辆跟踪目标在视频所在帧的车辆id信息、车辆类别信息、车辆位置、车辆外形轮廓等信息，目标跟踪算法采用以目标区域的颜色直方图作为特征或以目标的轮廓作为特征中的一种；以目标区域的颜色直方图作为特征，颜色特征具有旋转不变性，且不受目标物大小和形状的变化影响，在颜色空间中分布大致相同；以目标的轮廓特征，算法速度较快，并且在目标有小部分遮挡的情况下同样有较好的效果，然后聚类分类：根据得到的数据对轨迹数据进行筛选、三阶曲线重采样、等分延长、三阶曲线再次重采样预处理操作后，获得补全好并重采样好的完整轨迹；然后输入到基于优化后的轨迹生成算法，此算法集合了轨迹的位置特征，方向特征，长度特征的聚类方式，首先，位置信息采用轨迹中点信息进行初步聚类分类，然后基于位置信息的初步聚类结果，将每个类的最完整轨迹作为方向聚类基准，通过余弦和正弦结合的方式进行方向信息的聚类，余弦用于确定方向的正反，正弦用于确定角度偏移量，将不同角度的轨迹区分开；最后一层的长度信息聚类，排除掉一些特殊的车行轨迹情况，为提高之前收集存储的相关数据的可用性以及更利于后期数据分析必须要对轨迹数据进行筛选；余弦和正弦两者取到最大值和最小值的点不同，单对一个周期而言，即从0到2π；正弦曲线取最大值时是2分之π，最小值时是2分之3π；余弦曲线取最大值时是0，最小值时是π；没有坐标原点时，正弦、余弦曲线能够完全重合；有坐标原点时，在0点处正弦线为0，余弦线为1，最后轨迹区分：最后输出各类别各轨迹车流量的数值，并将结果可视化为图像，通过线段粗细来体现车流量的相对大小，颜色用于区分不同的轨迹。
44.实施例四：
45.在实施例三中，再加上下述工序：
46.在步骤3中，特殊车行轨迹包括救护车、消防车、警车、工程救险车和军事监理车等；各轨迹车流量的线段通过各轨迹上车辆实时的流量进行改变实时动态更新，具体是各个轨迹上的线条由粗变细、由细变粗、由粗变更粗、由细变更新，其中最粗线条充斥整个可视化图像整体轨迹上，最细线段不会从轨迹上消失；使用不同颜色和粗线的线段对轨迹进行区分方便快速区分各个轨迹路线，同时也方便快速分辨不同轨迹车流量大小。
47.首先信息获取：基于目标跟踪算法获取车辆跟踪目标在视频所在帧的车辆id信息、车辆类别信息、车辆位置、车辆外形轮廓等信息，目标跟踪算法采用以目标区域的颜色直方图作为特征或以目标的轮廓作为特征中的一种；以目标区域的颜色直方图作为特征，颜色特征具有旋转不变性，且不受目标物大小和形状的变化影响，在颜色空间中分布大致相同；以目标的轮廓特征，算法速度较快，并且在目标有小部分遮挡的情况下同样有较好的效果，然后聚类分类：根据得到的数据对轨迹数据进行筛选、三阶曲线重采样、等分延长、三
阶曲线再次重采样预处理操作后，获得补全好并重采样好的完整轨迹；然后输入到基于优化后的轨迹生成算法，此算法集合了轨迹的位置特征，方向特征，长度特征的聚类方式，首先，位置信息采用轨迹中点信息进行初步聚类分类，然后基于位置信息的初步聚类结果，将每个类的最完整轨迹作为方向聚类基准，通过余弦和正弦结合的方式进行方向信息的聚类，余弦用于确定方向的正反，正弦用于确定角度偏移量，将不同角度的轨迹区分开；最后一层的长度信息聚类，排除掉一些特殊的车行轨迹情况，为提高之前收集存储的相关数据的可用性以及更利于后期数据分析必须要对轨迹数据进行筛选；余弦和正弦两者取到最大值和最小值的点不同，单对一个周期而言，即从0到2π；正弦曲线取最大值时是2分之π，最小值时是2分之3π；余弦曲线取最大值时是0，最小值时是π；没有坐标原点时，正弦、余弦曲线能够完全重合；有坐标原点时，在0点处正弦线为0，余弦线为1，最后轨迹区分：最后输出各类别各轨迹车流量的数值，并将结果可视化为图像，通过线段粗细来体现车流量的相对大小，颜色用于区分不同的轨迹，特殊车行轨迹包括救护车、消防车、警车、工程救险车和军事监理车等；各轨迹车流量的线段通过各轨迹上车辆实时的流量进行改变实时动态更新，具体是各个轨迹上的线条由粗变细、由细变粗、由粗变更粗、由细变更新，其中最粗线条充斥整个可视化图像整体轨迹上，最细线段不会从轨迹上消失；使用不同颜色和粗线的线段对轨迹进行区分方便快速区分各个轨迹路线，同时也方便快速分辨不同轨迹车流量大小。
48.本发明专利能够在绝大多数的道路场景中使用(包含十字路口，t字路口，环岛路口，分岔路口，直行通道，掉头通道等等)；
49.未来也可作为各类别的运动轨迹聚类中，将运动物体的轨迹数据输入到该算法中，得到的数据可以同步于智慧城市，智慧交通等领域，作为城市管理，安全管理，设计决策的一项分析技术；
50.本发明专利也可以将同类型的车行轨迹生成出来以区分不同类型的车的轨迹特征，并且在未来不仅可用在车辆轨迹自动检测生成上；
51.未来还可以运用在更多其他运动物体轨迹检测生成中，非机动车轨迹聚类，行人轨迹聚类，动物迁徙轨迹聚类，航行轨迹聚类等等，以分析其运动规律。
52.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种车辆轨迹聚类生成方法，其特征在于：包括以下步骤：步骤1：信息获取：基于目标跟踪算法获取车辆跟踪目标在视频所在帧的车辆id信息、车辆类别信息、车辆位置、车辆外形轮廓等信息；步骤2：聚类分类：根据得到的数据对轨迹数据进行筛选、三阶曲线重采样、等分延长、三阶曲线再次重采样预处理操作后，获得补全好并重采样好的完整轨迹；然后输入到基于优化后的轨迹生成算法，此算法集合了轨迹的位置特征，方向特征，长度特征的聚类方式，首先，位置信息采用轨迹中点信息进行初步聚类分类，然后基于位置信息的初步聚类结果，将每个类的最完整轨迹作为方向聚类基准，通过余弦和正弦结合的方式进行方向信息的聚类，余弦用于确定方向的正反，正弦用于确定角度偏移量，将不同角度的轨迹区分开；最后一层的长度信息聚类，排除掉一些特殊的车行轨迹情况。步骤3：轨迹区分：最后输出各类别各轨迹车流量的数值，并将结果可视化为图像，通过线段粗细来体现车流量的相对大小，颜色用于区分不同的轨迹。2.根据权利要求1的一种车辆轨迹聚类生成方法，其特征在于：在步骤1中，目标跟踪算法采用以目标区域的颜色直方图作为特征或以目标的轮廓作为特征中的一种。3.根据权利要求2的一种车辆轨迹聚类生成方法，其特征在于：以目标区域的颜色直方图作为特征，颜色特征具有旋转不变性，且不受目标物大小和形状的变化影响，在颜色空间中分布大致相同。4.根据权利要求2的一种车辆轨迹聚类生成方法，其特征在于：以目标的轮廓特征，算法速度较快，并且在目标有小部分遮挡的情况下同样有较好的效果。5.根据权利要求1的一种车辆轨迹聚类生成方法，其特征在于：在步骤2中，为提高之前收集存储的相关数据的可用性以及更利于后期数据分析必须要对轨迹数据进行筛选。6.根据权利要求1的一种车辆轨迹聚类生成方法，其特征在于：在步骤2中，余弦和正弦两者取到最大值和最小值的点不同，单对一个周期而言，即从0到2π；正弦曲线取最大值时是2分之π，最小值时是2分之3π；余弦曲线取最大值时是0，最小值时是π。7.根据权利要求6的一种车辆轨迹聚类生成方法，其特征在于：没有坐标原点时，正弦、余弦曲线能够完全重合；有坐标原点时，在0点处正弦线为0，余弦线为1。8.根据权利要求1的一种车辆轨迹聚类生成方法，其特征在于：在步骤3中，特殊车行轨迹包括救护车、消防车、警车、工程救险车和军事监理车等。9.根据权利要求1的一种车辆轨迹聚类生成方法，其特征在于：在步骤3中，各轨迹车流量的线段通过各轨迹上车辆实时的流量进行改变实时动态更新，具体是各个轨迹上的线条由粗变细、由细变粗、由粗变更粗、由细变更新，其中最粗线条充斥整个可视化图像整体轨迹上，最细线段不会从轨迹上消失。10.根据权利要求1的一种车辆轨迹聚类生成方法，其特征在于：在步骤3中，使用不同颜色和粗线的线段对轨迹进行区分方便快速区分各个轨迹路线，同时也方便快速分辨不同轨迹车流量大小。

技术总结
本发明公开了一种车辆轨迹聚类生成方法，包括以下步骤，首先信息获取：基于目标跟踪算法获取车辆跟踪目标在视频所在帧的车辆id信息、车辆类别信息、车辆位置、车辆外形轮廓等信息；本发明专利在车辆轨迹聚类拥有更好的轨迹聚类效果；能清晰地对不同车流方向的车行轨迹聚类，并能够得到不同轨迹不同类型车辆的车流量数据，并将结果以图像的形式可视化展示在界面中，基于绘制线的粗细来表现车流量大小，颜色用于区分不同的轨迹；作为实现无人机或其他监控真实视角下拍摄车辆的轨迹自动生成中的轨迹聚类技术，以得到各轨迹相应的车辆类别、数量等信息，存储于数据库中，并以图像的形式可视化呈现。可视化呈现。可视化呈现。


技术研发人员：许鹏健 杨树英 蔡秋婉 黄天宇 范志豪 郭太军 贺坤 吴建华
受保护的技术使用者：中恩工程技术有限公司
技术研发日：2023.05.12
技术公布日：2023/8/13