Az Intelligens Közlekedési Rendszerek (ITS) dinamikusan fejlődő és széles körben kutatott terület manapság. Nagyon szerteágazó tudományterület, amelynek fontos része a forgalmi dinamika elemzés, forgalomszámlálás és a forgalomi előrejelzések. Ebben a cikkben egy adaptív forgalomi statisztika generáló eljárást mutatunk be. A módszer álló megfigyelő szemszögéből készült videófelvételeken YOLOv7 objektumdetektorral detektálja a közlekedő járműveket és azonosítja azok kategóriáját. A videószekvenciákon elvégzett detektálásokat az általunk bemutatott módszer DeepSort követő algoritmus segítségével kapcsolja össze, aminek eredményeként előállnak az elhaladó járművek trajektóriái. A trajektóriák klaszterekbe sorolását OPTICS clustering eljárással végezzük el, aminek paraméterezésével szabályozzuk a létrejövő statisztika részletességét, ezáltal lehetővé válik akár utca-finomságú vagy sávszintű forgalmi adatok generálása ugyanabból a felvételből. Jelen cikkünkben négy különböző helyszínen készült felvételen teszteltük az eljárásunkat, aminek eredményeként nemcsak az egyes irányok tetszőleges felbontású forgalmi statisztikáit állíthatjuk elő, hanem azok időszakok szerinti és útirány szerinti normalizáltjait is. A normalizált statisztikai adatok megmutatják a forgalom szempontjából frekventált időszakokat és útvonalakat. A cikk végén gyakorlati hasznosíthatóságra irányuló példákon keresztül mutatjuk be a módszer teljesítőképességét.

Grouping vehicles with similar paths is important for traffic analysis, but camera-image trajectories are distorted by perspective, and unsupervised clustering does not directly reveal how many traffic movements should be expected. This paper presents Homography-Guided Semantic Maneuver Graph Trajectory Clustering (HG-SMG-TC), a model-selection framework that uses a lightweight homography to estimate intersection structure while retaining isotropically normalized camera coordinates for clustering. Entry and exit endpoint groups are consolidated into physical approach-level groups, and their supported origin–destination relationships form a maneuver graph. Bootstrap resampling converts this structure into an interval for the expected number of observed movements, which guides clustering model selection. The method is evaluated on 67,029 vehicle trajectories from five urban intersection scenes in the Traffic Node Video Dataset, using separate target-estimation, model-selection, and independent-test recording blocks. Independent polygon-rule reference labels cover 89.6–98.4% of test trajectories. HG-SMG-TC reduces mean target-count error from 3.20 for untargeted selection and 2.53 for the point-target variant to 2.13, while achieving an adjusted Rand index of 0.734 and normalized mutual information of 0.839. The results show that the proposed semantic maneuver prior improves target alignment and provides a reproducible way to guide unsupervised trajectory clustering, while retaining explicit trade-offs across evaluation metrics.