CN110334111B - 一种多维轨迹分析方法及装置 - Google Patents

一种多维轨迹分析方法及装置 Download PDF

Info

Publication number
CN110334111B
CN110334111B CN201910510719.2A CN201910510719A CN110334111B CN 110334111 B CN110334111 B CN 110334111B CN 201910510719 A CN201910510719 A CN 201910510719A CN 110334111 B CN110334111 B CN 110334111B
Authority
CN
China
Prior art keywords
track
target
characteristic
time
space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910510719.2A
Other languages
English (en)
Other versions
CN110334111A (zh
Inventor
张涛
侯林林
张力
张广董
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Video Investigation Division
Original Assignee
Wuhan Video Investigation Division
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Video Investigation Division filed Critical Wuhan Video Investigation Division
Priority to CN201910510719.2A priority Critical patent/CN110334111B/zh
Publication of CN110334111A publication Critical patent/CN110334111A/zh
Application granted granted Critical
Publication of CN110334111B publication Critical patent/CN110334111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Psychiatry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种多维轨迹分析方法及装置，方法包括：对多维数据结构化处理后存储至数据仓库；从数据仓库中提取目标轨迹和各关联轨迹；将目标轨迹、各关联轨迹划分为各个轨迹段；确定每一轨迹段的时空特征值；对于与目标轨迹同类的关联轨迹，统计该关联轨迹与目标轨迹的时空特征值相同的轨迹段数量，作为该关联轨迹的关联值；对于与目标轨迹不同类的关联轨迹，将目标轨迹转换为与该关联轨迹同类的特征轨迹，统计该关联轨迹与特征轨迹的时空特征值相同的轨迹段数量，作为该关联轨迹的关联值；按照关联值大小对各关联轨迹进行排序；将排名前预设位的关联轨迹确定为目标关联对象的轨迹。应用本发明实施例，提高了多维轨迹分析的效率和准确度。

Description

一种多维轨迹分析方法及装置
技术领域
本发明涉及多维轨迹分析领域，尤其涉及一种多维轨迹分析方法及装置。
背景技术
为了加强城市的安全防护，通常需要对某些目标的轨迹进行分析，以确定出与该目标同行的其他对象，例如，通过车牌号找同行人员所使用WIFI的MAC号，通过所使用WIFI的MAC号找同行人员所乘坐的车等等。
目前，现有的多维轨迹分析方法，通常是直接对目标的轨迹和其他对象的轨迹进行比较，进而确定二者是否具有关联。但是，在现实环境中，各个维度的轨迹数据总是存在数据重复和单点位数据过密等问题，路况的拥堵情况、采集设备分布的合理与否、网络拥塞与延时、前端与后端系统的衔接程度等，都会对目标的轨迹造成相应的影响。例如，在堵车过程中，车主的号牌信息会在短时间内被同一设备多次采集。虽然此种情况也是反映出该车主在此时间范围内的行为轨迹，但是在就对目标(车主)的整个行为轨迹的分析上来看，在堵车的时间段内的目标产生的轨迹的信息熵将会较低。同时此种情况也会造成目标在堵车地点附近的空间范围内数据密度增大，从而增加了关联分析时目标的轨迹规模，最终增大了分析难度，降低了分析效率。
另外，由于不同类型的采集设备在采集过程存在差异，造成了不同维度的轨迹的数据密度差异较大。例如，WIFI、RFID等嗅探设备的数据采集密度是车辆、人像等卡口设备的数倍以上，这就导致在跨维度的轨迹分析中，数据密度存在不一致的问题，增加了多维轨迹分析的难度，容易造成关联分析准确度不高、数据分析效率低等问题。
因此有必要设计一种新的多维轨迹分析方法，以克服上述问题。。
发明内容
本发明的目的在于克服现有技术之缺陷，提供了一种多维轨迹分析方法及装置，以实现提高多维轨迹分析的效率和准确率。
本发明是这样实现的：
第一方面，本发明提供一种多维轨迹分析方法，所述方法包括：
获得各类采集设备采集的多维数据，对所获得的多维数据进行结构化处理；将结构化处理后的多维数据持久化存储至数据仓库；
从数据仓库中提取预设时段内目标出现的各轨迹点，形成目标轨迹；从数据仓库中提取预设时段内除所述目标以外的各个关联对象出现的各轨迹点，形成各个关联轨迹；
将目标轨迹、各个关联轨迹分别按照时间维度划分为长度均为预设同行时长的各个轨迹段；基于聚类算法，确定所划分的每一轨迹段的时空特征值；
对于与目标轨迹同类型的每一关联轨迹，统计该关联轨迹与目标轨迹的时空特征值相同的轨迹段的数量，作为目标轨迹与该关联轨迹的关联值；
对于与目标轨迹不同类型的每一关联轨迹，基于目标轨迹的每一轨迹段的时空特征值，将目标轨迹转换为与该关联轨迹同类型的特征轨迹；确定特征轨迹的每一轨迹段的时空特征值；统计该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量，作为目标轨迹与该关联轨迹的关联值；
按照关联值大小，对各关联轨迹进行排序；将排名前预设位的关联轨迹确定为与目标具有关联关系的目标关联对象的轨迹。
可选的，基于聚类算法，确定所划分的每一轨迹段的时空特征值，包括：
对于所划分的每一轨迹段，基于聚类算法对该轨迹段中各轨迹点的时间值进行聚类，得到时间质心；确定该轨迹段中时间值最接近于该时间质心的轨迹点的空间值为特征空间值；将该时间质心和该特征空间值作为该轨迹段的时空特征值。
可选的，基于目标轨迹的每一轨迹段的时空特征值，将目标轨迹转换为与该关联轨迹同类型的特征轨迹，包括：
对于目标轨迹的每一轨迹段，用该轨迹段的时空特征值中的空间值定位目标采集设备，将用于采集该类关联轨迹的关联设备中处于该目标采集设备附近的目标关联设备的位置作为特征位置；将特征位置和该轨迹段的时空特征值中的时间值作为特征点；基于该轨迹段的时空特征值中的时间值确定特征时间范围；用特征点以及各关联设备在特征时间范围采集的各轨迹点构成该轨迹段对应的特征区段；
将目标轨迹的各轨迹段对应的各特征区段串接形成的轨迹作为与该关联轨迹同类型的特征轨迹。
可选的，统计该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量，包括：
以特征轨迹的各个时空特征值作为各个时空筛选条件，构造SQL查询语句查找该关联轨迹中符合所述各个时空筛选条件的时空特征值，统计符合所述各个时空筛选条件的时空特征值的数量，得出该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量。
可选的，所述方法还包括：
用目标关联对象构建所述目标的知识图谱；
显示所述知识图谱。
第二方面，本发明提供一种多维轨迹分析装置，所述装置包括：
获得模块，用于获得各类采集设备采集的多维数据，对所获得的多维数据进行结构化处理；将结构化处理后的多维数据持久化存储至数据仓库；
提取模块，用于从数据仓库中提取预设时段内目标出现的各轨迹点，形成目标轨迹；从数据仓库中提取预设时段内除所述目标以外的各个关联对象出现的各轨迹点，形成各个关联轨迹；
确定模块，用于将目标轨迹、各个关联轨迹分别按照时间维度划分为长度均为预设同行时长的各个轨迹段；基于聚类算法，确定所划分的每一轨迹段的时空特征值；
第一统计模块，用于对于与目标轨迹同类型的每一关联轨迹，统计该关联轨迹与目标轨迹的时空特征值相同的轨迹段的数量，作为目标轨迹与该关联轨迹的关联值；
第二统计模块，用于对于与目标轨迹不同类型的每一关联轨迹，基于目标轨迹的每一轨迹段的时空特征值，将目标轨迹转换为与该关联轨迹同类型的特征轨迹；确定特征轨迹的每一轨迹段的时空特征值；统计该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量，作为目标轨迹与该关联轨迹的关联值；
排序模块，用于按照关联值大小，对各关联轨迹进行排序；将排名前预设位的关联轨迹确定为与目标具有关联关系的目标关联对象的轨迹。
可选的，所述确定模块基于聚类算法，确定所划分的每一轨迹段的时空特征值，具体为：
对于所划分的每一轨迹段，基于聚类算法对该轨迹段中各轨迹点的时间值进行聚类，得到时间质心；确定该轨迹段中时间值最接近于该时间质心的轨迹点的空间值为特征空间值；将该时间质心和该特征空间值作为该轨迹段的时空特征值。
可选的，所述第二统计模块基于目标轨迹的每一轨迹段的时空特征值，将目标轨迹转换为与该关联轨迹同类型的特征轨迹，具体为：
对于目标轨迹的每一轨迹段，用该轨迹段的时空特征值中的空间值定位目标采集设备，将用于采集该类关联轨迹的关联设备中处于该目标采集设备附近的目标关联设备的位置作为特征位置；将特征位置和该轨迹段的时空特征值中的时间值作为特征点；基于该轨迹段的时空特征值中的时间值确定特征时间范围；用特征点以及各关联设备在特征时间范围采集的各轨迹点构成该轨迹段对应的特征区段；
将目标轨迹的各轨迹段对应的各特征区段串接形成的轨迹作为与该关联轨迹同类型的特征轨迹。
可选的，所述第二统计模块统计该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量，具体为：
以特征轨迹的各个时空特征值作为各个时空筛选条件，构造SQL查询语句查找该关联轨迹中符合所述各个时空筛选条件的时空特征值，统计符合所述各个时空筛选条件的时空特征值的数量，得出该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量。
可选的，所述装置还包括显示模块，用于：
用目标关联对象构建所述目标的知识图谱；
显示所述知识图谱。
本发明具有以下有益效果：应用本发明实施例，通过按照时间维度划分轨迹段，用聚类算法对所划分的轨迹段进行聚类去重，降低了各维轨迹数据的数据密度，并且统一不同维度的轨迹数据之间的数据密度，降低了多维轨迹数据由于数据密度的不同和数据密度过大而带来的轨迹关联分析难度，提高了多维轨迹的分析效率；并且对于同维度轨迹分析，直接根据时空特征值相同的轨迹段的数量，确定目标与各个维度的关联对象之间的关联关系；对于跨维度轨迹分析，先将目标轨迹转换为与关联轨迹同类型的特征轨迹，进而可以进行同维度分析，从而提高了多维轨迹分析的准确度；通过对各关联轨迹进行排序，可以快速确定各关联对象的关联值排名，从而快速确定出目标关联对象，进一步提高了多维轨迹分析的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的多维轨迹分析方法的一种流程示意图；
图2为本发明实施例提供的目标轨迹与关联轨迹的分段示意图；
图3为本发明实施例提供的区域1内各采集设备的一种分布示意图；
图4为本发明实施例提供的多维轨迹分析装置的一种结构示意图。
具体实施方式
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一部分实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
需要说明的是，本发明所提供的多维轨迹分析方法可以应用于电子设备，其中，在具体应用中，该电子设备可以为计算机、个人电脑、平板、手机等等，这都是合理的。
参见图1，本发明实施例提供一种多维轨迹分析方法，方法包括如下步骤：
S101、获得各类采集设备采集的多维数据，对所获得的多维数据进行结构化处理；将结构化处理后的多维数据持久化存储至数据仓库；
采集设备可以有多种类型，例如，车辆卡口摄像机、RFID(Radio FrequencyIdentification，射频识别)嗅探设备、WIFI电子围栏等类型，每类采集设备可以用于采集一类轨迹数据，每类采集设备可以有一个或多个，可以分别设于不同的地方。例如，车辆卡口摄像机可以采集的数据包括：车辆数据、人脸图像数据等，RFID嗅探设备可以采集的数据包括：报警数据、身份证号数据、人脸图像数据、银行卡号数据等，WIFI电子围栏可以采集的数据包括：身份证号、手机号、MAC(Media Access Control Address，媒体访问控制地址)号、IMSI(International Mobile Subscriber Identification Number，国际移动用户识别码)号、IMEI(International Mobile Equipment Identity，国际移动设备识别码)号等。
一类数据可以看作一个维度，通过获得各类采集设备采集的数据，可以形成多维数据，多维数据中有的数据是结构化数据，例如，WIFI数据、RFID数据等，有的数据是非结构化数据，如车辆图像数据、人脸图像数据等等，结构化数据可以直接被电子设备读取并操作，可以直接将结构化数据存储至数据仓库；非结构化数据的数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据；因此，对于非结构化数据可以先进行结构化处理后，再存储至数据仓库。
通过数据仓库统一存储多维数据，可以获得更全面的基础数据源，有利于更全面的进行多维轨迹关联分析，提高方法的准确性。
所有采集设备采集的数据都可以包括具有时空属性，即包括该数据的采集时间和采集地点，采集时间为对象(如车、人、MAC号等)被采集设备采集到的时间；采集地点即为采集该对象的采集设备的地点。因此，所有存储至数据仓库的数据都具有时空属性，能够反映对象在指定时刻的所处的位置，通过指定某个对象在某段时间范围内一系列的时空状态串联后，可以形成该对象的轨迹数据。
S102、从数据仓库中提取预设时段内目标出现的各轨迹点，形成目标轨迹；从数据仓库中提取预设时段内除所述目标以外的各个关联对象出现的轨迹点，形成各个关联轨迹；
预设时段可以根据需求事先设定，例如，用户可以通过人机交互界面输入某个时间段，从而电子设备可以通过人机交互界面获得该时间段，作为预设时段；或者，电子设备可以默认设有预设时段，例如可以为最近一年、最近半年等等。
目标可以是待分析的对象，例如，可以是车牌号、人脸图片、身份证号、RFID标签、MAC地址或IMSI号、IMEI号等中的一种，目标可以有一个或多个。若目标有多个，可以针对每个目标分别执行本发明。
用户可以通过人机交互界面输入的目标，人机交互界面可以提供输入框，用户可以通过输入框输入身份证号码、人脸图像或车牌号等目标，电子设备可以通过人机交互界面获得目标。电子设备和人机交互界面所在的终端可以独立存在，也可以互为一体，本发明对此不做限定。
在确定待分析的目标和预设时段，电子设备可以从数据仓库中提取目标在预设时段内出现的各轨迹点。每一轨迹点用于记录一个对象出现的时间和地点，某个对象的所有轨迹点连接起来，就形成该对象的轨迹。
每一轨迹点可以包括以下信息：采集该轨迹点的采集设备的标识、该轨迹点所表征对象的对象标识、对象类型、时间和地点等，对象标识可以为具体的人脸图片、身份证号码、车牌号、MAC地址、IMSI或IMEI的具体值等，对象类型可以包括人脸图像类、身份证类、车牌类、MAC地址类、IMSI类、IMEI类等。对象标识可以唯一的标识对象。
为了实现不同类的轨迹之间的关联分析，关联对象和目标可以分别属于不同的轨迹类型，例如，目标为车牌号，关联对象为WIFI数据的MAC地址。从而实现找到与该车牌号关联的MAC地址，从而通过MAC地址确定WIFI所属的人员信息。应用本发明实施例，可以实现各维度轨迹数据进行综合对比。
用户可以通过人机交互界面选择关联对象的类型，例如，人机交互界面可以提供所执行的各轨迹类型的选项，用户在输入目标后，可以选择相应的关联对象类型的选项，从而，电子设备可以从数据仓库中提取预设时段内属于该类型的各个关联对象出现的轨迹点，例如，目标为车，关联对象的类型为WIFI，则关联对象的轨迹为WIFI轨迹数据；
或者，若用户未选择关联对象的类型，电子设备可以提取所有预设时段内除目标以外的所有关联对象出现的轨迹点，这种情况下，关联对象既包括与目标同类型的对象，例如，目标为车，关联对象也为车；也包括与目标不同类型的对象，例如，目标为车，关联对象也为MAC号、身份证号、人脸图像等等。
S103、将目标轨迹、各个关联轨迹分别按照时间维度划分为长度均为预设同行时长的各个轨迹段；基于聚类算法，确定所划分的每一轨迹段的时空特征值；
预设同行时长可以为允许接受的认定同行时间范围长度，可以根据前述预设时段确定，例如，可以事先设定预设时段和预设同行时长之间的对应关系，示例性的，预设时段为一年，预设同行时长可以为一个月、两个月等等；或者，预设同行时长可以根据用户需求设定，例如，可以获得用户通过人机交互界面输入的预设同行时长。
将目标轨迹按照预设同行时长划分为各个轨迹段；将各个关联轨迹按照预设同行时长划分为各个轨迹段；从而，每个轨迹段的时间长度均可以为预设同行时长，实现了对所有轨迹的区间划分。
为了降低轨迹的数据密度，同时统一不同维度的轨迹的数据密度，以提高分析效率，可以对目标轨迹和各个关联轨迹的各个轨迹段进行聚类去重，对于每一轨迹段，可以通过聚类算法确定能够代表该轨迹段时空特征的一组数据作为该轨迹段的时空特征值，通过这种方式，即使目标在该时空范围中多次出现也只算一次，同样的，即使各关联对象在该时空范围中多次出现也只算一次，从而降低了目标轨迹和各个关联轨迹的数据密度，并且统一了不同维度的轨迹的数据密度，还能够对目标在很大时间跨度范围内进行分析。
例如，WIFI轨迹数据中，MAC A在T时间区间内的时空特征值为(Ti,Si)，其中Ti表示时间特征值，Si表示空间特征值(即为在Ti时间采集到MAC A的采集设备的空间位置)，二者与单时空区间特征值V(t,s)以及整个轨迹Track满足如下公式：
Figure BDA0002093397440000101
其中，n表示整个轨迹Track被划分为n个轨迹段，Vj(t,s)表示第j个轨迹段内的各个轨迹点，fj(Ti,Si)表示经过聚类后得到的第j个轨迹段的时空特征值。
应用本发明实施例，通过聚类去重与区间划分可以统一多维轨迹数据之间的数据密度，降低了多维轨迹数据由于数据密度的不同而带来的轨迹关联分析难度，有利于提高多维轨迹分析的准确度和分析效率。
一种实现方式中，可以按照时间范围条件对轨迹进行聚类去重，具体的，基于聚类算法，确定目标轨迹和各个关联轨迹的每一轨迹段的时空特征值，可以包括：
对于目标轨迹和各个关联轨迹的每一轨迹段，基于聚类算法对该轨迹段中各轨迹点的时间值进行聚类，得到时间质心；确定该轨迹段中时间值最接近于该时间质心的轨迹点的空间值为特征空间值；将该时间质心和该特征空间值作为该轨迹段的时空特征值。
示例性的，某一轨迹段中各轨迹点的时间值分别为t1、t2、t3、…、tn，则用聚类算法对t1、t2、t3、…、tn进行聚类，得到时间质心Vt；确定该轨迹段中各轨迹点中时间值最接近该时间质心Vt的轨迹点的空间值为Vs，则该轨迹段的时空特征值为(Vt，Vs)。
本发明对具体采集的聚类算法不做限定，例如，可以为K-MEANS算法、基于闵可夫斯基距离(Minkowski距离)的聚类算法、基于夹角余弦相识度的聚类算法等等。
S104、对于与目标轨迹同类型的每一关联轨迹，统计该关联轨迹与目标轨迹的时空特征值相同的轨迹段的数量，作为目标轨迹与该关联轨迹的关联值；
由于关联轨迹是除目标以外的其他对象的轨迹，因此，关联轨迹中可能存在与目标同类型对象的轨迹，即为与目标轨迹同类型的关联轨迹；也可以存在与目标不同类型对象的轨迹，即为与目标轨迹不同类型的关联轨迹。
例如，目标为车a，则车b、车d的轨迹均为与目标轨迹同类型的关联轨迹；MAC号为A的WIFI轨迹为目标轨迹不同类型的关联轨迹。
若关联轨迹与目标轨迹同类型，则属于同维度的关联分析，采集关联轨迹与目标轨迹的采集设备类型相同，例如，采集车辆轨迹的均为车辆卡口摄像机、采集WIFI轨迹的均为WIFI电子围栏；对于同类型的轨迹数据，由于采集该类数据的各采集设备的空间位置固定，因此，采集设备采集到的与目标一同出现的对象的轨迹点与目标的轨迹点是相同的，可以直接通过比较轨迹点是否相同，来判断目标与对象之间的关联性。
这种情况下，如图2所示，可以直接将目标轨迹与关联轨迹分段比较，即对目标轨迹与关联轨迹中各个同时段的轨迹段的时空特征值进行比较，统计出时空特征值相同的轨迹段的数量，作为目标轨迹与该关联轨迹的关联值，若关联值越大，表明具有该关联轨迹的关联对象与目标一同出现的次数越多，关联程度越大。
例如，目标轨迹和关联轨迹均有3个轨迹段，关联轨迹的3个轨迹段中有两个轨迹段的时空特征值与目标轨迹相应轨迹段的时空特征值分别相同，则目标轨迹与该关联轨迹的关联值为2。
S105、对于与目标轨迹不同类型的每一关联轨迹，基于目标轨迹的每一轨迹段的时空特征值，将目标轨迹转换为与该关联轨迹同类型的特征轨迹；确定特征轨迹的每一轨迹段的时空特征值；统计该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量，作为目标轨迹与该关联轨迹的关联值；
若关联轨迹与目标轨迹不同类型，则属于跨维度的关联分析，例如车辆关联的WIFI设备的MAC号码、WIFI设备所属的人员信息等，采集关联轨迹与目标轨迹的采集设备类型可以不相同，因此，对于与目标一同出现的关联对象，用于采集该关联对象的关联设备所采集的轨迹点与用于采集目标的目标采集设备所采集的轨迹点在空间位置上并不相同，例如，如图3所示，目标(如某辆车)与关联对象(某个WiFi设备的MAC号)在ta时刻一同出现在区域1内，WIFI电子围栏a1的空间位置为a1，卡口A的空间位置为A，WIFI电子围栏a2的空间位置为a2，则由WIFI电子围栏a1和WIFI电子围栏a2采集的关联对象的轨迹点分别为(ta，a1)、(ta，a2)，因此，卡口A采集的目标的轨迹点为(ta，A)，可见，采集设备采集到的与目标一同出现的对象的轨迹点与目标的轨迹点在空间位置上并不相同，因此，不可以直接通过比较轨迹点是否相同，来判断目标与对象之间的关联性。
在这种情况下，可以将目标轨迹转换为与该关联轨迹同类型的特征轨迹，进而通过特征轨迹与关联轨迹进行分段比较，即对特征轨迹与关联轨迹中各个同时段的轨迹段的时空特征值进行比较，统计出时空特征值相同的轨迹段的数量，作为目标轨迹与该关联轨迹的关联值。
确定特征轨迹的每一轨迹段的时空特征值的方式与前述确定目标轨迹每一轨迹段的时空特征值的方式可以相同，在此不再赘述。
具体的，统计该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量，可以包括：
以特征轨迹的各个时空特征值作为各个时空筛选条件，构造SQL查询语句查找该关联轨迹中符合所述各个时空筛选条件的时空特征值，统计符合所述各个时空筛选条件的时空特征值的数量，得出该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量。
电子设备可以基于各个时空筛选条件自动生成SQL(Structured QueryLanguage，结构化查询语言)查询语句，或者，可以显示各个时空筛选条件，由用户基于各个时空筛选条件编写SQL查询语句，电子设备获得用户编写的SQL查询语句，并执行该SQL查询语句。
本发明可以部署于大数据环境，车辆数据、WIFI数据等多维数据经过结构化处理后，可以通过Kafka消息系统汇聚写入数据仓库Kudu。Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以快速的通过并行加载机制来统一进行线上和离线的消息处理，实现了通过集群来提供实时的消息。Apache Kudu是由Cloudera开源的存储引擎，可以同时提供低延迟的随机读写和高效的数据分析能力。Kudu支持水平扩展，具有一致性保证、大数据查询和分析等能力。Impala是一种查询系统，它可以提供SQL语义，能快速查询数据。
另外，对于与目标轨迹同类型的每一关联轨迹，统计该关联轨迹与目标轨迹的时空特征值相同的轨迹段的数量的方式可以与前述统计关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量的方式相同，
应用本发明实施例，先对各维度轨迹进行聚类去重、区间划分得到各轨迹段，对于同维度轨迹分析，直接根据时空特征值相同的轨迹段的数量，确定目标与各个维度的关联对象之间的关联关系，提高了多维轨迹分析效率；对于跨维度轨迹分析，先将目标轨迹转换为与关联轨迹同类型的特征轨迹，进而可以进行同维度分析，提高了多维轨迹分析的准确度。
一种实现方式中，基于目标轨迹的每一轨迹段的时空特征值，将目标轨迹转换为与该关联轨迹同类型的特征轨迹，包括：
对于目标轨迹的每一轨迹段，用该轨迹段的时空特征值中的空间值定位目标采集设备，将用于采集该类关联轨迹的关联设备中处于该目标采集设备附近的目标关联设备的位置作为特征位置；将特征位置和该轨迹段的时空特征值中的时间值作为特征点；基于该轨迹段的时空特征值中的时间值确定特征时间范围；用特征点以及各关联设备在特征时间范围采集的各轨迹点构成该轨迹段对应的特征区段；
将目标轨迹的各轨迹段对应的各特征区段串接形成的轨迹作为与该关联轨迹同类型的特征轨迹。
对于目标轨迹的每一轨迹段，目标采集设备可以为用于采集目标轨迹的设备中处于该轨迹段的时空特征值中的空间值位置的设备；例如，目标为车F，采集车F轨迹的设备包括卡口1、卡口2、卡口3，对于车F轨迹的某一轨迹段，假设该轨迹段的时空特征值为(Vt，Vs)，则该轨迹段的目标采集设备为卡口1、卡口2、卡口3中位置为Vs的设备。
可以通过查找预设设备关联表，确定处于目标采集设备附近的目标关联设备。预设设备关联表可以根据各采集设备之间的位置关系事先设置，例如，可以根据各采集设备的经纬度计算相互之间的欧式距离，将欧式距离处于预设范围内的各采集设备建立设备关联关系。预设范围可以为方圆100米、50米等等。
例如，如图3所示，WIFI电子围栏a1、卡口A和WIFI电子围栏a2之间具有设备关联关系，若目标采集设备为卡口A，则目标关联设备包括WIFI电子围栏a1和WIFI电子围栏a2，则特征点包括(ta，a1)、(ta，a2)。
基于该轨迹段的时空特征值中的时间值确定特征时间范围，可以包括用与该轨迹段的时空特征值中的时间值减去二分一倍预设同行时长的差值作为特征时间起点；用与该轨迹段的时空特征值中的时间值加去二分一倍预设同行时长的和值再减1作为特征时间终点；得到由特征时间起点和特征时间终点构成的特征时间范围。
例如，预设同行时长为30天，轨迹段的时空特征值中的时间值为2019年1月16日14点，则特征时间范围为2019年1月1日14点-2019年1月30日14点。
S106、按照关联值大小，对各关联轨迹进行排序；将排名前预设位的关联轨迹确定为与目标具有关联关系的目标关联对象的轨迹。
前预设位可以根据需求事先设定，例如，可以为前1位、前2位、前3位、前10位等等。
通过排序，可以快速确定各关联对象的关联值排名，从而快速确定出目标关联对象。
可见，应用本发明实施例提供的技术方案，实现了对多维度轨迹的分析，提高了多维度轨迹分析的效率和准确率。
为了便于用户查看关联分析结果，一种实现方式中，所述方法还包括：
用目标关联对象构建所述目标的知识图谱；
显示所述知识图谱。
利用上述S106步骤得出的目标关联对象，针对目标建立相应的知识图谱，可以实现车找WIFI，WIFI找人的快速查询等应用。知识图谱是用可视化技术描述目标关联对象及目标之间关联关系的图形，具有生动形象的特点。
在确定目标关联对象之后，还可以将目标关联对象与目标对象之间的关联关系通过知识图谱的形式显示，从而更明确、直观的体现目标和各目标关联对象之间的关系。
下面以WIFI找车的情况为例，对本发明进行说明：
步骤1、将车辆数据、WIFI数据经过结构化后汇聚写入数据仓库；
步骤2、根据目标车牌查询具有该目标车牌的目标车辆在预设时段内的目标轨迹；
步骤3、将目标轨迹按照时间维度划分为长度均等的各轨迹段，在每一轨迹段中，目标车辆的轨迹是连续的，但是可能存在车辆数据重复等问题。
步骤4、针对目标轨迹的每一轨迹段，通过聚类去重等方式确定该轨迹段内能够反映目标车辆所处时间和空间的时空特征值，该时空特征值在该轨迹段中是唯一的。
步骤5、将目标轨迹的各轨迹段的时空特征值重组为目标车辆特征轨迹，该轨迹相对于车辆原始的目标轨迹是离散的，并且也能够反映出目标车辆完整的轨迹行为特征。
步骤6、通过WIFI嗅探设备与车辆卡口设备的空间关联关系，将目标车辆特征轨迹转换为WIFI特征轨迹。
步骤7、将步骤6转换得到的WIFI特征轨迹的各轨迹段的时空特征值作为目标WIFI的时空筛选条件，利用这些条件构造SQL，通过Impala完成对目标WIFI的聚合筛选工作，得出最具关联关系的一组目标MAC。
与上述的方法实施例相对应，本发明实施例还提供一种多维轨迹分析装置。
参见图4，图4为本发明实施例所提供的一种多维轨迹分析装置的结构示意图，所述装置包括：
获得模块201，用于获得各类采集设备采集的多维数据，对所获得的多维数据进行结构化处理；将结构化处理后的多维数据持久化存储至数据仓库；
提取模块202，用于从数据仓库中提取预设时段内目标出现的各轨迹点，形成目标轨迹；从数据仓库中提取预设时段内除所述目标以外的各个关联对象出现的各轨迹点，形成各个关联轨迹；
确定模块203，用于将目标轨迹、各个关联轨迹分别按照时间维度划分为长度均为预设同行时长的各个轨迹段；基于聚类算法，确定所划分的每一轨迹段的时空特征值；
第一统计模块204，用于对于与目标轨迹同类型的每一关联轨迹，统计该关联轨迹与目标轨迹的时空特征值相同的轨迹段的数量，作为目标轨迹与该关联轨迹的关联值；
第二统计模块205，用于对于与目标轨迹不同类型的每一关联轨迹，基于目标轨迹的每一轨迹段的时空特征值，将目标轨迹转换为与该关联轨迹同类型的特征轨迹；确定特征轨迹的每一轨迹段的时空特征值；统计该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量，作为目标轨迹与该关联轨迹的关联值；
排序模块206，用于按照关联值大小，对各关联轨迹进行排序；将排名前预设位的关联轨迹确定为与目标具有关联关系的目标关联对象的轨迹。
应用本发明实施例，通过聚类算法去重与按照时间维度划分轨迹段，降低了各维轨迹数据的数据密度，并且统一不同维度的轨迹数据之间的数据密度，降低了多维轨迹数据由于数据密度的不同和数据密度过大而带来的轨迹关联分析难度，提高了多维轨迹的分析效率；并且对于同维度轨迹分析，直接根据时空特征值相同的轨迹段的数量，确定目标与各个维度的关联对象之间的关联关系；对于跨维度轨迹分析，先将目标轨迹转换为与关联轨迹同类型的特征轨迹，进而可以进行同维度分析，从而提高了多维轨迹分析的准确度；通过对各关联轨迹进行排序，可以快速确定各关联对象的关联值排名，从而快速确定出目标关联对象，进一步提高了多维轨迹分析的效率。
可选的，所述确定模块基于聚类算法，确定所划分的每一轨迹段的时空特征值，具体为：
对于所划分的每一轨迹段，基于聚类算法对该轨迹段中各轨迹点的时间值进行聚类，得到时间质心；确定该轨迹段中时间值最接近于该时间质心的轨迹点的空间值为特征空间值；将该时间质心和该特征空间值作为该轨迹段的时空特征值。
可选的，所述第二统计模块基于目标轨迹的每一轨迹段的时空特征值，将目标轨迹转换为与该关联轨迹同类型的特征轨迹，具体为：
对于目标轨迹的每一轨迹段，用该轨迹段的时空特征值中的空间值定位目标采集设备，将用于采集该类关联轨迹的关联设备中处于该目标采集设备附近的目标关联设备的位置作为特征位置；将特征位置和该轨迹段的时空特征值中的时间值作为特征点；基于该轨迹段的时空特征值中的时间值确定特征时间范围；用特征点以及各关联设备在特征时间范围采集的各轨迹点构成该轨迹段对应的特征区段；
将目标轨迹的各轨迹段对应的各特征区段串接形成的轨迹作为与该关联轨迹同类型的特征轨迹。
可选的，所述第二统计模块统计该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量，具体为：
以特征轨迹的各个时空特征值作为各个时空筛选条件，构造SQL查询语句查找该关联轨迹中符合所述各个时空筛选条件的时空特征值，统计符合所述各个时空筛选条件的时空特征值的数量，得出该关联轨迹与特征轨迹的时空特征值相同的轨迹段的数量。
可选的，所述装置还包括显示模块，用于：
用目标关联对象构建所述目标的知识图谱；
显示所述知识图谱。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种多维轨迹分析方法，其特征在于，所述方法包括：
获得各类采集设备采集的多维数据，对所获得的多维数据进行结构化处理；将结构化处理后的多维数据持久化存储至数据仓库；
从数据仓库中提取预设时段内目标出现的各轨迹点，形成目标轨迹；从数据仓库中提取预设时段内除所述目标以外的各个关联对象出现的各轨迹点，形成各个关联轨迹；
将所述目标轨迹、所述各个关联轨迹分别按照时间维度划分为长度均为预设同行时长的各个轨迹段；基于聚类算法，确定所划分的每一轨迹段的时空特征值，具体包括：对于所划分的每一轨迹段，基于聚类算法对该轨迹段中各轨迹点的时间值进行聚类，得到时间质心；确定该轨迹段中时间值最接近于该时间质心的轨迹点的空间值为特征空间值；将该时间质心和该特征空间值作为该轨迹段的时空特征值；
对于与所述目标轨迹同类型的每一关联轨迹，统计该关联轨迹与所述目标轨迹的时空特征值相同的轨迹段的数量，作为所述目标轨迹与该关联轨迹的关联值；
对于与所述目标轨迹不同类型的每一关联轨迹，基于所述目标轨迹的每一轨迹段的时空特征值，将所述目标轨迹转换为与该关联轨迹同类型的特征轨迹，具体包括：对于所述目标轨迹的每一轨迹段，用该轨迹段的时空特征值中的空间值定位目标采集设备，将用于采集该关联轨迹的关联设备中处于该目标采集设备附近的目标关联设备的位置作为特征位置；将特征位置和该轨迹段的时空特征值中的时间值作为特征点；基于该轨迹段的时空特征值中的时间值确定特征时间范围；用该特征点以及各关联设备在该特征时间范围采集的各轨迹点构成该轨迹段对应的特征区段；
将所述目标轨迹的各轨迹段对应的各特征区段串接形成的轨迹作为与该关联轨迹同类型的特征轨迹；
确定所述特征轨迹的每一轨迹段的时空特征值；统计该关联轨迹与所述特征轨迹的时空特征值相同的轨迹段的数量，作为所述目标轨迹与该关联轨迹的关联值；
按照关联值大小，对所述各个关联轨迹进行排序；将排名前预设位的关联轨迹确定为与所述目标具有关联关系的目标关联对象的轨迹。
2.根据权利要求1所述的方法，其特征在于，统计该关联轨迹与所述特征轨迹的时空特征值相同的轨迹段的数量，包括：
以所述特征轨迹的各个时空特征值作为各个时空筛选条件，构造SQL查询语句查找该关联轨迹中符合所述各个时空筛选条件的时空特征值，统计符合所述各个时空筛选条件的时空特征值的数量，得出该关联轨迹与所述特征轨迹的时空特征值相同的轨迹段的数量。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
用所述目标关联对象构建所述目标的知识图谱；
显示所述知识图谱。
4.一种多维轨迹分析装置，其特征在于，所述装置包括：
获得模块，用于获得各类采集设备采集的多维数据，对所获得的多维数据进行结构化处理；将结构化处理后的多维数据持久化存储至数据仓库；
提取模块，用于从数据仓库中提取预设时段内目标出现的各轨迹点，形成目标轨迹；从数据仓库中提取预设时段内除所述目标以外的各个关联对象出现的各轨迹点，形成各个关联轨迹；
确定模块，用于将所述目标轨迹、所述各个关联轨迹分别按照时间维度划分为长度均为预设同行时长的各个轨迹段；基于聚类算法，确定所划分的每一轨迹段的时空特征值，具体包括：对于所划分的每一轨迹段，基于聚类算法对该轨迹段中各轨迹点的时间值进行聚类，得到时间质心；确定该轨迹段中时间值最接近于该时间质心的轨迹点的空间值为特征空间值；将该时间质心和该特征空间值作为该轨迹段的时空特征值；
第一统计模块，用于对于与所述目标轨迹同类型的每一关联轨迹，统计该关联轨迹与所述目标轨迹的时空特征值相同的轨迹段的数量，作为所述目标轨迹与该关联轨迹的关联值；
第二统计模块，用于对于与所述目标轨迹不同类型的每一关联轨迹，基于所述目标轨迹的每一轨迹段的时空特征值，将所述目标轨迹转换为与该关联轨迹同类型的特征轨迹，具体包括：对于所述目标轨迹的每一轨迹段，用该轨迹段的时空特征值中的空间值定位目标采集设备，将用于采集该关联轨迹的关联设备中处于该目标采集设备附近的目标关联设备的位置作为特征位置；将特征位置和该轨迹段的时空特征值中的时间值作为特征点；基于该轨迹段的时空特征值中的时间值确定特征时间范围；用该特征点以及各关联设备在该特征时间范围采集的各轨迹点构成该轨迹段对应的特征区段；
将所述目标轨迹的各轨迹段对应的各特征区段串接形成的轨迹作为与该关联轨迹同类型的特征轨迹；
确定所述特征轨迹的每一轨迹段的时空特征值；统计该关联轨迹与所述特征轨迹的时空特征值相同的轨迹段的数量，作为所述目标轨迹与该关联轨迹的关联值；
排序模块，用于按照关联值大小，对所述各个关联轨迹进行排序；将排名前预设位的关联轨迹确定为与所述目标具有关联关系的目标关联对象的轨迹。
5.根据权利要求4所述的装置，其特征在于，所述第二统计模块统计该关联轨迹与所述特征轨迹的时空特征值相同的轨迹段的数量，具体为：
以所述特征轨迹的各个时空特征值作为各个时空筛选条件，构造SQL查询语句查找该关联轨迹中符合所述各个时空筛选条件的时空特征值，统计符合所述各个时空筛选条件的时空特征值的数量，得出该关联轨迹与所述特征轨迹的时空特征值相同的轨迹段的数量。
6.根据权利要求4所述的装置，其特征在于，所述装置还包括显示模块，用于：
用所述目标关联对象构建所述目标的知识图谱；
显示所述知识图谱。
CN201910510719.2A 2019-06-13 2019-06-13 一种多维轨迹分析方法及装置 Active CN110334111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910510719.2A CN110334111B (zh) 2019-06-13 2019-06-13 一种多维轨迹分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910510719.2A CN110334111B (zh) 2019-06-13 2019-06-13 一种多维轨迹分析方法及装置

Publications (2)

Publication Number Publication Date
CN110334111A CN110334111A (zh) 2019-10-15
CN110334111B true CN110334111B (zh) 2023-06-02

Family

ID=68140241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910510719.2A Active CN110334111B (zh) 2019-06-13 2019-06-13 一种多维轨迹分析方法及装置

Country Status (1)

Country Link
CN (1) CN110334111B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110874362A (zh) * 2019-10-29 2020-03-10 青岛海信网络科技股份有限公司 一种数据关联分析方法及装置
CN111460246B (zh) * 2019-12-19 2020-12-08 南京柏跃软件有限公司 基于数据挖掘和密度检测的实时活动异常人员发现方法
CN111078759B (zh) * 2019-12-20 2023-08-15 方正国际软件(北京)有限公司 多维时空数据碰撞方法、装置、设备和存储介质
CN113706574B (zh) * 2020-05-20 2024-01-02 杭州海康威视数字技术股份有限公司 一种移动轨迹确定方法、装置、电子设备及存储介质
CN111695511B (zh) * 2020-06-12 2021-04-16 中国人民公安大学 基于城市社区的对象管理方法、装置、可读介质及设备
CN112632354A (zh) * 2020-12-23 2021-04-09 东方网力科技股份有限公司 一种imsi和人脸深度拟合方法、装置、设备及系统
CN112748451B (zh) * 2021-01-26 2022-04-22 腾讯科技（深圳）有限公司 轨迹处理方法、装置、电子设备及介质
CN113536084B (zh) * 2021-06-29 2022-10-14 中国人民解放军战略支援部队航天工程大学 一种时空事件提取系统和方法
CN114663691B (zh) * 2022-05-24 2022-09-20 浙江大华技术股份有限公司 一种落脚点定位方法、装置及电子设备
CN116363565B (zh) * 2023-06-01 2023-08-11 深圳须弥云图空间科技有限公司 目标轨迹确定方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808759A (zh) * 2016-03-15 2016-07-27 中国农业大学 面向轨迹挖掘的数据预处理方法及系统
CN109033440A (zh) * 2018-08-15 2018-12-18 武汉烽火众智数字技术有限责任公司 一种视频侦查多维轨迹分析方法
CN109656973A (zh) * 2018-11-30 2019-04-19 武汉烽火众智数字技术有限责任公司 一种目标对象关联分析方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808759A (zh) * 2016-03-15 2016-07-27 中国农业大学 面向轨迹挖掘的数据预处理方法及系统
CN109033440A (zh) * 2018-08-15 2018-12-18 武汉烽火众智数字技术有限责任公司 一种视频侦查多维轨迹分析方法
CN109656973A (zh) * 2018-11-30 2019-04-19 武汉烽火众智数字技术有限责任公司 一种目标对象关联分析方法及装置

Also Published As

Publication number Publication date
CN110334111A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN110334111B (zh) 一种多维轨迹分析方法及装置
US20230161816A1 (en) Short-term and long-term memory on an edge device
CN110428091B (zh) 基于数据分析的风险识别方法及相关设备
CN101281593B (zh) 智能视频监控事件检索方法及系统
EP2863338B1 (en) Delayed vehicle identification for privacy enforcement
CN101778260B (zh) 一种基于结构化描述的视频监控管理方法及系统
CN103942811A (zh) 分布式并行确定特征目标运动轨迹的方法与系统
CN109783685A (zh) 一种查询方法及装置
CN101840422A (zh) 基于目标特征和报警行为的智能视频检索系统和方法
CN109656973B (zh) 一种目标对象关联分析方法及装置
CN108009596B (zh) 确定降雨特征的方法和装置
US9792334B2 (en) Large-scale processing and querying for real-time surveillance
CN102103609A (zh) 一种信息检索方法及系统
CN111222373A (zh) 一种人员行为分析方法、装置和电子设备
CN109299307B (zh) 一种基于结构分析的商标检索预警方法及装置
Sikirić et al. Image representations on a budget: Traffic scene classification in a restricted bandwidth scenario
CN111078512A (zh) 告警记录生成方法、装置、告警设备及存储介质
CN110309810A (zh) 一种基于批次中心相似度的行人重识别方法
CN111435435B (zh) 一种同伴识别方法、装置、服务器及系统
CN114023076B (zh) 一种基于多源异构数据的特定车辆追踪方法
CN112637548B (zh) 一种基于摄像机的信息关联预警方法及装置
CN110543583A (zh) 信息处理方法及装置、图像设备及存储介质
CN116433053B (zh) 数据处理方法、装置、计算机设备和存储介质
CN108831158A (zh) 违停监测方法、装置及电子终端
CN112115281A (zh) 数据检索方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant