CN110517495A

CN110517495A - 车辆轨迹类别的确认方法、装置、设备和存储介质

Info

Publication number: CN110517495A
Application number: CN201910836193.7A
Authority: CN
Inventors: 郭晓丹; 吴鹏; 吴翔; 葛华; 俞楠; 王夷
Original assignee: Sichuan Dongfang Wangli Technology Co Ltd
Current assignee: Sichuan Dongfang Wangli Technology Co Ltd
Priority date: 2019-09-05
Filing date: 2019-09-05
Publication date: 2019-11-29

Abstract

本发明涉及车辆交通相关技术领域，具体涉及一种车辆轨迹类别的确认方法、装置、设备和存储介质。其中，本申请提供的车辆轨迹类别的确认方法，包括：获取目标车辆轨迹数据；其中，轨迹数据包括：采集到目标车辆信息的采集设备的位置数据；基于预设的转化方法，将目标车辆轨迹数据转化为目标坐标张量数据；将目标坐标张量数据输入至预先训练的车辆轨迹类别确认模型，得到目标车辆轨迹的车辆轨迹类别。如此，通过上述步骤便可以完成对于车辆轨迹类别的确认。这个过程中主要依赖车辆轨迹类别确认模型进行辆轨迹类别的确认，而非人工判断车辆轨迹类别，可以避免浪费大量的人力，避免受到工作人员精力的影响，提高效率。

Description

车辆轨迹类别的确认方法、装置、设备和存储介质

技术领域

本发明涉及车辆交通相关技术领域，具体涉及一种车辆轨迹类别的确认方法、装置、设备和存储介质。

背景技术

随着科技的进步和社会的发展，车辆已经初步成为一种重要的交通工具。目前，一些安防系统希望把车辆按照行驶路径轨迹进行分类，以便于对一些异常的类别车辆便于监控和告警；例如目前已有安防系统按照车辆的行驶轨迹将车辆轨迹类别分为三类，如“私企上班族车辆轨迹”，“公务员车辆轨迹”，“自由职业车辆轨迹”。

但是，目前车辆轨迹类别的确认方法为：由工作人员对车辆的轨迹进行分析，逐个判断各个车辆的车辆轨迹类别。但是随着车辆越来越多，数据量越来越大，通过人工判断车辆轨迹类别的方式会浪费大量的人力，且受到工作人员精力的影响，效率较为低下。

发明内容

有鉴于此，提供一种车辆轨迹类别的确认方法、装置、设备和存储介质。以解决相关技术中通过人工判断车辆轨迹类别的方式会浪费大量的人力，且受到工作人员精力的影响，效率较为低下。

本发明采用如下技术方案：

第一方面，本发明实施例提供了一种车辆轨迹类别的确认方法，包括：

获取目标车辆轨迹数据；其中，所述轨迹数据包括：采集到目标车辆信息的采集设备的位置数据；

基于预设的转化方法，将所述目标车辆轨迹数据转化为目标坐标张量数据；

将所述目标坐标张量数据输入至预先训练的车辆轨迹类别确认模型，得到所述目标车辆轨迹的车辆轨迹类别。

可选的，所述获取目标车辆轨迹数据包括：

获取各个采集设备发送的过往车辆的信息；其中，各个采集设备一一对应的预先设置在各个预设位置，用于获取过往车辆的信息；

依次筛选各个采集设备发送过往车辆的信息，判断各所述采集设备是否采集到目标车辆；

若判断结果为是，则将采集到目标车辆的采集设备的位置数据归为目标车辆轨迹数据。

可选的，还包括：

获取各个采集设备所在位置的经纬度数据；

基于所述经纬度数据，建立坐标系；

确定各个采集设备的坐标，将采集设备的坐标作为所述采集设备的位置数据。

可选的，所述基于预设的转化方法，将所述目标车辆轨迹数据转化为目标坐标张量数据包括：

基于各个所述采集设备的位置数据确定一个轨迹坐标图；

在所述轨迹坐标图中，对所述目标车辆轨迹数据对应的坐标进行着色；

基于着色后轨迹坐标图生成目标坐标张量数据。

可选的，所述基于着色后轨迹坐标图生成坐标张量数据包括：

按照轨迹坐标图中着色的点记做1，没有着色的点记做0的规则，将轨迹坐标图转化为一个数组；

其中，所述数组为目标坐标张量数据。

可选的，所述预先训练的车辆轨迹类别确认模型的训练过程包括：

获取第一预设数量坐标张量数据；

确定各个坐标张量数据对应的车辆轨迹类别，并生成类别标识；

将坐标张量数据和类别标识作为第一训练样本，对预先构建的卷积神经网络模型进行训练，得到车辆轨迹类别确认模型。

可选的，还包括：

获取当前车辆轨迹类别确认模型不具备的待添加车辆轨迹类别；

获取所述待添加车辆轨迹类别对应的由坐标张量数据和类别标识构成的第二训练样本；

通过所述第二训练样本，对所述车辆轨迹类别确认模型进行训练。

第二方面，一种车辆轨迹类别的确认装置，包括：

获取模块，用于获取目标车辆轨迹数据；其中，所述轨迹数据包括：采集到目标车辆信息的采集设备的位置数据；

转化模块，用于基于预设的转化方法，将所述目标车辆轨迹数据转化为坐标张量数据；

类别确认模块，用于将所述坐标张量数据输入至预先训练的车辆轨迹类别确认模型，得到所述目标车辆轨迹的车辆轨迹类别。

进一步的，获取模块具体用于：

进一步的，获取模块还用于：

获取各个采集设备所在位置的经纬度数据；

基于所述经纬度数据，建立坐标系；

进一步的，转化模块具体用于：

基于各个所述采集设备的位置数据确定一个轨迹坐标图；

基于着色后轨迹坐标图生成目标坐标张量数据。

进一步的，类别确认模块具体用于：

其中，所述数组为目标坐标张量数据。

进一步的，所述预先训练的车辆轨迹类别确认模型的训练过程包括：

获取第一预设数量坐标张量数据；

进一步的，训练的车辆轨迹类别确认模型的训练过程还包括：

第三方面，一种车辆轨迹类别的确认设备，包括：处理器，以及与所述处理器相连接的存储器；

所述存储器用于存储计算机程序，所述计算机程序至少用于执行第一方面所述的车辆轨迹类别的确认方法；

所述处理器用于调用并执行所述存储器中的所述计算机程序。

第四方面，一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面所述的车辆轨迹类别的确认方法中各个步骤。

本发明采用以上技术方案，在获取目标车辆轨迹数据之后，对车辆轨迹数据进行处理，基于预设的转化方法，将目标车辆轨迹数据转化为目标坐标张量数据；之后，将目标坐标张量数据输入至预先训练的车辆轨迹类别确认模型，得到目标车辆轨迹的车辆轨迹类别。如此在对于车辆轨迹类别的确认过程中，只需将目标坐标张量数据输入至预先训练的车辆轨迹类别确认模型，便可以完成对于车辆轨迹类别的确认。这个过程中主要依赖车辆轨迹类别确认模型进行辆轨迹类别的确认，而非人工判断车辆轨迹类别，可以避免浪费大量的人力，避免受到工作人员精力的影响，提高效率。

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他的附图。

图1是本发明实施例提供的一种车辆轨迹类别的确认方法的流程图；

图2是本发明实施例提供的一种车辆轨迹类别的确认方法中获取目标车辆轨迹数据的流程图；

图3是本发明实施例提供的一种基于坐标的采集设备位置数据生成方法流程图；

图4是本实施例提供的一种抓拍设备坐标转换图；

图5是本发明实施例提供的一种车辆轨迹类别的确认方法中基于预设的转化方法，将目标车辆轨迹数据转化为目标坐标张量数据的流程图；

图6是本申请提供的实施例中一个过车抓拍轨迹数据着色图；

图7是本申请提供的实施例中车辆轨迹类别确认模型训练方法流程图；

图8是本申请提供的轨迹判断相似处理流程图；

图9是本发明又一实施例提供的一种车辆轨迹类别的确认装置的结构示意图；

图10为一种车辆轨迹类别的确认设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

首先对本发明实施例的应用场景进行说明，应用场景如下：在安防系统可以采集很多车辆的车牌和车辆轨迹数据。安防系统希望把车辆分类，以便于对一些异常的类别车辆便于监控和告警；车辆的轨迹分类具体要按照场景自定义，比如可以将现有的一批车辆分为三类，如“私企上班族车辆轨迹”，“公务员车辆轨迹”，“自由职业车辆轨迹”；

现在技术下，如何判断一车辆的轨迹是否属于一个轨迹类型采用以下的方式：如：判断一车辆的轨迹是否属于“私企上班族车辆轨迹”，首先需要知道一批轨迹车辆的轨迹(已经是私企上班族这类的车辆)，需要抽取这批车辆的轨迹的共性，比如取相交的经过相同的设备ID相似率达到80％，经常经过设备 ID的top3，相同等等，之后需要人工的分析这类轨迹数据，之后对于获取待确定类别的车辆的车辆轨迹，由人工分析这类轨迹数据和这个车辆的轨迹数据之间的关系，进而判断待确定类别的车辆的类别。这个过程不仅繁琐，还极大地依赖人力，受到员工精力的影响，效率低下。

为了解决上述问题，本申请提出了对应的解决方案。

实施例

图1是本发明实施例提供的一种车辆轨迹类别的确认方法的流程图，参考图1，该方法具体可以包括如下步骤：

S101、获取目标车辆轨迹数据；其中，轨迹数据包括：采集到目标车辆信息的采集设备的位置数据；

具体的，目标车辆轨迹指目标车辆的行驶路线。本申请主要解决的问题是依据车辆的行驶路线对车辆进行分类，以便于更好地进行车辆监控，道路规划，等。但是，实际场景中，车辆的行驶路线不易获得。基于目前较为完善的监控设备(设置在各个位置的摄像头等监控设备，当然也可以是一些射频监控设备)。本申请中将采集到目标车辆信息的采集设备的位置看做是车辆行驶路线的一部分。如此，整合区域内的全部采集设备中采集到目标车辆信息的采集设备的位置，便可以近似的看做车辆的行驶路线。

例如：想要了解车牌号为京A11111的车辆的在北京市区的一段时间内的行驶路线，可以查询北京市区内全部的摄像头在这一段时间拍摄的视频，确定拍摄到车牌号为京A11111的车辆的摄像头，之后将这些拍摄到到车牌号为京 A11111的车辆的摄像头的位置进行整合，得到离散的车牌号为京A11111的车辆经过的点，将这些点近似的看做车牌号为京A11111的车辆的行驶路径，以便于对车牌号为京A11111的车辆进行分析。需要说明的是，当前的交通系统并设置在各个路口的摄像装置，本身便具有确定车辆车牌号的功能。

具体的，参照图2，图2是本发明实施例提供的一种车辆轨迹类别的确认方法中获取目标车辆轨迹数据的流程图，获取目标车辆轨迹数据的具体流程图可以包括如下步骤：

S201，获取各个采集设备发送的过往车辆的信息；其中，各个采集设备一一对应的预先设置在各个预设位置，用于获取过往车辆的信息；

需要说明的是，此处各个采集设备一般为设置在各个路口处的摄像装置。基于实际应用场景，确定一个合适的范围，基于范围内的采集设备进行处理。例如我方需要进行区域A的安防，那么，我方需要得到区域A及其附近预设范围内(例如区域A及其周围20公里的范围内)的采集设备采集的信息。并且确定采集设备的地址。

S202，依次筛选各个采集设备发送过往车辆的信息，判断各采集设备是否采集到目标车辆；

需要说明的是，目前的采集设备均具有是被车辆的功能，当然一些识别工作是由后台系统完成的。例如在一条路上有5个摄像头(5摄像头分布在不同的位置)，每个摄像头都可以拍摄一部分区域的监控视频。后台系统接收到摄像头采集的视频后，对视频进行识别处理，识别经过该摄像头拍摄区域的车辆，当这些车辆中存在目标车辆时，记录这个摄像头，并确认这个摄像头的位置。一般情况下在安装摄像头的时候，会确认摄像头的位置信息(经纬度信息)，并将其保存至后台系统。

S203，若判断结果为是，则将采集到目标车辆的采集设备的位置数据归为目标车辆轨迹数据。

如此，依照本申请提供的方案，可以通过采集到目标车辆的采集设备的位置信息得到车辆路径上的一些点。这些离散的轨迹点构成车辆轨迹。

实际应用中，由于采集设备的设置位置较为密集，当通过经纬度信息确定采集设备的位置时，由于经纬度信息太过接近，获取各个采集设备所在位置的经纬度数据太过集中，为了更好地区分各个采集设备，可以对经纬度数据进行转换，建立一个坐标系，定义所有抓拍车辆轨迹设备的相对经纬度转换后的坐标数据，用于标识车辆通过该采集设备留下的轨迹点。

由于采集设备的位置一般较为密集，导致设备的经纬度值太过集中，为了可以更加方便的处理数据，需要对经纬度数据进行有效的数据转换。参照图3，具体步骤如下：

S301，获取各个采集设备所在位置的经纬度数据；

S302，基于经纬度数据，建立坐标系；

S303，确定各个采集设备的坐标，将采集设备的坐标作为采集设备的位置数据。

具体的，图4是本实施例提供的一种抓拍设备坐标转换图。参照图4，图中，采集设备的位置落在横线和竖线的交点处，如此每一个采集设备的位置数据均可以用坐标来表示。例如图中就支出了两个(3，7)(17，9)两个交点处的坐标。交点(3，7)处采集设备的位置数据便可以用坐标(3，7)来表示。

S102，基于预设的转化方法，将目标车辆轨迹数据转化为目标坐标张量数据；

具体的，图5是本发明实施例提供的一种车辆轨迹类别的确认方法中基于预设的转化方法，将目标车辆轨迹数据转化为目标坐标张量数据的流程图；参照图5，基于预设的转化方法，将目标车辆轨迹数据转化为目标坐标张量数据包括：

S501，对于基于各个采集设备的位置数据确定一个轨迹坐标图；

需要说明的是，此处轨迹坐标图的建立于上述方案中图4的设备坐标转换图为同一坐标系下的坐标图，各个采集设备，均可以在轨迹坐标图中找出对应的坐标点。

S502，在轨迹坐标图中，对目标车辆轨迹数据对应的坐标进行着色；

S503，基于着色后轨迹坐标图生成目标坐标张量数据。

具体的，按照轨迹坐标图中着色的点记做1，没有着色的点记做0的规则，将轨迹坐标图转化为一个数组；其中，数组为目标坐标张量数据。

图6是本申请提供的实施例中一个过车抓拍轨迹数据着色图。参照图6，需要说明的是，为了便于表述，本申请中的图6采用的是大小为10*15的轨迹坐标图，将转好的相对坐标数据进行“着色处理”，例如:轨迹坐标图大小为 10*15，一辆车被16个轨迹设备抓拍到，则生成的轨迹坐标着色图像，在轨迹坐标图中，16个轨迹设备抓拍点着色为有色(默认为黑色)，其他的点默认为无色，则该车辆的坐标图的像素大小为10*15，具体图像如图6所示。

将转好的相对坐标数据进行“着色处理”，例如:轨迹坐标图大小为10*15，一辆车被16个轨迹设备抓拍到，则生成的轨迹坐标着色图像，在轨迹坐标图中， 16个轨迹设备抓拍点着色为有色(默认为黑色)，其他的点默认为无色，则该车辆的坐标图的像素大小为10*15，具体图像显示，如图6所示：

将已经着色的值计为“1”，非着色的部分统统记作为“0”，图6所示的着色图像的坐标张量数据为10*15的数组，具体的数组数值格式如下：

[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]，

[0，0，1，0，0，0，0，0，0，0，0，0，0，0，0]，

[0，0，0，0，0，1，1，0，0，0，0，0，0，0，0]，

[0，0，1，0，1，0，0，1，1，0，0，0，0，0，0]，

[0，0，1，0，1，0，0，0，1，0，0，0，0，0，0]，

[0，0，0，1，1，0，0，0，1，0，0，0，0，0，0]，

[0，0，0，0，0，0，0，0，1，1，1，1，1，0，0]，

[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]，

[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]

通过上述方式便可以确定一个车辆的目标坐标张量数据。

S103，将目标坐标张量数据输入至预先训练的车辆轨迹类别确认模型，得到目标车辆轨迹的车辆轨迹类别。

需要说明的是，本申请中车辆轨迹类别确认模型需要经过提前的训练。图 7是本申请提供的实施例中车辆轨迹类别确认模型训练方法流程图；参照图7，训练的过程主要分为两个阶段，首先需要对预先搭建的卷积神经网络模型进行训练；

训练的具体过程如下所示：

S701，获取第一预设数量坐标张量数据；

S702，确定各个坐标张量数据对应的车辆轨迹类别，并生成类别标识；

S703，将坐标张量数据和类别标识作为第一训练样本，对预先构建的卷积神经网络模型进行训练，得到车辆轨迹类别确认模型。

通过步骤S701～步骤S703，可以完成对于预先构建的卷积神经网络模型的训练，得到车辆轨迹类别确认模型。

具体的，可以首先选取一个群组的车辆相似轨迹坐标张量数据作为标记的模型训练样本，并且定义该一类的车辆轨迹名称，如：市内环绕轨迹群组；

通过定义卷积神经网络模型参数，进行模型训练，直到模型参数稳定(实际调参根据情况而定)

模型训练完成后，判断一辆车的轨迹是否属于该轨迹群组，只需要将该车轨迹转换好的坐标张量数据做为输入，得到的输出值即为判断属于该轨迹群组的值。

当然，上述实施例中仅仅一类的车辆轨迹进行说明，实际应用中，可以对多个种类的车辆轨迹类别的样本和标识进行训练，得到可以确认多种车辆轨迹类别的车辆轨迹类别确认模型。

实际应用中，往往会在后期进行车辆轨迹类别的添加，为了解决这一问题，发明人提供了如下方案；

S704，获取当前车辆轨迹类别确认模型不具备的待添加车辆轨迹类别；

S705，获取待添加车辆轨迹类别对应的由坐标张量数据和类别标识构成的第二训练样本；

S706，通过第二训练样本，对车辆轨迹类别确认模型进行训练。

本实施例中，通过采用对车辆轨迹类别确认模型再次训练的方式，添加新的车辆轨迹类别。如此，不同的轨迹判断，只需要一次模型代码开发，后续只是添加不同类型轨迹数据来补充不同类型的轨迹。

需要说明的是，图8是本申请提供的轨迹判断相似处理流程图。参照图8，图中，图像张量与轨迹分类之间的部分为本申请种的车辆轨迹类别确认模型。本申请提供的方案中，仅仅需要提取出目标坐标张量数据即：图8中的图像张量便可以将目标坐标张量数据输入至车辆轨迹类别确认模型中，之后在车辆轨迹类别确认模型中经过卷积层1、池化层1、卷积层2、池化层1、全连接层1、全连接层2和softmax函数，便可以得出目标坐标张量数据对应的轨迹类别，即图中的轨迹分类。

图9是本发明又一实施例提供的一种车辆轨迹类别的确认装置的结构示意图，该装置适用于执行本发明实施例提供给的一种车辆轨迹类别的确认方法。如图9所示，该装置具体可以包括：

获取模块901，用于获取目标车辆轨迹数据；其中，轨迹数据包括：采集到目标车辆信息的采集设备的位置数据；

转化模块902，用于基于预设的转化方法，将目标车辆轨迹数据转化为坐标张量数据；

类别确认模块903，用于将坐标张量数据输入至预先训练的车辆轨迹类别确认模型，得到目标车辆轨迹的车辆轨迹类别。

进一步的，获取模块901具体用于：

依次筛选各个采集设备发送过往车辆的信息，判断各采集设备是否采集到目标车辆；

进一步的，获取模块还用于：

获取各个采集设备所在位置的经纬度数据；

基于经纬度数据，建立坐标系；

确定各个采集设备的坐标，将采集设备的坐标作为采集设备的位置数据。

进一步的，转化模块902具体用于：

基于各个采集设备的位置数据确定一个轨迹坐标图；

在轨迹坐标图中，对目标车辆轨迹数据对应的坐标进行着色；

基于着色后轨迹坐标图生成目标坐标张量数据。

进一步的，类别确认模块903具体用于：

其中，数组为目标坐标张量数据。

进一步的，预先训练的车辆轨迹类别确认模型的训练过程包括：

获取第一预设数量坐标张量数据；

获取待添加车辆轨迹类别对应的由坐标张量数据和类别标识构成的第二训练样本；

通过第二训练样本，对车辆轨迹类别确认模型进行训练。

本发明实施例还提供一种车辆轨迹类别的确认设备，请参阅图10，图10 为一种车辆轨迹类别的确认设备的结构示意图，如图10所示，该车辆轨迹类别的确认设备包括：处理器1001，以及与处理器1001相连接的存储器1002；存储器1002用于存储计算机程序，计算机程序至少用于执行本发明实施例中的车辆轨迹类别的确认方法；处理器1001用于调用并执行存储器中的计算机程序。

其中，车辆轨迹类别的确认方法至少包括：获取目标车辆轨迹数据；其中，轨迹数据包括：采集到目标车辆信息的采集设备的位置数据；基于预设的转化方法，将目标车辆轨迹数据转化为目标坐标张量数据；将目标坐标张量数据输入至预先训练的车辆轨迹类别确认模型，得到目标车辆轨迹的车辆轨迹类别。

本发明实施例还提供一种存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时，实现如本发明实施例中的车辆轨迹类别的确认方法中各个步骤。其中，车辆轨迹类别的确认方法至少包括：获取目标车辆轨迹数据；其中，轨迹数据包括：采集到目标车辆信息的采集设备的位置数据；基于预设的转化方法，将目标车辆轨迹数据转化为目标坐标张量数据；将目标坐标张量数据输入至预先训练的车辆轨迹类别确认模型，得到目标车辆轨迹的车辆轨迹类别。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA) 等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims

1.一种车辆轨迹类别的确认方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述获取目标车辆轨迹数据包括：

3.根据权利要求1所述的方法，其特征在于，还包括：

获取各个采集设备所在位置的经纬度数据；

基于所述经纬度数据，建立坐标系；

4.根据权利要求3所述的方法，其特征在于，所述基于预设的转化方法，将所述目标车辆轨迹数据转化为目标坐标张量数据，包括：

基于各个所述采集设备的位置数据确定一个轨迹坐标图；

基于着色后轨迹坐标图生成目标坐标张量数据。

5.根据权利要求4所述的方法，其特征在于，所述基于着色后轨迹坐标图生成坐标张量数据包括：

其中，所述数组为目标坐标张量数据。

6.根据权利要求1所述的方法，其特征在于，所述预先训练的车辆轨迹类别确认模型的训练过程包括：

获取第一预设数量坐标张量数据；

7.根据权利要求1所述的方法，其特征在于，还包括：

8.一种车辆轨迹类别的确认装置，其特征在于，包括：

9.一种车辆轨迹类别的确认设备，其特征在于，包括：处理器，以及与所述处理器相连接的存储器；

所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-7任一项所述的车辆轨迹类别的确认方法；

10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-7任一项所述的车辆轨迹类别的确认方法中各个步骤。