CN110519324B - 一种基于网络轨迹大数据的人物追踪方法与系统 - Google Patents
一种基于网络轨迹大数据的人物追踪方法与系统 Download PDFInfo
- Publication number
- CN110519324B CN110519324B CN201910490466.7A CN201910490466A CN110519324B CN 110519324 B CN110519324 B CN 110519324B CN 201910490466 A CN201910490466 A CN 201910490466A CN 110519324 B CN110519324 B CN 110519324B
- Authority
- CN
- China
- Prior art keywords
- track
- person
- cluster
- tracked
- tracks
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- 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
Abstract
本发明提供了一种基于网络轨迹大数据的人物追踪方法与系统,包括:获取监控网络记录的历史数据,所述历史数据包含每一个人物的轨迹数据;计算所获取的历史数据中每两个人物轨迹之间的同步性值;将所获取的历史数据中所有人物的人物轨迹划分类簇;确定每一类簇中的轨迹点,串联得到每一个类簇的类簇轨迹;获取待追踪人物过去一段时间内的轨迹数据,计算待追踪人物的轨迹与每个类簇的类簇轨迹的同步性值,提取同步性值大于阈值且轨迹点包含待追踪人物最后被记录位置的类簇;确定所提取的每个类簇中待追踪人物最后被记录位置的轨迹点,并得出待追踪人物出现在下一轨迹点对应位置的概率。本发明方便对人物进行预测跟踪。
Description
技术领域
本发明属于视频监控技术领域,具体涉及一种基于网络轨迹大数据的人物追踪方法与系统。
背景技术
目前,大量的城市已经部署了以人物的身份识别和轨迹追踪为目的的监控网络系统。监控网络系统包括前端和后台,在前端,视频摄像头可以拍摄人物的画面,形成人物身份特征和记录时间在内的记录表。手机微卡口可以获得手机上传的设备串号,形成包含串号及其记录时间在内的记录表。后台服务器从城市空间范围内的前端获得所述记录表,并对记录表包含的数据进行分析,基于记录表可以实现针对特定人物的动态轨迹追踪。
但是,由于各种客观条件的制约,绝大部分监控网络系统的前端不可能对整个城市空间实现全面无缝覆盖,一般只能在一些重点地段、交通枢纽设立前端,实现局部空间的监测。也就是说,某个人物在某个前端被记录后,其后续的行踪处于不确定的状态,直至其在另一个前端再次被记录。
所以,当我们希望开展对特定人物的即时追踪时,希望能够根据该人物在过去一段时间的移动轨迹,预测其下一步可能出现的地点,并给与对应的处置。例如警方希望布控抓捕犯罪嫌疑人,可以根据该嫌疑人在过去一段时间的移动轨迹,预测其下一步可能出现的地点,进而派出警员进行蹲守。
发明内容
有鉴于此,本发明提供了一种基于网络轨迹大数据的人物追踪方法与系统,通过对大数据进行分析,能够通过追踪目标过去一段时间的移动轨迹,预测出该目标下一个可能出现位置的概率,从而帮助警方对目标进行实时追踪,更好的进行警力部署。
为了实现上述目的,本申请提供了以下技术方案:
本申请提供了一种基于网络轨迹大数据的人物追踪方法,所述方法包括:
获取监控网络过去一段时间内记录的历史数据,所述历史数据包含每一个人物的轨迹数据;
计算所获取的历史数据中每两个人物轨迹之间的同步性值;具体为:对于任意两条人物轨迹,若两个人物出现在同一前端位置且处于同一时间区段内,则按预设规则增加这两条人物轨迹同步性值;遍历所获取的历史数据中的全部人物轨迹,按上述方式计算两两轨迹之间的同步性值。
将所获取的历史数据中所有人物的人物轨迹划分类簇,具体为:将同步性值大于阈值的两个人物轨迹归入同一类簇,且使每一个类簇满足:该类簇中的每一人物的人物轨迹与该类簇中其他任一人物的人物轨迹之间的同步性值均大于阈值。
确定每一类簇中的轨迹点,将轨迹点按时间顺序串联,得到每一个类簇的类簇轨迹。轨迹点的确定方式为:对于每一个类簇,如果该类簇中大于比例阈值的人物轨迹都经过了一个位置,且经过的时间在同一时间区段内,则将该位置作为该类簇的一个轨迹点。
获取待追踪人物过去一段时间内的轨迹数据,计算这段时间内待追踪人物的轨迹与每个类簇的类簇轨迹的同步性值,提取与待追踪人物的人物轨迹的同步性值大于阈值且轨迹点包含待追踪人物最后被记录位置的类簇;
确定所提取的每个类簇中待追踪人物最后被记录位置的轨迹点,并提取每一类簇中下一轨迹点的位置,通过统计分析,可以得出待追踪人物出现在下一轨迹点对应位置的概率。
本申请还提供了一种基于网络轨迹大数据的人物追踪系统,所述系统包括:
获取模块,用于获取监控网络过去一段时间内记录的历史数据,所述历史数据包含每一个人物的轨迹数据;
计算模块,用于计算所获取的历史数据中每两个人物轨迹之间的同步性值;具体为:对于任意两条人物轨迹,若两个人物出现在同一前端位置且处于同一时间区段内,则按预设规则增加这两条人物轨迹同步性值;遍历所获取的历史数据中的全部人物轨迹,按上述方式计算两两轨迹之间的同步性值。
类簇划分模块,用于将所获取的历史数据中所有人物的人物轨迹划分类簇,具体为:将同步性值大于阈值的两个人物轨迹归入同一类簇,且使每一个类簇满足:该类簇中的每一人物的人物轨迹与该类簇中其他任一人物的人物轨迹之间的同步性值均大于阈值。
轨迹点确定模块,用于确定每一类簇中的轨迹点,将轨迹点按时间顺序串联,得到每一个类簇的类簇轨迹。轨迹点的确定方式为:对于每一个类簇,如果该类簇中大于比例阈值的人物轨迹都经过了一个位置,且经过的时间在同一时间区段内,则将该位置作为该类簇的一个轨迹点。
提取模块,用于获取待追踪人物过去一段时间内的轨迹数据,计算这段时间内待追踪人物的轨迹与每个类簇的类簇轨迹的同步性值,提取与待追踪人物的人物轨迹的同步性值大于阈值且轨迹点包含待追踪人物最后被记录位置的类簇;
预测模块,用于确定所提取的每个类簇中待追踪人物最后被记录位置的轨迹点,并提取每一类簇中下一轨迹点的位置,通过统计分析,可以得出待追踪人物出现在下一轨迹点对应位置的概率。
由此可见,本发明提供的一种基于网络轨迹大数据的人物追踪方法和系统,首先积累监控网络的轨迹大数据,然后通过大数据的聚类分析,将移动轨迹划分为若干个类簇;针对每个类簇,利用该类簇的轨迹大数据,能够根据追踪人物过去一段时间的移动轨迹,判断出该移动人物下一个出现地点的概率,能够帮助警务人员更好的进行警力部署。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于网络轨迹大数据的人物追踪方法的流程示意图;
图2为本发明实施例提供的另一种基于网络轨迹大数据的人物追踪方法的流程示意图;
图3为本发明实施例提供的一种基于网络轨迹大数据的人物追踪系统的结构示意图;
图4为本发明实施例提供的一种计算机设备中存储器和处理器的结构示意图。
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他实施例,都属于本发明保护的范围。
如图1所示,是本发明提供的一种基于网络轨迹大数据的人物追踪方法的流程示意图,所述方法包括:
101:获取监控网络过去一段时间内记录的历史数据,所述历史数据包含每一个人物的轨迹数据。
通常监控网络前端包括视频摄像头和手机微卡口。视频摄像头拍摄人物画面,并从中提取代表人物身份的特征(例如面部特征),并形成包含人物身份特征、记录时间以及记录位置的记录表。手机微卡口可以与在其通信范围内的手机等移动通信设备自动建立无线连接,并获得手机上传的设备串号,并形成包含形成包含手机串号、记录时间以及记录位置的记录表。
历史数据可以以记录表的形式呈现,记录表中记录了每一个人物的轨迹数据。例如,记录表可以包含监控网络记录的每一个人物的人物身份特征、记录时间、记录位置;或包含手机串号、记录时间、记录位置。
102:计算所获取的历史数据中每两个人物轨迹之间的同步性值;具体为:对于任意两条人物轨迹,若两个人物出现在同一前端位置且处于同一时间区段内,则按预设规则增加这两条人物轨迹同步性值;遍历所获取的历史数据中的全部人物轨迹,按上述方式计算两两轨迹之间的同步性值。
对于历史数据中的其中两个人物轨迹,若两个人物出现在同一位置的位置点较多,且出现在同一位置的时间点相似,则说明这两条轨迹较为相似,为了判断所获取的历史数据中哪些轨迹是相似的,可以计算每两条轨迹的同步性值,同步性值的大小能够体现两条轨迹关联度的大小。具体的,可以设置一时间差阈值,若两个人物出现在同一位置的时间差小于等于时间差阈值,则为两条轨迹的同步性值加1。遍历两条人物轨迹的全部前端位置,则可以得到两条轨迹的最终同步性值。同时遍历所获取的历史数据中的全部人物轨迹,按上述方式计算两两轨迹之间的同步性值,可以得到全部人物轨迹两两之间的同步性值。
103,将所获取的历史数据中所有人物的人物轨迹划分类簇,具体为:将同步性值大于同步阈值的两个人物轨迹归入同一类簇,且使每一个类簇满足:该类簇中的每一人物的人物轨迹与该类簇中其他任一人物的人物轨迹之间的同步性值均大于同步阈值。
同步性表示两条轨迹的关联性,同步性值越大,说明两条轨迹的关联越大,两条轨迹越相似,反之,同步性值越小,说明两条轨迹的关联越小,将关联度较大的轨迹归入同一类簇,具体的可以根据同步性值把所有人物轨迹划分类簇,同一人物轨迹可以归入一个或多个类簇。
104,确定每一类簇中的轨迹点,将轨迹点按时间顺序串联,得到每一个类簇的类簇轨迹。轨迹点的确定方式为:对于每一个类簇,如果该类簇中大于比例阈值的人物轨迹都经过了一个位置,且经过的时间在同一时间区段内,则将该位置作为该类簇的一个轨迹点。
根据同步性值划分完类簇后,对于每一个类簇,其包含的轨迹较为相似,这时可以找出一条最能代表该类簇的移动轨迹,作为类簇轨迹。具体的,对于每一个类簇,提取该类簇中全部人物的移动轨迹,如果该类簇中大于比例阈值的人物轨迹都经过了一个位置,且经过的时间在同一时间区段内,则将该位置设定为该类簇的一个轨迹点,例如,若在同一个时间区段内有N条人物轨迹都经过了同一位置,且N大于比例阈值,则将该位置作为该类簇的一个轨迹点,按时间顺序串联该类簇的轨迹点,形成该类簇的类簇轨迹。
105,获取待追踪人物过去一段时间内的轨迹数据,计算这段时间内待追踪人物的轨迹与每个类簇的类簇轨迹的同步性值,提取与待追踪人物的人物轨迹的同步性值大于阈值且轨迹点包含待追踪人物最后被记录位置的类簇;
对于待追踪的人物,获取其过去一段时间内的轨迹数据,找出与待追踪人物过去一段时间内的轨迹较为相似的类簇轨迹,具体的,可以计算待追踪人物轨迹与各类簇轨迹的同步性值,将同步性值大于阈值的类簇提取出来,再判断提取出的类簇的轨迹点是否包含待追踪人物最后被记录的位置,提取包含待追踪人物最后被记录位置的类簇。
106,确定所提取的每个类簇中待追踪人物最后被记录位置的轨迹点,并提取每一类簇中下一轨迹点的位置,通过统计分析,可以得出待追踪人物出现在下一轨迹点对应位置的概率。
提取出的类簇中,包含与待追踪人物最后被记录的位置相同的轨迹点,统计各类簇中该轨迹点的下一轨迹点,因为可能存在多个类簇,因此各类簇中该轨迹点的下一轨迹点也可能存在多个,计算出现在各个下一轨迹点对应位置的概率。
具体的,可以将位置相同的下一轨迹点划分为一类,确定每个类中包含的下一轨迹点的数量,计算每个类中下一轨迹点的数量与全部下一轨迹点数量的比值,所述比值为待追踪人物出现在与每个类对应的位置的概率。
如图2所示,作为对上述实施例的细化和扩展,本发明提供的另一种基于网络轨迹大数据的人物追踪方法的流程示意图,所述方法包括:
201:监控网络前端对每一个监控到的人物进行记录,形成与每一个人物对应的监控记录表。
监控网络前端可以包括视频摄像头和手机微卡口。视频摄像头(特别使高清制式的视频摄像头)可以拍摄人物画面,并从中提取代表人物身份的特征(例如面部特征),并形成包含人物特征、记录时间以及记录位置的记录表。例如对于人物A,其17:10被记录在西直门,18:20被记录在新街口,19:30被记录在德胜门。
手机微卡口可以与在其通信范围内的手机等移动通信设备自动建立无线连接,并获得手机上传的设备串号,并形成包含形成包含手机串号、记录时间以及记录位置的记录表。例如对于同一手机串号,其17:10被记录在西直门,18:20被记录在新街口,19:30被记录在德胜门。
监控前端对每一个监控到的人物进行记录,形成与每一个人物对应的监控记录表。
202,获取监控网络过去一段时间内记录的历史数据,所述历史数据包含每一个人物的轨迹数据。
获取监控网络过去一段时间内记录的历史数据,具体的,历史数据可以以记录表的形式呈现,记录表包含监控网络记录的每一个人物的人物身份特征和/或手机串号、记录时间、记录位置;例如可以获取过去3个月的记录表,其中包含了近3个月每一个人物的移动轨迹共一万条。
203:计算所获取的历史数据中每两个人物轨迹之间的同步性值;具体为:对于任意两条人物轨迹,若两个人物出现在同一前端位置且处于同一时间区段内,则按预设规则增加这两条人物轨迹同步性值;遍历所获取的历史数据中的全部人物轨迹,按上述方式计算两两轨迹之间的同步性值。
具体的,可以设置一时间差阈值,若两个人物出现在同一位置的时间差小于等于时间差阈值,则为两条轨迹的同步性值加1。遍历两条人物轨迹的全部前端位置,则可以得到两条轨迹的最终同步性值。
例如,对于获取到的一万条人物轨迹中的其中两条人物轨迹A和B,人物A在17:10被记录在西直门,18:20被记录在新街口,19:30被记录在德胜门……;人物B人物A在17:12被记录在西直门,18:20被记录在西单,19:33被记录在德胜门……。设置时间差阈值为3分钟,同步性值的初始值为0,则由上述记录表中的数据可得,人物A和B出现在西直门的时间差为2分钟,小于时间差阈值3分钟,将A人物轨迹和B人物轨迹的同步性值+1,此时同步性值为1;人物A和B出现在的德胜门的时间差为3分钟,等于时间差阈值3分钟,将A人物轨迹和B人物轨迹的同步性值+1,此时同步性值为2;以此类推,可以得到两条人物轨迹的最终同步性值。遍历所获取的一万条人物轨迹,均按上述方式计算两两同步性值。
204,将所获取的历史数据中所有人物的人物轨迹划分类簇,具体为:将同步性值大于阈值的两个人物轨迹归入同一类簇,且使每一个类簇满足:该类簇中的每一人物的人物轨迹与该簇中其他任一人物的人物轨迹之间的同步性值均大于阈值。
根据同步性值把所有人物轨迹归入各自的类簇,例如,对于A、B、C、D四个人物轨迹,通过计算两两同步性值,得出AB、BC、AC的同步性值都大于同步阈值,同时,BC、BD、CD的同步性值都大于同步阈值,但是AD的同步性值不大于同步阈值,则形成(A,B,C),(B,C,D)两个类簇,同一人物轨迹可以归入一个或多个类簇。
205,确定每一类簇中的轨迹点,将轨迹点按时间顺序串联,得到每一个类簇的类簇轨迹。轨迹点的确定方式为:对于每一个类簇,如果该类簇中大于比例阈值的人物轨迹都经过了一个位置,且经过的时间在同一时间区段内,则将该位置作为该类簇的一个轨迹点。
对于每一个类簇,提取该类簇中全部人物的移动轨迹,如果该类簇中大于比例阈值的人物轨迹都经过了一个位置,且经过的时间在同一时间区段内,则将该前端位置设定为该类簇的一个轨迹点,例如,若在同一个时间区段内有N条人物轨迹都经过了同一位置,且N大于比例阈值,则将该位置作为该类簇的一个轨迹点,按时间顺序串联该类簇的轨迹点,即可以形成该类簇的整体移动轨迹,即类簇轨迹。
例如,将比例阈值设为70%,则对于包含A、B、C、D、E、F、G、H、I、J这10个人物轨迹的类簇(A,B,C,D,E,F,G,H,I,J),若其中有8个人都经过了西直门,且都在同一时间区段17:10到17:15内,可见该类簇中出现在西直门的人物轨迹比例为80%,大于比例阈值70%,则将西直门作为该类簇的一个轨迹点,假设对于该类簇,人物轨迹出现在西单,德胜门的比例也大于比例阈值,则将西单,德胜门也作为该类簇的轨迹点,按时间顺序串联该类簇的轨迹点,则得到该类簇的类簇轨迹为:西直门、西单、德胜门。
206,获取待追踪人物过去一段时间内的轨迹数据,计算这段时间内待追踪人物的轨迹与每个类簇的类簇轨迹的同步性值,提取与待追踪人物的人物轨迹的同步性值大于阈值且轨迹点包含待追踪人物最后被记录位置的类簇。
对于待追踪的人物,获取其过去一段时间内的轨迹数据,并计算待追踪人物轨迹与各类簇轨迹的同步性值,具体为,若待追踪人物与某一类簇轨迹都经过了同一个位置,且经过的时间在同一区段内,则为待追踪人物轨迹与该类簇轨迹的同步性值加1,设置一阈值,若待追踪人物轨迹与某一类簇轨迹的同步性值大于阈值,且该类簇的轨迹点包含带追踪人物最后被记录的位置,则提取该类簇。
例如,假设共有a、b、c、d、e五个类簇,待追踪人物轨迹分别与a、c、d、e的类簇轨迹的同步性值都大于阈值,则提取类簇a、c、d、e,若待追踪人物最后被记录的位置为西直门,则继续判断类簇a、c、d、e的轨迹点是否包含西直门,若类簇a、c、d包含西直门,则提取类簇a、c、d。
207,确定所提取的每个类簇中待追踪人物最后被记录位置的轨迹点,并提取每一类簇中下一轨迹点的位置,通过统计分析,可以得出待追踪人物出现在下一轨迹点对应位置的概率。
具体的,可以将位置相同的下一轨迹点划分为一类,确定每个类中包含的下一轨迹点的数量,计算每个类中下一轨迹点的数量与全部下一轨迹点数量的比值,所述比值为待追踪人物出现在与每个类对应的位置的概率。
例如,对于提取的类簇a、c、d,类簇a中位置为西直门的轨迹点的下一轨迹点为西单,类簇c中位置为西直门的轨迹点的下一轨迹点为德胜门,类簇d中位置为西直门的轨迹点的下一轨迹点也为西单,将下一轨迹点为西单位置分为一类,例如类(西单),将下一轨迹点为德胜门位置分为一类,例如类(德胜门);可知,西直门轨迹点的下一轨迹点的数量共为3个,类(西单)中轨迹点的数量共为2个,类(德胜门)轨迹点的数量共为1个,则可以得出,下一轨迹点为西单的概率为2/3,下一轨迹点为德胜门的概率为1/3,即待追踪人物下一位置出现在西单的概率2/3,下一位置出现在德胜门的概率为1/3。
208,将出现概率最高的下一轨迹点对应的位置作为待追踪人物的预测位置。
出现的下一轨迹点对应位置的概率越高,则说明待追踪人物更有可能出现在该位置,因此,将出现概率最高的位置作为待追踪人物的预测位置。
上述实施例通过对监控网络大数据分析,利用轨迹大数据,能够通过追踪目标过去一段时间的移动轨迹,计算出待追踪人物下一个可能出现位置的概率,并将概率最高的位置作为待追踪人物的预测位置,从而帮助警方有针对性的对目标进行追踪,更好的进行警力部署。
进一步的,作为本发明的具体实现,如图3所示,本发明还提供一种基于网络轨迹大数据的人物追踪系统,主要包括:获取模块301,
计算模块302,类簇划分模块303,轨迹点确定模块304,提取模块305,预测模块306。
所述获取模块301,用于获取监控网络过去一段时间内记录的历史数据,所述历史数据包含每一个人物的轨迹数据。
通常监控网络前端包括视频摄像头和手机微卡口。视频摄像头拍摄人物画面,并从中提取代表人物身份的特征(例如面部特征),并形成包含人物身份特征、记录时间以及记录位置的记录表。手机微卡口可以与在其通信范围内的手机等移动通信设备自动建立无线连接,并获得手机上传的设备串号,并形成包含形成包含手机串号、记录时间以及记录位置的记录表。
进一步的,在所述获取模块中,历史数据可以以记录表的形式呈现,记录表中记录了每一个人物的轨迹数据。例如,记录表可以包含监控网络记录的每一个人物的人物身份特征、记录时间、记录位置;或包含手机串号、记录时间、记录位置。
所述计算模块302,用于计算所获取的历史数据中每两个人物轨迹之间的同步性值;具体为:对于任意两条人物轨迹,若两个人物出现在同一前端位置且处于同一时间区段内,则按预设规则增加这两条人物轨迹同步性值;遍历所获取的历史数据中的全部人物轨迹,按上述方式计算两两轨迹之间的同步性值。
对于历史数据中的其中两个人物轨迹,若两个人物出现在同一位置的位置点较多,且出现在同一位置的时间点相似,则说明这两条轨迹较为相似,为了判断所获取的历史数据中哪些轨迹是相似的,可以计算每两条轨迹的同步性值,同步性值的大小能够体现两条轨迹关联度的大小。具体的,在所述计算模块中,可以设置一时间差阈值,若两个人物出现在同一位置的时间差小于等于时间差阈值,则为两条轨迹的同步性值加1。遍历两条人物轨迹的全部前端位置,则可以得到两条轨迹的最终同步性值。同时遍历所获取的历史数据中的全部人物轨迹,按上述方式计算两两轨迹之间的同步性值,可以得到全部人物轨迹两两之间的同步性值。
所述类簇划分模块303,用于将所获取的历史数据中所有人物的人物轨迹划分类簇,具体为:将同步性值大于同步阈值的两个人物轨迹归入同一类簇,且使每一个类簇满足:该类簇中的每一人物的人物轨迹与该簇中其他任一人物的人物轨迹之间的同步性值均大于同步阈值。
同步性表示两条轨迹的关联性,同步性值越大,说明两条轨迹的关联越大,两条轨迹越相似,反之,同步性值越小,说明两条轨迹的关联越小,将关联度较大的轨迹归入同一类簇,具体的可以根据同步性值把所有人物轨迹划分类簇,同一人物轨迹可以归入一个或多个类簇。
所述轨迹点确定模块304,用于确定每一类簇中的轨迹点,将轨迹点按时间顺序串联,得到每一个类簇的类簇轨迹。轨迹点的确定方式为:对于每一个类簇,如果该类簇中大于比例阈值的人物轨迹都经过了一个位置,且经过的时间在同一时间区段内,则将该位置作为该类簇的一个轨迹点。
根据同步性值划分完类簇后,对于每一个类簇,其包含的轨迹较为相似,这时可以找出一条最能代表该类簇的移动轨迹,作为类簇轨迹。具体的,对于每一个类簇,提取该类簇中全部人物的移动轨迹,如果该类簇中大于比例阈值的人物轨迹都经过了一个位置,且经过的时间在同一时间区段内,则将该位置设定为该类簇的一个轨迹点,例如,若在同一个时间区段内有N条人物轨迹都经过了同一位置,且N大于比例阈值,则将该位置作为该类簇的一个轨迹点,按时间顺序串联该类簇的轨迹点,形成该类簇的类簇轨迹。
所述提取模块305,用于获取待追踪人物过去一段时间内的轨迹数据,计算这段时间内待追踪人物的轨迹与每个类簇的类簇轨迹的同步性值,提取与待追踪人物的人物轨迹的同步性值大于阈值且轨迹点包含待追踪人物最后被记录位置的类簇;
对于待追踪的人物,获取其过去一段时间内的轨迹数据,找出与待追踪人物过去一段时间内的轨迹较为相似的类簇轨迹,具体的,可以计算待追踪人物轨迹与各类簇轨迹的同步性值,将同步性值大于阈值的类簇提取出来,再判断提取出的类簇的轨迹点是否包含待追踪人物最后被记录的位置,提取包含待追踪人物最后被记录位置的类簇。
所述预测模块306,用于确定所提取的每个类簇中待追踪人物最后被记录位置的轨迹点,并提取每一类簇中下一轨迹点的位置,通过统计分析,可以得出待追踪人物出现在下一轨迹点对应位置的概率。
提取出的类簇中,包含与待追踪人物最后被记录的位置相同的轨迹点,统计各类簇中该轨迹点的下一轨迹点,因为可能存在多个类簇,因此各类簇中该轨迹点的下一轨迹点也可能存在多个,计算出现在各个下一轨迹点对应位置的概率。
进一步的,在所述预测模块中,还可以将位置相同的下一轨迹点划分为一类,确定每个类中包含的下一轨迹点的数量,计算每个类中下一轨迹点的数量与全部下一轨迹点数量的比值,所述比值为待追踪人物出现在与每个类对应的位置的概率。
进一步的,在所述预测模块中,将出现概率最高的下一轨迹点对应的位置作为待追踪人物的预测位置。
基于上述如图1-2所示方法和如图3所示系统的实施例,本发明实施例还提供了一种计算机设备中存储器和处理器的结构示意图,如图4所示,本发明的系统可以包括一个或多个如下部件:处理器(processor)410和存储器(memory)420。处理器410可以包括一个或者多个处理核心。处理器410利用各种接口和线路连接 整个终端内的各个部分,通过运行或执行存储在存储器420内的指令、程序、代码集或指令集,以及调用存储在存储器420内的数据,执行终端的各种功能和处理数据。
可选地,处理器410执行存储器420中的程序指令时实现上述各个方法实施例提供的基于行为特征聚类的智能安防提示方法。
存储器420可以包括随机存储器RAM,也可以包括只读存储器ROM。可选地,该存储器420包括非瞬时性计算机可读介质。存储器420可用于存储指令、程序、代码、代码集或指令集。存储器420可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等;存储数据区可存储根据终端的使用所创建的数据等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种基于网络轨迹大数据的人物追踪方法,其特征在于,所述方法包括以下步骤:
步骤1,获取监控网络过去一段时间内记录的历史数据,所述历史数据包含每一个人物的轨迹数据;
步骤2,计算所获取的历史数据中每两个人物轨迹之间的同步性值;具体为:对于任意两条人物轨迹,若两个人物出现在同一前端位置且处于同一时间区段内,则按预设规则增加这两条人物轨迹同步性值;遍历所获取的历史数据中的全部人物轨迹,按上述方式计算两两轨迹之间的同步性值;
步骤3,将所获取的历史数据中所有人物的人物轨迹划分类簇,具体为:将同步性值大于阈值的两个人物轨迹归入同一类簇,且使每一个类簇满足:该类簇中的每一人物的人物轨迹与该类簇中其他任一人物的人物轨迹之间的同步性值均大于阈值;
步骤4,确定每一类簇中的轨迹点,将轨迹点按时间顺序串联,得到每一个类簇的类簇轨迹;轨迹点的确定方式为:对于每一个类簇,如果该类簇中大于比例阈值的人物轨迹都经过了一个位置,且经过的时间在同一时间区段内,则将该位置作为该类簇的一个轨迹点;
步骤5,获取待追踪人物过去一段时间内的轨迹数据,计算这段时间内待追踪人物的轨迹与每个类簇的类簇轨迹的同步性值,提取与待追踪人物的人物轨迹的同步性值大于阈值且轨迹点包含待追踪人物最后被记录位置的类簇;
步骤6,确定所提取的每个类簇中待追踪人物最后被记录位置的轨迹点,并提取每一类簇中下一轨迹点的位置,通过统计分析,可以得出待追踪人物出现在下一轨迹点对应位置的概率。
2.如权利要求1所述的基于网络轨迹大数据的人物追踪方法,其特征在于,所述历史数据以记录表的形式呈现,所述记录表包含监控网络记录的每一个人物的人物身份特征和/或手机串号、记录时间、记录位置。
3.如权利要求1所述的基于网络轨迹大数据的人物追踪方法,其特征在于,在步骤2中,所述预设规则具体为:设置一时间差阈值,若两个人物出现在同一位置的时间差小于等于时间差阈值,则为两条轨迹的同步性值加1。
4.如权利要求1所述的基于网络轨迹大数据的人物追踪方法,其特征在于,步骤6中的统计分析方法具体为:将位置相同的下一轨迹点划分为一类,确定每个类中包含的下一轨迹点的数量,计算每个类中下一轨迹点的数量与全部下一轨迹点数量的比值,所述比值为待追踪人物出现在与每个类对应的位置的概率。
5.如权利要求1所述的基于网络轨迹大数据的人物追踪方法,其特征在于,所述步骤6还包括,将出现概率最高的下一轨迹点对应的位置作为待追踪人物的预测位置。
6.一种基于网络轨迹大数据的人物追踪系统,所述系统包括:
获取模块,用于获取监控网络过去一段时间内记录的历史数据,所述历史数据包含每一个人物的轨迹数据;
计算模块,用于计算所获取的历史数据中每两个人物轨迹之间的同步性值;具体为:对于任意两条人物轨迹,若两个人物出现在同一前端位置且处于同一时间区段内,则按预设规则增加这两条人物轨迹同步性值;遍历所获取的历史数据中的全部人物轨迹,按上述方式计算两两轨迹之间的同步性值;
类簇划分模块,用于将所获取的历史数据中所有人物的人物轨迹划分类簇,具体为:将同步性值大于阈值的两个人物轨迹归入同一类簇,且使每一个类簇满足:该类簇中的每一人物的人物轨迹与该类簇中其他任一人物的人物轨迹之间的同步性值均大于阈值;
轨迹点确定模块,用于确定每一类簇中的轨迹点,将轨迹点按时间顺序串联,得到每一个类簇的类簇轨迹;轨迹点的确定方式为:对于每一个类簇,如果该类簇中大于比例阈值的人物轨迹都经过了一个位置,且经过的时间在同一时间区段内,则将该位置作为该类簇的一个轨迹点;
提取模块,用于获取待追踪人物过去一段时间内的轨迹数据,计算这段时间内待追踪人物的轨迹与每个类簇的类簇轨迹的同步性值,提取与待追踪人物的人物轨迹的同步性值大于阈值且轨迹点包含待追踪人物最后被记录位置的类簇;
预测模块,用于确定所提取的每个类簇中待追踪人物最后被记录位置的轨迹点,并提取每一类簇中下一轨迹点的位置,通过统计分析,可以得出待追踪人物出现在下一轨迹点对应位置的概率。
7.如权利要求6所述的基于网络轨迹大数据的人物追踪系统,其特征在于,在所述获取模块中,所述历史数据以记录表的形式呈现,所述记录表包含监控网络记录的每一个人物的人物身份特征和/或手机串号、记录时间、记录位置。
8.如权利要求6所述的基于网络轨迹大数据的人物追踪系统,其特征在于,在所述计算模块中,所述预设规则具体为:设置一时间差阈值,若两个人物出现在同一位置的时间差小于等于时间差阈值,则为两条轨迹的同步性值加1。
9.如权利要求6所述的基于网络轨迹大数据的人物追踪系统,其特征在于,在所述预测模块中,所述统计分析方法具体为:将位置相同的下一轨迹点划分为一类,确定每个类中包含的下一轨迹点的数量,计算每个类中下一轨迹点的数量与全部下一轨迹点数量的比值,所述比值为待追踪人物出现在与每个类对应的位置的概率。
10.如权利要求6所述的基于网络轨迹大数据的人物追踪系统,其特征在于,在所述预测模块中,将出现概率最高的下一轨迹点对应的位置作为待追踪人物的预测位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490466.7A CN110519324B (zh) | 2019-06-06 | 2019-06-06 | 一种基于网络轨迹大数据的人物追踪方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490466.7A CN110519324B (zh) | 2019-06-06 | 2019-06-06 | 一种基于网络轨迹大数据的人物追踪方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110519324A CN110519324A (zh) | 2019-11-29 |
CN110519324B true CN110519324B (zh) | 2020-08-25 |
Family
ID=68623229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910490466.7A Active CN110519324B (zh) | 2019-06-06 | 2019-06-06 | 一种基于网络轨迹大数据的人物追踪方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110519324B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111107319B (zh) * | 2019-12-25 | 2021-05-28 | 眸芯科技(上海)有限公司 | 基于区域摄像头的目标追踪方法、装置及系统 |
CN113128282A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 一种人群类别的划分方法、装置及终端 |
CN112419366A (zh) * | 2020-11-30 | 2021-02-26 | 深圳力维智联技术有限公司 | 车辆的追踪方法、系统及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102334142A (zh) * | 2009-02-24 | 2012-01-25 | 三菱电机株式会社 | 人物追踪装置以及人物追踪程序 |
CN103593361A (zh) * | 2012-08-14 | 2014-02-19 | 中国科学院沈阳自动化研究所 | 感应网络环境下移动时空轨迹分析方法 |
CN103714553A (zh) * | 2012-10-09 | 2014-04-09 | 杭州海康威视数字技术股份有限公司 | 一种多目标跟踪方法和装置 |
CN105046220A (zh) * | 2015-07-10 | 2015-11-11 | 华为技术有限公司 | 一种多目标跟踪方法、装置及设备 |
CN106227889A (zh) * | 2016-08-15 | 2016-12-14 | 华云科技有限公司 | 一种轨迹停留点分析提取方法 |
CN106650771A (zh) * | 2016-09-29 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 基于聚类分析的轨迹去噪方法以及装置 |
CN108629000A (zh) * | 2018-05-02 | 2018-10-09 | 深圳市数字城市工程研究中心 | 一种手机轨迹数据聚类的群体行为特征提取方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385690B (zh) * | 2010-09-01 | 2014-01-15 | 汉王科技股份有限公司 | 基于视频图像的目标跟踪方法及系统 |
US10187755B2 (en) * | 2015-09-29 | 2019-01-22 | Collateral Opportunities, Lld | Electronic asset location identification and tracking system with receiver clustering |
US10070409B2 (en) * | 2016-02-23 | 2018-09-04 | Walmart Apollo, Llc | Cluster tracking system |
US9852513B2 (en) * | 2016-03-01 | 2017-12-26 | Intel Corporation | Tracking regions of interest across video frames with corresponding depth maps |
CN107305626A (zh) * | 2016-04-25 | 2017-10-31 | 孙久耕 | 行人运动轨迹检测及违章分析系统 |
-
2019
- 2019-06-06 CN CN201910490466.7A patent/CN110519324B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102334142A (zh) * | 2009-02-24 | 2012-01-25 | 三菱电机株式会社 | 人物追踪装置以及人物追踪程序 |
CN103593361A (zh) * | 2012-08-14 | 2014-02-19 | 中国科学院沈阳自动化研究所 | 感应网络环境下移动时空轨迹分析方法 |
CN103714553A (zh) * | 2012-10-09 | 2014-04-09 | 杭州海康威视数字技术股份有限公司 | 一种多目标跟踪方法和装置 |
CN105046220A (zh) * | 2015-07-10 | 2015-11-11 | 华为技术有限公司 | 一种多目标跟踪方法、装置及设备 |
CN106227889A (zh) * | 2016-08-15 | 2016-12-14 | 华云科技有限公司 | 一种轨迹停留点分析提取方法 |
CN106650771A (zh) * | 2016-09-29 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 基于聚类分析的轨迹去噪方法以及装置 |
CN108629000A (zh) * | 2018-05-02 | 2018-10-09 | 深圳市数字城市工程研究中心 | 一种手机轨迹数据聚类的群体行为特征提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
城市邻近基站间人群流动时空变化同步性分析;朱菁玮等;《地球信息科学》;20180630;第20卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110519324A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203458B (zh) | 人群视频分析方法及系统 | |
CN110519324B (zh) | 一种基于网络轨迹大数据的人物追踪方法与系统 | |
CN110750670B (zh) | 陌生人监控方法、装置、系统和存储介质 | |
CN110969215A (zh) | 聚类处理方法和装置、存储介质及电子装置 | |
CN108446681B (zh) | 行人分析方法、装置、终端及存储介质 | |
CN111291682A (zh) | 确定目标对象的方法、装置、存储介质及电子装置 | |
CN104205127A (zh) | 基于识别的安全性 | |
CN110705477A (zh) | 行为分析方法、装置、电子设备和计算机存储介质 | |
CN111160243A (zh) | 客流量统计方法及相关产品 | |
CN111209776A (zh) | 同行人识别方法、装置、处理服务器、存储介质及系统 | |
CN109426787A (zh) | 一种人体目标轨迹确定方法及装置 | |
CN111325954B (zh) | 人员走失预警方法、装置、系统及服务器 | |
JP2022518459A (ja) | 情報処理方法および装置、記憶媒体 | |
US20240095862A1 (en) | Method for determining dangerousness of person, apparatus, system and storage medium | |
CN111010547A (zh) | 目标对象的追踪方法及装置、存储介质、电子装置 | |
CN112183162A (zh) | 一种监控场景下人脸自动注册识别系统及方法 | |
CN110781844A (zh) | 保安巡察监测方法及装置 | |
CN109800279A (zh) | 一种基于时空轨迹快速碰撞的算法 | |
Rumi et al. | Theft prediction with individual risk factor of visitors | |
CN110175553B (zh) | 基于步态识别与人脸识别建立特征库的方法及装置 | |
CN112699328A (zh) | 网点服务数据处理方法、装置、系统、设备及存储介质 | |
CN109871456B (zh) | 一种看守所人员关系分析方法、装置和电子设备 | |
CN110990455A (zh) | 大数据识别房屋性质的方法与系统 | |
CN111400415A (zh) | 涉稳人员的管理方法及相关装置 | |
CN113468948A (zh) | 基于视图数据的治安防控方法、模块、设备及存储介质 |
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 |