CN110909592B - 一种基于多尺度特征量的目标跟踪方法和系统 - Google Patents
一种基于多尺度特征量的目标跟踪方法和系统 Download PDFInfo
- Publication number
- CN110909592B CN110909592B CN201910963491.2A CN201910963491A CN110909592B CN 110909592 B CN110909592 B CN 110909592B CN 201910963491 A CN201910963491 A CN 201910963491A CN 110909592 B CN110909592 B CN 110909592B
- Authority
- CN
- China
- Prior art keywords
- point
- position point
- cluster
- current time
- scale
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多尺度特征量的目标跟踪方法和系统,本方法通过计算不同时间点的位置点所属簇群之间的移动距离,并通过比较移动距离与预定尺度阈值来确定当前时间点的位置点所在簇群与在当前时间点之前的预设时间段内时间点的位置点所在簇群分别属于大尺度移动还是小尺度移动,设置阈值进行判断,适用的范围更广,根据被跟踪物体移动的空间尺度进行预测,可以针对不同尺度下被跟踪目标的动态移动轨迹进行准确预测,提高了预测准确度,根据预测结果对被跟踪目标进行精准跟踪处理。
Description
技术领域
本发明涉及目标跟踪领域,具体是一种基于多尺度特征量的目标跟踪方法和系统。
背景技术
在智慧城市的应用场景当中,对目标的位置变化进行跟踪具有重要价值,例如,可以公安或者安保部门可以基于目标跟踪而对关注的监视对象进行布控,防范违法事件,维护公共安全。交通管理中可以基于目标跟踪而测定车辆的通行情况,进而通过汇总很多车辆的通行情况,确定每段道路通行顺畅程度,等等。
传统的目标跟踪只是实时或者准实时地获得目标的位置点,因此只能反映目标过去以及当前时刻的位置。为了更好的服务于以上应用场景,人们希望开展对目标的动态预测跟踪,即通过动态分析目标的位置点变化,预测目标的将来位置点,进而针对该将来位置点进行必要的响应,例如由公安或安保部门进行提前布控,或者由交通部门进行提前的调度。
目前,现有技术中对目标的动态预测跟踪一般是依据大数据分析来实现,(1·)首先,汇集海量目标的位置点;(2)进而,通过分析海量目标的位置点的变化,获得任一目标在上一个时间点位于位置点St,则其在下一个时间点移动到位置点St+1的条件概率或者,可以获得如果任一目标在之前的一系列时间点处于位置点St-i,St-i+1……St,则其在下一时间点移动到位置点St+1的条件概率(3)进而,根据当前的被预测目标在之前一个或者一系列时间点的位置点,预测其在下一时刻移动到若干潜在位置点的预测概率;并且如果某个或者某几个潜在位置点的预测概率大于预定的概率阈值,则将这个或者这些潜在位置点作为被预测目标的将来位置点,针对将来位置点进行必要的响应。
但是,现有技术存在以下缺点:首先,在基于海量目标的位置点变化分析概率的过程中,当中没有考虑到移动的空间尺度的影响,导致按照一样的条件概率规则度两个不同尺度的目标位置点进行预测,容易出现预测失准的现象;另一方面来说,对于大尺度空间移动的目标,其需要的是在同样大尺度的空间范围内对其潜在位置点进行预测,给出其小尺度空间范围内的潜在位置点预测对于目标的跟踪来说没有意义;同理,对于小尺度空间移动的目标来说,对其给出大尺度空间范围的潜在位置点预测也是没有意义的。
因此,如何通过根据被跟踪目标的空间尺度,精准预测被跟踪目标的位置点变化,进而实现对目标准确布控是本领域技术人员亟待解决的问题。
发明内容
鉴于上述问题,本发明的目的是为了解决现有技术中对目标的动态预测跟踪技术没有考虑到移动的空间尺度的影响,使对目标的位置点预测容易出现偏差,不能准确的针对不同的空间范围预测潜在位置点的问题。
本发明实施例提供一种基于多尺度特征量的目标跟踪方法,包括:
获取被跟踪目标在当前时间点与在当前时间点之前的预定时间段内时间点的位置点;
过滤所述在当前时间点与在当前时间点之前的预定时间段内时间点的噪声位置点,生成有效位置点;
将所述有效位置点按照时间和空间分布,聚类为N个位置点簇群;
分别计算所述位置点簇群的簇群中心与在时间上相邻的上一个簇群的簇群中心之间的移动距离;
将所述移动距离与预定的尺度阈值比较,判断所述被跟踪目标当前时间点的位置点所在簇群与在当前时间点之前的预设时间段内时间点的位置点所在簇群分别属于大尺度移动还是小尺度移动;
根据判断结果,生成被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判;
根据所述预判结果,在所述将来位置点簇群中的位置点处进行目标跟踪处理。
在一个实施例中,过滤所述在当前时间点与之前的一个预设时间点段内时间点的噪声位置点,生成有效位置点,包括:
判断所述当前时间点与之前的一个预定时间段内时间点的位置点半径为R的邻域空间内位置点的数量是否小于过滤阈值;
如果小于过滤阈值,则所述位置点为噪声点,将所述位置点进行过滤;如果大于过滤阈值,则所述位置点为有效位置点。
在一个实施例中,将所述有效位置点按照时间和空间分布,聚类为N个位置点簇群,包括:
选择步骤:随机选择所述有效位置点中的N个位置点作为初始的簇群中心;
确定步骤:确定与剩余的有效位置点在时间上相邻的一个或多个簇群中心;
划分步骤:将所述剩余的有效位置点分别划分到距离最近的簇群中心所在的簇群;
计算步骤:计算所述簇群中的位置点之间的平均距离,选择平均距离最小的位置点作为本簇群的簇群中心;
生成步骤:重复确定步骤、划分步骤与计算步骤,直至每个簇群的组成不再变化,生成N个位置点簇群。
在一个实施例中,判断所述被跟踪目标当前时间点的位置点所在簇群与在当前时间点之前的预设时间段内时间点的位置点所在簇群分别属于大尺度移动还是小尺度移动,包括:
如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于大尺度移动;
如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于大尺度移动。
在一个实施例中,对根据判断结果,生成被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判,包括:
如果所述被跟踪目标当前时间点的位置点属于小尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于小尺度移动的目标数据;
根据所述目标数据中包含的属于小尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;
参考所述被跟踪目标当前时间点之前的预设时间段内属于小尺度移动的位置点与当前时间点属于小尺度移动的位置点,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群;
如果所述被跟踪目标当前时间点的位置点属于大尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于大尺度移动的目标数据;
根据所述目标数据中包含的属于大尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;
参考所述被跟踪目标当前时间点之前的预设时间段内属于大尺度移动的位置点与当前时间点属于大尺度移动的位置点,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群;
根据所述被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判。
第二方面,本发明还提供一种基于多尺度特征量的目标跟踪系统,包括:
获取模块,用于获取被跟踪目标在当前时间点与在当前时间点之前的预定时间段内时间点的位置点;
过滤模块,用于过滤所述在当前时间点与在当前时间点之前的预定时间段内时间点的噪声位置点,生成有效位置点;
聚类模块,用于将所述有效位置点按照时间和空间分布,聚类为N个位置点簇群;
计算模块,用于分别计算所述位置点簇群的簇群中心与在时间上相邻的上一个簇群的簇群中心之间的移动距离;
判断模块,用于将所述移动距离与预定的尺度阈值比较,判断所述被跟踪目标当前时间点的位置点所在簇群与在当前时间点之前的预设时间段内时间点的位置点所在簇群分别属于大尺度移动还是小尺度移动;
预判模块,用于根据判断结果,生成被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判;
跟踪处理模块,用于根据所述预判结果,在所述将来位置点簇群中的位置点处进行目标跟踪处理。
在一个实施例中,所述过滤模块,包括:
判断子模块,用于判断所述当前时间点与之前的一个预定时间段内时间点的位置点半径为R的邻域空间内位置点的数量是否小于过滤阈值;
过滤子模块,用于如果小于过滤阈值,则所述位置点为噪声点,将所述位置点进行过滤;如果大于过滤阈值,则所述位置点为有效位置点。
在一个实施例中,所述聚类模块,包括:
选择子模块:随机选择所述有效位置点中的N个位置点作为初始的簇群中心;
确定子模块,用于确定与剩余的有效位置点在时间上相邻的一个或多个簇群中心;
划分子模块,用于将所述剩余的有效位置点分别划分到距离最近的簇群中心所在的簇群;
计算子模块,用于计算所述簇群中的位置点之间的平均距离,选择平均距离最小的位置点作为本簇群的簇群中心;
生成子模块,用于重复确定步骤、划分步骤与计算步骤,直至每个簇群的组成不再变化,生成N个位置点簇群。
在一个实施例中,所述判断模块,包括:
第一判断子模块,用于如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于大尺度移动;
第二判断子模块,用于如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于大尺度移动。
在一个实施例中,所述预判模块,包括:
如果所述被跟踪目标当前时间点的位置点属于小尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于小尺度移动的目标数据;
根据所述目标数据中包含的属于小尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;
参考所述被跟踪目标当前时间点之前的预设时间段内属于小尺度移动的位置点与当前时间点属于小尺度移动的位置点,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群;
如果所述被跟踪目标当前时间点的位置点属于大尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于大尺度移动的目标数据;
根据所述目标数据中包含的属于大尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;
参考所述被跟踪目标当前时间点之前的预设时间段内属于大尺度移动的位置点与当前时间点属于大尺度移动的位置点,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群;
根据所述被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种基于多尺度特征量的目标跟踪方法,本方法通过计算不同时间点的位置点所属簇群之间的移动距离,并通过比较移动距离与预定尺度阈值来确定当前时间点的位置点所在簇群与在当前时间点之前的预设时间段内时间点的位置点所在簇群分别属于大尺度移动还是小尺度移动,设置阈值进行判断,适用的范围更广,根据被跟踪物体移动的空间尺度进行预测,可以针对不同尺度下被跟踪目标的动态移动轨迹进行准确预测,提高了预测准确度,根据预测结果对被跟踪目标进行精准跟踪处理。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步地详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的一种基于多尺度特征量的目标跟踪方法的流程图;
图2为本发明实施例提供的步骤S103流程图;
图3为本发明实施例提供的步骤S106流程图;
图4为本发明实施例提供的现有技术目标跟踪方法的示意图;
图5为本发明实施例提供的基于多尺度特征量的目标跟踪方法示意图;
图6为本发明实施例提供的一种基于多尺度特征量的目标跟踪系统的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示,本发明实施例提供的一种基于多尺度特征量的目标跟踪方法,该方法包括:步骤S101~S107;
S101、获取被跟踪目标在当前时间点与在当前时间点之前的预定时间段内时间点的位置点;
S102、过滤所述在当前时间点与在当前时间点之前的预定时间段内时间点的噪声位置点,生成有效位置点;
S103、将所述有效位置点按照时间和空间分布,聚类为N个位置点簇群;
S104、分别计算所述位置点簇群的簇群中心与在时间上相邻的上一个簇群的簇群中心之间的移动距离;
S105、将所述移动距离与预定的尺度阈值比较,判断所述被跟踪目标当前时间点的位置点所在簇群与在当前时间点之前的预设时间段内时间点的位置点所在簇群分别属于大尺度移动还是小尺度移动;
S106、根据判断结果,生成被跟踪目标的将来位置点簇群(可以生成一个或多个将来位置点簇群),对所述被跟踪目标当前时间点的位置点的移动进行预判;
S107、根据所述预判结果,在所述将来位置点簇群中的位置点处进行目标跟踪处理。
例如,在追捕逃犯的过程中,对逃犯当前时间点的位置点进行判断,出现在a点的概率为70%,出现在b点的概率为50%,出现在c点的概率为0%,则在a点进行重点布控,b点也进行布控,不在c点布控,则抓住逃犯的几率将大大增加。
本实施例中,通过对被跟踪目标的空间尺度进行判断,并根据不同空间尺度进行不同的预判,可以更加准确的对被跟踪目标的将来位置点进行准确的预测,提高了准确度,并且可以根据预判结果针对被跟踪目标的将来位置点进行精准的跟踪处理,实现了对被跟踪目标的准确布控。
其中在,上述步骤S102中,对噪声位置点进行过滤的方式如下所示:
判断所述当前时间点与之前的一个预定时间段内时间点的位置点半径为R的邻域空间内位置点的数量是否小于过滤阈值;
如果小于过滤阈值,则所述位置点为噪声点,将所述位置点进行过滤;如果大于过滤阈值,则所述位置点为有效位置点。
例如,设置过滤阈值为0.5,则0-0.5之间的位置点为噪声点,0.5-1之间的位置点为有效位置点。
在一个实施例中,参照图2所示,上述步骤S104中将所述有效位置点按照时间和空间分布,聚类为N个位置点簇群,包括:
选择步骤:随机选择所述有效位置点中的N个位置点作为初始的簇群中心;
确定步骤:确定与剩余的有效位置点在时间上相邻的一个或多个簇群中心;
划分步骤:将所述剩余的有效位置点分别划分到距离最近的簇群中心所在的簇群;
计算步骤:计算所述簇群中的位置点之间的平均距离,选择平均距离最小的位置点作为本簇群的簇群中心;
生成步骤:重复确定步骤、划分步骤与计算步骤,直至每个簇群的组成不再变化,生成N个位置点簇群。
在一个实施例中,步骤S105中,判断所述被跟踪目标当前时间点的位置点所在簇群与在当前时间点之前的预设时间段内时间点的位置点所在簇群分别属于大尺度移动还是小尺度移动,包括:
如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于大尺度移动;
如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于大尺度移动。
本实施中,对于刚开始一段大尺度空间移动的目标,其已经产生的移动距离未必很长,同理,对于刚结束一段大尺度空间移动开始小尺度空间移动的目标来说,其已经产生的比较长的移动距离对当前需要的小尺度空间范围的位置预测跟踪也不产生影响,所以本实施例不仅对被跟踪目标当前位置点所在簇群的空间尺度进行了判断,而且对被跟踪目标在当前时间点之前的预设时间段内时间点的位置点所在簇群的空间尺度进行了判断,充分的考虑了被跟踪目标在不同时间点的位置点所在簇群的尺度变化,进而可以更加准确的对被跟踪目标的将来位置点进行预判。
在一个实施例中,参照图3表示,在步骤S106中,根据判断结果,生成被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判,包括步骤S1061-S1067:
S1061、如果所述被跟踪目标当前时间点的位置点属于小尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于小尺度移动的目标数据;
S1062、根据所述目标数据中包含的属于小尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;
S1063、参考所述被跟踪目标当前时间点之前的预设时间段内属于小尺度移动的位置点簇群与当前时间点属于小尺度移动的位置点簇群,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群。
具体的,对于海量目标数据中每个目标,执行上述步骤S101-S105,确定每个目标属于大尺度移动还是小尺度移动,聚合海量的小尺度移动的目标的位置点簇群作为潜在位置点簇群,分别确定每个潜在位置点簇群的该条件概率。
例如,在小尺度的空间范围内(距离0.5KM的空间范围),聚合海量的小尺度移动的目标的位置点簇群CSt-i,CSt-i+1……CSt作为潜在位置点簇群,统计获得其在下一时间点移动到潜在位置点簇群CSt+1的条件概率
S1064、如果所述被跟踪目标当前时间点的位置点属于大尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于大尺度移动的目标数据;
S1065、根据所述目标数据中包含的属于大尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;
S1066、参考所述被跟踪目标当前时间点之前的预设时间段内属于大尺度移动的位置点与当前时间点属于大尺度移动的位置点,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群;
具体的,对于海量目标数据中每个目标,执行上述步骤S101-S105,确定每个目标属于大尺度移动还是小尺度移动,聚合海量的大尺度移动的目标的位置点簇群作为潜在位置点簇群,分别确定每个潜在位置点簇群的该条件概率。
例如,在大尺度的空间范围内(距离5KM的空间范围),聚合海量的大尺度移动的目标的位置点簇群CSt-i,CSt-i+1……CSt作为潜在位置点簇群,统计获得其在下一时间点移动到潜在位置点簇群CSt+1的条件概率
S1067、根据所述被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判。
例如,该被跟踪目标的当前时间点的位置点所属簇群是在A点,并且当前时间点的A点属于大尺度移动,海量目标数据10000个人,其中具有A点邻近(比如簇群中心偏差不超过500米)的位置点簇群的有8000个,剩下2000个根本没有到过A点附近,这8000个里面,在A点邻近的位置点簇群属于小尺度移动的又有5000个,剩余的3000个在A点邻近的位置点簇群属于大尺度移动,则将10000人中在A点位置点为大尺度的目标(3000个人)的移动路径途经的所有大尺度位置点(比如3000个人的大尺度位置点是B点——A点——C点,B点——A点——D点)提取出来,与该被跟踪目标原来时间点的位置点中所有属于大尺度的位置点以及当前时间点的位置点(比如B点——A点,如果B点之前该目标有一系列的小尺度移动位置点则不纳入考虑)进行参考,对当前时间点的位置点的移动进行预判,到达C点的概率为70%,到达D点的概率为50%,设置预定的概率阈值为30%,则C点与D点作为将来位置点,根据将来位置点对A点的移动进行预测。
在本实施例中,现有技术中,基于海量目标的位置点变化分析概率的过程中,当中没有考虑到移动的空间尺度的影响,比如,参照图4所示,对于A、B两个目标具有重叠或者非常接近的一个或者多个位置点St-5、St-4、St-3、St-2、St-1、St,但是A目标进行大尺度的空间移动,而B目标进行的是小尺度的空间移动,实际上二者在接下来的位置点的分布规律是很不一样的,但是现有技术只能按照一样的条件概率规则进行预测,容易出现预测失准的现象;另一方面来说,对于大尺度空间移动的A目标,其需要的是在同样大尺度的空间范围内对其潜在位置点进行预测,给出其小尺度空间范围内的潜在位置点预测对于A目标的跟踪来说没有意义;同理,对于小尺度空间移动的B目标来说,对其给出大尺度空间范围的潜在位置点预测也是没有意义的。
而本申请中根据被跟踪目标的空间尺度对被跟踪目标的移动位置点进行预测,参照图5所示,对于C点的移动位置点进行预测,判断出当前时间点的位置点所属簇群CSt属于小尺度移动,聚合海量的小尺度移动的目标的位置点簇群CSt-i,CSt-i+1……CSt作为潜在位置点簇群,并确定所述潜在位置点簇群的条件概率当前时间点之前的预设时间段内的时间点的位置点所属簇群CSt-4 CSt-3
、、CSt-2属于大尺度移动,而CSt-1属于小尺度移动,则选择CSt-1与CSt作为参考,根据生成被跟踪目标的将来位置点簇群进行预判。本申请可以对被跟踪目标在不同空间尺度下的移动轨迹进行准确预判,进而实现对被跟踪物体的跟踪处理。
基于同一发明构思,本发明实施例还提供了一种基于多尺度特征量的目标跟踪系统,由于该装置所解决问题的原理与前述一种基于多尺度特征量的目标跟踪方法相似,因此该装置的实施可以参见前述方法的实施,重复之处不再赘述。
本发明实施例提供的一种基于多尺度特征量的目标跟踪系统,参照图6所示,包括:
获取模块61,用于获取被跟踪目标在当前时间点与在当前时间点之前的预定时间段内时间点的位置点;
过滤模块62,用于过滤所述在当前时间点与在当前时间点之前的预定时间段内时间点的噪声位置点,生成有效位置点;
聚类模块63,用于将所述有效位置点按照时间和空间分布,聚类为N个位置点簇群;
计算模块64,用于分别计算所述位置点簇群的簇群中心与在时间上相邻的上一个簇群的簇群中心之间的移动距离;
判断模块65,用于将所述移动距离与预定的尺度阈值比较,判断所述被跟踪目标当前时间点的位置点所在簇群与在当前时间点之前的预设时间段内时间点的位置点所在簇群分别属于大尺度移动还是小尺度移动;
预判模块66,用于根据判断结果,生成被跟踪目标的将来位置点簇群(可以生成一个或多个将来位置点簇群),对所述被跟踪目标当前时间点的位置点的移动进行预判;
跟踪处理模块67,用于根据所述预判结果,在所述将来位置点簇群中的位置点处进行目标跟踪处理。
在一个实施例中,所述过滤模块62,包括:
判断子模块621,用于判断所述当前时间点与之前的一个预定时间段内时间点的位置点半径为R的邻域空间内位置点的数量是否小于过滤阈值;
过滤子模块622,用于如果小于过滤阈值,则所述位置点为噪声点,将所述位置点进行过滤;如果大于过滤阈值,则所述位置点为有效位置点。
例如,设置过滤阈值为0.5,则0-0.5之间的位置点为噪声点,0.5-1之间的位置点为有效位置点。
在一个实施例中,所述聚类模块63,包括:
选择子模块631:随机选择所述有效位置点中的N个位置点作为初始的簇群中心;
确定子模块632,用于确定与剩余的有效位置点在时间上相邻的一个或多个簇群中心;
划分子模块633,用于将所述剩余的有效位置点分别划分到距离最近的簇群中心所在的簇群;
计算子模块634,用于计算所述簇群中的位置点之间的平均距离,选择平均距离最小的位置点作为本簇群的簇群中心;
生成子模块635,用于重复确定步骤、划分步骤与计算步骤,直至每个簇群的组成不再变化,生成N个位置点簇群。
在一个实施例中,所述判断模块65,包括:
第一判断子模块651,用于如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于大尺度移动;
第二判断子模块652,用于如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于大尺度移动。
在一个实施例中,所述预判模块66,包括:
如果所述被跟踪目标当前时间点的位置点属于小尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于小尺度移动的目标数据;
根据所述目标数据中包含的属于小尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;
参考所述被跟踪目标当前时间点之前的预设时间段内属于小尺度移动的位置点与当前时间点属于小尺度移动的位置点,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群;
如果所述被跟踪目标当前时间点的位置点属于大尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于大尺度移动的目标数据;
根据所述目标数据中包含的属于大尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;
参考所述被跟踪目标当前时间点之前的预设时间段内属于大尺度移动的位置点与当前时间点属于大尺度移动的位置点,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群;
根据所述被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于多尺度特征量的目标跟踪方法,其特征在于,包括:
获取被跟踪目标在当前时间点与在当前时间点之前的预定时间段内时间点的位置点;
过滤所述在当前时间点与在当前时间点之前的预定时间段内时间点的噪声位置点,生成有效位置点;
将所述有效位置点按照时间和空间分布,聚类为N个位置点簇群;
分别计算所述位置点簇群的簇群中心与在时间上相邻的上一个簇群的簇群中心之间的移动距离;
将所述移动距离与预定的尺度阈值比较,判断所述被跟踪目标当前时间点的位置点所在簇群与在当前时间点之前的预设时间段内时间点的位置点所在簇群分别属于大尺度移动还是小尺度移动;
根据判断结果,生成被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判;如果所述被跟踪目标当前时间点的位置点属于小尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于小尺度移动的目标数据;根据所述目标数据中包含的属于小尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;参考所述被跟踪目标当前时间点之前的预设时间段内属于小尺度移动的位置点与当前时间点属于小尺度移动的位置点,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群;如果所述被跟踪目标当前时间点的位置点属于大尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于大尺度移动的目标数据;根据所述目标数据中包含的属于大尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;参考所述被跟踪目标当前时间点之前的预设时间段内属于大尺度移动的位置点与当前时间点属于大尺度移动的位置点,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群;根据所述被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判;
根据所述预判结果,在所述将来位置点簇群中的位置点处进行目标跟踪处理。
2.如权利要求1所述的一种基于多尺度特征量的目标跟踪方法,其特征在于,过滤所述在当前时间点与之前的一个预设时间点段内时间点的噪声位置点,生成有效位置点,包括:
判断所述当前时间点与之前的一个预定时间段内时间点的位置点半径为R的邻域空间内位置点的数量是否小于过滤阈值;
如果小于过滤阈值,则所述位置点为噪声点,将所述位置点进行过滤;如果大于过滤阈值,则所述位置点为有效位置点。
3.如权利要求1所述的一种基于多尺度特征量的目标跟踪方法,其特征在于,将所述有效位置点按照时间和空间分布,聚类为N个位置点簇群,包括:
选择步骤:随机选择所述有效位置点中的N个位置点作为初始的簇群中心;
确定步骤:对于上述N个位置点以外的剩余的每个有效位置点,确定与每个有效位置点在时间上相邻的一个或多个簇群中心;
划分步骤:将所述剩余的每个有效位置点分别划分到距离最近的簇群中心所在的簇群;
计算步骤:计算所述簇群中的位置点之间的平均距离,选择平均距离最小的位置点作为本簇群的簇群中心;
生成步骤:重复确定步骤、划分步骤与计算步骤,直至每个簇群的组成不再变化,生成N个位置点簇群。
4.如权利要求1所述的一种基于多尺度特征量的目标跟踪方法,其特征在于,判断所述被跟踪目标当前时间点的位置点所在簇群与在当前时间点之前的预设时间段内时间点的位置点所在簇群分别属于大尺度移动还是小尺度移动,包括:
如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于大尺度移动;
如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于大尺度移动。
5.一种基于多尺度特征量的目标跟踪系统,其特征在于,包括:
获取模块,用于获取被跟踪目标在当前时间点与在当前时间点之前的预定时间段内时间点的位置点;
过滤模块,用于过滤所述在当前时间点与在当前时间点之前的预定时间段内时间点的噪声位置点,生成有效位置点;
聚类模块,用于将所述有效位置点按照时间和空间分布,聚类为N个位置点簇群;
计算模块,用于分别计算所述位置点簇群的簇群中心与在时间上相邻的上一个簇群的簇群中心之间的移动距离;
判断模块,用于将所述移动距离与预定的尺度阈值比较,判断所述被跟踪目标当前时间点的位置点所在簇群与在当前时间点之前的预设时间段内时间点的位置点所在簇群分别属于大尺度移动还是小尺度移动;
预判模块,用于根据判断结果,生成被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判;所述预判模块的预判包括:如果所述被跟踪目标当前时间点的位置点属于小尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于小尺度移动的目标数据;根据所述目标数据中包含的属于小尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;参考所述被跟踪目标当前时间点之前的预设时间段内属于小尺度移动的位置点与当前时间点属于小尺度移动的位置点,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群;如果所述被跟踪目标当前时间点的位置点属于大尺度移动,则从海量目标数据中选取与所述被跟踪目标当前时间点的位置点所在簇群邻近的位置点簇群中属于大尺度移动的目标数据;根据所述目标数据中包含的属于大尺度移动的位置点所属簇群,生成潜在位置点簇群,并确定所述潜在位置点簇群的条件概率;参考所述被跟踪目标当前时间点之前的预设时间段内属于大尺度移动的位置点与当前时间点属于大尺度移动的位置点,根据所述潜在位置点簇群的条件概率,生成被跟踪目标的将来位置点簇群;根据所述被跟踪目标的将来位置点簇群,对所述被跟踪目标当前时间点的位置点的移动进行预判;
跟踪处理模块,用于根据所述预判结果,在所述将来位置点簇群中的位置点处进行目标跟踪处理。
6.如权利要求5所述的一种基于多尺度特征量的目标跟踪系统,其特征在于,所述过滤模块,包括:
判断子模块,用于判断所述当前时间点与之前的一个预定时间段内时间点的位置点半径为R的邻域空间内位置点的数量是否小于过滤阈值;
过滤子模块,用于如果小于过滤阈值,则所述位置点为噪声点,将所述位置点进行过滤;如果大于过滤阈值,则所述位置点为有效位置点。
7.如权利要求5所述的一种基于多尺度特征量的目标跟踪系统,其特征在于,所述聚类模块,包括:
选择子模块:随机选择所述有效位置点中的N个位置点作为初始的簇群中心;
确定子模块,用于对于上述N个位置点以外的剩余的每个有效位置点,确定与每个有效位置点在时间上相邻的一个或多个簇群中心;
划分子模块,用于将所述剩余的每个有效位置点分别划分到距离最近的簇群中心所在的簇群;
计算子模块,用于计算所述簇群中的位置点之间的平均距离,选择平均距离最小的位置点作为本簇群的簇群中心;
生成子模块,用于重复确定步骤、划分步骤与计算步骤,直至每个簇群的组成不再变化,生成N个位置点簇群。
8.如权利要求5所述的一种基于多尺度特征量的目标跟踪系统,其特征在于,所述判断模块,包括:
第一判断子模块,用于如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标当前时间点的位置点所在簇群属于大尺度移动;
第二判断子模块,用于如果所述移动距离小于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于小尺度移动;如果所述移动距离大于预定的尺度阈值,则所述被跟踪目标在所述当前时间点之前的预设时间段内时间点的位置点所在簇群属于大尺度移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910963491.2A CN110909592B (zh) | 2019-10-11 | 2019-10-11 | 一种基于多尺度特征量的目标跟踪方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910963491.2A CN110909592B (zh) | 2019-10-11 | 2019-10-11 | 一种基于多尺度特征量的目标跟踪方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909592A CN110909592A (zh) | 2020-03-24 |
CN110909592B true CN110909592B (zh) | 2020-12-18 |
Family
ID=69815573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910963491.2A Active CN110909592B (zh) | 2019-10-11 | 2019-10-11 | 一种基于多尺度特征量的目标跟踪方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909592B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114120018B (zh) * | 2020-08-25 | 2023-07-11 | 四川大学 | 一种基于人群聚类轨迹熵的空间活力量化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955479A (zh) * | 2014-04-02 | 2014-07-30 | 北京百度网讯科技有限公司 | 电子地图的实现方法及装置 |
CN106408124A (zh) * | 2016-09-22 | 2017-02-15 | 西安科技大学 | 一种面向数据稀疏环境下的移动路径混合预测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630413B (zh) * | 2009-08-14 | 2012-01-25 | 浙江大学 | 一种多机器人跟踪移动目标方法 |
US8504062B2 (en) * | 2010-11-01 | 2013-08-06 | Wavemarket, Inc. | System and method for aggregating and associating mobile device location data |
CN103389799B (zh) * | 2013-07-24 | 2016-01-20 | 清华大学深圳研究生院 | 一种对手指尖运动轨迹进行跟踪的方法 |
CN103593430B (zh) * | 2013-11-11 | 2017-03-22 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN104299243B (zh) * | 2014-09-28 | 2017-02-08 | 南京邮电大学 | 一种基于霍夫森林的目标跟踪方法 |
CN104898104A (zh) * | 2015-06-10 | 2015-09-09 | 中国西安卫星测控中心 | 基于欧氏距离均值聚类的目标联合定位方法 |
CN110008414B (zh) * | 2016-03-31 | 2021-07-27 | 百度在线网络技术(北京)有限公司 | 地理信息点的确定方法和装置 |
CN107610464B (zh) * | 2017-08-11 | 2019-02-12 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN108761509B (zh) * | 2018-04-09 | 2021-04-23 | 吉林大学 | 一种基于历史数据的汽车行驶轨迹及里程预测方法 |
CN109992726A (zh) * | 2018-10-17 | 2019-07-09 | 招商银行股份有限公司 | 位置预测方法、装置及可读存储介质 |
CN109544590B (zh) * | 2018-11-27 | 2020-05-15 | 上海芯仑光电科技有限公司 | 一种目标跟踪方法及计算设备 |
-
2019
- 2019-10-11 CN CN201910963491.2A patent/CN110909592B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955479A (zh) * | 2014-04-02 | 2014-07-30 | 北京百度网讯科技有限公司 | 电子地图的实现方法及装置 |
CN106408124A (zh) * | 2016-09-22 | 2017-02-15 | 西安科技大学 | 一种面向数据稀疏环境下的移动路径混合预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110909592A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Probabilistic prediction of bus headway using relevance vector machine regression | |
US20210375128A1 (en) | System and method for detection and quantification of irregular traffic congestion | |
CN101729872B (zh) | 一种基于视频监控图像自动判别道路交通状态的方法 | |
CN112700072A (zh) | 交通状况预测方法、电子设备和存储介质 | |
He et al. | Incident duration prediction with hybrid tree-based quantile regression | |
CN111046968B (zh) | 一种基于改进dpc算法的道路网络轨迹聚类分析方法 | |
CN110909592B (zh) | 一种基于多尺度特征量的目标跟踪方法和系统 | |
Qian et al. | Detecting taxi trajectory anomaly based on spatio-temporal relations | |
CN110503032B (zh) | 基于监控摄像头轨迹数据的个体重要场所探测方法 | |
Dai et al. | Attention based simplified deep residual network for citywide crowd flows prediction | |
CN113361810B (zh) | 一种客流量预测方法、装置、设备和存储介质 | |
Bao | A multi-index fusion clustering strategy for traffic flow state identification | |
Aljeri et al. | A performance evaluation of time-series mobility prediction for connected vehicular networks | |
CN110196797B (zh) | 适于信用评分卡系统的自动优化方法和系统 | |
CN112738725A (zh) | 半封闭区域目标人群的实时识别方法、装置、设备和介质 | |
Pholsena et al. | Traffic status evaluation based on possibilistic fuzzy C-means clustering algorithm | |
Qin et al. | Spatiotemporal K-Nearest Neighbors Algorithm and Bayesian Approach for Estimating Urban Link Travel Time Distribution From Sparse GPS Trajectories | |
CN110399537A (zh) | 一种基于人工智能技术的警情时空预测方法 | |
CN113379334B (zh) | 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 | |
Grigoropoulos et al. | Detection and Classification of Bicyclist Group Behavior for Automated Vehicle Applications | |
CN113256973B (zh) | 一种高峰开始时间预测方法、装置、设备及介质 | |
Hossain et al. | Modelling road traffic congestion from trajectories | |
Liu | Refined Judgment of Urban Traffic State Based on Machine Learning and Edge Computing | |
Gong | The road traffic safety risk projection based on improved random forest. | |
CN109146751B (zh) | 一种基于时空聚类统计进行城市犯罪风险评估的方法 |
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 |