CN111291129A - 一种基于多维数据研判的目标人员追踪方法及装置 - Google Patents
一种基于多维数据研判的目标人员追踪方法及装置 Download PDFInfo
- Publication number
- CN111291129A CN111291129A CN201811487261.5A CN201811487261A CN111291129A CN 111291129 A CN111291129 A CN 111291129A CN 201811487261 A CN201811487261 A CN 201811487261A CN 111291129 A CN111291129 A CN 111291129A
- Authority
- CN
- China
- Prior art keywords
- target person
- dimensional data
- attribute information
- associated attribute
- reliability
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000011160 research Methods 0.000 title claims abstract description 19
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于多维数据研判的目标人员追踪方法及装置，通过城市多维数据得到目标人员的关联属性信息，然后查找关联属性信息在地图上经过的位置以及该位置附近预设范围内存在的与关联属性信息有关的多维数据，获取多维数据中的位置信息，在所述位置信息附近预设范围内包含任一关联属性信息的多维数据，统计该位置信息对应的关联属性的数量，将所述关联属性的数量大于预设阈值的位置判定为高可信位置，最后确定目标人员经过的轨迹点，根据时间进行排序绘制追踪轨迹。本发明可以防止目标人员在逃跑过程中可能会随时更换车辆、换衣服、遮挡脸部信息，而导致部分属性信息丢失的情况，以便得出精准的目标人员的追踪轨迹，从而提高追踪效率。
Description
技术领域
本发明属于安全防范技术领域，尤其涉及一种基于多维数据研判的目标人员追踪方法及装置。
背景技术
当前城市监控已经越来越智能化，但对于目标人员的追踪还很难做到实时的监控和布控，很多时候需要事后再去追踪，对于目标人员的事后追踪很多时候只能借助于传统的人为查看实况或者基于车辆的轨迹分析。由于目标人员反侦查意识一般都比较强，在离开事发现场的过程中会不断的变化穿着、随身物体等，这就给事后的追踪工作带来了很大的困难。
现有技术中，对于目标人员追踪，很多都是通过人为查看视频监控，花费很大的人力去查看一个个摄像头从而找到目标人员。对于有车辆交通工具的目标人员则通过卡口和电警的车牌识别，实现地图上的轨迹呈现，再去查看相关的监控录像。
然而，通过人为查看视频监控，追踪效率低，需要花费很大的人力一个个去查看摄像头并做位置标定，很多时候摄像头没有覆盖所有区域就会导致追踪失败。而通过交通工具来追踪，仅局限于人和车关联的情况下，如果目标人员出现换车或者换车牌等方式，就无法继续追踪。
近年来物联网、大数据、智能化都有了高速的发展，而且在视频监控领域也有初步应用，如何结合物联网、大数据进行智能追踪，成为亟需研究的一个重要方向。
发明内容
本发明的目的是提供一种基于多维数据研判的目标人员追踪方法及装置，用以克服背景技术中提出的技术问题，提高追踪效率，并能够进行精准的目标追踪。
为了实现上述目的，本发明技术方案如下：
一种基于多维数据研判的目标人员追踪方法，所述基于多维数据研判的目标人员追踪方法，包括：
基于多维数据，确定目标人员的线索属性；
基于大数据获取与目标人员的线索属性相关的所有数据信息，确定目标人员对应的位置信息；
根据目标人员对应的位置信息，查找目标人员在对应的位置信息预设范围内的多维数据，通过碰撞分析确定目标人员的多个关联属性信息；
根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置；
基于高可信位置及其附近的路网，确定目标人员经过的轨迹点，根据时间进行排序绘制追踪轨迹。
进一步地，所述目标人员的线索属性为目标人员的关联属性信息之一。
进一步地，所述根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置，包括：
查找包含任一关联属性信息的多维数据，获取多维数据中的位置信息；
获取在所述位置信息附近预设范围内包含任一关联属性信息的多维数据，统计该位置信息对应的关联属性的数量；
将所述关联属性的数量大于预设阈值的位置判定为高可信位置。
进一步地，所述根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置，包括：
查找包含任一关联属性信息的多维数据；
根据多维数据中的位置信息，统计同一位置信息对应的多维数据数量，将对应的多维数据数量大于预设阈值的位置作为高可信位置。
进一步地，所述基于高可信位置及其附近的路网，确定目标人员经过的轨迹点，包括：
确定目标人员经过高可信位置对应的路网节点到另一个高可信位置附近对应的路网节点的最短路径，根据城市道路中车辆的平均速度作为速度来计算出通过的时间，再根据多维数据中的时间判断是否存在可疑，剔除可疑的路网节点，将保留下来的高可信位置作为目标人员经过的轨迹点。
本发明还提出了一种基于多维数据研判的目标人员追踪装置，所述基于多维数据研判的目标人员追踪装置，包括：
线索查找模块，用于基于多维数据，确定目标人员的线索属性；
位置确定模块，用于基于大数据获取与目标人员的线索属性相关的所有数据信息，确定目标人员对应的位置信息；
关联属性分析模块，用于根据目标人员对应的位置信息，查找目标人员在对应的位置信息预设范围内的多维数据，通过碰撞分析确定目标人员的多个关联属性信息；
高可信分析模块，用于根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置；
轨迹绘制模块，用于基于高可信位置及其附近的路网，确定目标人员经过的轨迹点，根据时间进行排序绘制追踪轨迹。
进一步地，所述高可信分析模块根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置，执行如下操作：
查找包含任一关联属性信息的多维数据，获取多维数据中的位置信息；
获取在所述位置信息附近预设范围内包含任一关联属性信息的多维数据，统计该位置信息对应的关联属性的数量；
将所述关联属性的数量大于预设阈值的位置判定为高可信位置。
进一步地，所述高可信分析模块根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置，执行如下操作：
查找包含任一关联属性信息的多维数据；
根据多维数据中的位置信息，统计同一位置信息对应的多维数据数量，将对应的多维数据数量大于预设阈值的位置作为高可信位置。
进一步地，所述轨迹绘制模块基于高可信位置及其附近的路网，确定目标人员经过的轨迹点，执行如下操作：
确定目标人员经过高可信位置对应的路网节点到另一个高可信位置附近对应的路网节点的最短路径，根据城市道路中车辆的平均速度作为速度来计算出通过的时间，再根据多维数据中的时间判断是否存在可疑，剔除可疑的路网节点，将保留下来的高可信位置作为目标人员经过的轨迹点。
本发明提出的一种基于多维数据研判的目标人员追踪方法及装置，通过城市多维数据得到目标人员的关联属性信息，然后查找关联属性信息在地图上经过的位置以及该位置附近预设范围内存在的与关联属性信息有关的多维数据，锁定存在关联属性信息有关的多维数据数量大于预设阈值的位置为高可信位置，最后确定目标人员经过的轨迹点，根据时间进行排序绘制追踪轨迹。本发明的方法可以防止目标人员在逃跑过程中可能会随时更换车辆、换衣服、遮挡脸部信息，而导致部分属性信息丢失的情况，以便得出精准的目标人员的追踪轨迹，从而提高追踪效率。
附图说明
图1为本发明基于多维数据研判的目标人员追踪方法流程图；
图2为本发明实施例路网示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。
如图1所示，一种基于多维数据研判的目标人员追踪方法的一种实施例，包括：
步骤S1、基于多维数据，确定目标人员的线索属性。
随着智慧城市的建设逐步得到深化，城市基础数据得到了飞快的发展。例如通过上网记录、电话记录等可以获得相关的设备物理地址(MAC)信息；通过摄像头可以获得人脸信息；通过交通网络可以获得车辆信息等等，构成城市的多维基础数据。
例如：MAC信息如表1所示：
表1
又例如，人脸信息如表2所示：
表2
又例如，车辆信息如表3所示：
表3
当事件发生后，通过侦查手段一般总能发现一些线索，基于城市的多维基础数据，这些线索可能是目标人员的手机号码、车牌号码、摄像头拍摄到的人脸等等，只要确定了目标人员的线索属性，即可开始后续步骤的追踪。
步骤S2、基于大数据获取与目标人员的线索属性相关的所有数据信息，确定目标人员对应的位置信息。
通过第一步中确定的目标人员的线索属性，可以通过大数据对该属性数据进行初选，对于该属性在大数据服务器中存储的数据进行分析找到所有相关的数据信息和所对应的经纬度。
例如以车辆数据举例，搜索的车辆为浙AT1234，则大数据通过分析可以找出所有浙AT1234的记录，如下：
表4
然后通过查找出的该车辆的车牌信息筛选出该车辆所对应的经纬度信息：
Lng＝120.125312，lat＝30.276581
Lng＝120.227634，lat＝30.375241
…。
步骤S3、根据目标人员对应的位置信息，查找目标人员对应的位置信息预设范围内的多维数据，通过碰撞分析确定目标人员的关联属性信息。
还是以线索属性为车辆为例，本实施例通过得到的车辆所对应的车牌和经纬度信息，查找出每个经纬度附近20米(20米为距离，实际使用可适当调整)内的多维数据信息，这个时候可以得到该车辆在经过的每个位置时周边的多维数据信息。
对获得的多维数据进行大数据碰撞，得到目标人员的关联属性信息。关于大数据碰撞，已经属于比较成熟的技术，例如一条数据记录中即包括姓名(name)又包括车牌号(palte_code)，而另一条数据记录即包括姓名又包括QQ号，则经过碰撞得到目标人员的姓名、车牌号和QQ号。关于大数据碰撞，这里不再赘述。
例如：经过大数据碰撞后，得到目标人员的关联属性信息如下：
| name | plate_code | Face_Feature | mac_id | qq_id | … |
| AAAA | 浙AT1234 | 10010…10010 | 00-9B-CB-45-51-4E | 18784XXX4544 | |
表5
在表5中，列出了目标人员的姓名(name)、车牌(plate_code)、人脸(Face_Feature)、MAC信息(mac_id)、qq号(qq_id)等，即通过大数据将目标人员的关联属性确定下来。容易理解的是，目标人员的线索属性为目标人员的关联属性信息之一。
步骤S4、根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置。
本步骤的一种实施例，基于城市多维数据，将含有目标人员的任一关联属性信息的数据提取出来，获取多维数据中的位置信息，进而获取在所述位置信息附近预设范围内包含任一关联属性信息的多维数据，统计该位置信息对应的关联属性的数量，将所述关联属性的数量大于预设阈值的位置判定为高可信位置。。
例如，含有浙AT1234的一条数据中，经纬度为Lng＝120.125312，lat＝30.276581，则从多维数据中查找该位置20米(20米为举例)范围内存在的含有任一关联属性信息的多维数据，假设该位置20米范围内的含有任一关联属性信息的多维数据有20条，而这20条数据中总共包括了6个关联属性信息，即该位置信息对应的关联属性的数量超过设定的阈值，例如5，则将该位置作为高可信位置。
也就是说，经纬度为Lng＝120.125312，lat＝30.276581的位置，目标人员经过的可能性比较大，将该位置作为高可信位置。
本步骤的另一种实施例，可以查找含有任一关联属性信息的多维数据，然后根据多维数据中的位置信息，统计同一位置信息对应的多维数据数量，将对应的多维数据数量大于设定阈值的位置作为高可信位置。
例如某一位置对应了多条多维数据(超过预设阈值10)，则将该位置作为高可信位置。
步骤S5、基于高可信位置及其附近的路网，确定目标人员经过的轨迹点，根据时间进行排序绘制追踪轨迹。
路网数据已经广泛应用到安防领域，可以借助路网计算出两点间的实际距离，如图2所示的一个路网为例，其中O、V1、V2、V3、V4、V5、V6、V7、V8、V9为路网节点，V5、V6、V7、V8、V9节点可向外延伸。可以计算出两点间的距离，然后以通过城市道路中车辆的平均速度作为速度来计算出通过的时间，如果计算出来的时间大于实际两点间多维数据的时间差，那可以说该目标人员从A点到B点不存在直接能到的可能，即该位置存在可疑，不作为确定目标人员的经过轨迹点。
本实施例先找到高可信位置对应的路网节点，然后通过迪杰斯特拉算法确定目标人员经过高可信位置对应的路网节点到另一个高可信位置对应的路网节点的最短路径，根据城市道路中车辆的平均速度作为速度来计算出通过的时间，再根据多维数据中的时间判断是否存在可疑，剔除可疑的路网节点，将保留下来的高可信位置作为目标人员经过的轨迹点。通过排除不可能的轨迹点，从而得出地图上所有该目标人员高可信的经过路网节点，得到目标人员经过的轨迹点。
需要说明的是，迪杰斯特拉(Dijkstra)算法是典型的单源最短路径算法，用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。迪杰斯特拉算法是很有代表性的最短路径算法，这里不再赘述。但本实施例不限定具体的算法，只要可实现路网路径算法的都可以。
最后，根据得到的轨迹点，在地图上绘制追踪轨迹。在绘制时，根据轨迹点对应的多维数据中记录的时间顺序来绘制，从而得到目标人员经过的行动轨迹。然后，调取轨迹上的摄像头，进行目标人员追踪。
与上述方法对应的，这里还给出了一种基于多维数据研判的目标人员追踪装置的实施例，所述基于多维数据研判的目标人员追踪装置，包括：
线索查找模块，用于基于多维数据，确定目标人员的线索属性；
位置确定模块，用于基于大数据获取与目标人员的线索属性相关的所有数据信息，确定目标人员对应的位置信息；
关联属性分析模块，用于根据目标人员对应的位置信息，查找目标人员在对应的位置信息预设范围内的多维数据，通过碰撞分析确定目标人员的多个关联属性信息；
高可信分析模块，用于根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置；
轨迹绘制模块，用于基于高可信位置及其附近的路网，确定目标人员经过的轨迹点，根据时间进行排序绘制追踪轨迹。
本发明的一种实施例，所述高可信分析模块根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置，执行如下操作：
查找包含任一关联属性信息的多维数据，获取多维数据中的位置信息；
获取在所述位置信息附近预设范围内包含任一关联属性信息的多维数据，统计该位置信息对应的关联属性的数量；
将所述关联属性的数量大于预设阈值的位置判定为高可信位置。
本发明的另一种实施例，所述高可信分析模块根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置，执行如下操作：
查找包含任一关联属性信息的多维数据；
根据多维数据中的位置信息，统计同一位置信息对应的多维数据数量，将对应的多维数据数量大于预设阈值的位置作为高可信位置。
本发明的另一种实施例，所述轨迹绘制模块基于高可信位置及其附近的路网，确定目标人员经过的轨迹点，执行如下操作：
确定目标人员经过高可信位置对应的路网节点到另一个高可信位置附近对应的路网节点的最短路径，根据城市道路中车辆的平均速度作为速度来计算出通过的时间，再根据多维数据中的时间判断是否存在可疑，剔除可疑的路网节点，将保留下来的高可信位置作为目标人员经过的轨迹点。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种基于多维数据研判的目标人员追踪方法，其特征在于，所述基于多维数据研判的目标人员追踪方法，包括：
基于多维数据，确定目标人员的线索属性；
基于大数据获取与目标人员的线索属性相关的所有数据信息，确定目标人员对应的位置信息；
根据目标人员对应的位置信息，查找目标人员在对应的位置信息预设范围内的多维数据，通过碰撞分析确定目标人员的多个关联属性信息；
根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置；
基于高可信位置及其附近的路网，确定目标人员经过的轨迹点，根据时间进行排序绘制追踪轨迹。
2.根据权利要求1所述的基于多维数据研判的目标人员追踪方法，其特征在于，所述目标人员的线索属性为目标人员的关联属性信息之一。
3.根据权利要求1所述的基于多维数据研判的目标人员追踪方法，其特征在于，所述根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置，包括：
查找包含任一关联属性信息的多维数据，获取多维数据中的位置信息；
获取在所述位置信息附近预设范围内包含任一关联属性信息的多维数据，统计该位置信息对应的关联属性的数量；
将所述关联属性的数量大于预设阈值的位置判定为高可信位置。
4.根据权利要求1所述的基于多维数据研判的目标人员追踪方法，其特征在于，所述根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置，包括：
查找包含任一关联属性信息的多维数据；
根据多维数据中的位置信息，统计同一位置信息对应的多维数据数量，将对应的多维数据数量大于预设阈值的位置作为高可信位置。
5.根据权利要求1所述的基于多维数据研判的目标人员追踪方法，其特征在于，所述基于高可信位置及其附近的路网，确定目标人员经过的轨迹点，包括：
确定目标人员经过高可信位置对应的路网节点到另一个高可信位置附近对应的路网节点的最短路径，根据城市道路中车辆的平均速度作为速度来计算出通过的时间，再根据多维数据中的时间判断是否存在可疑，剔除可疑的路网节点，将保留下来的高可信位置作为目标人员经过的轨迹点。
6.一种基于多维数据研判的目标人员追踪装置，其特征在于，所述基于多维数据研判的目标人员追踪装置，包括：
线索查找模块，用于基于多维数据，确定目标人员的线索属性；
位置确定模块，用于基于大数据获取与目标人员的线索属性相关的所有数据信息，确定目标人员对应的位置信息；
关联属性分析模块，用于根据目标人员对应的位置信息，查找目标人员在对应的位置信息预设范围内的多维数据，通过碰撞分析确定目标人员的多个关联属性信息；
高可信分析模块，用于根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置；
轨迹绘制模块，用于基于高可信位置及其附近的路网，确定目标人员经过的轨迹点，根据时间进行排序绘制追踪轨迹。
7.根据权利要求6所述的基于多维数据研判的目标人员追踪装置，其特征在于，所述目标人员的线索属性为目标人员的关联属性信息之一。
8.根据权利要求6所述的基于多维数据研判的目标人员追踪装置，其特征在于，所述高可信分析模块根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置，执行如下操作：
查找包含任一关联属性信息的多维数据，获取多维数据中的位置信息；
获取在所述位置信息附近预设范围内包含任一关联属性信息的多维数据，统计该位置信息对应的关联属性的数量；
将所述关联属性的数量大于预设阈值的位置判定为高可信位置。
9.根据权利要求6所述的基于多维数据研判的目标人员追踪装置，其特征在于，所述高可信分析模块根据目标人员的多个关联属性信息，查找含有任一关联属性信息的多维数据，根据多维数据中的位置信息和关联属性信息确定高可信位置，执行如下操作：
查找包含任一关联属性信息的多维数据；
根据多维数据中的位置信息，统计同一位置信息对应的多维数据数量，将对应的多维数据数量大于预设阈值的位置作为高可信位置。
10.根据权利要求6所述的基于多维数据研判的目标人员追踪装置，其特征在于，所述轨迹绘制模块基于高可信位置及其附近的路网，确定目标人员经过的轨迹点，执行如下操作：
确定目标人员经过高可信位置对应的路网节点到另一个高可信位置附近对应的路网节点的最短路径，根据城市道路中车辆的平均速度作为速度来计算出通过的时间，再根据多维数据中的时间判断是否存在可疑，剔除可疑的路网节点，将保留下来的高可信位置作为目标人员经过的轨迹点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811487261.5A CN111291129B (zh) | 2018-12-06 | 2018-12-06 | 一种基于多维数据研判的目标人员追踪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811487261.5A CN111291129B (zh) | 2018-12-06 | 2018-12-06 | 一种基于多维数据研判的目标人员追踪方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111291129A true CN111291129A (zh) | 2020-06-16 |
| CN111291129B CN111291129B (zh) | 2024-02-02 |
Family
ID=71021160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811487261.5A Active CN111291129B (zh) | 2018-12-06 | 2018-12-06 | 一种基于多维数据研判的目标人员追踪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111291129B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114399537A (zh) * | 2022-03-23 | 2022-04-26 | 东莞先知大数据有限公司 | 一种目标人员的车辆跟踪方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103227821A (zh) * | 2013-04-03 | 2013-07-31 | 腾讯科技（深圳）有限公司 | 一种目标用户位置数据的处理方法及装置 |
| CN103561071A (zh) * | 2013-10-25 | 2014-02-05 | 北京奇虎科技有限公司 | 提示随身定位设备是否按时抵达的方法及装置、系统 |
| CN103561464A (zh) * | 2013-10-25 | 2014-02-05 | 北京奇虎科技有限公司 | 位置信息显示方法及装置、系统 |
| CN103561074A (zh) * | 2013-10-25 | 2014-02-05 | 北京奇虎科技有限公司 | 提示随身定位设备是否按时抵达的方法及装置、系统 |
| US20140122414A1 (en) * | 2012-10-29 | 2014-05-01 | Xurmo Technologies Private Limited | Method and system for providing a personalization solution based on a multi-dimensional data |
| US20140279811A1 (en) * | 2013-03-15 | 2014-09-18 | Factual, Inc. | Apparatus, systems, and methods for crowdsourcing domain specific intelligence |
| CN105427586A (zh) * | 2015-12-16 | 2016-03-23 | 武汉烽火众智数字技术有限责任公司 | 一种基于多轨迹碰撞的车辆落脚点分析方法 |
| WO2016119368A1 (zh) * | 2015-01-29 | 2016-08-04 | 中兴通讯股份有限公司 | 目标跟踪方法及装置 |
| US20170083021A1 (en) * | 2015-09-17 | 2017-03-23 | Volkswagen Ag | Method and apparatus for determining a desired trajectory for a vehicle |
| CN106651916A (zh) * | 2016-12-29 | 2017-05-10 | 深圳市深网视界科技有限公司 | 一种目标的定位跟踪方法及装置 |
| CN107133269A (zh) * | 2017-04-01 | 2017-09-05 | 中国人民解放军国防科学技术大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
| CN108875548A (zh) * | 2018-04-18 | 2018-11-23 | 科大讯飞股份有限公司 | 人物轨迹生成方法及装置、存储介质、电子设备 |
-
2018
- 2018-12-06 CN CN201811487261.5A patent/CN111291129B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140122414A1 (en) * | 2012-10-29 | 2014-05-01 | Xurmo Technologies Private Limited | Method and system for providing a personalization solution based on a multi-dimensional data |
| US20140279811A1 (en) * | 2013-03-15 | 2014-09-18 | Factual, Inc. | Apparatus, systems, and methods for crowdsourcing domain specific intelligence |
| CN103227821A (zh) * | 2013-04-03 | 2013-07-31 | 腾讯科技（深圳）有限公司 | 一种目标用户位置数据的处理方法及装置 |
| CN103561071A (zh) * | 2013-10-25 | 2014-02-05 | 北京奇虎科技有限公司 | 提示随身定位设备是否按时抵达的方法及装置、系统 |
| CN103561464A (zh) * | 2013-10-25 | 2014-02-05 | 北京奇虎科技有限公司 | 位置信息显示方法及装置、系统 |
| CN103561074A (zh) * | 2013-10-25 | 2014-02-05 | 北京奇虎科技有限公司 | 提示随身定位设备是否按时抵达的方法及装置、系统 |
| WO2016119368A1 (zh) * | 2015-01-29 | 2016-08-04 | 中兴通讯股份有限公司 | 目标跟踪方法及装置 |
| US20170083021A1 (en) * | 2015-09-17 | 2017-03-23 | Volkswagen Ag | Method and apparatus for determining a desired trajectory for a vehicle |
| CN105427586A (zh) * | 2015-12-16 | 2016-03-23 | 武汉烽火众智数字技术有限责任公司 | 一种基于多轨迹碰撞的车辆落脚点分析方法 |
| CN106651916A (zh) * | 2016-12-29 | 2017-05-10 | 深圳市深网视界科技有限公司 | 一种目标的定位跟踪方法及装置 |
| CN107133269A (zh) * | 2017-04-01 | 2017-09-05 | 中国人民解放军国防科学技术大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
| CN108875548A (zh) * | 2018-04-18 | 2018-11-23 | 科大讯飞股份有限公司 | 人物轨迹生成方法及装置、存储介质、电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 谢彬;张琨;蔡颖;蒋彤彤;麻孟越;: "移动目标关联共现规则挖掘算法研究", 计算机工程, no. 08 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114399537A (zh) * | 2022-03-23 | 2022-04-26 | 东莞先知大数据有限公司 | 一种目标人员的车辆跟踪方法及系统 |
| CN114399537B (zh) * | 2022-03-23 | 2022-07-01 | 东莞先知大数据有限公司 | 一种目标人员的车辆跟踪方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111291129B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110191424B (zh) | 一种特定嫌疑人的轨迹生成方法和装置 | |
| CN103942811B (zh) | 分布式并行确定特征目标运动轨迹的方法与系统 | |
| CN110360999B (zh) | 室内定位方法、室内定位系统和计算机可读介质 | |
| CN105574506A (zh) | 基于深度学习和大规模集群的智能人脸追逃系统及方法 | |
| CN103927880B (zh) | 一种车牌识别比对方法及装置 | |
| CN104317918B (zh) | 基于复合大数据gis的异常行为分析及报警系统 | |
| WO2014072971A9 (en) | Method of determining a license plate of a vehicle tracked by a surveillance system | |
| CN108540752B (zh) | 对视频监控中目标对象进行识别的方法、装置和系统 | |
| CN111860318A (zh) | 一种建筑工地行人徘徊检测方法、装置、设备及存储介质 | |
| CN103699677B (zh) | 一种基于人脸识别技术的罪犯行踪地图绘制系统及其方法 | |
| CN110852269B (zh) | 一种基于特征聚类的跨镜头人像关联分析方法及装置 | |
| CN109963113B (zh) | 一种感兴趣目标的监控方法及装置 | |
| CN105491327B (zh) | 一种基于路网的视频追踪方法及装置 | |
| CN107153820A (zh) | 一种面向高噪声的人脸识别及运动轨迹判别方法 | |
| CN108234961A (zh) | 一种多路摄像机编码与视频流引流方法及系统 | |
| CN108052887A (zh) | 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法 | |
| CN101430827B (zh) | 基于gps的出租车无线视频监控系统及方法 | |
| CN108536749B (zh) | 基于碰撞检测法构建人员轨迹视图的方法 | |
| CN106326835A (zh) | 一种用于加油站便利店的人脸数据采集统计系统及方法 | |
| CN106571040A (zh) | 一种可疑车辆确认方法及设备 | |
| CN112733598A (zh) | 车辆违法判别方法、装置、计算机设备和存储介质 | |
| CN111291129A (zh) | 一种基于多维数据研判的目标人员追踪方法及装置 | |
| CN112637548B (zh) | 一种基于摄像机的信息关联预警方法及装置 | |
| CN112671932B (zh) | 一种基于大数据和云计算的数据处理方法及云计算节点 | |
| CN112860821A (zh) | 人车轨迹分析方法及相关产品 |
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 |