CN112465869A - 一种轨迹关联方法、装置、电子设备及存储介质 - Google Patents
一种轨迹关联方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112465869A CN112465869A CN202011379362.8A CN202011379362A CN112465869A CN 112465869 A CN112465869 A CN 112465869A CN 202011379362 A CN202011379362 A CN 202011379362A CN 112465869 A CN112465869 A CN 112465869A
- Authority
- CN
- China
- Prior art keywords
- similarity
- track
- characteristic data
- sample
- samples
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种轨迹关联方法、装置、电子设备及存储介质，获取待关联的两个目标轨迹；针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据；对各特征数据进行相似度计算，得到相似度特征数据；所述相似度特征数据表征所述各特征数据之间的相似程度；将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度；根据所述置信度与置信度阈值的大小关系，得到所述目标轨迹是否属于同一目标的轨迹关联结果。提高了轨迹关联结果的准确度。
Description
技术领域
本发明涉及视频监控技术领域，特别是涉及一种轨迹关联方法、装置、电子设备及存储介质。
背景技术
在视频监控领域，为了获得同一个目标的连续、完整的运动轨迹，需要对基于监控视频获得的目标的轨迹片段进行关联，以确定这些轨迹片段是否属于同一目标。
相关技术中，可以实现对获得的轨迹进行两两关联。通常，针对某一指定目标，借助摄像装置，可以获取到该目标在某一时间段不同时刻的位置信息，该位置信息又称为该目标的轨迹点信息。t时刻的位置信息，可以采用(x，y，t)的方式来表示，其中，x，y表示目标在t时刻的位置坐标。将同一时间段内该目标的轨迹点信息组合起来，即可得到该时间段内该目标的轨迹。轨迹关联，是指通过比较两个轨迹之间的相近程度，确定两个轨迹是否属于同一目标。当两个轨迹属于同一目标时，则可以基于这两个轨迹，形成属于该目标的连续、完整的轨迹。
目前，对两个轨迹进行轨迹关联时，主要采用如下方法：基于运动模型，计算轨迹间的运动相似性；基于增量线性表观模型，计算轨迹间的表观相似性；通过判断两个轨迹间是否存在同一时刻，不同位置的轨迹点，得到两个轨迹间的时域相似性；将上述计算得到的运动相似性、表观相似性以及时域相似性的乘积，确定为轨迹间的相似度，当上述相似度大于预设相似度阈值时，确定两个轨迹属于同一目标。
本申请发明人发现，在实际场景下，采用上述方法进行轨迹关联，得到的结果准确度不够高。
发明内容
本发明实施例的目的在于提供一种轨迹关联方法、装置、电子设备及存储介质，以提高轨迹关联结果的准确度。具体技术方案如下：
第一方面，本发明实施例提供了一种轨迹关联方法，包括：
获取待关联的两个目标轨迹；
针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据；
对各特征数据进行相似度计算，得到相似度特征数据；所述相似度特征数据表征所述各特征数据之间的相似程度；
将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度；
根据所述置信度与置信度阈值的大小关系，得到所述目标轨迹是否属于同一目标的轨迹关联结果。
进一步的，所述特征数据包括：时空运动特征数据；所述相似度特征数据包括：时空运动相似度特征数据；
所述针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据，包括：
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；
所述对各特征数据进行相似度计算，得到相似度特征数据的步骤，包括：
对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
所述将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，包括：
将所述时空运动相似度特征数据输入至：预先基于时空运动相似度特征数据样本训练完成的分类模型。
进一步的，所述特征数据包括：图像特征数据和时空运动特征数据；所述相似度特征数据包括：图像相似度特征数据和时空运动相似度特征数据；
所述针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据的步骤，包括：
分别获取与各目标轨迹对应的目标图像；
对每个目标轨迹对应目标图像进行图像特征提取，得到该目标轨迹的图像特征数据；
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；
所述对各特征数据进行相似度计算，得到相似度特征数据，包括：
对所述两个目标轨迹的图像特征数据进行相似度计算，得到图像相似度特征数据；
对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
所述将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，包括：
将所述图像相似度特征数据和所述时空运动相似度特征数据输入至：预先基于图像相似度特征数据和时空运动相似度特征数据样本训练完成的分类模型。
进一步的，所述特征数据包括：图像特征数据、时空运动特征数据和相机拓扑特征数据；所述相似度特征数据包括：图像相似度特征数据和时空运动相似度特征数据；
所述针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据的步骤，包括：
分别获取与各目标轨迹对应的目标图像；
对每个目标轨迹对应目标图像进行图像特征提取，得到该目标轨迹的图像特征数据；
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；
获取与所述两个个目标轨迹对应的相机拓扑特征数据，所述相机拓扑特征数据表征：拍摄所述两个目标轨迹对应的目标图像的设备在整个监控区域中的位置信息；或者，所述相机拓扑特征数据表征：同一目标在分别拍摄所述两个目标轨迹对应的目标图像的设备之间转移的可能性；
所述对各特征数据进行相似度计算，得到相似度特征数据，包括：
对所述两个目标轨迹的图像特征数据进行相似度计算，得到图像相似度特征数据；
对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
所述将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，包括：
将所述图像相似度特征数据、所述时空运动相似度特征数据以及与所述两个目标轨迹对应的相机拓扑特征数据输入至：预先基于图像相似度特征数据样本、时空运动相似度特征数据样本以及相机拓扑特征样本训练完成的分类模型。
进一步的，所述时空运动特征数据包括：全局时空运动特征数据和局部时空运动特征数据；
所述基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据，包括：
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到每个目标轨迹的全局时空运动特征数据；
将该目标轨迹划分为多个目标子轨迹，分别基于各目标子轨迹中包含的轨迹点的位置和时间信息，计算得到各目标子轨迹的局部时空运动特征数据。
进一步的，所述全局时空运动特征数据和所述局部时空运动特征数据中均包含以下至少一种预设参数特征数据：运动速度特征数据、运动加速度特征数据、运动曲率特征数据、运动方向特征数据和运动转角特征数据。
进一步的，所述时空运动相似度特征数据包括：全局时空运动相似度特征数据和局部时空运动相似度特征数据；
所述对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据，包括：
对所述两个目标轨迹的全局时空运动特征数据中包含的各预设参数特征数据，分别进行预设的数学运算，得到全局时空运动相似度特征数据；
对所述两个目标轨迹的局部时空运动特征数据中包含的各预设参数特征数据，分别进行预设的数学运算，得到局部时空运动相似度特征数据。
进一步的，所述分类模型的训练过程，包括：
获取包含有相似度特征数据样本的样本集和各相似度特征数据样本对应的样本真值；
将所述相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度；
判断所述样本置信度与所述样本真值的差值是否满足预设条件；
若是，则结束训练，得到训练完成的分类模型；
若否，调整所述分类模型中的参数，返回所述将所述相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度的步骤，继续下一次训练。
进一步的，在所述得到训练完成的分类模型之后，还包括：
将所述样本集中未被选择过的各相似度特征数据样本，分别输入至所述训练完成的分类模型，得到各样本置信度；
针对每个样本置信度，分别根据该样本置信度与预设的候选置信度阈值的大小关系，得到与该样本置信度对应的两个轨迹样本是否属于同一目标的轨迹关联结果；
基于各样本置信度对应的样本真值，计算所述轨迹关联结果的准确率；
判断所述准确率是否大于预设准确率阈值；
若是，则将所述候选置信度阈值确定为最终的置信度阈值；
若否，调整所述候选置信度阈值，并返回所述针对每个样本置信度，分别根据该样本置信度与预设的候选置信度阈值大小关系，得到该样本置信度对应的两个轨迹样本是否属于同一目标的轨迹关联结果的步骤，直至所述轨迹关联结果的准确率大于所述预设准确率阈值；将使得所述轨迹关联结果的准确率大于所述预设准确率阈值的候选置信度阈值确定为最终的置信度阈值。
进一步的，所述获取包含有相似度特征数据样本的样本集和各相似度特征数据样本对应的样本真值，包括：
分别获取多个属于不同目标的轨迹样本；
针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本；
对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本；并根据所述两个特征数据样本是否属于同一目标，确定所述相似度特征数据样本对应的样本真值；其中，当所述两个特征数据样本属于同一目标时，确定所述相似度特征数据样本对应的样本真值为1，否则，确定所述相似度特征数据样本对应的样本真值为0；其中，所述相似度特征数据样本表征所述两个特征数据样本之间的相似程度。
进一步的，所述特征数据样本包括：时空运动特征数据样本；
所述针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本，包括：
基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；
所述对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本，包括：
对任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到样本集中的一组时空运动相似度特征数据样本；
所述将所述相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度，包括：
将所述时空运动相似度特征数据样本输入至分类模型，得到表征所述任意两个轨迹样本之间相似程度的样本置信度。
进一步的，所述特征数据样本包括：图像特征数据样本和时空运动特征数据样本；所述相似度特征数据包括：图像相似度特征数据样本和时空运动相似度特征数据样本；
所述针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本，包括：
分别获取与各轨迹样本对应的图像样本；
对每个轨迹样本对应图像样本进行图像特征提取，得到该轨迹样本的图像特征数据样本；
基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；
所述对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本，包括：
对任意两个轨迹样本的图像特征数据样本进行相似度计算，得到图像相似度特征数据样本；
对所述任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到时空运动相似度特征数据样本；
所述将所述相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度，包括：
将所述图像相似度特征数据样本和所述时空运动相似度特征数据样本输入至分类模型，得到表征所述任意两个轨迹样本之间相似程度的样本置信度。
进一步的，所述特征数据样本包括：图像特征数据样本、时空运动特征数据样本和相机拓扑特征数据样本；所述相似度特征数据样本包括：图像相似度特征数据样本和时空运动相似度特征数据样本；
所述针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本，包括：
分别获取与各轨迹样本对应的图像样本；
对每个轨迹样本对应图像样本进行图像特征提取，得到该轨迹样本的图像特征数据样本；
基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；
针对任意两个轨迹样本，获取与该两个轨迹样本对应的相机拓扑特征数据样本，所述相机拓扑特征数据样本表征：拍摄该两个轨迹样本对应的图像样本的设备在整个监控区域中的位置信息；或者，所述相机拓扑特征数据表征：同一目标在分别拍摄该两个轨迹样本对应的图像样本的设备之间转移的可能性；
所述对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本，包括：
对任意两个轨迹样本的图像特征数据样本进行相似度计算，得到图像相似度特征数据样本；
对所述任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到时空运动相似度特征数据样本；
所述将所述相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度，包括：
将所述图像相似度特征数据样本、所述时空运动相似度特征数据样本以及与所述任意两个轨迹样本对应的相机拓扑特征数据样本输入至分类模型，得到表征与所述任意两个轨迹样本之间相似程度的样本置信度。
第二方面，本发明实施例提供了一种轨迹关联装置，包括：
目标轨迹获取模块，用于获取待关联的两个目标轨迹；
特征数据得到模块，用于针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据；
相似度计算模块，用于对各特征数据进行相似度计算，得到相似度特征数据；所述相似度特征数据表征所述各特征数据之间的相似程度；
置信度得到模块，用于将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度；
轨迹关联结果得到模块，用于根据所述置信度与置信度阈值的大小关系，得到所述目标轨迹是否属于同一目标的轨迹关联结果。
进一步的，所述特征数据包括：时空运动特征数据；所述相似度特征数据包括：时空运动相似度特征数据；
所述特征数据得到模块，具体用于基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；
所述相似度计算模块，具体用于对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
所述置信度得到模块，具体用于将所述时空运动相似度特征数据输入至：预先基于时空运动相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度。
进一步的，所述特征数据包括：图像特征数据和时空运动特征数据；所述相似度特征数据包括：图像相似度特征数据和时空运动相似度特征数据；
所述特征数据得到模块，具体用于分别获取与各目标轨迹对应的目标图像；对每个目标轨迹对应目标图像进行图像特征提取，得到该目标轨迹的图像特征数据；基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；
所述相似度计算模块，具体用于对所述两个目标轨迹的图像特征数据进行相似度计算，得到图像相似度特征数据；对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
所述置信度得到模块，具体用于将所述图像相似度特征数据和所述时空运动相似度特征数据输入至：预先基于图像相似度特征数据和时空运动相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度。
进一步的，所述特征数据包括：图像特征数据、时空运动特征数据和相机拓扑特征数据；所述相似度特征数据包括：图像相似度特征数据和时空运动相似度特征数据；
所述特征数据得到模块，具体用于分别获取与各目标轨迹对应的目标图像；对每个目标轨迹对应目标图像进行图像特征提取，得到该目标轨迹的图像特征数据；基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；获取与所述两个目标轨迹对应的相机拓扑特征数据，所述相机拓扑特征数据表征：拍摄所述两个目标轨迹对应的目标图像的设备在整个监控区域中的位置信息；或者，所述相机拓扑特征数据表征：同一目标在分别拍摄所述两个目标轨迹对应的目标图像的设备之间转移的可能性；
所述相似度计算模块，具体用于对所述两个目标轨迹的图像特征数据进行相似度计算，得到图像相似度特征数据；对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
所述置信度得到模块，具体用于将所述图像相似度特征数据、所述时空运动相似度特征数据以及与所述两个目标轨迹对应的相机拓扑特征数据输入至：预先基于图像相似度特征数据样本、时空运动相似度特征数据样本以及相机拓扑特征样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度。
进一步的，所述时空运动特征数据包括：全局时空运动特征数据和局部时空运动特征数据；
所述特征数据得到模块在执行所述基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据的步骤时，具体用于：
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到每个目标轨迹的全局时空运动特征数据；将该目标轨迹划分为多个目标子轨迹，分别基于各目标子轨迹中包含的轨迹点的位置和时间信息，计算得到各目标子轨迹的局部时空运动特征数据。
进一步的，所述全局时空运动特征数据和所述局部时空运动特征数据中均包含以下至少一种预设参数特征数据：运动速度特征数据、运动加速度特征数据、运动曲率特征数据、运动方向特征数据和运动转角特征数据。
进一步的，所述时空运动相似度特征数据包括：全局时空运动相似度特征数据和局部时空运动相似度特征数据；
所述相似度计算模块，在执行所述对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据的步骤时，具体用于：
对所述两个目标轨迹的全局时空运动特征数据中包含的各预设参数特征数据，分别进行预设的数学运算，得到全局时空运动相似度特征数据；对所述两个目标轨迹的局部时空运动特征数据中包含的各预设参数特征数据，分别进行预设的数学运算，得到局部时空运动相似度特征数据。
进一步的，所述装置还包括：模型训练模块；
所述模型训练模块，包括：
样本集合样本真值获取子模块，用于获取包含有相似度特征数据样本的样本集和各相似度特征数据样本对应的样本真值；
样本置信度得到子模块，用于将所述相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度；
判断子模块，用于判断所述样本置信度与所述样本真值的差值是否满足预设条件；若是，则结束训练，得到训练完成的分类模型；若否，触发参数调整子模块；
所述参数调整子模块，用于调整所述分类模型中的参数，并返回所述样本置信度得到子模块，继续下一次训练。
进一步的，所述装置还包括：置信度阈值得到模块；
所述置信度阈值得到模块，用于：
在得到训练完成的分类模型之后，将所述样本集中未被选择过的各相似度特征数据样本，分别输入至所述训练完成的分类模型，得到各样本置信度；
针对每个样本置信度，分别根据该样本置信度与预设的候选置信度阈值的大小关系，得到与该样本置信度对应的两个轨迹样本是否属于同一目标的轨迹关联结果；
基于各样本置信度对应的样本真值，计算所述轨迹关联结果的准确率；
判断所述准确率是否大于预设准确率阈值；
若是，则将所述候选置信度阈值确定为最终的置信度阈值；
若否，调整所述候选置信度阈值，并返回所述针对每个样本置信度，分别根据该样本置信度与预设的候选置信度阈值大小关系，得到该样本置信度对应的两个轨迹样本是否属于同一目标的轨迹关联结果的步骤，直至所述轨迹关联结果的准确率大于所述预设准确率阈值；将使得所述轨迹关联结果的准确率大于所述预设准确率阈值的候选置信度阈值确定为最终的置信度阈值。
进一步的，所述样本集合样本真值获取子模块，具体用于：
分别获取多个属于不同目标的轨迹样本；
针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本；
对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本；并根据所述两个特征数据样本是否属于同一目标，确定所述相似度特征数据样本对应的样本真值；其中，当所述两个特征数据样本属于同一目标时，确定所述相似度特征数据样本对应的样本真值为1，否则，确定所述相似度特征数据样本对应的样本真值为0；其中，所述相似度特征数据样本表征所述两个特征数据样本之间的相似程度。
进一步的，所述特征数据样本包括：时空运动特征数据样本；
所述样本集合样本真值获取子模块在执行所述针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本的步骤时，具体用于：基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；
所述样本集合样本真值获取子模块在执行所述对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本的步骤时，具体用于：对任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到样本集中的一组时空运动相似度特征数据样本；
所述样本置信度得到子模块，具体用于：将所述时空运动相似度特征数据样本输入至分类模型，得到表征所述任意两个轨迹样本之间相似程度的样本置信度。
进一步的，所述特征数据样本包括：图像特征数据样本和时空运动特征数据样本；所述相似度特征数据包括：图像相似度特征数据样本和时空运动相似度特征数据样本；
所述样本集合样本真值获取子模块在执行所述针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本的步骤时，具体用于：分别获取与各轨迹样本对应的图像样本；对每个轨迹样本对应图像样本进行图像特征提取，得到该轨迹样本的图像特征数据样本；基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；
所述样本集合样本真值获取子模块在执行所述对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本的步骤时，具体用于：对任意两个轨迹样本的图像特征数据样本进行相似度计算，得到图像相似度特征数据样本；对所述任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到时空运动相似度特征数据样本；
所述样本置信度得到子模块，具体用于：将所述图像相似度特征数据样本和所述时空运动相似度特征数据样本输入至分类模型，得到表征所述任意两个轨迹样本之间相似程度的样本置信度。
进一步的，所述特征数据样本包括：图像特征数据样本、时空运动特征数据样本和相机拓扑特征数据样本；所述相似度特征数据样本包括：图像相似度特征数据样本和时空运动相似度特征数据样本；
所述样本集合样本真值获取子模块在执行所述针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本的步骤时，具体用于：分别获取与各轨迹样本对应的图像样本；对每个轨迹样本对应图像样本进行图像特征提取，得到该轨迹样本的图像特征数据样本；基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；针对任意两个轨迹样本，获取与该两个轨迹样本对应的相机拓扑特征数据样本，所述相机拓扑特征数据样本表征：拍摄该两个轨迹样本对应的图像样本的设备在整个监控区域中的位置信息；或者，所述相机拓扑特征数据表征：同一目标在分别拍摄该两个轨迹样本对应的图像样本的设备之间转移的可能性；
所述样本集合样本真值获取子模块在执行所述对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本的步骤时，具体用于：对任意两个轨迹样本的图像特征数据样本进行相似度计算，得到图像相似度特征数据样本；对所述任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到时空运动相似度特征数据样本；
所述样本置信度得到子模块，具体用于：将所述图像相似度特征数据样本、所述时空运动相似度特征数据样本以及与所述任意两个轨迹样本对应的相机拓扑特征数据样本输入至分类模型，得到表征与所述任意两个轨迹样本之间相似程度的样本置信度。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一轨迹关联方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的轨迹关联方法。
第五方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的轨迹关联方法。
本发明实施例有益效果：
本发明实施例提供的轨迹关联方法、装置、电子设备及存储介质，获取待关联的两个目标轨迹；针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据；对各特征数据进行相似度计算，得到相似度特征数据；所述相似度特征数据表征所述各特征数据之间的相似程度；将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度；根据所述置信度与置信度阈值的大小关系，得到所述目标轨迹是否属于同一目标的轨迹关联结果。
本发明实施例中，对两个待关联的目标轨迹进行特征提取，计算得到表征两目标轨迹特征数据之间相似程度的相似度特征数据，之后，将相似度特征数据输入预先基于相似度特征数据样本训练完成的分类模型，得到了表征目标轨迹之间相似程度的置信度，并基于得到的置信度与置信度阈值的大小关系，最终得到了目标轨迹是否属于同一目标的轨迹关联结果。由于对相似度特征数据进行置信度计算的分类模型是预先基于实际的相似度特征数据样本训练得到的，因此，经该分类模型得到的置信度也更能够表征目标轨迹之间的实际相似程度，进而，基于经该分类模型得到的置信度与置信度阈值的大小关系，得到的轨迹关联结果的准确度也较高，即：提高了轨迹关联结果的准确度。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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实施例。
图1为本发明实施例提供的轨迹关联方法的一种流程示意图；
图2为图1所示实施例中分类模型的训练流程示意图；
图3为本发明实施例提供的轨迹关联方法的另一种流程示意图；
图4为图3所示实施例中分类模型的训练流程示意图；
图5为本发明实施例提供的轨迹关联装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
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。
为了提高轨迹关联结果的准确度，本发明实施例提供了一种轨迹关联方法、装置、电子设备及存储介质。
参见图1，图1为本发明实施例提供的轨迹关联方法的一种流程示意图，具体包括如下步骤：
步骤101，获取待关联的两个目标轨迹。
步骤102，针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据。
步骤103，对各特征数据进行相似度计算，得到相似度特征数据；相似度特征数据表征各特征数据之间的相似程度。
步骤104，将相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征目标轨迹之间相似程度的置信度。
本步骤中的分类模型可以为任意的、通过机器学习即可执行分类任务的模型，例如：可以为逻辑回归模型，也可以为决策树模型，还可以为支持向量机分类算法的模型等，此处，对于具体选择何种分类模型，不作限定。
步骤105，根据置信度与置信度阈值的大小关系，得到目标轨迹是否属于同一目标的轨迹关联结果。
具体的，可以当步骤104中得到的表征两个目标轨迹之间相似程度的置信度大于或等于置信度阈值时，确定两个目标轨迹属于同一目标；当置信度小于置信度阈值时，确定两个目标轨迹不属于同一目标。
在本发明上述实施例中，对两个待关联的目标轨迹进行特征提取，计算得到表征两目标轨迹特征数据之间相似程度的相似度特征数据，之后，将相似度特征数据输入预先基于相似度特征数据样本训练完成的分类模型，得到了表征目标轨迹之间相似程度的置信度，并基于得到的置信度与置信度阈值的大小关系，最终得到了目标轨迹是否属于同一目标的轨迹关联结果。由于对相似度特征数据进行置信度计算的分类模型是预先基于实际的相似度特征数据样本训练得到的，因此，经该分类模型得到的置信度也更能够表征目标轨迹之间的实际相似程度，进而，基于经该分类模型得到的置信度与置信度阈值的大小关系，得到的轨迹关联结果的准确度也较高，即：提高了轨迹关联结果的准确度。
本发明实施例，对于通过步骤102得到的特征数据所具体包含的内容，不作限定，可以根据实际情况进行设定。
进一步的，在本发明提供的其他实施例中，通过步骤102得到的特征数据具体包含的内容，可以有以下三种情况：
第一种情况：特征数据可以包括时空运动特征数据；相应地，步骤103中得到的相似度特征数据可以包括：时空运动相似度特征数据。
第二种情况：特征数据可以包括：图像特征数据和时空运动特征数据；相应地，步骤103中得到的相似度特征数据可以包括：图像相似度特征数据时空运动相似度特征数据。
第三种情况：特征数据可以包括：图像特征数据、时空运动特征数据和相机拓扑特征数据。相应地，步骤103中得到的相似度特征数据可以包括：图像相似度特征数据时空运动相似度特征数据。其中，相机拓扑特征数据表征：拍摄该目标轨迹对应的目标图像的设备在整个监控区域中的位置信息。
对于第一种情况：步骤102中可以：基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；步骤103中可以：对两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；步骤104中可以：将时空运动相似度特征数据输入至：预先基于时空运动相似度特征数据样本训练完成的分类模型，得到表征目标轨迹之间相似程度的置信度。
对于第二种情况：步骤102中可以：分别获取与各目标轨迹对应的目标图像；对每个目标轨迹对应目标图像进行图像特征提取，得到该目标轨迹的图像特征数据；基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；步骤103中可以：对两个目标轨迹的图像特征数据进行相似度计算，得到图像相似度特征数据；对两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；步骤104中可以：将图像相似度特征数据和时空运动相似度特征数据输入至：预先基于图像相似度特征数据和时空运动相似度特征数据样本训练完成的分类模型，得到表征目标轨迹之间相似程度的置信度。
对于第三种情况：步骤102中可以：分别获取与各目标轨迹对应的目标图像；对每个目标轨迹对应目标图像进行图像特征提取，得到该目标轨迹的图像特征数据；基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；获取与两个目标轨迹对应的相机拓扑特征数据，相机拓扑特征数据表征：拍摄两个目标轨迹对应的目标图像的设备在整个监控区域中的位置信息；或者，相机拓扑特征数据表征：同一目标在分别拍摄两个目标轨迹对应的目标图像的设备之间转移的可能性；步骤103中可以：对两个目标轨迹的图像特征数据进行相似度计算，得到图像相似度特征数据；对两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；步骤104中可以：将图像相似度特征数据、时空运动相似度特征数据以及与两个目标轨迹对应的相机拓扑特征数据输入至：预先基于图像相似度特征数据样本、时空运动相似度特征数据样本以及相机拓扑特征样本训练完成的分类模型，得到表征目标轨迹之间相似程度的置信度。
对于第一种情况，提取到目标轨迹的时空运动特征数据之后，便基于时空运动特征数据进行相似度计算，得到时空运动相似度特征数据，进而将时空运动相似度特征数据输入预先训练完成的分类模型，上述计算过程较为简单，因此，轨迹关联的效率较高。
由于第二种情况提取的特征数据中，除了包括时空运动特征数据之外，还包括图像特征数据，也就是说，在进行特征数据提取时，所考虑的因素更多，因此，相比于第一种情况，第二种情况下得到的轨迹关联的准确度更高一些。
第三种情况提取的特征数据中，除了包括时空运动特征数据和图像特征数据之外，还包括：表征拍摄目标轨迹对应的目标图像的设备，在整个监控区域中的位置信息的相机拓扑特征数据；或者，表征：同一目标在分别拍摄两个目标轨迹对应的目标图像的设备之间转移的可能性的相机拓扑特征数据。与第一种情况和第二种情况相比，第三种情况提取到的特征数据更加全面，因此，第三种情况下得到的轨迹关联的准确度也更高。
参见图2，图2为图1所示实施例中分类模型的训练流程示意图，具体包括如下步骤：
步骤201，获取包含有相似度特征数据样本的样本集和各相似度特征数据样本对应的样本真值。
进一步的，可以通过如下方式获取上述样本集和各相似度特征数据样本对应的样本真值：
分别获取多个属于不同目标的轨迹样本；
针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本；
对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本；并根据两个特征数据样本是否属于同一目标，确定相似度特征数据样本对应的样本真值；其中，当两个特征数据样本属于同一目标时，确定相似度特征数据样本对应的样本真值为1，否则，确定相似度特征数据样本对应的样本真值为0；其中，相似度特征数据样本表征两个特征数据样本之间的相似程度。
步骤202，将相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度。
步骤203，判断样本置信度与样本真值的差值是否满足预设条件。若是，结束训练，得到训练完成的分类模型；若否，执行步骤204。
具体的，本步骤中的预设条件可以根据实际情况进行设定，此处，不作限定。
例如：预设条件可以为：大于预设差值阈值，当样本置信度与样本真值的差值满足上述预设条件，也就是：样本置信度与样本真值的差值大于预设差值阈值时，结束训练，得到训练完成的分类模型；若否，执行步骤204。
又如：预设条件可以为：基于本次将相似度特征数据样本输入至分类模型，得到的样本置信度，得到的样本置信度与样本真值的差值，为连续多次得到的差值中的最小值。若满足该条件，则结束训练，得到训练完成的分类模型；若否，执行步骤204。
步骤204，调整分类模型中的参数，返回步骤202，继续下一次训练。
图2所示的模型训练方法，由于是基于实际的相似度特征数据样本和各样本对应的样本真值，对分类模型进行训练的，因此，经该分类模型得到的置信度也更能够表征轨迹之间的实际相似程度。
本发明实施例，对于通过步骤201获取的相似度特征数据样本具体包含的内容，不作限定，可以根据实际情况进行设定。
进一步的，在本发明提供的其他实施例中，对于上述步骤201相似度特征数据样本具体包含的内容以及具体的获取方式，可以有以下三种：
第一种情况：相似度特征数据样本可以包括：时空运动相似度特征数据样本。
具体的获取方式为：基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；对任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到样本集中的一组时空运动相似度特征数据样本。
相应地，在步骤202中，可以将时空运动相似度特征数据样本输入至分类模型，得到表征上述任意两个轨迹样本之间相似程度的样本置信度。
第二种情况：相似度特征数据样本可以包括：图像相似度特征数据样本和时空运动相似度特征数据样本。
具体的获取方式为：分别获取与各轨迹样本对应的图像样本；对每个轨迹样本对应图像样本进行图像特征提取，得到该轨迹样本的图像特征数据样本；基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；对任意两个轨迹样本的图像特征数据样本进行相似度计算，得到图像相似度特征数据样本；对上述任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到时空运动相似度特征数据样本。
相应地，在步骤202中，可以将图像相似度特征数据样本和时空运动相似度特征数据样本输入至分类模型，得到表征上述任意两个轨迹样本之间相似程度的样本置信度。
第三种情况：相似度特征数据样本可以包括：图像相似度特征数据样本和时空运动相似度特征数据样本。
具体的获取方式为：分别获取与各轨迹样本对应的图像样本；对每个轨迹样本对应图像样本进行图像特征提取，得到该轨迹样本的图像特征数据样本；基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；针对任意两个轨迹样本，获取与该两个轨迹样本对应的相机拓扑特征数据样本，相机拓扑特征数据样本表征：拍摄与该两个轨迹样本对应的图像样本的设备在整个监控区域中的位置信息；或者，所述相机拓扑特征数据表征：同一目标在分别拍摄该两个轨迹样本对应的图像样本的设备之间转移的可能性；对任意两个轨迹样本的图像特征数据样本进行相似度计算，得到图像相似度特征数据样本；对上述任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到时空运动相似度特征数据样本。
相应地，在步骤202中，可以将图像相似度特征数据样本、时空运动相似度特征数据样本以及上述相机拓扑特征数据样本输入至分类模型，得到表征与上述任意两个轨迹样本之间相似程度的样本置信度。
进一步的，在采用图2所示的模型训练方法得到训练完成的分类模型之后，还可以通过如下步骤，自动确定图1所示实施例步骤105中的置信度阈值的具体取值：
将步骤201获取的样本集中未被选择过的各相似度特征数据样本，分别输入至训练完成的分类模型，得到各样本置信度；
针对每个样本置信度，分别根据该样本置信度与预设的候选置信度阈值的大小关系，得到与该样本置信度对应的两个轨迹样本是否属于同一目标的轨迹关联结果；
基于各样本置信度对应的样本真值，计算轨迹关联结果的准确率；
判断准确率是否大于预设准确率阈值；
若是，则将候选置信度阈值确定为最终的置信度阈值；
若否，调整候选置信度阈值，并返回针对每个样本置信度，分别根据该样本置信度与预设的候选置信度阈值大小关系，得到该样本置信度对应的两个轨迹样本是否属于同一目标的轨迹关联结果的步骤，直至轨迹关联结果的准确率大于预设准确率阈值；将使得轨迹关联结果的准确率大于预设准确率阈值的候选置信度阈值确定为最终的置信度阈值。
采用上述步骤，可以自动确定出置信度阈值的具体取值，由于该具体取值是根据预设准确率阈值进行调整之后得到的，因此，采用该具体取值，执行本发明实施例提供的轨迹关联方法，能够更好的满足关联结果的准确率要求。
同时，本发明实施例提供的轨迹关联方法中，所使用的分类模型可以通过自动训练得到，并且，置信度阈值也可以通过上述过程自动调整得到。因此，采用本发明实施例提供的轨迹关联方法，用户仅需提供在具体场景下，用于进行模型训练和置信度阈值调整的轨迹样本，标注两个样本对应的样本真值即可，后续的轨迹关联操作无需用户参与，对用户是否具有专业储备知识不作要求。
与现有的需要基于规则算法，先建立该场景的运动模型和线性表观模型，同时，需要人工根据自身经验设定相似度阈值，进而进行轨迹关联的方法相比，本发明实施例提供的轨迹关联方法泛化能力较强，可以方便的应用到不同的轨迹关联场景中，避免了因轨迹关联的场景改变而导致的重复性开发工作。
图3为本发明实施例提供的轨迹关联方法的另一种流程示意图，具体包括如下步骤：
步骤301，获取待关联的两个目标轨迹。
步骤302，分别获取与各目标轨迹对应的目标图像。
具体的，对于某指定轨迹而言，其包含的每个轨迹点均可以对应有至少一张图像。本步骤中，可以从目标轨迹中各轨迹点对应的图像中，按照预设规则选择部分图像作为目标图像。例如：选择指定时刻的图像作为目标图像，或者，选择图像质量较好的图像作为目标图像等，此处，对于选择目标图像的具体方法不作限定。
对于一个目标轨迹而言，目标图像的数量可以为一张也可以为多张。
步骤303，对每个目标轨迹对应目标图像进行图像特征提取，得到该目标轨迹的图像特征数据。
具体的，可以先对目标图像进行标注，标注出目标所在区域，然后针对所标注出的目标区域，进行特征提取。例如：可以通过神经网络等任一特征提取方法进行特征提取，得到图像特征数据。本步骤中，对于得到目标轨迹的图像特征数据时，所采用的具体方式不作限定。
步骤304，基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据。
进一步的，时空运动特征数据可以包括：全局时空运动特征数据和局部时空运动特征数据；
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据，可以包括：
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到每个目标轨迹的全局时空运动特征数据；
将该目标轨迹划分为多个目标子轨迹，分别基于各目标子轨迹中包含的轨迹点的位置和时间信息，计算得到各目标子轨迹的局部时空运动特征数据。
进一步的，全局时空运动特征数据和局部时空运动特征数据中均包含以下至少一种预设参数特征数据：运动速度特征数据、运动加速度特征数据、运动曲率特征数据、运动方向特征数据和运动转角特征数据。
具体的，例如：假设全局时空运动特征数据包含：运动速度特征数据这一预设参数特征数据。则全局时空运动特征数据中的运动速度特征数据，可以表示为：整个轨迹中各轨迹点速度的平均值/最大值/最小值/标准差/分位数等统计值，或者表示为：整个轨迹中各轨迹点速度的偏度系数/峰度系数/变异系数等衡量速度分布状况的分布系数。
相应地，例如：假设局部时空运动特征数据包含：运动速度特征数据这一预设参数特征数据。则局部时空运动特征数据中的运动速度特征数据，可以表示为：该子轨迹中各轨迹点速度的平均值/最大值/最小值/标准差/分位数等统计值，或者表示为：该子轨迹中各轨迹点速度的偏度系数/峰度系数/变异系数等衡量速度分布状况的分布系数。
步骤305，获取与所述两个目标轨迹对应的相机拓扑特征数据。
其中，相机拓扑特征数据表征：拍摄两个目标轨迹对应的目标图像的设备在整个监控区域中的位置信息。例如：相机拓扑特征数据可以为拍摄该目标轨迹对应的目标图像的设备的设备标号等。
或者，相机拓扑特征数据表征：同一目标在分别拍摄两个目标轨迹对应的目标图像的设备之间转移的可能性。
此处，对于相机拓扑特征数据的具体表示方式，不作限定。
步骤306，对两个目标轨迹的图像特征数据进行相似度计算，得到图像相似度特征数据。
具体的，在实际使用过程中，可以通过如下方式得到图像相似度特征数据：对两个目标轨迹的图像通过特征提取，得到两个图像各自的特征向量，然后通过计算两个特征向量之间的余弦相似度或欧氏距离相似度，得到两个特征向量之间的相似度，再将相似度缩放至0到1之间，即得到了图像相似度特征数据。
步骤307，对两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据。
在步骤304中计算出时空运动特征数据包括：全局时空运动特征数据和局部时空运动特征数据的情况下，相应地，本步骤中，时空运动相似度特征数据也可以包括：全局时空运动相似度特征数据和局部时空运动相似度特征数据；
对两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据，可以包括：
对两个目标轨迹的全局时空运动特征数据中包含的各预设参数特征数据，分别进行预设的数学运算，得到全局时空运动相似度特征数据；
对两个目标轨迹的局部时空运动特征数据中包含的各预设参数特征数据，分别进行预设的数学运算，得到局部时空运动相似度特征数据。
步骤308，将图像相似度特征数据、时空运动相似度特征数据以及与两个目标轨迹对应的相机拓扑特征数据输入至：预先基于图像相似度特征数据样本、时空运动相似度特征数据样本以及相机拓扑特征样本训练完成的分类模型，得到表征目标轨迹之间相似程度的置信度。
步骤309，根据置信度与置信度阈值的大小关系，得到目标轨迹是否属于同一目标的轨迹关联结果。
为便于理解，下面通过举例的方式，对本发明图3的实施例进行详细说明：
例如：在步骤301中，获取两个目标轨迹S1和S2；通过骤302、步骤303得到S1和S2的图像特征数据分别为：V1和V2；通过骤304：将S1轨迹的平均加速度A1作为S1的全局时空运动特征数据，将S2的平均加速度A2作为S2的全局时空运动特征数据；并且，分别将S1和S2划分为4个子轨迹，进而得到各子轨迹的平均加速度，分别作为该子轨迹的局部时空运动特征数据，具体的：对于S1，局部时空运动特征数据包括：a11、a12、a13、a14；对于S2，局部时空运动特征数据包括：a21、a22、a23、a24；最终，得到S1的时空运动特征数据为(A1，a11，a12，a13，a14)，S2的时空运动特征数据为(A2，a21，a22，a23，a24)；在步骤305中，得到S1对应的相机拓扑特征数据为：相机标编号1；得到S2对应的相机拓扑特征数据为：相机编号2；通过骤306：对V1和V2进行相似度计算，得到图像相似度特征数据T；通过骤307：例如，可以直接将两个时空运动特征数据(A1，a11，a12，a13，a14)和(A2，a21，a22，a23，a24)中包含的各数值，分别相减，得到时空运动相似度特征数据(A1-A2，a11-a21，a12-a22，a13-a23，a14-a24)；通过骤308，则可以将由图像相似度特征数据T、时空运动相似度特征数据(A1-A2，a11-a21，a12-a22，a13-a23，a14-a24),以及每个目标轨迹对应的相机拓扑特征数据(编号1和编号2)组成的：(A1-A2，a11-a21，a12-a22，a13-a23，a14-a24，编号1，编号2)输入至：预先训练完成的分类模型，得到表征S1和S2之间相似程度的置信度Z，其中，上述(A1-A2，a11-a21，a12-a22，a13-a23，a14-a24，编号1，编号2)中的编号1和编号2为通过预设编码方式得到的编码数据，如通过one-hot编码方式对编号1和编号2进行编码得到的编码数据；通过骤307：当Z大于或等于置信度阈值Z0时，确定S1和S2属于同一目标；否则，确定S1和S2不属于同一目标。在实际使用过程中，相机拓扑特征还包括相机间转移概率，相机间转移概率表示相机编号1到相机编号2之间转移的可能性，相机间转移的概率是预先根据训练数据统计得到的。
在图3所示实施例中，对两个待关联的目标轨迹进行特征提取，计算得到表征两目标轨迹特征数据之间相似程度的相似度特征数据，之后，将相似度特征数据输入预先基于相似度特征数据样本训练完成的分类模型，得到了表征目标轨迹之间相似程度的置信度，并基于得到的置信度与置信度阈值的大小关系，最终得到了目标轨迹是否属于同一目标的轨迹关联结果。由于对相似度特征数据进行置信度计算的分类模型是预先基于实际的相似度特征数据样本训练得到的，因此，经该分类模型得到的置信度也更能够表征目标轨迹之间的实际相似程度，进而，基于经该分类模型得到的置信度与置信度阈值的大小关系，得到的轨迹关联结果的准确度也较高，即：提高了轨迹关联结果的准确度。
同时，在对两个待关联的目标轨迹进行特征提取，提取了图像特征数据、时空运动特征数据以及相机拓扑特征数据这三个方面的特征数据，也就是说，提取到的特征数据更加全面，因此，基于更加全面的特征数据，最终得到的轨迹关联结果也更加准确。
参见图4，图4为图3所示实施例中分类模型的训练流程示意图，具体包括如下步骤：
步骤401，分别获取多个属于不同目标的轨迹样本。
步骤402，分别获取与各轨迹样本对应的图像样本。
步骤403，对每个轨迹样本对应图像样本进行图像特征提取，得到该轨迹样本的图像特征数据样本。
步骤404，基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本。
步骤405，针对任意两个轨迹样本，获取与该两个轨迹样本对应的相机拓扑特征数据样本。
其中，相机拓扑特征数据样本表征：拍摄该两个轨迹样本对应的图像样本的设备在整个监控区域中的位置信息；或者，相机拓扑特征数据表征：同一目标在分别拍摄该两个轨迹样本对应的图像样本的设备之间转移的可能性；
步骤406，对任意两个轨迹样本的图像特征数据样本进行相似度计算，得到图像相似度特征数据样本。
步骤407，对上述两个轨迹样本的时空运动特征数据样本进行相似度计算，得到时空运动相似度特征数据样本。
步骤408，根据上述两个轨迹样本是否属于同一目标，确定样本真值；其中，当上述两个轨迹样本属于同一目标时，确定样本真值为1，否则，确定样本真值为0。
步骤409，将图像相似度特征数据样本、时空运动相似度特征数据样本以及与任意两个轨迹样本对应的相机拓扑特征数据样本输入至分类模型，得到表征与任意两个轨迹样本之间相似程度的样本置信度。
步骤410，判断样本置信度与样本真值的差值是否满足预设条件。若是，则结束训练，得到训练完成的分类模型；若否，执行步骤411。
步骤411，调整分类模型中的参数，返回步骤409，继续下一次训练。
图4所示的模型训练方法，由于是基于实际的相似度特征数据样本和各样本对应的样本真值，对分类模型进行训练的，因此，经该分类模型得到的置信度也更能够表征轨迹之间的实际相似程度。
另外，在对两个轨迹样本进行特征提取时，是提取了图像特征数据、时空运动特征数据以及相机拓扑特征数据这三个方面的特征数据作为特征数据样本的，也就是说，提取到的特征数据样本更加全面。因此，采用基于更加全面的特征数据样本训练得到的分类模型得到的置信度，进一步地能够表征轨迹之间的实际相似程度。
基于同一发明构思，根据本发明上述实施例提供的轨迹关联方法，相应地，本发明一个实施例还提供了一种轨迹关联装置，其结构示意图如图5所示，包括：
目标轨迹获取模块501，用于获取待关联的两个目标轨迹；
特征数据得到模块502，用于针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据；
相似度计算模块503，用于对各特征数据进行相似度计算，得到相似度特征数据；相似度特征数据表征各特征数据之间的相似程度；
置信度得到模块504，用于将相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征目标轨迹之间相似程度的置信度；
轨迹关联结果得到模块505，用于根据置信度与置信度阈值的大小关系，得到目标轨迹是否属于同一目标的轨迹关联结果。
进一步的，特征数据包括：时空运动特征数据；相似度特征数据包括：时空运动相似度特征数据；
特征数据得到模块502，具体用于基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；
相似度计算模块503，具体用于对两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
置信度得到模块504，具体用于将时空运动相似度特征数据输入至：预先基于时空运动相似度特征数据样本训练完成的分类模型，得到表征目标轨迹之间相似程度的置信度。
进一步的，特征数据包括：图像特征数据和时空运动特征数据；相似度特征数据包括：图像相似度特征数据和时空运动相似度特征数据；
特征数据得到模块502，具体用于分别获取与各目标轨迹对应的目标图像；对每个目标轨迹对应目标图像进行图像特征提取，得到该目标轨迹的图像特征数据；基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；
相似度计算模块503，具体用于对两个目标轨迹的图像特征数据进行相似度计算，得到图像相似度特征数据；对两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
置信度得到模块504，具体用于将图像相似度特征数据和时空运动相似度特征数据输入至：预先基于图像相似度特征数据和时空运动相似度特征数据样本训练完成的分类模型，得到表征目标轨迹之间相似程度的置信度。
进一步的，特征数据包括：图像特征数据、时空运动特征数据和相机拓扑特征数据；相似度特征数据包括：图像相似度特征数据和时空运动相似度特征数据；
特征数据得到模块502，具体用于分别获取与各目标轨迹对应的目标图像；对每个目标轨迹对应目标图像进行图像特征提取，得到该目标轨迹的图像特征数据；基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；获取与两个目标轨迹对应的相机拓扑特征数据，相机拓扑特征数据表征：拍摄两个目标轨迹对应的目标图像的设备在整个监控区域中的位置信息；或者，相机拓扑特征数据表征：同一目标在分别拍摄两个目标轨迹对应的目标图像的设备之间转移的可能性；
相似度计算模块503，具体用于对两个目标轨迹的图像特征数据进行相似度计算，得到图像相似度特征数据；对两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
置信度得到模块504，具体用于将图像相似度特征数据、时空运动相似度特征数据以及与两个目标轨迹对应的相机拓扑特征数据输入至：预先基于图像相似度特征数据样本、时空运动相似度特征数据样本以及相机拓扑特征样本训练完成的分类模型，得到表征目标轨迹之间相似程度的置信度。
进一步的，时空运动特征数据包括：全局时空运动特征数据和局部时空运动特征数据；
特征数据得到模块502在执行基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据的步骤时，具体用于：
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到每个目标轨迹的全局时空运动特征数据；将该目标轨迹划分为多个目标子轨迹，分别基于各目标子轨迹中包含的轨迹点的位置和时间信息，计算得到各目标子轨迹的局部时空运动特征数据。
进一步的，全局时空运动特征数据和局部时空运动特征数据中均包含以下至少一种预设参数特征数据：运动速度特征数据、运动加速度特征数据、运动曲率特征数据、运动方向特征数据和运动转角特征数据。
进一步的，时空运动相似度特征数据包括：全局时空运动相似度特征数据和局部时空运动相似度特征数据；
相似度计算模块503，在执行对两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据的步骤时，具体用于：
对两个目标轨迹的全局时空运动特征数据中包含的各预设参数特征数据，分别进行预设的数学运算，得到全局时空运动相似度特征数据；对两个目标轨迹的局部时空运动特征数据中包含的各预设参数特征数据，分别进行预设的数学运算，得到局部时空运动相似度特征数据。
进一步的，装置还包括：模型训练模块；
模型训练模块，包括：
样本集合样本真值获取子模块，用于获取包含有相似度特征数据样本的样本集和各相似度特征数据样本对应的样本真值；
样本置信度得到子模块，用于将相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度；
判断子模块，用于判断样本置信度与样本真值的差值是否满足预设条件；若是，则结束训练，得到训练完成的分类模型；若否，触发参数调整子模块；
参数调整子模块，用于调整分类模型中的参数，并返回样本置信度得到子模块，继续下一次训练。
进一步的，装置还包括：置信度阈值得到模块；
置信度阈值得到模块，用于：
在得到训练完成的分类模型之后，将样本集中未被选择过的各相似度特征数据样本，分别输入至训练完成的分类模型，得到各样本置信度；
针对每个样本置信度，分别根据该样本置信度与预设的候选置信度阈值的大小关系，得到与该样本置信度对应的两个轨迹样本是否属于同一目标的轨迹关联结果；
基于各样本置信度对应的样本真值，计算轨迹关联结果的准确率；
判断准确率是否大于预设准确率阈值；
若是，则将候选置信度阈值确定为最终的置信度阈值；
若否，调整候选置信度阈值，并返回针对每个样本置信度，分别根据该样本置信度与预设的候选置信度阈值大小关系，得到该样本置信度对应的两个轨迹样本是否属于同一目标的轨迹关联结果的步骤，直至轨迹关联结果的准确率大于预设准确率阈值；将使得轨迹关联结果的准确率大于预设准确率阈值的候选置信度阈值确定为最终的置信度阈值。
进一步的，样本集合样本真值获取子模块，具体用于：
分别获取多个属于不同目标的轨迹样本；
针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本；
对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本；并根据两个特征数据样本是否属于同一目标，确定相似度特征数据样本对应的样本真值；其中，当两个特征数据样本属于同一目标时，确定相似度特征数据样本对应的样本真值为1，否则，确定相似度特征数据样本对应的样本真值为0；其中，相似度特征数据样本表征两个特征数据样本之间的相似程度。
进一步的，特征数据样本包括：时空运动特征数据样本；
样本集合样本真值获取子模块在执行针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本的步骤时，具体用于：基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；
样本集合样本真值获取子模块在执行对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本的步骤时，具体用于：对任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到样本集中的一组时空运动相似度特征数据样本；
样本置信度得到子模块，具体用于：将时空运动相似度特征数据样本输入至分类模型，得到表征任意两个轨迹样本之间相似程度的样本置信度。
进一步的，特征数据样本包括：图像特征数据样本和时空运动特征数据样本；相似度特征数据包括：图像相似度特征数据样本和时空运动相似度特征数据样本；
样本集合样本真值获取子模块在执行针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本的步骤时，具体用于：分别获取与各轨迹样本对应的图像样本；对每个轨迹样本对应图像样本进行图像特征提取，得到该轨迹样本的图像特征数据样本；基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；
样本集合样本真值获取子模块在执行对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本的步骤时，具体用于：对任意两个轨迹样本的图像特征数据样本进行相似度计算，得到图像相似度特征数据样本；对任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到时空运动相似度特征数据样本；
样本置信度得到子模块，具体用于：将图像相似度特征数据样本和时空运动相似度特征数据样本输入至分类模型，得到表征任意两个轨迹样本之间相似程度的样本置信度。
进一步的，特征数据样本包括：图像特征数据样本、时空运动特征数据样本和相机拓扑特征数据样本；相似度特征数据样本包括：图像相似度特征数据样本和时空运动相似度特征数据样本；
样本集合样本真值获取子模块在执行针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本的步骤时，具体用于：分别获取与各轨迹样本对应的图像样本；对每个轨迹样本对应图像样本进行图像特征提取，得到该轨迹样本的图像特征数据样本；基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；针对任意两个轨迹样本，获取与该两个轨迹样本对应的相机拓扑特征数据样本，相机拓扑特征数据样本表征：拍摄该两个轨迹样本对应的图像样本的设备在整个监控区域中的位置信息；或者，相机拓扑特征数据表征：同一目标在分别拍摄该两个轨迹样本对应的图像样本的设备之间转移的可能性；
样本集合样本真值获取子模块在执行对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本的步骤时，具体用于：对任意两个轨迹样本的图像特征数据样本进行相似度计算，得到图像相似度特征数据样本；对任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到时空运动相似度特征数据样本；
样本置信度得到子模块，具体用于：将图像相似度特征数据样本、时空运动相似度特征数据样本以及与任意两个轨迹样本对应的相机拓扑特征数据样本输入至分类模型，得到表征与任意两个轨迹样本之间相似程度的样本置信度。
图5所示实施例中，对两个待关联的目标轨迹进行特征提取，计算得到表征两目标轨迹特征数据之间相似程度的相似度特征数据，之后，将相似度特征数据输入预先基于相似度特征数据样本训练完成的分类模型，得到了表征目标轨迹之间相似程度的置信度，并基于得到的置信度与置信度阈值的大小关系，最终得到了目标轨迹是否属于同一目标的轨迹关联结果。由于对相似度特征数据进行置信度计算的分类模型是预先基于实际的相似度特征数据样本训练得到的，因此，经该分类模型得到的置信度也更能够表征目标轨迹之间的实际相似程度，进而，基于经该分类模型得到的置信度与置信度阈值的大小关系，得到的轨迹关联结果的准确度也较高，即：提高了轨迹关联结果的准确度。
本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：
获取待关联的两个目标轨迹；
针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据；
对各特征数据进行相似度计算，得到相似度特征数据；相似度特征数据表征各特征数据之间的相似程度；
将相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征目标轨迹之间相似程度的置信度；
根据置信度与置信度阈值的大小关系，得到目标轨迹是否属于同一目标的轨迹关联结果。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一轨迹关联方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一轨迹关联方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备及存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。
Claims (16)
1.一种轨迹关联方法，其特征在于，包括：
获取待关联的两个目标轨迹；
针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据；
对各特征数据进行相似度计算，得到相似度特征数据；所述相似度特征数据表征所述各特征数据之间的相似程度；
将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度；
根据所述置信度与置信度阈值的大小关系，得到所述目标轨迹是否属于同一目标的轨迹关联结果。
2.根据权利要求1所述的方法，其特征在于，所述特征数据包括：时空运动特征数据；所述相似度特征数据包括：时空运动相似度特征数据；
所述针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据，包括：
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；
所述对各特征数据进行相似度计算，得到相似度特征数据的步骤，包括：
对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
所述将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度，包括：
将所述时空运动相似度特征数据输入至：预先基于时空运动相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度。
3.根据权利要求1所述的方法，其特征在于，所述特征数据包括：图像特征数据和时空运动特征数据；所述相似度特征数据包括：图像相似度特征数据和时空运动相似度特征数据；
所述针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据的步骤，包括：
分别获取与各目标轨迹对应的目标图像；
对每个目标轨迹对应目标图像进行图像特征提取，得到该目标轨迹的图像特征数据；
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；
所述对各特征数据进行相似度计算，得到相似度特征数据，包括：
对所述两个目标轨迹的图像特征数据进行相似度计算，得到图像相似度特征数据；
对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
所述将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度，包括：
将所述图像相似度特征数据和所述时空运动相似度特征数据输入至：预先基于图像相似度特征数据和时空运动相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度。
4.根据权利要求1所述的方法，其特征在于，所述特征数据包括：图像特征数据、时空运动特征数据和相机拓扑特征数据；所述相似度特征数据包括：图像相似度特征数据和时空运动相似度特征数据；
所述针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据的步骤，包括：
分别获取与各目标轨迹对应的目标图像；
对每个目标轨迹对应目标图像进行图像特征提取，得到该目标轨迹的图像特征数据；
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据；
获取与所述两个目标轨迹对应的相机拓扑特征数据，所述相机拓扑特征数据表征：拍摄所述两个目标轨迹对应的目标图像的设备在整个监控区域中的位置信息；或者，所述相机拓扑特征数据表征：同一目标在分别拍摄所述两个目标轨迹对应的目标图像的设备之间转移的可能性；
所述对各特征数据进行相似度计算，得到相似度特征数据，包括：
对所述两个目标轨迹的图像特征数据进行相似度计算，得到图像相似度特征数据；
对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据；
所述将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度，包括：
将所述图像相似度特征数据、所述时空运动相似度特征数据以及与所述两个目标轨迹对应的相机拓扑特征数据输入至：预先基于图像相似度特征数据样本、时空运动相似度特征数据样本以及相机拓扑特征样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度。
5.根据权利要求2-4任一所述的方法，其特征在于，所述时空运动特征数据包括：全局时空运动特征数据和局部时空运动特征数据；
所述基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到该目标轨迹的时空运动特征数据，包括：
基于每个目标轨迹中包含的轨迹点的位置和时间信息，计算得到每个目标轨迹的全局时空运动特征数据；
将该目标轨迹划分为多个目标子轨迹，分别基于各目标子轨迹中包含的轨迹点的位置和时间信息，计算得到各目标子轨迹的局部时空运动特征数据。
6.根据权利要求5所述的方法，其特征在于，所述全局时空运动特征数据和所述局部时空运动特征数据中均包含以下至少一种预设参数特征数据：运动速度特征数据、运动加速度特征数据、运动曲率特征数据、运动方向特征数据和运动转角特征数据。
7.根据权利要求6所述的方法，其特征在于，所述时空运动相似度特征数据包括：全局时空运动相似度特征数据和局部时空运动相似度特征数据；
所述对所述两个目标轨迹的时空运动特征数据进行相似度计算，得到时空运动相似度特征数据，包括：
对所述两个目标轨迹的全局时空运动特征数据中包含的各预设参数特征数据，分别进行预设的数学运算，得到全局时空运动相似度特征数据；
对所述两个目标轨迹的局部时空运动特征数据中包含的各预设参数特征数据，分别进行预设的数学运算，得到局部时空运动相似度特征数据。
8.根据权利要求1所述的方法，其特征在于，所述分类模型的训练过程，包括：
获取包含有相似度特征数据样本的样本集和各相似度特征数据样本对应的样本真值；
将所述相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度；
判断所述样本置信度与所述样本真值的差值是否满足预设条件；
若是，则结束训练，得到训练完成的分类模型；
若否，调整所述分类模型中的参数，返回所述将所述相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度的步骤，继续下一次训练。
9.根据权利要求8所述的方法，其特征在于，在所述得到训练完成的分类模型之后，还包括：
将所述样本集中未被选择过的各相似度特征数据样本，分别输入至所述训练完成的分类模型，得到各样本置信度；
针对每个样本置信度，分别根据该样本置信度与预设的候选置信度阈值的大小关系，得到与该样本置信度对应的两个轨迹样本是否属于同一目标的轨迹关联结果；
基于各样本置信度对应的样本真值，计算所述轨迹关联结果的准确率；
判断所述准确率是否大于预设准确率阈值；
若是，则将所述候选置信度阈值确定为最终的置信度阈值；
若否，调整所述候选置信度阈值，并返回所述针对每个样本置信度，分别根据该样本置信度与预设的候选置信度阈值大小关系，得到该样本置信度对应的两个轨迹样本是否属于同一目标的轨迹关联结果的步骤，直至所述轨迹关联结果的准确率大于所述预设准确率阈值；将使得所述轨迹关联结果的准确率大于所述预设准确率阈值的候选置信度阈值确定为最终的置信度阈值。
10.根据权利要求8所述的方法，其特征在于，所述获取包含有相似度特征数据样本的样本集和各相似度特征数据样本对应的样本真值，包括：
分别获取多个属于不同目标的轨迹样本；
针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本；
对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本；并根据所述两个特征数据样本是否属于同一目标，确定所述相似度特征数据样本对应的样本真值；其中，当所述两个特征数据样本属于同一目标时，确定所述相似度特征数据样本对应的样本真值为1，否则，确定所述相似度特征数据样本对应的样本真值为0；其中，所述相似度特征数据样本表征所述两个特征数据样本之间的相似程度。
11.根据权利要求10所述的方法，其特征在于，所述特征数据样本包括：时空运动特征数据样本；
所述针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本，包括：
基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；
所述对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本，包括：
对任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到样本集中的一组时空运动相似度特征数据样本；
所述将所述相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度，包括：
将所述时空运动相似度特征数据样本输入至分类模型，得到表征所述任意两个轨迹样本之间相似程度的样本置信度。
12.根据权利要求10所述的方法，其特征在于，所述特征数据样本包括：图像特征数据样本和时空运动特征数据样本；所述相似度特征数据包括：图像相似度特征数据样本和时空运动相似度特征数据样本；
所述针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本，包括：
分别获取与各轨迹样本对应的图像样本；
对每个轨迹样本对应图像样本进行图像特征提取，得到该轨迹样本的图像特征数据样本；
基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；
所述对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本，包括：
对任意两个轨迹样本的图像特征数据样本进行相似度计算，得到图像相似度特征数据样本；
对所述任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到时空运动相似度特征数据样本；
所述将所述相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度，包括：
将所述图像相似度特征数据样本和所述时空运动相似度特征数据样本输入至分类模型，得到表征所述任意两个轨迹样本之间相似程度的样本置信度。
13.根据权利要求10所述的方法，其特征在于，所述特征数据样本包括：图像特征数据样本、时空运动特征数据样本和相机拓扑特征数据样本；所述相似度特征数据样本包括：图像相似度特征数据样本和时空运动相似度特征数据样本；
所述针对各轨迹样本，分别进行特征提取，得到各轨迹样本对应的特征数据样本，包括：
分别获取与各轨迹样本对应的图像样本；
对每个轨迹样本对应图像样本进行图像特征提取，得到该轨迹样本的图像特征数据样本；
基于每个轨迹样本中包含的轨迹点的位置和时间信息，计算得到该轨迹样本的时空运动特征数据样本；
针对任意两个轨迹样本，获取与该两个轨迹样本对应的相机拓扑特征数据样本，所述相机拓扑特征数据样本表征：拍摄该两个轨迹样本对应的图像样本的设备在整个监控区域中的位置信息；或者，所述相机拓扑特征数据表征：同一目标在分别拍摄该两个轨迹样本对应的图像样本的设备之间转移的可能性；
所述对任意两个特征数据样本进行相似度计算，得到样本集中的一组相似度特征数据样本，包括：
对任意两个轨迹样本的图像特征数据样本进行相似度计算，得到图像相似度特征数据样本；
对所述任意两个轨迹样本的时空运动特征数据样本进行相似度计算，得到时空运动相似度特征数据样本；
所述将所述相似度特征数据样本输入至分类模型，得到表征与该相似度特征数据样本对应的两个轨迹样本之间相似程度的样本置信度，包括：
将所述图像相似度特征数据样本、所述时空运动相似度特征数据样本以及与所述任意两个轨迹样本对应的相机拓扑特征数据样本输入至分类模型，得到表征与所述任意两个轨迹样本之间相似程度的样本置信度。
14.一种轨迹关联装置，其特征在于，包括：
目标轨迹获取模块，用于获取待关联的两个目标轨迹；
特征数据得到模块，用于针对每个目标轨迹，分别进行特征提取，得到该目标轨迹对应的特征数据；
相似度计算模块，用于对各特征数据进行相似度计算，得到相似度特征数据；所述相似度特征数据表征所述各特征数据之间的相似程度；
置信度得到模块，用于将所述相似度特征数据输入至：预先基于相似度特征数据样本训练完成的分类模型，得到表征所述目标轨迹之间相似程度的置信度；
轨迹关联结果得到模块，用于根据所述置信度与置信度阈值的大小关系，得到所述目标轨迹是否属于同一目标的轨迹关联结果。
15.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-13任一所述的方法步骤。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-13任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011379362.8A CN112465869B (zh) | 2020-11-30 | 2020-11-30 | 一种轨迹关联方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011379362.8A CN112465869B (zh) | 2020-11-30 | 2020-11-30 | 一种轨迹关联方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112465869A true CN112465869A (zh) | 2021-03-09 |
| CN112465869B CN112465869B (zh) | 2023-09-05 |
Family
ID=74805852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011379362.8A Active CN112465869B (zh) | 2020-11-30 | 2020-11-30 | 一种轨迹关联方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465869B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092524A (zh) * | 2022-01-18 | 2022-02-25 | 北京爱笔科技有限公司 | 物体轨迹的生成方法、相关装置和分类模型的构建方法 |
| CN114333317A (zh) * | 2021-12-31 | 2022-04-12 | 杭州海康威视数字技术股份有限公司 | 一种交通事件的处理方法、装置、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120237081A1 (en) * | 2011-03-16 | 2012-09-20 | International Business Machines Corporation | Anomalous pattern discovery |
| CN107016374A (zh) * | 2017-04-12 | 2017-08-04 | 电子科技大学 | 面向特定目标的智能检测追踪及时空轨迹的生成方法 |
| CN108764951A (zh) * | 2018-03-23 | 2018-11-06 | 广州杰赛科技股份有限公司 | 用户相似度获得方法和装置、设备、存储介质 |
| CN108932509A (zh) * | 2018-08-16 | 2018-12-04 | 新智数字科技有限公司 | 一种基于视频跟踪的跨场景目标检索方法及装置 |
| WO2020150896A1 (zh) * | 2019-01-22 | 2020-07-30 | 深圳大学 | 视频目标的数据关联方法、装置及存储介质 |
| CN111652331A (zh) * | 2020-08-05 | 2020-09-11 | 腾讯科技（深圳）有限公司 | 一种图像识别方法、装置和计算机可读存储介质 |
| CN111724412A (zh) * | 2020-06-17 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 确定运动轨迹的方法、装置及计算机存储介质 |
| US20200334571A1 (en) * | 2019-04-18 | 2020-10-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for training trajectory classification model, and electronic device |
| CN111984738A (zh) * | 2019-05-23 | 2020-11-24 | 杭州海康威视数字技术股份有限公司 | 数据关联方法、装置、设备及存储介质 |
-
2020
- 2020-11-30 CN CN202011379362.8A patent/CN112465869B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120237081A1 (en) * | 2011-03-16 | 2012-09-20 | International Business Machines Corporation | Anomalous pattern discovery |
| CN107016374A (zh) * | 2017-04-12 | 2017-08-04 | 电子科技大学 | 面向特定目标的智能检测追踪及时空轨迹的生成方法 |
| CN108764951A (zh) * | 2018-03-23 | 2018-11-06 | 广州杰赛科技股份有限公司 | 用户相似度获得方法和装置、设备、存储介质 |
| CN108932509A (zh) * | 2018-08-16 | 2018-12-04 | 新智数字科技有限公司 | 一种基于视频跟踪的跨场景目标检索方法及装置 |
| WO2020150896A1 (zh) * | 2019-01-22 | 2020-07-30 | 深圳大学 | 视频目标的数据关联方法、装置及存储介质 |
| US20200334571A1 (en) * | 2019-04-18 | 2020-10-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for training trajectory classification model, and electronic device |
| CN111984738A (zh) * | 2019-05-23 | 2020-11-24 | 杭州海康威视数字技术股份有限公司 | 数据关联方法、装置、设备及存储介质 |
| CN111724412A (zh) * | 2020-06-17 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 确定运动轨迹的方法、装置及计算机存储介质 |
| CN111652331A (zh) * | 2020-08-05 | 2020-09-11 | 腾讯科技（深圳）有限公司 | 一种图像识别方法、装置和计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| DLANDML: "OCR图片相似度对比和分类算法", HTTPS://BLOG.CSDN.NET/L641208111/ARTICLE/DETAILS/84554814, pages 1 - 6 * |
| 方岚;于凤芹;: "自适应在线判别外观学习的分层关联多目标跟踪", 中国图象图形学报, no. 04, pages 84 - 96 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114333317A (zh) * | 2021-12-31 | 2022-04-12 | 杭州海康威视数字技术股份有限公司 | 一种交通事件的处理方法、装置、电子设备及存储介质 |
| CN114333317B (zh) * | 2021-12-31 | 2023-06-02 | 杭州海康威视数字技术股份有限公司 | 一种交通事件的处理方法、装置、电子设备及存储介质 |
| CN114092524A (zh) * | 2022-01-18 | 2022-02-25 | 北京爱笔科技有限公司 | 物体轨迹的生成方法、相关装置和分类模型的构建方法 |
| CN114092524B (zh) * | 2022-01-18 | 2022-06-28 | 北京爱笔科技有限公司 | 物体轨迹的生成方法、相关装置和分类模型的构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112465869B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9767570B2 (en) | Systems and methods for computer vision background estimation using foreground-aware statistical models | |
| CN108898624B (zh) | 一种运动物体跟踪的方法、装置、电子设备和存储介质 | |
| CN109035304B (zh) | 目标跟踪方法、介质、计算设备和装置 | |
| CN108648211B (zh) | 一种基于深度学习的小目标检测方法、装置、设备和介质 | |
| CN111523621A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN111476302A (zh) | 基于深度强化学习的Faster-RCNN目标物体检测方法 | |
| CN111709975A (zh) | 多目标跟踪方法、装置、电子设备及存储介质 | |
| CN110019895B (zh) | 一种图像检索方法、装置及电子设备 | |
| CN111753590B (zh) | 一种行为识别方法、装置及电子设备 | |
| CN112465869B (zh) | 一种轨迹关联方法、装置、电子设备及存储介质 | |
| CN109447022B (zh) | 一种镜头类型识别方法及装置 | |
| CN115272426A (zh) | 一种跨相机轨迹关联方法、装置及电子设备 | |
| CN109409321B (zh) | 一种镜头运动方式的确定方法及装置 | |
| CN109447023B (zh) | 确定图像相似度的方法、视频场景切换识别方法及装置 | |
| CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
| CN110909664A (zh) | 一种人体关键点识别方法、装置及电子设备 | |
| CN110969100A (zh) | 一种人体关键点识别方法、装置及电子设备 | |
| CN112802108A (zh) | 目标对象定位方法、装置、电子设备及可读存储介质 | |
| CN109815902B (zh) | 一种行人属性区域信息获取方法、装置及设备 | |
| CN113902944A (zh) | 模型的训练及场景识别方法、装置、设备及介质 | |
| TWI732374B (zh) | 物件辨識方法及裝置 | |
| CN112784691B (zh) | 一种目标检测模型训练方法、目标检测方法和装置 | |
| CN111275089A (zh) | 一种分类模型训练方法及装置、存储介质 | |
| CN114170269B (zh) | 一种基于时空相关性的多目标跟踪方法、设备及存储介质 | |
| CN113014928B (zh) | 一种补偿帧生成方法及装置 |
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 |