CN112632450A - 一种广域空间异常轨迹识别方法、装置及可读存储介质 - Google Patents
一种广域空间异常轨迹识别方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112632450A CN112632450A CN202011610530.XA CN202011610530A CN112632450A CN 112632450 A CN112632450 A CN 112632450A CN 202011610530 A CN202011610530 A CN 202011610530A CN 112632450 A CN112632450 A CN 112632450A
- Authority
- CN
- China
- Prior art keywords
- target object
- trajectory
- information
- track
- current coordinate
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种广域空间异常轨迹识别方法、装置及可读存储介质，其中方法包括获取目标物体当前的坐标信息；根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹。本发明实施例根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹，实现了对交通体轨迹是否存在偏差的判断，在一些实施方式中可以对交通体轨迹进行预警。
Description
技术领域
本发明涉及定位技术领域，尤其涉及一种广域空间异常轨迹识别方法、装置及可读存储介质。
背景技术
估计交通体轨迹的常见方案有很多，常见的方法是基于插值的方法，在很多实际问题均取得了广泛的实际应用。然而在交通体的轨迹拟合问题中，传统的估计方法会面临许多的挑战。传统估计方法的相关工作包括样条插值法，其为一种以可变基函数的作为样条进行插值，以得到一系列光滑曲线的数学方法。常见的样条法包括多项式样条、B样条(deBoor,1978)、贝塞尔样条等。样条法得到的插值曲线大多不光滑，需要使用一些平滑的方法使其光滑，常用的方法包括光滑样条法、广义交叉核实法(Hastie and Tibshirani,1990；Green and Silverman,1994)。这些方法需要人为给定平滑参数，在实际应用中存在很多问题。此外，该方法效果不稳定，在实际应用中如果遇到复杂曲线容易失控。
在智慧交通系统问题中，如何根据交通体的轨迹点来拟合并预测背后的曲线是一个至关重要的问题。当前，社会治安防控领域风险及威胁，异常行为感知技术应用手段主要集中于小范围的分析，缺少面向广域空间的研判分析。
发明内容
本发明实施例提供一种广域空间异常轨迹识别方法、装置及可读存储介质，用以判断交通体轨迹是否存在偏差，实现对交通体轨迹的预警。
本发明实施例提供一种广域空间异常轨迹识别方法，包括：
获取目标物体当前的坐标信息；
根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹。
在一实施方式中，预先拟合所述目标物体的轨迹信息包括：
顺序获取目标物体的轨迹数据；
根据所述轨迹数据进行拟合，以获得所述目标物体的轨迹信息。
在一实施方式中，所述根据所述轨迹数据进行拟合，以获得所述目标物体的轨迹信息包括：
通过预设线段基于任意两个相邻的所述轨迹数据中的坐标点进行拟合，以获得拟合线段；
顺序拼接所述拟合线段，以获得所述目标物体的轨迹信息。
在一实施方式中，所述根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹包括：
从所述轨迹信息中选取拟合线段；
计算所选取的拟合线段对应的向量与所述目标物体当前的坐标信息与所述拟合线段端点所形成的向量之间的第一内积；
若所述第一内积小于零，将所述第一内积与预设距离阈值进行对比，在所述第一内积大于所述距离阈值的情况下，进行预警。
在一实施方式中，所述根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹还包括：
若所述第一内积大于零，计算所选取的拟合线段对应的反向量与所述目标物体当前的坐标信息与所述拟合线段另一端点所形成的向量之间的第二内积；
若所述第二内积小于零，将所述第二内积与所述预设距离阈值进行对比，在所述第二内积大于所述距离阈值的情况下，进行预警。
在一实施方式中，所述根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹还包括：
计算所述目标物体当前的坐标信息与所选取的拟合线段之间的垂直距离；
将所述垂直距离与预设距离阈值进行对比，在所述垂直距离大于所述距离阈值的情况下，进行预警。
在一实施方式中，在所述轨迹数据的坐标点的数量低于预设阈值的情况下，根据所述轨迹数据进行拟合，以获得所述目标物体的轨迹信息包括：
根据所述轨迹数据的坐标点进行曲线拟合，以获得所述目标物体的轨迹信息。
在一实施方式中，根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹包括：
通过预设重采样算法确定所述轨迹信息的方差，以获得报警阈值；
根据所述当前的坐标信息与对应的报警阈值进行预警。
本发明实施例还提供一种广域空间异常轨迹识别装置，包括：
采集单元，用于获取目标物体当前的坐标信息；
数据处理单元，用于根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现前述的广域空间异常轨迹识别方法的步骤。
本发明实施例根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹，实现了对交通体轨迹是否存在偏差的判断，在一些实施方式中可以对交通体轨迹进行预警。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例轨迹识别基本流程图；
图2为本发明实施例轨迹识别子流程图；
图3为本发明实施例轨迹识别子流程图。
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。
通常情况下，样条拟合将其中一个变量作为响应变量，将另一个变量作为解释变量，这种方法是合理的，分析的目的是使用解释变量的值来预测响应变量。可以使用标准线性回归来拟合直线。在这种方法下，响应变点的期望被建模为解释变量的线性函数，并且通常由最小二乘法进行估计。此过程等效于找到使垂直平方偏差总和最小的曲线。但是在多数情况下，希望平等地对待两个变量，而仅将响应变量分配给其中一个变量可能会导致效果不佳。
本发明实施例提供本发明实施例提供一种广域空间异常轨迹识别方法，包括：
S101、获取目标物体当前的坐标信息；
S102、根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹。
本发明实施例根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹，实现了对交通体轨迹是否存在偏差的判断。
在一实施方式中，预先拟合所述目标物体的轨迹信息包括：
S201、顺序获取目标物体的轨迹数据；
S202、根据所述轨迹数据进行拟合，以获得所述目标物体的轨迹信息。
具体的，在本实施例中，例如包含轨迹数据集
其中T为数据集中轨迹点的总数；xt为纬度值，yt为经度值。轨迹数据集的坐标点存在时间先后顺序，轨迹数据集中可包含多个物体或者交通体的轨迹坐标点。本实施例中可以从轨迹数据集中顺序获取目标物体的轨迹数据，然后根据所述轨迹数据进行拟合，以获得所述目标物体的轨迹信息。例如可以进行线性拟合从而得到目标物体的轨迹信息。
在一实施方式中，所述根据所述轨迹数据进行拟合，以获得所述目标物体的轨迹信息包括：
通过预设线段基于任意两个相邻的所述轨迹数据中的坐标点进行拟合，以获得拟合线段；
顺序拼接所述拟合线段，以获得所述目标物体的轨迹信息。
本实施例中，可以使用分段线性模型来拟合整条轨迹，对于给定轨迹数据中任意一个点(xt，yt)和其后继(xt+1，yt+1)，定义如下函数：
ft(x，y)＝(yt+1-yt)x-(xt+1-xt)y-xt(yt+1-yt)+yt(xt+1-xt)＝0
其中xt≤x≤xt+1，yt≤y≤yt+1，ft(x，y)为以(xt，yt)，(xt+1，yt+1)两点为端点的线段，由此本实施例中整条轨迹可使用T-1条线段拼合而成。
在一实施方式中，所述根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹包括：
S301、从所述轨迹信息中选取拟合线段；
S302、计算所选取的拟合线段对应的向量与所述目标物体当前的坐标信息与所述拟合线段端点所形成的向量之间的第一内积；
S303、若所述第一内积小于零，将所述第一内积与预设距离阈值进行对比，在所述第一内积大于所述距离阈值的情况下，进行预警。
在前述分段线性模型拟合的基础上，本实施例中进一步根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹。
本实施例中，以目标物体为船只为例进行举例说明。假设船只出现在某一个位置点(xp，yp)，本实施例中判断此位置点是否偏离轨迹路线。事先给定一个预警距离阈值α(单位为米)，然后计算(xp，yp)和轨迹
之间的距离。也即本实施例中可以从轨迹信息中选取拟合线段ft(x，y)，其中所选取的拟合线段ft(x，y)可以是多段或者全部拟合线段。给定(xp，yp)和拟合线段ft(x，y)，然后计算出与选取的每一段拟合线段之间的距离。
一种可选的实施方式是，计算拟合线段ft(x，y)与位置点(xp，yp)所构成的两个向量(xt+1-xt，yt+1-yt)与(xp-xt+1，yp-yt+1)的之间内积，也即(xt+1-xt)(xp-xt)+(yt+1-yt)(yp-yt)，若(xt+1-xt)(xp-xt)+(yt+1-yt(yp-yt)小于0，则返回xp，yp与拟合线段中坐标点(xt，yt)之间的距离。若此距离大于预警距离阈值α则报警，否则可以认为当前的位置点(xp，yp)没有偏离轨迹。
在一实施方式中，所述根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹还包括：
S304、若所述第一内积大于零，计算所选取的拟合线段对应的反向量与所述目标物体当前的坐标信息与所述拟合线段端点所形成的向量之间的第二内积；
S305、若所述第二内积小于零，将所述第二内积与所述预设距离阈值进行对比，在所述第二内积大于所述距离阈值的情况下，进行预警。
在本实施例中，若所述第一内积大于零，另一种可选的实施方式是，计算拟合线段ft(x，y)与位置点(xp，yp)所构成的两个向量(xt-xt+1，yt-yt+1)与(xp-xt+1，yp-yt+1)的之间内积，也即(xt-xt+1)(xp-xt+1)+(yt-yt+1(yp-yt+1)，若xt-xt+1)(xp-xt+1)+(yt-yt+1(yp-yt+1)小于0，则返回(xp，yp)与拟合线段中坐标点(xt，yt)之间的距离。若此距离大于预警距离阈值α则报警，否则可以认为当前的位置点(xp，yp)没有偏离轨迹。
在一实施方式中，所述根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹还包括：
计算所述目标物体当前的坐标信息与所选取的拟合线段之间的垂直距离；
将所述垂直距离与预设距离阈值进行对比，在所述垂直距离大于所述距离阈值的情况下，进行预警。
作为另一种可选的实施方式，本实施例中可以直接计算当前的位置点(xp，yp)与拟合线段ft(x，y)之间的距离：
其中v1＝(xp-xt，yt-yt)，v2＝(xt+1-xt，yt+1-yt)，由此获得当前的位置点(xp，yp)与垂足的距离。若此距离大于预警距离阈值α则报警，否则可以认为当前的位置点(xp，yp)没有偏离轨迹。
另一种可选的实施方式中，若前述的第一内积和第二内积均大于零在计算当前的位置点(xp，yp)与拟合线段ft(x，y)之间的距离，计算方法与前述方案相同，在此不再赘述。
在一实施方式中，在所述轨迹数据的坐标点的数量低于预设阈值的情况下，根据所述轨迹数据进行拟合，以获得所述目标物体的轨迹信息包括：
根据所述轨迹数据的坐标点进行曲线拟合，以获得所述目标物体的轨迹信息。
作为另外一种轨迹数据的拟合方式，本实施例中，在所述轨迹数据的坐标点的数量低于预设阈值的情况下，可以采用曲线拟合的方式。例如本实施例中可以使用一条平滑的曲线，而不是使用前述实施例中分段的直线来汇总数据。在找到需要处理的曲线时，两个变量是平等的，由此曲线以平滑的方式穿过数据的中间。本实例中可以将主曲线定义为对分布或数据集自相合的平滑曲线。也即如果选择曲线上的任何点，收集投射到该点的所有数据点，并对它们求平均，则该平均值与曲线上的点的位置重合。
本实施例中主曲线拟合可以从任何平滑曲线开始，主曲线会通过投影和平均来迭代检查该主曲线是否自相合。如果不是，则使用通过平均获得的新曲线作为起始选择来重复该过程，并迭代直到收敛为止。
例如可以假设一个参数化的系数，记为λ，λ可以为时间变量，但在实际问题中可以采用空间位置变量，如行驶过的路程s。
步骤一、初始化。
设f(j)(λ)＝x+aλ，其中a是数据集的第一主成分分量。令
步骤二、重复如下循环
a、设
b、定义
并将λ(j)通过归一化进行处理。
c、计算
直到D2(f(j))的变化小于某个阈值，也即收敛。
在具体实施过程中，需要注意的是如果初始路径是一条不封闭的曲线，那么我们可以使用线性主成分来计算，如果初始路径是一个封闭曲线，那么计算的结果就很依赖初始值的选择，初始值的选择越贴近原始形状，迭代优化得到的效果越好。在步骤c中计算的期望，在实际应用中，可以采用样条回归或散点回归的方法来拟合曲线，从而实现计算期望。但会带来一个样条回归中光滑系数的选择问题，实际应用中可以采用交叉核实的办法进行选择。
在一实施方式中，根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹包括：
通过预设重采样算法确定所述轨迹信息的方差，以获得报警阈值；
根据所述当前的坐标信息与对应的报警阈值进行预警。
本实施例中，可以根据拟合完成的曲线，使用Bootstrap等方法计算其方差来计算报警阈值，从而实现自动化的报警。
综上，本发明方法线段拟合过程中不需要额外的参数。可以适用于各类复杂路径的拟合，同时拟合模型的计算速度快。实现对交通体轨迹是否存在偏差的判断，解决交通体轨迹的识别和异常预警。
在数据较稀疏的情况下，对交通体的轨迹进行拟合。本方法可以处理多种复杂形状的轨迹问题，对于一些复杂形状的拟合也能取得很好的效果。
本发明实施例还提供一种广域空间异常轨迹识别装置，包括：
采集单元，用于获取目标物体当前的坐标信息；
数据处理单元，用于根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现前述的广域空间异常轨迹识别方法的步骤。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种广域空间异常轨迹识别方法，其特征在于，包括：
获取目标物体当前的坐标信息；
根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹。
2.如权利要求1所述的广域空间异常轨迹识别方法，其特征在于，预先拟合所述目标物体的轨迹信息包括：
顺序获取目标物体的轨迹数据；
根据所述轨迹数据进行拟合，以获得所述目标物体的轨迹信息。
3.如权利要求2所述的广域空间异常轨迹识别方法，其特征在于，所述根据所述轨迹数据进行拟合，以获得所述目标物体的轨迹信息包括：
通过预设线段基于任意两个相邻的所述轨迹数据中的坐标点进行拟合，以获得拟合线段；
顺序拼接所述拟合线段，以获得所述目标物体的轨迹信息。
4.如权利要求3所述的广域空间异常轨迹识别方法，其特征在于，所述根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹包括：
从所述轨迹信息中选取拟合线段；
计算所选取的拟合线段对应的向量与所述目标物体当前的坐标信息与所述拟合线段端点所形成的向量之间的第一内积；
若所述第一内积小于零，将所述第一内积与预设距离阈值进行对比，在所述第一内积大于所述距离阈值的情况下，进行预警。
5.如权利要求4所述的广域空间异常轨迹识别方法，其特征在于，所述根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹还包括：
若所述第一内积大于零，计算所选取的拟合线段对应的反向量与所述目标物体当前的坐标信息与所述拟合线段另一端点所形成的向量之间的第二内积；
若所述第二内积小于零，将所述第二内积与所述预设距离阈值进行对比，在所述第二内积大于所述距离阈值的情况下，进行预警。
6.如权利要求3或4或5所述的广域空间异常轨迹识别方法，其特征在于，所述根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹还包括：
计算所述目标物体当前的坐标信息与所选取的拟合线段之间的垂直距离；
将所述垂直距离与预设距离阈值进行对比，在所述垂直距离大于所述距离阈值的情况下，进行预警。
7.如权利要求2-5任一项所述的广域空间异常轨迹识别方法，其特征在于，在所述轨迹数据的坐标点的数量低于预设阈值的情况下，根据所述轨迹数据进行拟合，以获得所述目标物体的轨迹信息包括：
根据所述在先的轨迹数据的坐标点进行曲线拟合，以获得所述目标物体的轨迹信息。
8.如权利要求7所述的广域空间异常轨迹识别方法，其特征在于，根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹包括：
通过预设重采样算法确定所述轨迹信息的方差，以获得报警阈值；
根据所述当前的坐标信息与对应的报警阈值进行预警。
9.一种广域空间异常轨迹识别装置，其特征在于，包括：
采集单元，用于获取目标物体当前的坐标信息；
数据处理单元，用于根据所述当前的坐标信息与预先拟合的所述目标物体的轨迹信息之间的位置关系判定所述目标物体是否偏离轨迹。
10.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的广域空间异常轨迹识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011610530.XA CN112632450A (zh) | 2020-12-30 | 2020-12-30 | 一种广域空间异常轨迹识别方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011610530.XA CN112632450A (zh) | 2020-12-30 | 2020-12-30 | 一种广域空间异常轨迹识别方法、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112632450A true CN112632450A (zh) | 2021-04-09 |
Family
ID=75286792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011610530.XA Pending CN112632450A (zh) | 2020-12-30 | 2020-12-30 | 一种广域空间异常轨迹识别方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112632450A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114184206A (zh) * | 2021-12-03 | 2022-03-15 | 北京车慧达科技有限公司 | 一种基于车辆轨迹点生成行驶路线的方法和装置 |
| CN115050161A (zh) * | 2022-03-30 | 2022-09-13 | 兰州乐智教育科技有限责任公司 | 一种位置监测报警方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150241558A1 (en) * | 2014-02-25 | 2015-08-27 | The Mitre Corporation | Track Associator |
| CN109443370A (zh) * | 2018-09-13 | 2019-03-08 | 中通国脉物联科技南京有限公司 | 一种检测轨迹偏离的方法 |
| CN111739295A (zh) * | 2020-06-17 | 2020-10-02 | 杭州海康威视数字技术股份有限公司 | 一种定位方法及装置 |
-
2020
- 2020-12-30 CN CN202011610530.XA patent/CN112632450A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150241558A1 (en) * | 2014-02-25 | 2015-08-27 | The Mitre Corporation | Track Associator |
| CN109443370A (zh) * | 2018-09-13 | 2019-03-08 | 中通国脉物联科技南京有限公司 | 一种检测轨迹偏离的方法 |
| CN111739295A (zh) * | 2020-06-17 | 2020-10-02 | 杭州海康威视数字技术股份有限公司 | 一种定位方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114184206A (zh) * | 2021-12-03 | 2022-03-15 | 北京车慧达科技有限公司 | 一种基于车辆轨迹点生成行驶路线的方法和装置 |
| CN114184206B (zh) * | 2021-12-03 | 2024-04-19 | 北京车慧达科技有限公司 | 一种基于车辆轨迹点生成行驶路线的方法和装置 |
| CN115050161A (zh) * | 2022-03-30 | 2022-09-13 | 兰州乐智教育科技有限责任公司 | 一种位置监测报警方法、装置、电子设备及存储介质 |
| CN115050161B (zh) * | 2022-03-30 | 2023-10-13 | 兰州乐智教育科技有限责任公司 | 一种位置监测报警方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114782691B (zh) | 基于深度学习的机器人目标识别与运动检测方法、存储介质及设备 | |
| CN108958282B (zh) | 基于动态球形窗口的三维空间路径规划方法 | |
| CN111368639B (zh) | 车辆越线判定方法、装置、计算机设备和存储介质 | |
| CN101996420B (zh) | 信息处理装置和信息处理方法 | |
| CN112632450A (zh) | 一种广域空间异常轨迹识别方法、装置及可读存储介质 | |
| CN108801171B (zh) | 一种隧道断面形变分析方法及装置 | |
| CN108896050A (zh) | 一种基于激光传感器的移动机器人长期定位系统及方法 | |
| Shin et al. | Visual lane analysis and higher-order tasks: a concise review | |
| CN112880694B (zh) | 确定车辆的位置的方法 | |
| CN111709975A (zh) | 多目标跟踪方法、装置、电子设备及存储介质 | |
| CN111177934B (zh) | 参考路径规划的方法、设备和存储介质 | |
| CN111161324B (zh) | 一种基于自适应多模更新策略的目标跟踪方法 | |
| US11410362B1 (en) | Automatic area detection | |
| CN111932644A (zh) | 融合占用地图的方法及系统 | |
| CN110826121B (zh) | 一种自动定位户型走廊和玄关的方法及系统 | |
| CN113793356B (zh) | 车道线检测方法和装置 | |
| Kamejima | Invariant features associated with a conditional distribution induced by self-similar patterns | |
| CN114721008A (zh) | 一种障碍物检测方法、装置、计算机设备和存储介质 | |
| CN117217389B (zh) | 一种交互式数据预测方法和系统 | |
| CN116563341A (zh) | 一种处理复杂环境下动态物体的视觉定位与建图方法 | |
| CN114705180B (zh) | 高精地图的数据修正方法、装置、设备及存储介质 | |
| CN111192216A (zh) | 一种车道线平滑处理方法及系统 | |
| CN114440855B (zh) | 一种动态场景下定位和地图更新的方法及系统 | |
| CN115982592A (zh) | 轨迹相似度计算方法、轨迹相似度计算装置以及存储介质 | |
| CN113390425B (zh) | 地图数据处理方法、装置、设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |
|
| RJ01 | Rejection of invention patent application after publication |