CN113032498B - 一种轨迹相似的判断方法、装置、电子设备及存储介质 - Google Patents
一种轨迹相似的判断方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113032498B CN113032498B CN201911345182.5A CN201911345182A CN113032498B CN 113032498 B CN113032498 B CN 113032498B CN 201911345182 A CN201911345182 A CN 201911345182A CN 113032498 B CN113032498 B CN 113032498B
- Authority
- CN
- China
- Prior art keywords
- snapshot
- track
- initial value
- similarity
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 130
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域,提供一种轨迹相似的判断方法、装置、电子设备及存储介质,所述方法包括步骤:获取多个连续时间段的抓拍数据,对所述抓拍数据初始化处理,以得到每个连续时间段对应的初始值,所述抓拍数据中包括抓拍对象;基于所述初始值生成所述抓拍对象的轨迹向量;根据所述轨迹向量计算抓拍对象之间的轨迹相似度,基于所述轨迹相似度判断所述抓拍对象的轨迹之间的相似程度。本发明实施例有利于提高相似轨迹判断的准确率。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种轨迹相似的判断方法、装置、电子设备及存储介质。
背景技术
随着城市经济的快速发展,与人、车辆相关的刑事和治安案件逐年上升。现有技术中,通常会结合治安卡口、电子警察等获取到的车牌号码、经过时间、车辆颜色、车辆类型、行驶方向、行驶状态等车辆信息进行轨迹的相似度分析,但是要对上述的车辆信息进行分析需要获取大量的数据,数据不完整会导致轨迹的相似度错误率高。可见,现有技术中,对轨迹的相似程度进行判断时,存在准确率低的问题。
发明内容
本发明实施例提供一种轨迹相似的判断方法,能够提高相似轨迹判断的准确率。
第一方面,本发明实施例提供一种轨迹相似的判断方法,所述方法包括以下步骤:
获取多个连续时间段的抓拍数据,对所述抓拍数据初始化处理,以得到每个连续时间段对应的初始值,所述抓拍数据中包括抓拍对象;
基于所述初始值生成所述抓拍对象的轨迹向量;
根据所述轨迹向量计算抓拍对象之间的轨迹相似度,基于所述轨迹相似度判断所述抓拍对象的轨迹之间的相似程度。
第二方面,本发明实施例还提供一种轨迹相似的判断装置,包括:
获取模块,用于获取多个连续时间段的抓拍数据,对所述抓拍数据初始化处理,以得到每个连续时间段对应的初始值,所述抓拍数据中包括抓拍对象;
生成模块,用于基于所述初始值生成所述抓拍对象的轨迹向量;
计算模块,用于根据所述轨迹向量计算抓拍对象之间的轨迹相似度,基于所述轨迹相似度判断所述抓拍对象的轨迹之间的相似程度。
第三方面,本发明实施例还提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述实施例提供的轨迹相似的判断方法中的步骤。
第四方面,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所述实施例提供的轨迹相似的判断方法中的步骤。
本发明实施例中,通过获取多个连续时间段的抓拍数据,对所述抓拍数据初始化处理,以得到每个连续时间段对应的初始值,所述抓拍数据中包括抓拍对象;基于所述初始值生成所述抓拍对象的轨迹向量;根据所述轨迹向量计算抓拍对象之间的轨迹相似度,基于所述轨迹相似度判断所述抓拍对象的轨迹之间的相似程度。本发明实施例将抓拍数据初始化,根据初始化得到的初始值生成抓拍对象的轨迹向量,然后根据各个抓拍对象的轨迹向量计算抓拍对象的轨迹相似度,这样,通过将抓拍对象的轨迹转换为向量的形式进行分析,其计算量更小,且便于根据轨迹相似度去判断抓拍对象之间的轨迹相似程度;通过获取多个连续时间段的抓拍数据进行初始化,而不是通过某个时间段的抓拍数据,便于更准确地生成抓拍对象的轨迹向量,在计算轨迹相似度时得到的结果会更加准确,有利于提高相似轨迹判断的准确率。
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附图。
图1是本发明实施例提供的一种轨迹相似的判断方法的流程图;
图2是本发明实施例提供的另一种轨迹相似的判断方法的流程图;
图3是本发明实施例提供的另一种轨迹相似的判断方法的流程图;
图4是本发明实施例提供的另一种轨迹相似的判断方法的流程图;
图5是本发明实施例提供的一种轨迹相似的判断装置的结构示意图;
图6是本发明实施例提供的另一种轨迹相似的判断装置的结构示意图;
图7是本发明实施例提供的另一种轨迹相似的判断装置的结构示意图;
图8是本发明实施例提供的另一种轨迹相似的判断装置的结构示意图;
图9是本发明实施例提供的另一种轨迹相似的判断装置的结构示意图;
图10是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。
本申请的说明书和权利要求书及附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
如图1所示,图1是本发明实施例提供的一种轨迹相似的判断方法的流程图,该轨迹相似的判断方法包括以下步骤:
101、获取多个连续时间段的抓拍数据,对抓拍数据初始化处理,以得到每个连续时间段对应的初始值,抓拍数据中包括抓拍对象。
在本实施例中,轨迹相似的判断方法可以运用于道路交通现场监测系统等,轨迹相似的判断方法运行于其上的电子设备可以通过有线连接方式或者无线连接方式获取抓拍数据等。其中,抓拍数据可以是通过图像采集设备实时或定时抓拍到的人体数据、车辆数据等等。其中,视频采集设备可以是具有抓拍、显示等功能的摄像头/带有摄像头的其他设备例,例如:人脸抓拍摄像头。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi(Wireless-Fidelity)连接、蓝牙连接、WiMAX(Worldwide Interoperability for Microwave Access)连接、Zigbee(低功耗局域网协议,又称紫峰协议)连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
上述多个连续时间段的时间长短在本发明中不做具体限定,例如:多个连续时间段可以是下午13:00-13:10,13:10-13:20,13:20-13:30,13:30-13:40,13:40-13:50,13:50-14:00,所有时间段的时间间隔均为10分钟。
上述的抓拍数据中可以包括抓拍对象,抓拍对象可以是人、车等。且在上述的连续时间段内,可以同时抓拍到多个抓拍对象,例如:多辆车同时由不同的出口/入口经过收费站或者交通治安检查站。抓拍数据还可以包括抓拍到的环境、周围的人/车、人/车的动作在多个连续时间段的改变等等。
上述进行初始化处理可以表示根据抓拍到的不同图像的情况,予以不同的初始值,例如:在某个连续时间段,获取到的抓拍数据中没有识别到有人、车等,对其抓拍数据进行初始化,其初始值为0,若在获取到的抓拍数据识别到有人、车等,对其抓拍数据进行初始化,其初始值为1。当然,上述只是本发明实施例中的一个示意性举例,其初始值还可以是2、3、4等等,只要能够针对不同的抓拍数据的情况进行区分即可,在本发明实施例中,对此不作限定。
102、基于初始值生成抓拍对象的轨迹向量。
其中,对同一个抓拍对象进行抓拍,在每个连续时间段都会有一个抓拍数据,该抓拍数据中可以有该抓拍对象出现,也可能没有抓拍对象出现,因此会得到不同的初始值。可以对每个抓拍对象的初始值进行统计,生成与每个抓拍对象对应的轨迹向量。
上述的轨迹向量可以是在欧几里得空间中生成,基于已确定的初始值在多维的欧几里得空间中找到对应的位置,标记为抓拍对象的轨迹向量,例如:向量在n维的欧几里得空间中的某个位置可记做(X1,X2,X3,…,Xn)。其中,欧几里得空间为一个特别的度量空间,它使得我们能够对其的拓扑性质。
103、根据轨迹向量计算抓拍对象之间的轨迹相似度,基于轨迹相似度判断抓拍对象的轨迹之间的相似程度。
其中,在同一个连续时间段,可以抓拍到多个抓拍对象,例如:在连续时间段13:00-13:10,抓拍到A车在13:05经过某收费站,抓拍到B车在13:07经过同一收费站。上述的轨迹相似度可以通过对抓拍对象的轨迹向量进行计算,根据计算的结果大小判断两个或者多个抓拍对象的轨迹之间的相似程度,例如:比较A车与B车之间的轨迹相似度,A车的轨迹向量为A(1,1,1,1,1,1),B车的轨迹向量为B(1,0,1,1,1,1),提取A车与B车的轨迹向量,计算两个轨迹向量之间的距离为1,也即是轨迹相似度为1,其中,1表示在对应的连续时间段抓拍到A车与B车,0表示在对应的连续时间段抓未抓拍到A车与B车。
本发明实施例中,通过获取多个连续时间段的抓拍数据,对抓拍数据初始化处理,以得到每个连续时间段对应的初始值,抓拍数据中包括抓拍对象;基于初始值生成抓拍对象的轨迹向量;根据轨迹向量计算抓拍对象之间的轨迹相似度,基于轨迹相似度判断抓拍对象的轨迹之间的相似程度。本发明实施例将抓拍数据初始化,根据初始化得到的初始值生成抓拍对象的轨迹向量,然后根据各个抓拍对象的轨迹向量计算抓拍对象的轨迹相似度,这样,通过将抓拍对象的轨迹转换为向量的形式进行分析,其计算量更小,且便于根据轨迹相似度去判断抓拍对象之间的轨迹相似程度;通过获取多个连续时间段的抓拍数据进行初始化,而不是通过某个时间段的抓拍数据,便于更准确地生成抓拍对象的轨迹向量,在计算轨迹相似度时得到的结果会更加准确,有利于提高相似轨迹判断的准确率。
如图2所示,图2是本发明实施例提供的另一种方法流程图,包括以下步骤:
201、抓拍数据还包括抓拍节点,获取抓拍节点对应的连续时间段内的抓拍对象,对抓拍对象进行识别。
其中,抓拍节点可以指各个通行路段设置的抓拍地点,对于人而言,抓拍地点可以是人行道、街道、商场、行人出入口等;对于车辆而言,抓拍地点可以是各个交通路段、卡口(收费站、治安检查站、交通检查站等,即对所有通过该卡口点的车进行拍摄、记录与处理的一种道路交通现场监测系统)等。
不同的抓拍节点设置在不同的位置,每辆车或者每个人经过不同的抓拍节点时,其对应的连续时间段也是不同的,例如:在连续时间段13:00-13:10内抓拍到a车经过A卡口,在连续时间段13:00-13:30内抓拍到a车经过B卡口,在连续时间段13:00-13:50内抓拍到a车经过C卡口。上述获取可以使通过人脸识别摄像头、道路交通监控摄像头等实时或者定时进行获取。
202、抓拍对象包括实物对象与空对象,初始值包括第一初始值与第二初始值,若抓拍对象为实物对象,则生成实物对象的第一初始值。
其中,实物对象表示在某个抓拍节点处抓拍到的图像中可以识别到的对象。上述的实物对象不仅仅包括在图像中表现为一个完整的人像或者一辆完整的车,也可以包括不完整的对象,只要能通过摄像头的图像识别功能,对抓拍到的不完整的图像中的人或者车等进行识别及判断均在保护范围内,例如:在抓拍节点A处抓拍到一个完整的人像J,在抓拍节点B处抓拍到一个残缺的人像J′,从残缺的人像J′的人像数据可以判断出人像J′为人像J;或者抓拍到的图像为在卡口D处抓拍到一个完整的车辆Y,在抓拍节点F处抓拍到一个图像残缺的车辆Y′,从残缺的车辆Y′的车牌号码可以判断出车辆Y′为车辆Y。
上述的第一初始值可以是代表能够识别到实物对象的值,例如:1、2、3等。当识别为实物对象,则可以对应生成第一初始值。无论在哪个抓拍节点抓拍到实物对象,都可以自动生成相同的第一初始值,例如:在A、B、C、D卡口获取到的图像数据中,都识别到了车牌号码为@###32的车辆,则在A、B、C、D卡口对应的第一初始值均为1。
203、若抓拍对象为空对象,则对应空对象生成第二初始值,第一初始值与第二初始值不同。
其中,空对象可以表示在某个抓拍节点处抓拍到的图像中没有出现抓拍对象,例如:在13:00-13:10,A抓拍节点抓拍到的多张图像中,只识别到当前环境中的一些无关对象出现,没有识别图像中存在抓拍对象。上述的第二初始值可以是代表在图像中无法识别到抓拍对象的数值,例如:在A、B、C这3个抓拍节点都没有抓拍到人或者车辆等,则自动生成A、B、C的第二初始值0。为了区分能够识别到实物对象和空对象,因此,将第一初始值与第二初始值设置为不一样的值,例如:第一初始值设置为1,第二初始值设置为0,当然,也可以将第一初始值设置为2、第二初始值设置为3等等。在本发明实施例中,上述的第一初始值与第二初始值的大小可以根据需要自行设定。
204、基于第一初始值与第二初始值生成抓拍对象的轨迹向量。
205、根据轨迹向量计算抓拍对象之间的轨迹相似度,基于轨迹相似度判断抓拍对象的轨迹之间的相似程度。
可选的,上述步骤205包括:
提取各抓拍节点与抓拍对象对应的第一初始值及第二初始值;
根据各抓拍节点与抓拍对象对应的第一初始值及第二初始值,生成抓拍对象的轨迹向量。
具体的,根据每个抓拍对象在不同抓拍节点,以及与抓拍节点对应的连续时间段内生成的第一初始值与第二初始值,可以生成与每个抓拍对象对应的轨迹向量,例如:抓拍对象为车辆b,在A、B、C、D、E、F六个抓拍节点对应的连续时间段内的初始值依次为1、0、1、1、1、1,则车辆b的轨迹向量为B(1,0,1,1,1,1),抓拍对象为车辆c,在A、B、C、D、E、F六个抓拍节点对应的连续时间段内的初始值依次为1、0、1、0、1、0,则车辆b的轨迹向量为B(1,0,1,0,1,0)。作为一种可能的实施例方式,为了便于统计多辆车或者多个人在不同的抓拍节点及不同的连续时间段出现,可以使用表格的方式将其表示出来,当然也可以通过其它的方式表示。
在本发明实施例中,通过获取抓拍节点对应的连续时间段内的抓拍对象,并对抓拍对象在进行识别,当抓拍对象为实物对象时,生成第一初始值;当抓拍对象为空对象时,生成第二初始值,即根据识别到的不同情况生成对应功能的初始值,以实现区分,便于对获取到的图像数据做出更加准确的判断,生成更贴合的初始值,使得根据初始值生成抓拍对象的轨迹向量更准确,有利于提高相似轨迹判断的准确率。
如图3所示,图3为本发明实施提供的另一种轨迹相似的判断方法的流程图,具体包括以下步骤:
301、获取多个连续时间段的抓拍数据,对抓拍数据初始化处理,以得到每个连续时间段对应的初始值,抓拍数据中包括抓拍对象。
302、基于初始值生成抓拍对象的轨迹向量。
303、提取各抓拍对象的轨迹向量,轨迹向量包括K个维度,K为大于1的整数。
其中,当抓拍对象的轨迹向量形成之后,便可以提取每个抓拍对象的轨迹向量。上述的K个维度可以表示轨迹向量中元素的个数,即抓拍节点的数量,例如:在A、B、C、D、E、F六个卡口对车辆进行抓拍,则K等于6。为提供抓拍对象更加完整的轨迹向量,可以将K设置为大于1的整数,即表示在多个抓拍节点都抓拍到了同一个抓拍对象。在图像数据中均识别到抓拍对象时,K越大,有利于生成更加完整的该抓拍对象的轨迹向量。
304、根据各抓拍对象的轨迹向量的K个维度对应计算轨迹距离,轨迹距离为轨迹相似度,基于轨迹相似度判断抓拍对象的轨迹之间的相似程度,轨迹距离与抓拍对象轨迹之间的相似程度成正比。
在本发明实施例中,轨迹距离可以用来表示两个轨迹向量之间的距离,其在K维的欧几里得空间中两个轨迹向量间的轨迹距离计算公式如下:
其中,x1、x2……xk可以表示计算轨迹距离双方中,某个抓拍对象的轨迹向量中的k维初始值,y1、y2……yk可以表示另一个抓拍对象的轨迹向量中的k维初始值,d表示轨迹距离。
从公式可以看出,通过将两个抓拍对象在每一个抓拍节点对应的初始值做差求平方后,再求和开根号,以得到轨迹距离。例如:计算车辆a的轨迹向量a(1,1,1,1,1,1)与车辆b的轨迹向量b(1,0,1,1,1,1)之间的轨迹距离,通过上述公式计算得到轨迹距离为1,这个轨迹距离1可以表示为车辆a、车辆b行驶轨迹的相似程度为1。其中,轨迹距离与抓拍对象轨迹之间的相似程度成正比可以表示轨迹距离越小,表明两个抓拍对象的轨迹越相似或者越接近。
在本发明实施例中,通过获取多个连续时间段的抓拍数据,对抓拍数据中的每个抓拍对象进行初始化处理,以得到每个抓拍对象在不同连续时间段对应的初始值,并根据初始值生成每个抓拍对象的轨迹向量,然后提取生成的轨迹向量,将需要计算轨迹相似度的两个抓拍对象的轨迹向量中的每个元素根据提供的计算公式求解轨迹距离,然后根据轨迹距离的大小判断两个抓拍对象的轨迹相似程度,有利于提高相似轨迹计算的准确率。本发明实施例不仅可以运用在交通检测系统,还可以根据计算出的轨迹相似度对一些人、车尾随或者跟踪等情况提供更为准确的轨迹数据。
如图4所示,图4为本发明实施提供的另一种轨迹相似的判断方法的流程图,具体包括以下步骤:
401、获取多个连续时间段的抓拍数据,对抓拍数据初始化处理,以得到每个连续时间段对应的初始值,抓拍数据中包括抓拍对象。
402、抓拍数据还包括抓拍节点及抓拍时间,抓拍对象包括参考对象与对比对象,获取参考对象与对比对象在抓拍节点的抓拍时间,并为抓拍时间匹配权重值。
其中,抓拍节点可以是各个通行路段设置的抓拍地点,抓拍时间可以表示摄像头对抓拍对象进行抓拍的时间,参考对象可以表示选取作为标准参考物的对象,对比对象可以表示需要计算轨迹相似度的多个对象中,除了参考对象之外的对象。
上述获取参考对象与对比对象在抓拍节点的抓拍时间,可以是获取在多个抓拍节点处参考对象与对比对象的抓拍时间,例如:获取参考对象a车辆的抓拍节点及抓拍时间依次为卡口A(13:05)、卡口B(13:15)、卡口C(13:25)、卡口D(13:35)、卡口E(13:45)、卡口F(13:55);对比对象b车辆的抓拍节点及抓拍时间依次为卡口A(13:05)、卡口B(13:13)、卡口C(13:25)、卡口D(13:31)、卡口E(13:45)、卡口F(13:55)。
上述为抓拍时间匹配权重值可以根据抓拍时间的接近程度设置,当抓拍时间的时间差越小,表示参考对象与对比对象之间的轨迹越接近,其权重值越大。
当参考对象与对比对象在某个抓拍节点的抓拍时间相同时,可以认为此时具有最大权重值,例如:在同一个卡口的同一个出入口抓拍到参考对象与对比对象,或者在同一个卡口的不同出入口抓拍到参考对象与对比对象等,此时获得最大权重值10分。在本发明实施例中,最大权重值的大小可以自行设定,对此不做具体限定。
作为一种可能的实施例方式,摄像头可以在同一个连续时间段内对同一个抓拍对象进行多次抓拍,因此会得到多个抓拍时间。在第一次抓拍与最后一次抓拍之间,考虑到会出现停留时间,因此,在本发明实施例中,优选在同一连续时间段内,第一次拍到抓拍对象的时间作为抓拍时间,这样,避免停留时间对计算轨迹相似度带来的偏差,便于提供更准确的抓拍时间。
403、根据参考对象的初始值与权重值进行计算,以得到参考对象的第一轨迹向量。
其中,上述进行计算可以是将初始值与权重值相乘,例如:参考对象车辆a在A、B、C、D、E、F六个抓拍节点的初始值依次为1、1、1、1、1、1,将每个初始值乘以权重值10,得到车辆a的第一轨迹向量A(10,10,10,10,10,10)。
404、计算参考对象与对比对象的抓拍时间的时间差,根据时间差与第一轨迹向量进行计算,以得到对比对象的第二轨迹向量。
其中,计算抓拍时间的时间差可以是计算每个抓拍节点处,参考对象与对比对象的抓拍时间的时间差。上述根据时间差与第一轨迹向量进行计算可以是将时间差与第一轨迹向量做差,例如:参考对象a车辆的抓拍节点及抓拍时间依次为卡口A(13:05)、卡口B(13:15)、卡口C(13:25)、卡口D(13:35)、卡口E(13:45)、卡口F(13:55);对比对象b车辆的抓拍节点及抓拍时间依次为卡口A(13:05)、卡口B(13:13)、卡口C(13:25)、卡口D(13:31)、卡口E(13:45)、卡口F(13:55),计算得到抓拍时间差依次为卡口A(0)、卡口B(2)、卡口C(0)、卡口D(4)、卡口E(0)、卡口F(0);第一轨迹向量A(10,10,10,10,10,10),将时间差与第一轨迹向量做差,得到对比对象b车辆的第二轨迹向量为B(10,2,10,4,10,10)。
405、根据轨迹向量计算抓拍对象之间的轨迹相似度,基于轨迹相似度判断抓拍对象的轨迹之间的相似程度。
可选的,上述步骤405包括:
提取第一轨迹向量与第二轨迹向量。
计算第一轨迹向量与第二轨迹向量之间的轨迹距离,其中,轨迹距离为轨迹相似度。
其中,计算得到第一轨迹向量与第二轨迹向量之后,可以对其进行提取,根据提取出的第一轨迹向量与第二轨迹向量,便可以根据向量与向量之间的距离公式计算上述轨迹距离,例如:第一轨迹向量A(10,10,10,10,10,10),第二轨迹向量为B(10,2,10,4,10,10),带入上述公式(1)计算得到轨迹距离为10。计算出的轨迹距离即轨迹相似度,可以用于判断参考对象与对比对象之间的轨迹相似程度。
在本发明实施例中,通过获取到多个连续时间段的抓拍数据,对抓拍数据进行初始化处理,以得到每个参考对象的初始值,并获取参考对象与对比对象在每个抓拍节点处抓拍到的抓拍时间,为参考对象的抓拍时间匹配权重值,将权重值与初始值相乘,以得到第一轨迹向量,并将第一轨迹向量与时间差做差,得到对比对象的第二轨迹向量,将第一轨迹向量与第二轨迹向量通过计算得到轨迹距离。这样,便可以根据轨迹距离判断参考对象与比对对象之间的轨迹相似程度,且通过抓拍时间、抓拍节点等进行加权处理,计算得到的轨迹距离会更准确,有利于提高相似轨迹判断的准确率。
如图5所示,图5是本发明实施例提供的一种轨迹相似的判断装置的结构示意图,轨迹相似的判断装置500包括:
获取模块501,用于获取多个连续时间段的抓拍数据,对抓拍数据初始化处理,以得到每个连续时间段对应的初始值,抓拍数据中包括抓拍对象;
生成模块502,用于基于初始值生成抓拍对象的轨迹向量;
计算模块503,用于根据轨迹向量计算抓拍对象之间的轨迹相似度,基于轨迹相似度判断抓拍对象的轨迹之间的相似程度。
可选的,抓拍数据还包括抓拍节点,抓拍对象包括实物对象与空对象,初始值包括第一初始值与第二初始值,如图6所示,图6是本发明实施例提供的另一种轨迹相似的判断装置的结构示意图,获取模块501包括:
第一获取单元5011,用于获取抓拍节点对应的连续时间段内的抓拍对象,对抓拍对象进行识别;
第一生成单元5012,用于若抓拍对象为实物对象,则生成实物对象的第一初始值;
第二生成单元5013,用于若抓拍对象为空对象,则对应空对象生成第二初始值,第一初始值与第二初始值不同。
可选的,如图7所示,图7是本发明实施例提供的另一种轨迹相似的判断装置的结构示意图,生成模块502包括:
第一提取单元5021,用于提取各抓拍节点与抓拍对象对应的第一初始值及第二初始值;
第三生成单元5022,用于根据各抓拍节点与抓拍对象对应的第一初始值及第二初始值,生成抓拍对象的轨迹向量。
可选的,如图8所示,图8是本发明实施例提供的另一种轨迹相似的判断装置的结构示意图,上述计算模块503包括:
第二提取单元5031,用于提取各抓拍对象的轨迹向量,轨迹向量包括K个维度,K为大于1的整数;
第一计算单元5032,用于根据各抓拍对象的轨迹向量的K个维度对应计算轨迹距离,轨迹距离为轨迹相似度,轨迹距离与抓拍对象轨迹之间的相似程度成正比。
可选的,抓拍数据还包括抓拍节点及抓拍时间,抓拍对象包括参考对象与对比对象,如图9所示,图9是本发明实施例提供的另一种轨迹相似的判断装置的结构示意图,上述生成模块502包括:
第二获取单元5023,用于获取参考对象与对比对象在抓拍节点的抓拍时间,并为参考对象的抓拍时间匹配权重值;
第二计算单元5024,用于根据参考对象的初始值与权重值进行计算,以得到参考对象的第一轨迹向量;
第二计算单元5024还用于计算参考对象与对比对象的抓拍时间的时间差,根据时间差与第一轨迹向量进行计算,以得到对比对象的第二轨迹向量。
可选的,上述第二提取单元5031还用于提取第一轨迹向量与第二轨迹向量;
上述第一计算单元5032还用于计算第一轨迹向量与第二轨迹向量之间的轨迹距离,其中,轨迹距离为轨迹相似度。
本发明实施例提供的轨迹相似的判断装置能够实现上述方法实施例中轨迹相似的判断方法实现的各个过程且可以达到相同的有益效果,为避免重复,这里不再赘述。
如图10所示,图10是本发明实施例提供的一种电子设备的结构示意图,该电子设备1000包括:存储器1002、处理器1001、网络接口1003及存储在存储器1002上并可在处理器1001上运行的计算机程序,处理器1001执行计算机程序时实现实施例提供的轨迹相似的判断方法中的步骤。
具体的,处理器1001用于执行以下步骤:
获取多个连续时间段的抓拍数据,对抓拍数据初始化处理,以得到每个连续时间段对应的初始值,抓拍数据中包括抓拍对象;
基于初始值生成抓拍对象的轨迹向量;
根据轨迹向量计算抓拍对象之间的轨迹相似度,基于轨迹相似度判断抓拍对象的轨迹之间的相似程度。
可选的,抓拍数据还包括抓拍节点,抓拍对象包括实物对象与空对象,初始值包括第一初始值与第二初始值,处理器1001执行的获取多个连续时间段的抓拍数据,对抓拍数据初始化处理,以得到每个连续时间段对应的初始值的步骤包括:
获取抓拍节点对应的连续时间段内的抓拍对象,对抓拍对象进行识别;
若抓拍对象为实物对象,则生成实物对象的第一初始值;
若抓拍对象为空对象,则对应空对象生成第二初始值,第一初始值与第二初始值不同。
可选的,处理器1001执行的基于初始值生成抓拍对象的轨迹向量的步骤包括:
提取各抓拍节点与抓拍对象对应的第一初始值及第二初始值;
根据各抓拍节点与抓拍对象对应的第一初始值及第二初始值,生成抓拍对象的轨迹向量。
可选的,处理器1001执行的根据轨迹向量计算抓拍对象之间的轨迹相似度的步骤包括:
提取各抓拍对象的轨迹向量,轨迹向量包括K个维度,K为大于1的整数;
根据各抓拍对象的轨迹向量的K个维度对应计算轨迹距离,轨迹距离为轨迹相似度,轨迹距离与抓拍对象轨迹之间的相似程度成正比。
可选的,抓拍数据还包括抓拍节点及抓拍时间,抓拍对象包括参考对象与对比对象,处理器1001执行的基于初始值生成抓拍对象的轨迹向量的步骤包括:
获取参考对象与对比对象在抓拍节点的抓拍时间,并为参考对象的抓拍时间匹配权重值;
根据参考对象的初始值与权重值进行计算,以得到参考对象的第一轨迹向量;
计算参考对象与对比对象的抓拍时间的时间差,根据时间差与第一轨迹向量进行计算,以得到对比对象的第二轨迹向量。
可选的,处理器1001执行的根据轨迹向量计算抓拍对象之间的轨迹相似度的步骤包括:
提取第一轨迹向量与第二轨迹向量;
计算第一轨迹向量与第二轨迹向量之间的轨迹距离,其中,轨迹距离为轨迹相似度。
本发明实施例提供的电子设备1000能够实现轨迹相似的判断方法实施例中的各个实施方式,以及相应有益效果,为避免重复,这里不再赘述。
需要指出的是,图中仅示出了具有组件的1001-1003,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的电子设备1000是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
电子设备1000可以是桌上型计算机、笔记本及掌上电脑等计算设备。电子设备1000可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器1002至少包括一种类型的可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器1002可以是电子设备1000的内部存储单元,例如该电子设备1000的硬盘或内存。在另一些实施例中,存储器1002也可以是电子设备1000的外部存储设备,例如该电子设备1000上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器1002还可以既包括电子设备1000的内部存储单元也包括其外部存储设备。本实施例中,存储器1002通常用于存储安装于电子设备1000的操作系统和各类应用软件,例如轨迹相似的判断方法的程序代码等。此外,存储器1002还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器1001在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器1001通常用于控制电子设备1000的总体操作。本实施例中,处理器1001用于运行存储器1002中存储的程序代码或者处理数据,例如运行轨迹相似的判断方法的程序代码。
网络接口1003可包括无线网络接口或有线网络接口,该网络接口1003通常用于在电子设备1000与其他电子设备之间建立通信连接。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器1001执行时实现实施例提供的轨迹相似的判断方法中的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器1002(Random Access Memory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种轨迹相似的判断方法,其特征在于,包括以下步骤:
获取多个连续时间段的抓拍数据,对所述抓拍数据初始化处理,以得到每个连续时间段对应的初始值,所述抓拍数据中包括抓拍对象;
基于所述初始值生成所述抓拍对象的轨迹向量;
根据所述轨迹向量计算抓拍对象之间的轨迹相似度,基于所述轨迹相似度判断所述抓拍对象的轨迹之间的相似程度;
所述抓拍数据还包括多个抓拍节点,所述抓拍对象包括实物对象与空对象,所述实物对象表示在某个抓拍节点处抓拍到的图像中识别到抓拍对象,所述空对象可以表示在某个抓拍节点处抓拍到的图像中没有出现抓拍对象,所述初始值包括第一初始值与第二初始值,所述获取多个连续时间段的抓拍数据,对所述抓拍数据初始化处理,以得到每个连续时间段对应的初始值的步骤包括:
获取所述抓拍节点对应的连续时间段内的抓拍对象,对所述抓拍对象进行识别;
若所述抓拍对象为所述实物对象,则生成所述实物对象的第一初始值;
若所述抓拍对象为所述空对象,则对应所述空对象生成第二初始值,所述第一初始值与所述第二初始值不同;
所述基于所述初始值生成所述抓拍对象的轨迹向量的步骤包括:
提取各抓拍节点与所述抓拍对象对应的所述第一初始值及所述第二初始值;
根据所述各抓拍节点与所述抓拍对象对应的所述第一初始值及所述第二初始值,生成所述抓拍对象的轨迹向量。
2.如权利要求1所述的轨迹相似的判断方法,其特征在于,所述根据所述轨迹向量计算抓拍对象之间的轨迹相似度的步骤包括:
提取各抓拍对象的所述轨迹向量,所述轨迹向量包括K个维度,K为大于1的整数;
根据所述各抓拍对象的所述轨迹向量的K个维度对应计算轨迹距离,所述轨迹距离为所述轨迹相似度,所述轨迹距离与所述抓拍对象轨迹之间的相似程度成正比。
3.如权利要求1所述的轨迹相似的判断方法,其特征在于,所述抓拍数据还包括抓拍节点及抓拍时间,所述抓拍对象包括参考对象与对比对象,所述基于所述初始值生成所述抓拍对象的轨迹向量的步骤包括:
获取所述参考对象与所述对比对象在所述抓拍节点的所述抓拍时间,并为所述参考对象的抓拍时间匹配权重值;
根据所述参考对象的初始值与所述权重值进行计算,以得到所述参考对象的第一轨迹向量;
计算所述参考对象与所述对比对象的抓拍时间的时间差,根据所述时间差与所述第一轨迹向量进行计算,以得到所述对比对象的第二轨迹向量。
4.如权利要求3所述的轨迹相似的判断方法,其特征在于,所述根据所述轨迹向量计算抓拍对象之间的轨迹相似度的步骤包括:
提取所述第一轨迹向量与所述第二轨迹向量;
计算所述第一轨迹向量与所述第二轨迹向量之间的轨迹距离,其中,所述轨迹距离为所述轨迹相似度。
5.一种轨迹相似的判断装置,其特征在于,包括:
获取模块,用于获取多个连续时间段的抓拍数据,对所述抓拍数据初始化处理,以得到每个连续时间段对应的初始值,所述抓拍数据中包括抓拍对象;
生成模块,用于基于所述初始值生成所述抓拍对象的轨迹向量;
计算模块,用于根据所述轨迹向量计算抓拍对象之间的轨迹相似度,基于所述轨迹相似度判断所述抓拍对象的轨迹之间的相似程度;
所述抓拍数据还包括多个抓拍节点,所述抓拍对象包括实物对象与空对象,所述初始值包括第一初始值与第二初始值,所述获取模块包括:
获取单元,用于获取所述抓拍节点对应的连续时间段内的抓拍对象,对所述抓拍对象进行识别;
第一生成单元,用于若所述抓拍对象为所述实物对象,则生成所述实物对象的第一初始值;
第二生成单元,用于若所述抓拍对象为所述空对象,则对应所述空对象生成第二初始值,所述第一初始值与所述第二初始值不同;
所述生成模块包括:
第一提取单元,用于提取各抓拍节点与抓拍对象对应的第一初始值及第二初始值;
第三生成单元,用于根据各抓拍节点与抓拍对象对应的第一初始值及第二初始值,生成抓拍对象的轨迹向量。
6.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的轨迹相似的判断方法中的步骤。
7.一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4中任一项所述的轨迹相似的判断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345182.5A CN113032498B (zh) | 2019-12-24 | 2019-12-24 | 一种轨迹相似的判断方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345182.5A CN113032498B (zh) | 2019-12-24 | 2019-12-24 | 一种轨迹相似的判断方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113032498A CN113032498A (zh) | 2021-06-25 |
CN113032498B true CN113032498B (zh) | 2024-05-07 |
Family
ID=76451478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911345182.5A Active CN113032498B (zh) | 2019-12-24 | 2019-12-24 | 一种轨迹相似的判断方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113032498B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723316B (zh) * | 2021-09-01 | 2024-04-16 | 杭州智诚惠通科技有限公司 | 一种车辆识别方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2951821A1 (fr) * | 2009-10-27 | 2011-04-29 | Centre Nat Rech Scient | Procede et dispositif pour la mesure de la trajectoire d'objets mobiles passifs |
CN103942533A (zh) * | 2014-03-24 | 2014-07-23 | 河海大学常州校区 | 一种基于视频监控系统的城市交通违规行为检测方法 |
GB201620736D0 (en) * | 2016-12-06 | 2017-01-18 | Canon Kk | Methods, devices and computer programs for distance metric generation, error detection and correction in trajectories for mono-camera tracking |
CN106951903A (zh) * | 2016-10-31 | 2017-07-14 | 浙江大学 | 一种人群移动规律的可视化方法 |
CN107133970A (zh) * | 2017-03-30 | 2017-09-05 | 北京航空航天大学 | 基于运动信息的在线多目标跟踪方法及装置 |
CN109035299A (zh) * | 2018-06-11 | 2018-12-18 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
CN109635867A (zh) * | 2018-12-10 | 2019-04-16 | 合肥工业大学 | 用于度量海洋移动目标轨迹相似性的方法及系统 |
CN110443828A (zh) * | 2019-07-31 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 对象跟踪方法和装置、存储介质及电子装置 |
-
2019
- 2019-12-24 CN CN201911345182.5A patent/CN113032498B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2951821A1 (fr) * | 2009-10-27 | 2011-04-29 | Centre Nat Rech Scient | Procede et dispositif pour la mesure de la trajectoire d'objets mobiles passifs |
CN103942533A (zh) * | 2014-03-24 | 2014-07-23 | 河海大学常州校区 | 一种基于视频监控系统的城市交通违规行为检测方法 |
CN106951903A (zh) * | 2016-10-31 | 2017-07-14 | 浙江大学 | 一种人群移动规律的可视化方法 |
GB201620736D0 (en) * | 2016-12-06 | 2017-01-18 | Canon Kk | Methods, devices and computer programs for distance metric generation, error detection and correction in trajectories for mono-camera tracking |
CN107133970A (zh) * | 2017-03-30 | 2017-09-05 | 北京航空航天大学 | 基于运动信息的在线多目标跟踪方法及装置 |
CN109035299A (zh) * | 2018-06-11 | 2018-12-18 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
CN109635867A (zh) * | 2018-12-10 | 2019-04-16 | 合肥工业大学 | 用于度量海洋移动目标轨迹相似性的方法及系统 |
CN110443828A (zh) * | 2019-07-31 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 对象跟踪方法和装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113032498A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210065384A1 (en) | Target tracking method, device, system and non-transitory computer readable storage medium | |
CN110807385B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
JP6832504B2 (ja) | 物体追跡方法、物体追跡装置およびプログラム | |
EP2863338B1 (en) | Delayed vehicle identification for privacy enforcement | |
US8989438B2 (en) | Mobile body track identification system | |
US7697720B2 (en) | Visual sensing for large-scale tracking | |
CN104094279B (zh) | 大范围优先的跨摄像机视觉目标再识别方法 | |
CN110418114B (zh) | 一种对象跟踪方法、装置、电子设备及存储介质 | |
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 | |
US20150379371A1 (en) | Object Detection Utilizing Geometric Information Fused With Image Data | |
US11055538B2 (en) | Object re-identification with temporal context | |
US9911053B2 (en) | Information processing apparatus, method for tracking object and program storage medium | |
US7929022B2 (en) | Method of producing a transit graph | |
CN105404886A (zh) | 特征模型生成方法和特征模型生成装置 | |
CN106156695B (zh) | 出口和/或入口区域识别方法和装置 | |
CN105335726A (zh) | 人脸识别置信度获取方法和系统 | |
CN109784199A (zh) | 同行分析方法及相关产品 | |
CN109740479A (zh) | 一种车辆重识别方法、装置、设备及可读存储介质 | |
CN112668525A (zh) | 一种人流量的计数方法、装置、电子设备及存储介质 | |
CN115620212A (zh) | 一种基于监控视频的行为识别方法及系统 | |
CN113032498B (zh) | 一种轨迹相似的判断方法、装置、电子设备及存储介质 | |
CN105844204B (zh) | 人体行为识别方法和装置 | |
WO2018030048A1 (ja) | 物体追跡方法、物体追跡装置およびプログラム | |
Mao et al. | Aic2018 report: Traffic surveillance research | |
US20060062548A1 (en) | Method of refining a plurality of tracks |
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 |