CN113496317A - 一种多轨迹碰撞分析方法、装置、电子设备及存储介质 - Google Patents

一种多轨迹碰撞分析方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113496317A
CN113496317A CN202010193299.2A CN202010193299A CN113496317A CN 113496317 A CN113496317 A CN 113496317A CN 202010193299 A CN202010193299 A CN 202010193299A CN 113496317 A CN113496317 A CN 113496317A
Authority
CN
China
Prior art keywords
track
characteristic value
value vector
calculating
trajectory
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
Application number
CN202010193299.2A
Other languages
English (en)
Inventor
戴世稳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN202010193299.2A priority Critical patent/CN113496317A/zh
Publication of CN113496317A publication Critical patent/CN113496317A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据搜索技术领域，提供一种多轨迹碰撞分析方法、装置、电子设备及存储介质，所述方法包括步骤：对预定的采集节点进行初始化，所述初始化包括对所述采集节点进行编码；获取所述采集节点在连续的分时段内对应的编码值，并根据所述采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量；根据所述全时段对应的特征值向量计算轨迹相似度。本发明能够分析出不同轨迹之间发生碰撞的可能，且获取的数据量小、准确率高。

Description

一种多轨迹碰撞分析方法、装置、电子设备及存储介质
技术领域
本发明涉及数据搜索技术领域，尤其涉及一种多轨迹碰撞分析方法、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。针对车辆而言，通常会结合治安卡口、电子警察等获取到的车牌号码、车辆颜色、车辆类型、行驶方向、行驶状态等车辆信息对单个车辆的轨迹进行分析，若要分析多个轨迹之间的相似度，其获取的数据量较大，若应部分数据获取不准确会影响到计算结果。可见，现有技术中，对于多个轨迹分析时，存在获取数据量大，计算结果的准确率低的问题。
发明内容
本发明实施例提供一种多轨迹碰撞分析方法，能够分析出不同轨迹之间发生碰撞的可能，且获取的数据量小、准确率高。
第一方面，本发明实施例提供一种多轨迹碰撞分析方法，所述方法包括以下步骤：
对预定的采集节点进行初始化，所述初始化包括对所述采集节点进行编码；
获取所述采集节点在连续的分时段内对应的编码值，并根据所述采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量；
根据所述全时段对应的特征值向量计算轨迹相似度。
第二方面，本发明实施例还提供一种多轨迹碰撞分析装置，包括：
初始化模块，用于对预定的采集节点进行初始化，所述初始化包括对所述采集节点进行编码；
获取模块，用于获取所述采集节点在连续的分时段内对应的编码值，并根据所述采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量；
计算模块，用于根据所述全时段对应的特征值向量计算轨迹相似度。
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多轨迹碰撞分析方法中的步骤。
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多轨迹碰撞分析方法中的步骤。
本发明实施例中，通过对预定的采集节点进行初始化，所述初始化包括对所述采集节点进行编码；获取所述采集节点在连续的分时段内对应的编码值，并根据所述采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量；根据所述全时段对应的特征值向量计算轨迹相似度。在将预定的采集节点进行初始化之后，可以得到每个采集节点在初始状态下对应的编码值，然后在采集节点全时段的采集下，可以获取到在各个连续的分时段中每个采集节点对应的编码值，然后以全时段的特征值向量形式计算估计与轨迹之间的轨迹相似度，在计算得到的轨迹相似度中可以筛选出轨迹最为接近的轨迹，从而分析出不同轨迹之间发生碰撞的可能，且均是量化数据，基于编码值计算轨迹相似度，其获取的数据量小、准确率高。
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多轨迹碰撞分析方法的流程图；
图2是本发明实施例提供的另一种多轨迹碰撞分析方法的流程图；
图3是本发明实施例提供的另一种多轨迹碰撞分析方法的流程图；
图4是本发明实施例提供的一种多轨迹碰撞分析装置的结构示意图；
图5是本发明实施例提供的另一种多轨迹碰撞分析装置的结构示意图；
图6是本发明实施例提供的另一种多轨迹碰撞分析装置的结构示意图；
图7是本发明实施例提供的另一种多轨迹碰撞分析装置的结构示意图；
图8是本发明实施例提供的另一种多轨迹碰撞分析装置的结构示意图；
图9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作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多轨迹碰撞分析方法的流程图，该多轨迹碰撞分析方法包括以下步骤：
S101、对预定的采集节点进行初始化，初始化包括对采集节点进行编码。
在本发明实施例中，多轨迹碰撞分析方法运用的场景包括但不限于人员轨迹分析系统、车辆轨迹分析系统等。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采集节点采集到的图像信息，且用户可以通过电子设备发出获取图像信息请求到采集节点以获取采集节点采集到的图像信息，然后对图像信息进行解析，分析其中是否存在车辆、人体等信息。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 forMicrowaveAccess)连接、Zigbee(低功耗局域网协议，又称紫峰协议)连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要说明的是，上述电子设备可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
其中，预定的采集节点可以是在规定范围内所配置的视频采集设备，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，通过摄像头对出现在该摄像范围内的人体或者车辆等进行一次或多次抓拍。
其中，采集节点可以设置在多种场景中，对于人体而言，采集地点可以是人行道、街道、商场、行人出入口等。对于车辆而言，采集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。
上述采集节点采集到的人体或者车辆等在图像信息张工可以是一个完整的图像也可以是部分图像，只要能够对抓拍到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：在摄像头A处抓拍到一个完整的人像J，在摄像头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，在摄像头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。
上述对采集节点进行编码可以表示对所有的采集节点的初始状态进行编码以记录初始情况，将所有的采集节点进行初始化可以保证每个采集节点在采集信息时都具有一致的初始状态。在本发明实施例中，对采集节点进行编码通过二进制的形式实现，例如：采集的对象为人体、车辆等的轨迹，若共有8个预定的采集节点，初始状态可以编码为00000000，其中每一位都可以表示一个采集节点，出现0可以表示在该采集节点中没有人体、车辆等经过。
S102、获取采集节点在连续的分时段内对应的编码值，并根据采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量。
其中，采集节点在任何一个分时段都可以采集图像信息，都可以连续的分时段可以是指时间段上是连续状态，例如：1点至2点为一个分时段，2点至3点为一个分时段，3点至4点为一个分时段，时间段都前后连续的，依次可以将一天划分为24个分时段。上述多个连续分时段的时间长短在本发明中不做具体限定，例如：一个分时段的时长可以是1、2或3个小时等，也可以是20、30或50分钟等。当然，一个分时段的时长越短，记载到的图像数据也会也准确，同时也会将1天划分为更多的分时段，导致计算时出现计算量增大的问题，所以可以根据预设的采集节点所在的环境等因素做出合理的时间段划分。
上述的编码值可以是指预设的多个采集节点的编码值，编码值可以体现在该分时段内采集节点是否采集到人体、车辆等的图像信息。在本发明实施例中，预设有8个采集节点，因此对应的二进制需要8位，优选一个整型255表示，因为255的二进制是11111111，其中每一位都代表一个采集节点(摄像头)，摄像头为1，表示有人体、车辆等出现在该摄像头的拍摄范围内并拍摄到其图像信息，全部为1，表示8个摄像头都拍摄到人体、车辆等的图像信息。
上述全时段可以是指所有分时段之和，例如：分时段有24个，每个分时段时长为1小时，则全时段为24个小时，即完整的一天。将每个分时段的二进制转换为十进制之后，便可以得到每个分时段的特征值向量，所有分时段的特征值向量进行有序组合后即可以得到与每个人体、车辆等的轨迹对应的全时段特征值向量，例如：0点至1点获取到a的编码值为10011101，1点至2点获取到a的编码值为01001110，2点至3点获取到a的编码值为00110100，则对应的十进制整数依次为157、78以及52，157、78以及52为每个分时段对应的特征值向量，将157、78以及52进行组合的得到[157，78，52]，[157，78，52]即为a的特征值向量。
S103、根据全时段对应的特征值向量计算轨迹相似度。
其中，全时段对应的特征值向量可以包括多个轨迹的特征值向量，可以从多个轨迹中选定一个轨迹的特征值向量与其它轨迹的特征值向量进行计算，该计算时，轨迹的特征值向量需要在同一个时段，例如：1点至2点获取到a的特征值向量为157，获取到b的特征值向量为24；2点至3点获取到a的特征值向量为78，获取到b的特征值向量为64，计算a与b的轨迹相似度时，将157与24计算，将24与64进行计算。
上述进行计算可以是将每个轨迹与选定的轨迹对应的特征值向量进行异或计算，然后根据计算结果，得到在每个分时段中是否共同被摄像头采集到图像信息，基于共同出现的次数可以计算出轨迹之间的轨迹相似度，例如：人体a的特征值向量为[157，78，52，…]，人体b的特征值向量为[24，64，4，…]，157异或24后二进制中1的个数为2，78异或64后二进制中1的个数为1，52异或4后二进制中1的个数为1，依次计算将所有1的个数相加即可得到轨迹相似度。同理，可以根据上述方法，计算出a与c、a与d、a与e等的轨迹相似度，然后可以从中筛选出与轨迹a的轨迹相似度最高的TopN个轨迹，其中，N为正整数。
本发明实施例中，通过对预定的采集节点进行初始化，初始化包括对采集节点进行编码；获取采集节点在连续的分时段内对应的编码值，并根据采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量；根据全时段对应的特征值向量计算轨迹相似度。在将预定的采集节点进行初始化之后，可以得到每个采集节点在初始状态下对应的编码值，然后在采集节点全时段的采集下，可以获取到在各个连续的分时段中每个采集节点对应的编码值，然后以全时段的特征值向量形式计算估计与轨迹之间的轨迹相似度，在计算得到的轨迹相似度中可以筛选出轨迹最为接近的轨迹，从而达到根据一个轨迹检索出轨迹相似的人员轨迹，从而分析出不同轨迹之间发生碰撞的可能，且均是量化数据，基于编码值计算轨迹相似度，其获取的数据量小、准确率高。
如图2所示，图2是本发明实施例提供的另一种多轨迹碰撞分析方法流程图，具体包括以下步骤：
S201、对预定的采集节点进行初始化，初始化包括对采集节点进行编码。
S202、将全时段划分为多个连续的分时段，多个连续的分时段中包括预定的采集节点对应的编码值。
其中，全时段可以根据情况具体设定，全时段不同得到的连续的分时段也不同，例如：全时段为1天、1个月、半个月、一周等等，对应1天的分时段可以是24个，每隔一个小时作为一个分时段，对应1个月的分时段可以是30个，每隔一天作为一个分时段。
在各个分时段内可以通过摄像头采集拍摄范围内经过的人体或车辆等的图像信息，若在多个摄像头中均采集到同一个人体或车辆等的图像信息，表示同一人或车辆等在不同时间点均经过摄像头所设置的地点。其中，可以通过摄像头采集到的车牌号码、车型、车的标志等等属性信息去判断是否为同一车辆，可以通过摄像头采集到的服饰、身形、佩戴、人脸等属性信息判断是否为同一个人。当然，若采集的对象非人体或车辆，其采集到的图像中都会存在对应的属性信息用以区分是否为相同物体。若在某个分时段中，某个摄像头中采集到人体或者车辆出现，则会在该摄像头中将其编码为1，也即是编码值。
S203、根据多个连续的分时段中预定的采集节点对应的编码值，计算与多个连续的分时段对应的编码值。
其中，在每个分时段中，均可以获取到所有预定的摄像头对应的编码值，例如：在0点至1点一个小时内，人体a在1-8号摄像头分别对应的编码值为1，0，0，1，1，1，0，1，表示a在0点至1点出现在了1、3、4、5、8号摄像头；在1点至2点一个小时内，人体a在1-8号摄像头分别对应的编码值为0，1，0，0，1，1，1，0，表示a在1点至2点出现在了2、3、4、7号摄像头。
上述计算多个连续的分时段对应的编码值可以是将在该分时段内将所有摄像头的编码值作为二进制值，将其转换为十进制，例如：a在0点至1点时对应的二进制值为10011101，则该分时段的编码值为157，a在1点至2点时对应的二进制值为01001110，则该分时段的编码值为78；同理，还可以计算人体或车辆b、c、d、e、f等在对应的分时段的编码值。
S204、根据多个连续的分时段对应的轨迹编码值计算全时段对应的特征值向量。
其中，计算得到所有分时段的编码值后，可以将同一个人体或者车辆等的所有分时段的编码值根据时间的先后顺序进行组合，形成全时段对应的特征值向量，例如：将一天分为12个分时段，每个分时段对应的编码值依次为157、78、52、56、26、15、23、2、8、79、52、6，则组合后得到的全时段的特征值向量为[157,78,52,52,56,26,15,23,2,8,79,52,6]。
S205、根据全时段对应的特征值向量计算轨迹相似度。
可选的，上述步骤S201包括步骤：
获取预定的采集节点，根据预设的编码模型对获取到的预定的采集节点进行编码。
其中，可以预先限定采集节点(摄像头)设置的区域范围，例如：需要对小区的人员进行监管，摄像头可以设置在小区内以及小区周边，若是对道路的车辆等进行监控，则摄像头可以设置在道路旁进行抓拍。上述的编码模型可以指用于对预设的摄像头进行编码的方式，以及用于后续进行计算特征值向量。在本发明实施例中，采用二进制的形式进行编码，判断多个摄像头中是否出现相同人体或车辆等时，通过二进制0与1进行标注。为0，表示没有出现在摄像头的拍摄范围，为1表示出现在摄像头的拍摄范围。
本发明实施例中，通过对预定的采集节点进行初始化，初始化包括对采集节点进行编码；获取采集节点在连续的分时段内对应的编码值，并根据采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量；根据全时段对应的特征值向量计算轨迹相似度。在将预定的采集节点进行初始化之后，可以得到每个采集节点在初始状态下对应的编码值，然后在采集节点全时段的采集下，可以获取到在各个连续的分时段中每个采集节点对应的编码值，然后以全时段的特征值向量形式计算估计与轨迹之间的轨迹相似度，在计算得到的轨迹相似度中可以筛选出轨迹最为接近的轨迹，从而分析出不同轨迹之间发生碰撞的可能，且均是量化数据，基于编码值计算轨迹相似度，其获取的数据量小、准确率高。
如图3所示，图3是本发明实施例提供的另一种多轨迹碰撞分析方法流程图，包括以下步骤：
S301、对预定的采集节点进行初始化，初始化包括对采集节点进行编码。
S302、获取采集节点在连续的分时段内对应的编码值，并根据采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量。
S303、获取多个轨迹在全时段对应的特征值向量，多个轨迹包括目标轨迹与相似轨迹。
其中，目标轨迹可以作为一个参考轨迹，相似轨迹可以是指与目标轨迹进行计算的轨迹，相似轨迹与目标轨迹之间的相似情况可以根据轨迹相似度的大小进行判断。
S304、对目标轨迹的特征值向量与相似轨迹的特征值向量进行轨迹相似度计算，以得到目标轨迹的特征值向量与相似轨迹的特征值向量之间的轨迹相似度。
其中，计算得到目标轨迹的特征值向量后，可以将多个相似轨迹的特征值向量分别与目标轨迹的特征值向量进行轨迹相似度计算，例如：车辆H的轨迹作为目标轨迹，对应的特征值向量为[157,78,52,52]，相似轨迹为车辆I、J、K的轨迹，且车辆I的特征值向量为[12,73,8,10]，车辆J的特征值向量为[17,4,50,22]，车辆K的特征值向量为[55,25,36,4]，则可以将车辆I的特征值向量[12,73,8,10]、车辆J的特征值向量[17,4,50,22]、车辆K的特征值向量[55,25,36,4]分别与目标轨迹的特征值向量[157,78,52,52]进行计算，在本发明实施例中，其计算可以是异或逻辑运算，异或运算的运算法则如下所示：
Figure BDA0002416691490000091
在本发明实施例中，上述m、n表示目标轨迹与相似轨迹在相同分时段的编码值对应的二进制。异或的运算法则为:0⊕0＝0，1⊕0＝1，0⊕1＝1，1⊕1＝0(同为0，异为1)。可知m、n两个值不相同，异或结果为1；m、n两个值相同，异或结果为0。
可选的，上述步骤S304包括：
有序的将目标轨迹的特征值向量与相似轨迹的特征值向量在相同的分时段根据预设计算模型进行计算，以得到在相同的分时段对应的轨迹相似度参数。
其中，计算模型可以是将不同的对象在相同的分时段对应的编码值进行异或逻辑计算之后，再从得到的结果中判断出为1的数量，判断为1的数量也就是上述的轨迹相似度参数。依次计算，有多少个分时段，便会计算得到多少个轨迹相似度参数，例如：共有24个分时段，在0点至1点，a的编码值为157，b的编码值为24，在1点至2点，a的编码值为78，b的编码值为64，在2点至3点，a的编码值为52，b的编码值为4，将所有的编码值转换为二进制进行计算，依次类推得到24个分时段一一对应的异或结果以及每个分时段的轨迹相似度参数，具体计算如下：
157^24＝10011101^00011000＝10000101，其中，轨迹相似度参数为3；
78^64＝01001110^01000000＝00001110，其中，轨迹相似度参数为3；
52^4＝001100100^00000100＝00110000，其中，轨迹相似度参数为2；
……。
对目标轨迹的特征值向量与相似轨迹的特征值向量在相同的分时段对应的轨迹相似度参数进行计算，以得到目标轨迹的特征值向量与相似轨迹的特征值向量在全时段内的轨迹相似度。
其中，如上所示，在计算得到所有分时段的轨迹相似度参数之后，可以将所有分时段的轨迹相似度参数进行叠加，得到的结果即是两个轨迹的轨迹相似度，轨迹相似度越大说明轨迹之间的碰撞可能性越大，即轨迹越相似。同理，根据上述方法还可以计算出目标轨迹与其他多个相似轨迹之间的轨迹相似度，从所有的轨迹相似度中可以确定轨迹最为接近的TopN个相似轨迹，例如：计算得到a与b:25，a与c:34，a与d:3，a与e:34，b与c:0，b与d:2，b与e:29，c与d:24，c与e:11，d与e:0，所以与a最相似的轨迹Top3的是：a与c:34，a与e:34，a与b:25，从而确定与a轨迹最相似的为轨迹c、e、b。
本发明实施例中，在将预定的采集节点进行初始化之后，可以得到每个采集节点在初始状态下对应的编码值，然后在采集节点全时段的采集下，可以获取到在各个连续的分时段中每个采集节点对应的编码值，然后以全时段的特征值向量形式计算估计与轨迹之间的轨迹相似度，在计算得到的轨迹相似度中可以筛选出轨迹最为接近的轨迹，从而分析出不同轨迹之间发生碰撞的可能，且均是量化数据，基于编码值计算轨迹相似度，其获取的数据量小、准确率高。
如图4所示，图4是本发明实施例提供的一种多轨迹碰撞分析装置的结构示意图，多轨迹碰撞分析装置400包括：
初始化模块401，用于对预定的采集节点进行初始化，初始化包括对采集节点进行编码；
获取模块402，用于获取采集节点在连续的分时段内对应的编码值，并根据采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量；
计算模块403，用于根据全时段对应的特征值向量计算轨迹相似度。
可选的，如图5所示，图5是本发明实施例提供的另一种多轨迹碰撞分析装置的结构示意图，获取模块402包括：
划分单元4021，用于将全时段划分为多个连续的分时段，多个连续的分时段中包括预定的采集节点对应的编码值；
第一计算单元4022，用于根据多个连续的分时段中预定的采集节点对应的编码值，计算与多个连续的分时段对应的编码值；
第二计算单元4023，用于根据多个连续的分时段对应的轨迹编码值计算全时段对应的特征值向量。
可选的，如图6所示，图6是本发明实施例提供的另一种多轨迹碰撞分析装置的结构示意图，计算模块403包括：
获取单元4031，用于获取多个人员轨迹在全时段对应的特征值向量，多个人员轨迹包括目标轨迹与相似轨迹；
第三计算单元4032，用于对目标轨迹的特征值向量与相似轨迹的特征值向量进行轨迹相似度计算，以得到目标轨迹的特征值向量与相似轨迹的特征值向量之间的轨迹相似度。
可选的，如图7所示，图7是本发明实施例提供的另一种多轨迹碰撞分析装置的结构示意图，第三计算单元4032包括：
参数计算子单元40321，用于有序的将目标轨迹的特征值向量与相似轨迹的特征值向量在相同的分时段根据预设计算模型进行计算，以得到在相同的分时段对应的轨迹相似度参数；
轨迹计算子单元40322，用于对目标轨迹的特征值向量与相似轨迹的特征值向量在相同的分时段对应的轨迹相似度参数进行计算，以得到目标轨迹的特征值向量与相似轨迹的特征值向量在全时段内的轨迹相似度。
可选的，如图8所示，图8是本发明实施例提供的另一种多轨迹碰撞分析装置的结构示意图，初始化模块401包括：
第二获取单元4011，用于获取预定的采集节点；
编码单元4012，用于根据预设的编码模型对获取到的预定的采集节点进行编码。
如图9所示，图9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900包括：存储器902、处理器901、网络接口903及存储在存储器902上并可在处理器901上运行的计算机程序，处理器901执行计算机程序时实现实施例提供的多轨迹碰撞分析方法中的步骤。
具体的，处理器901用于执行以下步骤：
对预定的采集节点进行初始化，初始化包括对采集节点进行编码；
获取采集节点在连续的分时段内对应的编码值，并根据采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量；
根据全时段对应的特征值向量计算轨迹相似度。
可选的，处理器901执行的获取采集节点在连续的分时段内对应的编码值，并根据采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量的步骤包括：
将全时段划分为多个连续的分时段，多个连续的分时段中包括预定的采集节点对应的编码值；
根据多个连续的分时段中预定的采集节点对应的编码值，计算与多个连续的分时段对应的编码值；
根据多个连续的分时段对应的轨迹编码值计算全时段对应的特征值向量。
可选的，处理器901执行的根据全时段对应的特征值向量计算轨迹相似度的步骤包括:
获取多个轨迹在全时段对应的特征值向量，多个轨迹包括目标轨迹与相似轨迹；
对目标轨迹的特征值向量与相似轨迹的特征值向量进行轨迹相似度计算，以得到目标轨迹的特征值向量与相似轨迹的特征值向量之间的轨迹相似度。
可选的，处理器901执行的对目标轨迹的特征值向量与相似轨迹的特征值向量进行轨迹相似度计算的步骤包括：
有序的将目标轨迹的特征值向量与相似轨迹的特征值向量在相同的分时段根据预设计算模型进行计算，以得到在相同的分时段对应的轨迹相似度参数；
对目标轨迹的特征值向量与相似轨迹的特征值向量在相同的分时段对应的轨迹相似度参数进行计算，以得到目标轨迹的特征值向量与相似轨迹的特征值向量在全时段内的轨迹相似度。
可选的，处理器901执行的对预定的采集节点进行初始化的步骤包括：
获取预定的采集节点；
根据预设的编码模型对获取到的预定的采集节点进行编码。
本发明实施例提供的电子设备900能够实现多轨迹碰撞分析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901-903，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900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(Application SpecificIntegrated 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900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900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902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902可以是电子设备900的内部存储单元，例如该电子设备900的硬盘或内存。在另一些实施例中，存储器902也可以是电子设备900的外部存储设备，例如该电子设备900上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器902还可以既包括电子设备900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902通常用于存储安装于电子设备900的操作系统和各类应用软件，例如多轨迹碰撞分析方法的程序代码等。此外，存储器902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901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901通常用于控制电子设备900的总体操作。本实施例中，处理器901用于运行存储器902中存储的程序代码或者处理数据，例如运行多轨迹碰撞分析方法的程序代码。
网络接口903可包括无线网络接口或有线网络接口，该网络接口903通常用于在电子设备900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901执行时实现实施例提供的多轨迹碰撞分析方法中的各个过程，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多轨迹碰撞分析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 AccessMemory，简称RAM)等。
在本发明实施例中提到的第一、第二等并不表示大小，只是为了便于表述。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 (10)

1.一种多轨迹碰撞分析方法，其特征在于，包括以下步骤：
对预定的采集节点进行初始化，所述初始化包括对所述采集节点进行编码；
获取所述采集节点在连续的分时段内对应的编码值，并根据所述采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量；
根据所述全时段对应的特征值向量计算轨迹相似度。
2.如权利要求1所述的多轨迹碰撞分析方法，其特征在于，所述获取所述采集节点在连续的分时段内对应的编码值，并根据所述采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量的步骤包括：
将所述全时段划分为多个所述连续的分时段，所述多个连续的分时段中包括所述预定的采集节点对应的编码值；
根据多个所述连续的分时段中所述预定的采集节点对应的编码值，计算与所述多个连续的分时段对应的编码值；
根据所述多个连续的分时段对应的轨迹编码值计算所述全时段对应的特征值向量。
3.如权利要求1所述的多轨迹碰撞分析方法，其特征在于，所述根据所述全时段对应的特征值向量计算轨迹相似度的步骤包括:
获取多个轨迹在所述全时段对应的特征值向量，所述多个轨迹包括目标轨迹与相似轨迹；
对所述目标轨迹的特征值向量与所述相似轨迹的特征值向量进行轨迹相似度计算，以得到所述目标轨迹的特征值向量与所述相似轨迹的特征值向量之间的所述轨迹相似度。
4.如权利要求3所述的多轨迹碰撞分析方法，其特征在于，所述对所述目标轨迹的特征值向量与所述相似轨迹的特征值向量进行轨迹相似度计算的步骤包括：
有序的将所述目标轨迹的特征值向量与所述相似轨迹的特征值向量在相同的分时段根据预设计算模型进行计算，以得到在所述相同的分时段对应的轨迹相似度参数；
对所述目标轨迹的特征值向量与所述相似轨迹的特征值向量在所述相同的分时段对应的轨迹相似度参数进行计算，以得到所述目标轨迹的特征值向量与所述相似轨迹的特征值向量在所述全时段内的所述轨迹相似度。
5.如权利要求1所述的多轨迹碰撞分析方法，其特征在于，所述对预定的采集节点进行初始化的步骤包括：
获取所述预定的采集节点；
根据预设的编码模型对获取到的所述预定的采集节点进行编码。
6.一种多轨迹碰撞分析装置，其特征在于，包括：
初始化模块，用于对预定的采集节点进行初始化，所述初始化包括对所述采集节点进行编码；
获取模块，用于获取所述采集节点在连续的分时段内对应的编码值，并根据所述采集节点在连续的分时段内对应的编码值计算与全时段对应的特征值向量；
计算模块，用于根据所述全时段对应的特征值向量计算轨迹相似度。
7.如权利要求6所述的多轨迹碰撞分析装置，其特征在于，所述获取模块包括：
划分单元，用于将所述全时段划分为多个所述连续的分时段，所述多个连续的分时段中包括所述预定的采集节点对应的编码值；
第一计算单元，用于根据多个所述连续的分时段中所述预定的采集节点对应的编码值，计算与所述多个连续的分时段对应的编码值；
第二计算单元，用于根据所述多个连续的分时段对应的轨迹编码值计算所述全时段对应的特征值向量。
8.如权利要求6所述的多轨迹碰撞分析装置，其特征在于，所述计算模块包括：
第一获取单元，用于获取多个人员轨迹在所述全时段对应的特征值向量，所述多个人员轨迹包括目标轨迹与相似轨迹；
第三计算单元，用于对所述目标轨迹的特征值向量与所述相似轨迹的特征值向量进行轨迹相似度计算，以得到所述目标轨迹的特征值向量与所述相似轨迹的特征值向量之间的所述轨迹相似度。
9.一种电子设备，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5中任一项所述的多轨迹碰撞分析方法中的步骤。
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5中任一项所述的多轨迹碰撞分析方法中的步骤。
CN202010193299.2A 2020-03-18 2020-03-18 一种多轨迹碰撞分析方法、装置、电子设备及存储介质 Pending CN113496317A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010193299.2A CN113496317A (zh) 2020-03-18 2020-03-18 一种多轨迹碰撞分析方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010193299.2A CN113496317A (zh) 2020-03-18 2020-03-18 一种多轨迹碰撞分析方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113496317A true CN113496317A (zh) 2021-10-12

Family

ID=77993323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010193299.2A Pending CN113496317A (zh) 2020-03-18 2020-03-18 一种多轨迹碰撞分析方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113496317A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0420192A (ja) * 1990-05-15 1992-01-23 Nec Corp 動画像信号の符号化・復号化方法およびその装置
CN107045519A (zh) * 2016-10-31 2017-08-15 浙江大学 一种分析人群移动规律的可视化系统
CN108376273A (zh) * 2018-01-23 2018-08-07 四川精工伟达智能技术股份有限公司 多目标定位跟踪方法、装置、计算机可读介质及电子设备
CN108924238A (zh) * 2018-07-18 2018-11-30 成都西加云杉科技有限公司 轨迹碰撞分析方法及装置
CN109409393A (zh) * 2018-06-20 2019-03-01 苏州大学 一种使用轨迹嵌入对用户活动轨迹建模的方法
CN110162586A (zh) * 2019-05-24 2019-08-23 中国科学院地理科学与资源研究所 一种适用于移动目标分支轨迹的相似度查询系统及方法
CN110543536A (zh) * 2019-08-20 2019-12-06 浙江大华技术股份有限公司 时空轨迹向量构建方法、终端设备及计算机存储介质
US20200051192A1 (en) * 2018-08-09 2020-02-13 Amadeus S.A.S. Method of generating a set of itineraries by limited querying of databases
CN110827326A (zh) * 2019-11-14 2020-02-21 清华大学苏州汽车研究院（吴江） 模拟人车冲突场景模型生成方法、装置、设备和存储介质
US10573184B1 (en) * 2018-11-26 2020-02-25 Internatioinal Business Machines Corpoation Monitoring security threat during travel

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0420192A (ja) * 1990-05-15 1992-01-23 Nec Corp 動画像信号の符号化・復号化方法およびその装置
CN107045519A (zh) * 2016-10-31 2017-08-15 浙江大学 一种分析人群移动规律的可视化系统
CN108376273A (zh) * 2018-01-23 2018-08-07 四川精工伟达智能技术股份有限公司 多目标定位跟踪方法、装置、计算机可读介质及电子设备
CN109409393A (zh) * 2018-06-20 2019-03-01 苏州大学 一种使用轨迹嵌入对用户活动轨迹建模的方法
CN108924238A (zh) * 2018-07-18 2018-11-30 成都西加云杉科技有限公司 轨迹碰撞分析方法及装置
US20200051192A1 (en) * 2018-08-09 2020-02-13 Amadeus S.A.S. Method of generating a set of itineraries by limited querying of databases
US10573184B1 (en) * 2018-11-26 2020-02-25 Internatioinal Business Machines Corpoation Monitoring security threat during travel
CN110162586A (zh) * 2019-05-24 2019-08-23 中国科学院地理科学与资源研究所 一种适用于移动目标分支轨迹的相似度查询系统及方法
CN110543536A (zh) * 2019-08-20 2019-12-06 浙江大华技术股份有限公司 时空轨迹向量构建方法、终端设备及计算机存储介质
CN110827326A (zh) * 2019-11-14 2020-02-21 清华大学苏州汽车研究院（吴江） 模拟人车冲突场景模型生成方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
耿家利: "渔船轨迹大数据存储优化与行为识别技术研究", 《中国优秀硕士论文电子期刊网》, no. 1, 15 January 2019 (2019-01-15), pages 138 - 2127 *

Similar Documents

Publication Publication Date Title
CN110807385B (zh) 目标检测方法、装置、电子设备及存储介质
JP5980148B2 (ja) デジタルカメラ画像から駐車場占有状態を測定する方法
US8873801B2 (en) Identification of objects in a video
CN109887283B (zh) 一种基于卡口数据的道路拥堵预测方法、系统及装置
US20070237357A1 (en) Visual sensing for large-scale tracking
CN103208008A (zh) 基于机器视觉的交通视频监控目标检测快速适应方法
CN111508269B (zh) 一种基于图像识别的开放式停车位车辆判别方法与装置
CN108197544B (zh) 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路
CN109784220B (zh) 一种确定路人轨迹的方法及装置
Sikirić et al. Image representations on a budget: Traffic scene classification in a restricted bandwidth scenario
CN112507860A (zh) 一种视频标注方法、装置、设备及存储介质
CN111178235A (zh) 一种目标数量确定方法、装置、设备及存储介质
CN115082752A (zh) 基于弱监督的目标检测模型训练方法、装置、设备及介质
CN109800675A (zh) 一种确定人脸对象的识别图像的方法及装置
CN115761655A (zh) 一种目标跟踪方法及装置
CN109783663B (zh) 一种归档方法及装置
CN114817660A (zh) 一种轨迹缺失补全方法、装置、电子设备及存储介质
Moosavi et al. Discovery of driving patterns by trajectory segmentation
CN113688717A (zh) 图像识别方法、装置以及电子设备
CN117292321A (zh) 基于视频监控的运动检测方法、装置及计算机设备
CN108898617A (zh) 一种目标对象的跟踪方法和装置
CN115203354B (zh) 一种车码轨迹预关联方法、装置、计算机设备及存储介质
CN113496317A (zh) 一种多轨迹碰撞分析方法、装置、电子设备及存储介质
CN113032498B (zh) 一种轨迹相似的判断方法、装置、电子设备及存储介质
CN109784238A (zh) 一种确定待识别对象的方法及装置

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