CN113703015A - 数据处理方法、装置、设备及介质 - Google Patents
数据处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113703015A CN113703015A CN202010441609.8A CN202010441609A CN113703015A CN 113703015 A CN113703015 A CN 113703015A CN 202010441609 A CN202010441609 A CN 202010441609A CN 113703015 A CN113703015 A CN 113703015A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- road
- moving
- graph
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010191 image analysis Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 11
- 230000004927 fusion Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000037237 body shape Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种数据处理方法、装置、设备及介质。其中,一种数据处理方法包括:获取道路数据和移动对象的图像数据;基于图像数据,获取移动对象的图像特征;基于图像特征和道路数据,确定移动对象的移动特征;对移动特征进行时空点位匹配,得到移动对象的行驶轨迹。根据本发明实施例,能够提高所还原的车辆的行驶路径轨迹的全面性和可靠性。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种数据处理方法、装置、设备及介质。
背景技术
智能交通系统(Intelligent Traffic System,ITS),是将先进的科学技术有效地综合运用于整个交通运输管理体系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。移动对象(例如车辆)的行驶路径是智能交通系统中一个重要的数据信息,移动对象的路径识别也就是对于移动对象实际行驶轨迹进行还原。
已有的技术中,一般利用全球定位系统(Global Positioning System,GPS)数据还原移动对象的行驶轨迹。但是,由于GPS数据的来源单一,并且GPS数据并非覆盖全量移动对象,使得所还原的移动对象的行驶轨迹不够全面,无法可靠地还原出城市道路中的移动对象的行驶轨迹。
发明内容
本发明实施例提供一种数据处理方法、装置、设备及介质,能够提高所还原的移动对象的行驶轨迹的全面性和可靠性。
第一方面,本发明实施例提供一种数据处理方法,包括:
获取道路数据和移动对象的图像数据;
基于图像数据,获取移动对象的图像特征;
基于图像特征和道路数据,确定移动对象的移动特征;
对移动特征进行时空点位匹配,得到移动对象的行驶轨迹。
第二方面,本发明实施例提供了一种数据处理方法,包括:
获取道路数据和移动对象的图像数据;其中,移动对象包括目标车辆;
基于图像数据,获取目标车辆的图像特征;
基于图像特征和道路数据,确定目标车辆的移动特征;
对移动特征进行时空点位匹配,得到目标车辆的行驶轨迹。
第三方面,本发明实施例提供了一种数据处理装置,包括:
第一获取模块,用于获取道路数据和移动对象的图像数据;
第一处理模块,用于基于图像数据,获取移动对象的图像特征;
第二处理模块,用于基于图像特征和道路数据,确定移动对象的移动特征;
第三处理模块,用于对移动特征进行时空点位匹配,得到移动对象的行驶轨迹。
第四方面,本发明实施例提供了一种数据处理装置,包括:
第二获取模块,用于获取道路数据和移动对象的图像数据;其中,移动对象包括目标车辆;
第四处理模块,用于基于图像数据,获取目标车辆的图像特征;
第五处理模块,用于基于图像特征和道路数据,确定目标车辆的移动特征;
第六处理模块,用于对移动特征进行时空点位匹配,得到目标车辆的行驶轨迹。
第五方面,本发明实施例提供了一种数据处理设备,该设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第一方面或第二方面所述的数据处理方法。
第六方面,本发明实施例提供了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指令,计算机程序指令被处理器执行时实现如第一方面或第二方面所述的数据处理方法。
本发明实施例的数据处理方法、装置、设备及介质,能够利用道路数据和由城市道路内的图像采集设备采集的移动对象的图像数据,还原移动对象的行驶轨迹,具体地,基于对图像数据和道路数据的融合分析,能够确定移动对象的移动特征,从而可以对移动对象的移动特征进行时空点位匹配,得到移动对象的行驶轨迹,由此,仅需要通过城市交通中已经安装的图像采集设备,即可以对城市交通内的移动对象的行驶轨迹进行还原,能够提高所还原的移动对象的行驶轨迹的全面性和可靠性,另外,由于无需在移动对象上增加定位设备,因此,还能够降低还原移动对象的行驶轨迹的成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,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是本发明一个实施例提供的轨迹还原系统的系统架构图;
图2是本发明一个实施例提供的数据处理方法的流程示意图;
图3是本发明一个实施例提供的行驶轨迹还原过程的流程示意图;
图4是本发明一个实施例提供的数据处理装置的结构示意图;
图5是本发明一个实施例提供的数据处理设备的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
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……”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。
已有的技术中,一般利用GPS数据还原移动对象的行驶轨迹,例如,GPS路径还原法。GPS路径还原法利用GPS数据,基于隐马尔可夫模型或最短欧式距离对GPS数据做地图匹配,然后按照最短路径算法还原移动对象的行驶轨迹。
但是,由于GPS数据的来源单一,并且GPS数据并非覆盖全量移动对象,使得所还原的移动对象的行驶轨迹不够全面,无法可靠地还原出城市道路中的移动对象的行驶轨迹。
以移动对象为城市道路中的行驶车辆为例,并非全部的行驶车辆均安装有GPS定位设备,因此,GPS数据无法覆盖城市道路中的全量车辆,使得所还原的车辆的行驶轨迹不够全面,无法可靠地还原出城市道路中的车辆的行驶轨迹。
为了解决现有技术的问题,本发明实施例提供了一种轨迹还原系统。
图1示出了本发明一个实施例提供的轨迹还原系统的系统架构图。如图1所示,该轨迹还原系统包括多个摄像头和服务器。其中,多个摄像头分别安装于城市道路的不同位置,例如,十字路口、红绿灯路口、道路两侧、高架桥两侧等等。具体地,多个摄像头可以为安装于城市道路上的监控摄像头。
摄像头用于采集与城市道路上的移动对象相关的图像数据,例如城市道路的监控图像。服务器用于获取道路数据和摄像头采集的图像数据,并对图像数据进行图像处理,得到移动对象的图像特征,然后,对图像特征和道路数据进行融合分析,确定移动对象的移动特征,最后,对移动对象的移动特征进行时空点位匹配,得到移动对象的行驶轨迹。
在本发明实施例中,服务器可以从互联网获取道路数据,也可以从指定的设备内获取道路数据,在此不做限定。
在本发明实施例中,移动对象可以包括在城市道路上移动的人物、动物、车辆、飞行器中的任一种,在此不做限制。
以移动对象为城市道路中的行驶车辆为例,摄像头用于采集与城市道路上的行驶车辆相关的车辆图像数据,例如城市道路的监控图像。服务器用于获取道路数据和摄像头采集的车辆图像数据,并对车辆图像数据进行图像处理,得到行驶车辆的图像特征,然后,对图像特征和道路数据进行融合分析,确定行驶车辆的移动特征,最后,对行驶车辆的移动特征进行时空点位匹配,得到行驶车辆的行驶轨迹。
由此,图1所示的轨迹还原系统,仅需要通过城市交通中已经安装的摄像头,即可以对城市交通内的移动对象的行驶轨迹进行还原,降低了遗漏率,提高了所还原的移动对象的行驶轨迹的全面性和可靠性,另外,由于无需在移动对象上增加定位设备,因此,还能够降低还原移动对象的行驶轨迹的成本。
为了实现上述的轨迹还原系统,本发明实施例提供了一种数据处理方法、装置、设备及介质。下面首先对本发明实施例所提供的数据处理方法进行介绍。
图2示出了本发明一个实施例提供的数据处理方法的流程示意图。
在本发明一些实施例中,图2所示的方法可以由服务器执行,例如图1中所示的服务器。其中,服务器可以是一种高性能的电子计算器,用于存储和处理数据。
如图2所示,该数据处理方法可以包括:
S110、获取道路数据和移动对象的图像数据;
S120、基于图像数据,获取移动对象的图像特征;
S130、基于图像特征和道路数据,确定移动对象的移动特征;
S140、对移动特征进行时空点位匹配,得到移动对象的行驶轨迹。
在本发明实施例中,能够利用道路数据和由城市道路内的图像采集设备采集的移动对象的图像数据,还原移动对象的行驶轨迹,具体地,基于对图像数据和道路数据的融合分析,能够确定移动对象的移动特征,从而可以对移动对象的移动特征进行时空点位匹配,得到移动对象的行驶轨迹,由此,仅需要通过城市交通中已经安装的图像采集设备,即可以对城市交通内的移动对象的行驶轨迹进行还原,能够提高所还原的移动对象的行驶轨迹的全面性和可靠性,另外,由于无需在移动对象上增加定位设备,因此,还能够降低还原移动对象的行驶轨迹的成本。
在本发明实施例中,移动对象可以包括在城市道路上移动的人物、动物、车辆、飞行器中的任一种,在此不做限制。
在本发明一些实施例中,服务器可以从互联网获取道路数据,也可以从指定的设备内获取道路数据。其中,道路数据可以为与城市交通行驶条件相关的数据。例如,道路数据可以包括道路基本信息、道路施工信息、道路管制信息、道路拥堵信息、道路封闭信息等等。
在本发明一些实施例中,移动对象的图像数据可以由图像采集设备采集。图像采集设备可以为安装于城市道路上的摄像头,例如卡口监控摄像头或者电警监控摄像头。
在一些实施例中,图像采集设备可以直接采集多个对象图像,服务器可以获取图像采集设备所采集的多个对象图像,并将多个对象图像作为移动对象的图像数据。
在这些实施例中,可选地,服务器还可以对同一个图像采集设备采集的对象图像进行去重处理,得到去重后的多个对象图像,并将去重后的多个对象图像作为移动对象的图像数据。
在另一些实施例中,图像采集设备可以采集视频,例如道路监控视频,服务器可以获取每个图像采集设备采集的视频,并且将多个图像采集设备采集的多个视频作为视频数据。
在这些实施例中,可选地,获取图像数据的具体方法可以包括:
获取视频数据,视频数据包括多个与移动对象相关的视频,每个视频由一个图像采集设备采集;
针对每个视频,对视频进行图像截取,得到多个对象图像。
具体地,以一个视频为例,服务器可以首先截取视频中的每个图像帧,然后在每个图像帧中截取图像帧中出现的全部移动对象对应的对象图像,从而得到多个对象图像,并且将多个对象图像作为图像数据。
例如,如果在一个图像帧中出现多个不同的移动对象,则可以截取图像帧中每个移动对象对应的对象图像。
以移动对象为城市道路上的行驶车辆为例,视频可以为摄像头采集的监控视频,服务器可以首先截取监控视频中的每个图像帧,然后在每个图像帧中截取图像帧中出现的全部行驶车辆对应的车辆图像,从而得到多个车辆图像,并且将多个车辆图像作为图像数据。
在本发明一些实施例中,在上述的对视频进行图像截取,得到多个对象图像之后,该数据处理方法还可以包括:
对多个对象图像进行去重处理,得到去重后的对象图像。
具体地,服务器可以对截取于同一视频的对象图像进行去重处理,例如,可以保留预设时长内出现的多个相似对象图像中的第一个出现的对象图像,即可以保留预设时长内的多个相似对象图像中的采集时间最早的对象图像。
其中,预设时长可以根据实际需要设置,在该预设时长内,移动对象无法在该图像采集设备的拍摄范围对应的道路上或者区域内反复移动。
继续以移动对象为城市道路上的行驶车辆为例,服务器可以对截取于同一监控视频的车辆图像进行去重处理,例如,可以保留预设时长内出现的多个相似车辆图像中的第一个出现的车辆图像,即可以保留预设时长内的多个相似车辆图像中的采集时间最早的车辆图像。并且,在该预设时长内,行驶车辆无法在该图像采集设备的拍摄范围对应的道路上或者区域内反复行驶。
在这些实施例中,可选地,可以将重后的多个车辆图像作为车辆图像数据。
由此,可以仅对去重后的多个对象图像进行图像分析处理,降低数据处理量,提高数据处理效率。
在本发明一些实施例中,图像数据包括多个对象图像,每个对象图像中包括一个移动对象。
相应地,S120可以包括:
针对每个对象图像,对对象图像进行图像分析,得到对象图像对应的图像特征。
在一些实施例中,针对每个对象图像,S120的具体方法可以包括:基于计算机视觉中的目标检测技术对对象图像进行图像识别处理,以对对象图像中的移动对象进行检测和信息提取,得到对象图像中的移动对象的对象特征,将对象图像的对象特征作为对象图像对应的图像特征。
在另一些实施例中,针对每个对象图像,S120的具体方法还可以包括:首先获取对象图像的时空特征,其中,时空特征包括对象图像的采集时间和对象图像的采集地点,然后,基于计算机视觉中的目标检测技术对对象图像进行图像识别处理,得到对象图像中的移动对象的对象特征,最后,将对象特征和时空特征,作为对象图像对应的图像特征。
具体地,可以将对象图像所携带的时空特征和对象图像中的移动对象的对象特征共同作为对象图像对应的图像特征,从而提高图像特征的特征维度,以提高基于图像特征得到的移动对象的移动特征的准确性。
在本发明实施例中,对象图像的采集时间具体可以指对象图像所属图像帧的采集时间,对象图像的采集地点具体可以指采集对象图像所属视频的图像采集设备对应的采集地点。
继续以移动对象为城市道路上的行驶车辆为例,服务器首先可以获取车辆图像的包括车辆图像的采集时间和车辆图像的采集地点的时空特征,然后,可以基于计算机视觉中的目标检测技术对车辆图像进行图像识别处理,得到车辆图像中的行驶车辆的车辆特征,最后,将车辆特征和时空特征,作为车辆图像对应的图像特征。
在本发明一些实施例中,在移动对象包括行驶车辆,对象图像包括车辆图像的情况下,对象特征可以包括车牌号码特征、车辆属性特征和车辆外观特征中的至少一项。
其中,车牌号码特征包括车牌号。车辆属性特征包括车辆类型、车辆品牌等用于区分车辆种类的特征。车辆外观特征包括车辆颜色、车辆质地等用于区分车辆外形的特征。
在本发明另一些实施例中,在移动对象包括行走人物,对象图像包括人物图像的情况下,对象特征可以包括人物穿着特征、人物身形特征和人物五官特征中的至少一项。
在本发明一些实施例中,S130的具体方法可以为:对多个图像特征构成的特征向量进行聚类,得到至少一组图像特征,每组图像特征对应一个移动对象,基于道路数据建立城市道路的道路有向图,将每个移动对象对应的一组图像特征与道路有向图进行匹配,得到每个移动对象的移动特征。
在本发明另一些实施例中,S130的具体方法还可以包括:
利用多个对象图像对应的图像特征和道路数据,构建每个对象图像对应的图结构;
基于预设图神经网络对多个对象图像对应的图结构进行聚类处理,得到至少一组图结构组;其中,每组图结构组作为一个移动对象的移动特征。
具体地,可以基于道路数据确定每个对象图像对应的路网特征,并根据多个对象图像对应的图像特征和路网特征,构建每个对象图像对应的图结构,然后基于预设图神经网络对图结构进行聚类处理,得到作为每个移动对象的移动特征的图结构组。
在本发明一些实施例中,利用多个对象图像对应的图像特征和道路数据构建每个对象图像对应的图结构的具体方法可以包括:
根据道路数据,建立城市道路的道路有向图;
针对每个对象图像,根据对象图像的时空特征,将对象图像与路网有向图进行匹配,得到对象图像对应的路网特征;其中,时空特征包括对象图像的采集时间和对象图像的采集地点;
根据图像特征和路网特征,确定每两个对象图像的之间的关联特征;
根据图像特征和关联特征,构建每个对象图像对应的图结构。
具体地,首先可以基于道路数据建立城市道路的道路有向图,然后根据每个对象图像所属的图像采集设备的采集地点,将图像采集设备按照采集时间顺序匹配到道路有向图内,以确定图像采集设备对应的路网特征,从而确定每个图像采集设备所采集的对象图像对应的路网特征,接着根据每两个对象图像的图像特征和路网特征,确定这两个对象图像的之间的关联特征,最后,根据多个对象图像应的图像特征和每两个对象图像的之间的关联特征,构建每个对象图像对应的图结构。
在本发明一些实施例中,可以仅基于道路数据,建立城市道路的道路有向图。
在本发明另一些实施例中,在根据道路数据,建立城市道路的道路有向图之前,该数据处理方法还可以包括:
获取网络交通数据和GPS数据;其中,GPS数据包括城市道路上的图像采集设备GPS信息和移动对象GPS信息中的至少一种。
其中,网络交通数据可以包括互联网上更新的与城市交通的交通路况相关的网络信息数据,例如社交网络平台内的热点交通事件信息,再例如新闻网络平台内的突发交通事件信息。图像采集设备GPS信息用于标记不同路段上的图像采集设备位置。车辆GPS信息用于确定各个路段在视频数据对应的时段的拥挤程度。
在这些实施例中,可选地,根据道路数据建立城市道路的道路有向图的具体方法还可以包括:
根据道路数据、网络交通数据和GPS数据,建立道路有向图。
由此,可以基于大数据处理技术,利用网络交通数据、GPS数据和道路数据构成的多源数据进行综合建模,建立道路有向图,实现对已获得数据的最大化利用,并且提高所建立的道路有向图的准确性和可靠性。
在本发明一些实施例中,根据图像特征和关联特征,构建每个对象图像对应的图结构的具体方法可以包括:
将多个对象图像中的第一对象图像对应的图像特征作为顶点的节点特征;
将多个对象图像中的每个第二对象图像对应的图像特征分别作为邻居节点的节点特征;其中,第二对象图像为多个对象图像中第一对象图像以外的图像;
根据第一对象图像与每个第二对象图像之间的关联特征,计算第一对象图像与每个第二对象图像之间的特征权重;
根据第一对象图像与每个第二对象图像之间的关联特征和特征权重,确定顶点与每个邻居节点之间的边特征;
利用顶点的节点特征、邻居节点的节点特征和边特征,构建第一对象图像对应的图结构。
首先,可以将多个对象图像中的每个对象图像分别作为第一对象图像,并将该第一对象图像作为图结构的顶点,将第一对象图像对应的图像特征作为顶点的节点特征。然后,可以将第一对象图像以外的全部对象图像分别作为第二对象图像,并将每个第二对象图像分别作为顶点的邻居节点,并将每个第二对象图像对应的图像特征分别作为邻居节点的节点特征。接着,以第一对象图像与一个第二对象图像为例,可以为不同类型的关联特征分配不同的权重,并计算第一对象图像与该第二对象图像之间的关联特征权重和,从而将关联特征权重和作为该第一对象图像与该第二对象图像之间的特征权重,进而将第一对象图像与该第二对象图像之间的关联特征和特征权重,作为顶点与该第二对象图像对应的邻居节点之间的边的边特征。最后,可以用顶点的节点特征、每个邻居节点的节点特征和每个边的边特征,构建该第一对象图像对应的图结构。
在本发明另一些实施例中,根据图像特征和关联特征,构建每个对象图像对应的图结构的具体方法可以包括:
将多个对象图像中的第一对象图像对应的图像特征作为顶点的节点特征;
将多个对象图像中的每个第三对象图像对应的图像特征分别作为邻居节点的节点特征;其中,第三对象图像对应的图像采集设备与第一对象图像对应的图像采集设备之间的设备距离满足预设条件;
根据第一对象图像与每个第三对象图像之间的关联特征,确定顶点与每个邻居节点之间的边特征;
利用顶点的节点特征、邻居节点的节点特征和边特征,构建第一对象图像对应的图结构。
首先,可以将多个对象图像中的每个对象图像分别作为第一对象图像,并将该第一对象图像作为图结构的顶点,将第一对象图像对应的图像特征作为顶点的节点特征。然后,可以获取与采集第一对象图像的图像采集设备之间的设备距离满足预设条件的图像采集设备所采集的第三对象图像,并将每个第三对象图像分别作为顶点的邻居节点,并将每个第三对象图像对应的图像特征分别作为邻居节点的节点特征。接着,以第一对象图像与一个第三对象图像为例,可以将第一对象图像与该第三对象图像之间的关联特征,作为顶点与该第三对象图像对应的邻居节点之间的边的边特征。最后,可以用顶点的节点特征、每个邻居节点的节点特征和每个边的边特征,构建该第一对象图像对应的图结构。
具体地,预设条件可以包括设备距离小于预设距离阈值,或者,设备距离对应的移动时间小于预设时间阈值,或者,设备距离为第一对象图像对应的图像采集设备以外的全部图像采集设备中的最短的前N个,N为正整数。
在本发明一些实施例中,在移动对象包括行驶车辆、对象图像包括车辆图像的情况下,关联特征可以包括下列中的至少一项:
车牌汉明距离、车辆属性相似度、车辆外观相似度、时间距离、周期关联特征、空间欧式距离和空间路网距离。
其中,车牌汉明距离指的是车牌号之间的汉明距离。车辆属性相似度指的是上述的用于区分车辆种类的特征之间的相似度,例如,可以为各个车辆属性特征的相似度权重和。车辆外观相似度指的是上述的用于区分车辆外形的特征之间的相似度,例如,可以为各个车辆外观特征的相似度权重和。时间距离指的是两个车辆图像之间的时空关系合理性,例如,可以基于两个车辆图像的时空特征,利用混合高斯模型确定。周期关联特征指的是两个车辆图像之间的路段的交通流量。空间欧式距离指的是两个车辆图像对应的地点特征之间的空间欧式距离。空间路网距离指的是基于路网有向图确定的两个车辆图像对应的地点特征之间的空间路网距离。
由此,可以利用数据挖掘技术,挖掘数据本身蕴藏的车辆移动和转移规律,从多角度推演两个车辆图像在路网点位之间的匹配合理性,进而提高基于车辆移动特征确定的行驶车辆的行驶轨迹的准确性。
在本发明另一些实施例中,在移动对象包括行走人物,对象图像包括人物图像的情况下,关联特征可以包括下列中的至少一项:
人物穿着相似度、人物身形相似度和人物五官相似度。
在本发明一些实施例中,基于预设图神经网络对多个对象图像对应的图结构进行聚类处理得到至少一组图结构组的具体方法可以包括:
将每个图结构分别输入预设图神经网络,得到每个图结构的嵌入向量;
对多个图结构的嵌入向量进行聚类处理,得到至少一组嵌入向量组;
基于嵌入向量与图结构的对应关系,确定每组嵌入向量组对应的图结构组。
具体地,在通过预设图神经网络得到每个图结构对应的嵌入向量之后,可以利用已有的向量聚类方法对嵌入向量进行聚类处理,得到至少一组嵌入向量组,由于一个嵌入向量与一个图结构一一对应,最后,可以基于嵌入向量与图结构的对应关系,确定每组嵌入向量组对应的图结构组。
可选地,多个图结构的嵌入向量进行聚类处理,得到至少一组嵌入向量组的具体方法可以包括:
计算每两个嵌入向量之间的向量距离;
根据向量距离对多个嵌入向量进行聚类处理,得到至少一组嵌入向量组。
具体地,在得到每两个嵌入向量之间的向量距离之后,可以将向量距离小于预设向量距离阈值的每两个嵌入向量归为一类,从而得到至少一组嵌入向量组。
在本发明一些实施例中,在基于预设图神经网络对多个对象图像对应的图结构进行聚类处理,得到至少一组图结构组之前,该数据处理方法还可以包括:
获取多组训练样本;其中,每组训练样本包括多个图结构样本和每个图结构样本对应的标记值,每个图结构样本对应一个图像样本,标记值用于表征图结构样本与其他图结构样本属于同一个移动对象的可能性;
利用多组训练样本训练图神经网络,得到预设图神经网络。
具体地,每组训练样本中的多个图结构样本的标记值可以为0或1,其中,0代表该图结构样本与其他图结构样本不属于同一个移动对象,1代表该图结构样本与其他图结构样本属于同一个移动对象,首先,将每组训练样本中的图结构样本依次输入图神经网络,得到每个图结构样本对应的嵌入向量样本,然后对每组训练样本进行聚类处理,从而根据聚类结果确定每组内的各个图结构样本与其他图结构样本是否属于同一个移动对象,得到预测结果,最后根据每个图结构样本的预测结果和标记值,调整图神经网络的模型参数,得到预设图神经网络。
在本发明一些实施例的S140中,可以将每个移动对象对应的移动特征输入预设序列模型进行时空点位匹配处理,得到每个移动对象的行驶轨迹。
可选地,S140的具体方法可以包括:
将每组图结构组对应的对象图像的时空特征输入预设序列模型进行时空点位匹配,得到每组图结构组对应的移动对象的行驶轨迹;其中,时空特征包括对象图像的采集时间和对象图像的采集地点。
由此,可以基于预设序列模型针对每组图结构组对应的对象图像的时空特征推演移动对象在道路的各个点位之间移动的合理性,从而还原出大规模、细粒度的行驶轨迹。
在本发明一些实施例中,预设序列模型可以包括隐马尔可夫模型和最短欧氏距离模型中的任一个。
在本发明一些实施例中,行驶轨迹可以包括时间序列和地点序列,其中,一个时间和一个地点构成行驶路径中的一个路径节点,因此,根据时间序列和地点序列行程的多个路径节点即可以构成移动对象的行驶轨迹。
图3示出了本发明一个实施例提供的行驶轨迹还原过程的流程示意图。如图3所示,该行驶轨迹还原过程可以包括:
1、服务器可以首先获取视频数据、GPS数据、道路数据和网络交通数据;
2、基于视频数据提取不同车辆图像的图像特征,同时,基于GPS数据、道路数据和网络交通数据建立道路有向图;
3、对各个车辆图像和道路有向图进行数据融合,将各个车辆图像匹配到道路有向图中的不同摄像头节点;
4、利用各个车辆图像的图像特征和道路有向图进行数据挖掘,得到每两个车辆图像的之间的关联特征,并基于图像特征和关联特征构建每个车辆图像的图结构;
5、利用深度学习模型,例如图神经网络和序列模型融合多类特征对不同时空点位的采样进行匹配度分析,按照匹配合理性还原视频数据中的多个行驶车辆的行驶轨迹,找到全量行驶车辆的行驶轨迹。
综上所述,本发明实施例提供了一套完整的、端到端的行驶轨迹还原方法,可以在完全数据驱动、无人工的情况下自动还原城市交通内的各个行驶车辆的行驶轨迹。由于能够将多源数据融合应用到行驶轨迹还原,并且利用最前沿的深度学习技术,因此,可以提高行驶轨迹还原准确率。由此仅需要通过城市交通中已经安装的摄像头,即可以对城市交通内的行驶车辆的行驶轨迹进行还原,能够提高所还原的车辆的行驶轨迹的全面性和可靠性。另外,由于无需在车辆上增加定位设备,因此,还能够降低还原车辆的行驶轨迹的成本。
本发明实施例还提供了一种数据处理方法,该数据处理方法可以包括:
获取道路数据和移动对象的图像数据;其中,移动对象包括目标车辆;
基于图像数据,获取目标车辆的图像特征;
基于图像特征和道路数据,确定目标车辆的移动特征;
对移动特征进行时空点位匹配,得到目标车辆的行驶轨迹。
在本发明一些实施例中,可以获取实时的道路数据和图像数据,并且实时对图像数据进行数据处理,得到目标车辆的图像特征,然后,对图像特征和道路数据进行融合分析处理,自动确定目标车辆的移动特征,最后,对移动特征进行时空点位匹配处理,得到目标车辆的行驶轨迹。由此,仅需要通过城市交通中已经安装的摄像头,即可以快速对目标车辆的行驶轨迹进行实时还原,从而实现对目标车辆的实时追踪。
以嫌疑车辆追踪场景为例,可以获取实时的道路数据和图像数据,并且实时对图像数据进行数据处理,得到嫌疑车辆的图像特征,然后,对图像特征和道路数据进行融合分析处理,自动确定嫌疑车辆的移动特征,最后,对移动特征进行时空点位匹配处理,得到嫌疑车辆的行驶轨迹。由此,仅需要通过城市交通中已经安装的摄像头,即可以快速对嫌疑车辆的行驶轨迹进行实时还原,从而实现对嫌疑车辆的实时追踪。
以用户对本人乘坐的交通工具(例如出租车、公交车等)进行追踪和定位的场景为例,可以获取实时的道路数据和图像数据,并且实时对图像数据进行数据处理,得到交通工具的图像特征,然后,对图像特征和道路数据进行融合分析处理,自动确定交通工具的移动特征,最后,对移动特征进行时空点位匹配处理,得到交通工具的行驶轨迹。由此,仅需要通过城市交通中已经安装的摄像头,即可以快速对交通工具的行驶轨迹进行实时还原,从而实现对交通工具的实时追踪。
在本发明另一些实施例中,可以获取历史的道路数据和图像数据,并且对图像数据进行数据处理,得到目标车辆的图像特征,然后,对图像特征和道路数据进行融合分析处理,自动确定目标车辆的移动特征,最后,对移动特征进行时空点位匹配处理,得到目标车辆的行驶轨迹。由此,仅需要通过城市交通中已经安装的摄像头,即可以快速对目标车辆的行驶轨迹进行还原,能够提高所还原的目标车辆的行驶轨迹的可靠性。
在本发明一些实施例中,在得到目标车辆的行驶轨迹之后,该数据处理方法还可以包括:
显示行驶轨迹。
例如,在实时追踪目标车辆的行驶轨迹的过程中,可以根据实时的数据处理结果,显示目标车辆的实时行驶轨迹,提高了行驶轨迹的可视性。
在行驶轨迹包括时间序列和地点序列的情况下,可以基于时间序列和地点序列对城市交通的地图上的点位进行匹配,从而将目标车辆的行驶轨迹实时地显示于地图上。
在本发明一些实施例中,在得到目标车辆的行驶轨迹之后,该数据处理方法还可以包括:
获取目标车辆的实时位置;
基于实时位置和所述行驶轨迹,调整目标车辆的移动方向。
以自动驾驶场景为例,自动驾驶导航系统可以获取目标车辆的实时位置,然后利用实时位置和行驶轨迹进行分析,确定目标车辆在行驶轨迹中的当前位置以及下一位置,并基于目标车辆的行驶速度和当前位置以及下一位置的方位,实时调整目标车辆的移动方向,以实现对目标车辆的自动驾驶控制。
其中,目标车辆可以为自动驾驶导航系统所安装的车辆,也可以为自动驾驶导航系统具有控制权限且安装有与自动驾驶导航系统相互通信车载设备的目标车辆。
需要说明的是,本实施例所述的方法与图2和图3所示的方法实施例中的各个过程和效果相似,并且原理相似,为避免重复,这里不再赘述。
图4示出了本发明一个实施例提供的数据处理装置的结构示意图。
在本发明一些实施例中,图4所示的装置可以设置于服务器内,例如图1中所示的服务器。其中,服务器可以是一种高性能的电子计算器,用于存储和处理数据。如图4所示,该数据处理装置200可以包括:
第一获取模块210,用于获取道路数据和移动对象的图像数据;
第一处理模块220,用于基于图像数据,获取移动对象的图像特征;
第二处理模块230,用于基于图像特征和道路数据,确定移动对象的移动特征;
第三处理模块240,用于对移动特征进行时空点位匹配,得到移动对象的行驶轨迹。
在本发明实施例中,能够利用道路数据和由城市道路内的图像采集设备采集的移动对象的图像数据,还原移动对象的行驶轨迹,具体地,基于对图像数据和道路数据的融合分析,能够确定移动对象的移动特征,从而可以对移动对象的移动特征进行时空点位匹配,得到移动对象的行驶轨迹,由此,仅需要通过城市交通中已经安装的图像采集设备,即可以对城市交通内的移动对象的行驶轨迹进行还原,能够提高所还原的移动对象的行驶轨迹的全面性和可靠性,另外,由于无需在移动对象上增加定位设备,因此,还能够降低还原移动对象的行驶轨迹的成本。
在本发明一些实施例中,图像数据包括多个对象图像,每个对象图像中包括一个移动对象;
可选地,第一处理模块220可以具体用于:
针对每个对象图像,对对象图像进行图像分析,得到对象图像对应的图像特征。
在本发明一些实施例中,第一处理模块220还可以具体用于:
获取对象图像的时空特征;其中,时空特征包括对象图像的采集时间和对象图像的采集地点;
对对象图像进行图像识别,得到对象图像中的移动对象的对象特征;
将对象特征和时空特征,作为对象图像对应的图像特征。
在本发明一些实施例中,第一获取模块210可以具体用于:
获取视频数据,视频数据包括多个与移动对象相关的视频,每个视频由一个图像采集设备采集;
针对每个视频,对视频进行图像截取,得到多个对象图像。
在本发明一些实施例中,第一获取模块210还可以具体用于:
对多个对象图像进行去重处理,得到去重后的对象图像。
在本发明一些实施例中,第二处理模块230可以具体用于:
利用多个对象图像对应的图像特征和道路数据,构建每个对象图像对应的图结构;
基于预设图神经网络对多个对象图像对应的图结构进行聚类处理,得到至少一组图结构组;其中,每组图结构组作为一个移动对象的移动特征。
在本发明一些实施例中,第二处理模块230可以进一步用于:
根据所述道路数据,建立城市道路的道路有向图;
针对每个对象图像,根据对象图像的时空特征,将对象图像与路网有向图进行匹配,得到对象图像对应的路网特征;其中,时空特征包括对象图像的采集时间和对象图像的采集地点;
根据图像特征和路网特征,确定每两个对象图像的之间的关联特征;
根据图像特征和关联特征,构建每个对象图像对应的图结构。
在本发明一些实施例中,该数据处理装置200还可以包括:
第三获取模块,用于获取网络交通数据和GPS数据;其中,GPS数据包括城市道路上的图像采集设备GPS信息和移动对象GPS信息中的至少一种;
可选地,第二处理模块230还可以进一步用于:
根据道路数据、网络交通数据和GPS数据,建立道路有向图。
在本发明一些实施例中,移动对象包括行驶车辆,对象图像包括车辆图像,对象特征包括下列中的至少一项:
车牌号码特征、车辆属性特征和车辆外观特征。
在本发明一些实施例中,关联特征可以包括下列中的至少一项:
车牌汉明距离、车辆属性相似度、车辆外观相似度、时间距离、周期关联特征、空间欧式距离和空间路网距离。
在一些实施例中,第二处理模块230还可以进一步用于:
将多个对象图像中的第一对象图像对应的图像特征作为顶点的节点特征;
将多个对象图像中的每个第二对象图像对应的图像特征分别作为邻居节点的节点特征;其中,第二对象图像为多个对象图像中第一对象图像以外的图像;
根据第一对象图像与每个第二对象图像之间的关联特征,计算第一对象图像与每个第二对象图像之间的特征权重;
根据第一对象图像与每个第二对象图像之间的关联特征和特征权重,确定顶点与每个邻居节点之间的边特征;
利用顶点的节点特征、邻居节点的节点特征和边特征,构建第一对象图像对应的图结构。
在另一些实施例中,第二处理模块230还可以进一步用于:
将多个对象图像中的第一对象图像对应的图像特征作为顶点的节点特征;
将多个对象图像中的每个第三对象图像对应的图像特征分别作为邻居节点的节点特征;其中,第三对象图像对应的图像采集设备与第一对象图像对应的图像采集设备之间的设备距离满足预设条件;
根据第一对象图像与每个第三对象图像之间的关联特征,确定顶点与每个邻居节点之间的边特征;
利用顶点的节点特征、邻居节点的节点特征和边特征,构建第一对象图像对应的图结构。
在本发明一些实施例中,第二处理模块230可以进一步用于:
将每个图结构分别输入预设图神经网络,得到每个图结构的嵌入向量;
对多个图结构的嵌入向量进行聚类处理,得到至少一组嵌入向量组;
基于嵌入向量与图结构的对应关系,确定每组嵌入向量组对应的图结构组。
在本发明一些实施例中,第二处理模块230可以进一步用于:
计算每两个嵌入向量之间的向量距离;
根据向量距离对多个嵌入向量进行聚类处理,得到至少一组嵌入向量组。
在本发明一些实施例中,该数据处理装置200还可以包括:
样本获取模块,用于获取多组训练样本;其中,每组训练样本包括多个图结构样本和每个图结构样本对应的标记值,每个图结构样本对应一个图像样本,标记值用于表征图结构样本与其他图结构样本属于同一个移动对象的可能性;
模型训练模块,用于利用多组训练样本训练图神经网络,得到预设图神经网络。
在本发明一些实施例中,第三处理模块240可以具体用于:
将每组图结构组对应的对象图像的时空特征输入预设序列模型进行时空点位匹配,得到每组图结构组对应的移动对象的行驶轨迹;其中,时空特征包括对象图像的采集时间和对象图像的采集地点。
在本发明一些实施例中,预设序列模型可以包括隐马尔可夫模型和最短欧氏距离模型中的任一个。
在本发明一些实施例中,行驶轨迹可以包括时间序列和地点序列。
需要说明的是,本实施例所述的装置能够实现图2和图3所示的方法实施例中的各个过程和效果相似,并且原理相似,为避免重复,这里不再赘述。
本发明实施例还提供了一种数据处理装置,该数据处理装置可以包括:
第二获取模块,用于获取道路数据和移动对象的图像数据;其中,移动对象包括目标车辆;
第四处理模块,用于基于图像数据,获取目标车辆的图像特征;
第五处理模块,用于基于图像特征和道路数据,确定目标车辆的移动特征;
第六处理模块,用于对移动特征进行时空点位匹配,得到目标车辆的行驶轨迹。
在本发明一些实施例中,该数据处理装置还可以包括:
轨迹显示模块,用于显示行驶轨迹。
在本发明一些实施例中,该数据处理装置还可以包括:
第三获取模块,用于获取目标车辆的实时位置;
第七处理模块,用于基于实时位置和所述行驶轨迹,调整目标车辆的移动方向。
需要说明的是,本实施例所述的装置与图4所示的装置实施例中的各个过程和效果相似,并且结构和原理相似,为避免重复,这里不再赘述。
图5示出了本发明一个实施例提供的数据处理设备的硬件结构示意图。本发明实施例所述的数据处理设备可以为服务器。如图5所示,数据处理设备300包括输入设备301、输入接口302、中央处理器303、存储器304、输出接口305、以及输出设备306。其中,输入接口302、中央处理器303、存储器304、以及输出接口305通过总线310相互连接,输入设备301和输出设备306分别通过输入接口302和输出接口305与总线310连接,进而与数据处理设备300的其他组件连接。
具体地,输入设备301接收来自外部的输入信息,并通过输入接口302将输入信息传送到中央处理器303;中央处理器303基于存储器304中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器304中,然后通过输出接口305将输出信息传送到输出设备306;输出设备306将输出信息输出到数据处理设备300的外部供用户使用。
也就是说,图5所示的数据处理设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现本发明实施例描述的数据处理方法和装置。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例提供的数据处理方法。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,上述对本发明特定实施例进行了描述。其它实施例在所附权利要求的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (25)
1.一种数据处理方法,包括:
获取道路数据和移动对象的图像数据;
基于所述图像数据,获取移动对象的图像特征;
基于所述图像特征和所述道路数据,确定所述移动对象的移动特征;
对所述移动特征进行时空点位匹配,得到所述移动对象的行驶轨迹。
2.根据权利要求1所述的方法,其中,所述图像数据包括多个对象图像,每个所述对象图像中包括一个移动对象;
其中,所述基于所述图像数据,获取移动对象的图像特征,包括:
针对每个所述对象图像,对所述对象图像进行图像分析,得到所述对象图像对应的图像特征。
3.根据权利要求2所述的方法,其中,所述对所述对象图像进行图像分析,得到所述对象图像对应的图像特征,包括:
获取所述对象图像的时空特征;其中,所述时空特征包括所述对象图像的采集时间和所述对象图像的采集地点;
对所述对象图像进行图像识别,得到所述对象图像中的移动对象的对象特征;
将所述对象特征和所述时空特征,作为所述对象图像对应的图像特征。
4.根据权利要求2所述的方法,其中,所述获取移动对象的图像数据,包括:
获取视频数据,所述视频数据包括多个与移动对象相关的视频,每个所述视频由一个图像采集设备采集;
针对每个所述视频,对所述视频进行图像截取,得到多个所述对象图像。
5.根据权利要求4所述的方法,其中,所述对所述视频进行图像截取,得到多个所述对象图像之后,所述方法还包括:
对多个所述对象图像进行去重处理,得到去重后的对象图像。
6.根据权利要求2所述的方法,其中,所述基于所述图像特征和所述道路数据,确定所述移动对象的移动特征,包括:
利用多个所述对象图像对应的图像特征和所述道路数据,构建每个所述对象图像对应的图结构;
基于预设图神经网络对多个所述对象图像对应的图结构进行聚类处理,得到至少一组图结构组;其中,每组所述图结构组作为一个移动对象的移动特征。
7.根据权利要求6所述的方法,其特征在于,所述利用多个所述对象图像对应的图像特征和所述道路数据,构建每个所述对象图像对应的图结构,包括:
根据所述道路数据,建立城市道路的道路有向图;
针对每个所述对象图像,根据所述对象图像的时空特征,将所述对象图像与所述路网有向图进行匹配,得到所述对象图像对应的路网特征;其中,所述时空特征包括所述对象图像的采集时间和所述对象图像的采集地点;
根据所述图像特征和所述路网特征,确定每两个所述对象图像的之间的关联特征;
根据所述图像特征和所述关联特征,构建每个所述对象图像对应的图结构。
8.根据权利要求7所述的方法,其特征在于,所述根据所述道路数据,建立城市道路的道路有向图之前,所述方法还包括:
获取网络交通数据和GPS数据;其中,所述GPS数据包括所述城市道路上的图像采集设备GPS信息和移动对象GPS信息中的至少一种;
其中,所述根据所述道路数据,建立城市道路的道路有向图,包括:
根据所述道路数据、所述网络交通数据和所述GPS数据,建立所述道路有向图。
9.根据权利要求7所述的方法,其特征在于,所述移动对象包括行驶车辆,所述对象图像包括车辆图像,所述对象特征包括下列中的至少一项:
车牌号码特征、车辆属性特征和车辆外观特征。
10.根据权利要求9所述的方法,其中,所述关联特征包括下列中的至少一项:
车牌汉明距离、车辆属性相似度、车辆外观相似度、时间距离、周期关联特征、空间欧式距离和空间路网距离。
11.根据权利要求7所述的方法,其特征在于,所述根据所述图像特征和所述关联特征,构建每个所述对象图像对应的图结构,包括:
将多个所述对象图像中的第一对象图像对应的图像特征作为顶点的节点特征;
将多个所述对象图像中的每个第二对象图像对应的图像特征分别作为邻居节点的节点特征;其中,所述第二对象图像为多个所述对象图像中所述第一对象图像以外的图像;
根据所述第一对象图像与每个所述第二对象图像之间的关联特征,计算所述第一对象图像与每个所述第二对象图像之间的特征权重;
根据所述第一对象图像与每个所述第二对象图像之间的关联特征和特征权重,确定所述顶点与每个所述邻居节点之间的边特征;
利用所述顶点的节点特征、所述邻居节点的节点特征和所述边特征,构建所述第一对象图像对应的图结构。
12.根据权利要求7所述的方法,其中,所述根据所述图像特征和所述关联特征,构建每个所述对象图像对应的图结构,包括:
将多个所述对象图像中的第一对象图像对应的图像特征作为顶点的节点特征;
将多个所述对象图像中的每个第三对象图像对应的图像特征分别作为邻居节点的节点特征;其中,所述第三对象图像对应的图像采集设备与所述第一对象图像对应的图像采集设备之间的设备距离满足预设条件;
根据所述第一对象图像与每个所述第三对象图像之间的关联特征,确定所述顶点与每个所述邻居节点之间的边特征;
利用所述顶点的节点特征、所述邻居节点的节点特征和所述边特征,构建所述第一对象图像对应的图结构。
13.根据权利要求6所述的方法,其中,所述基于预设图神经网络对多个所述对象图像对应的图结构进行聚类处理,得到至少一组图结构组,包括:
将每个所述图结构分别输入所述预设图神经网络,得到每个所述图结构的嵌入向量;
对多个所述图结构的嵌入向量进行聚类处理,得到至少一组嵌入向量组;
基于嵌入向量与图结构的对应关系,确定每组所述嵌入向量组对应的图结构组。
14.根据权利要求13所述的方法,其中,所述对多个所述图结构的嵌入向量进行聚类处理,得到至少一组嵌入向量组,包括:
计算每两个所述嵌入向量之间的向量距离;
根据所述向量距离对多个所述嵌入向量进行聚类处理,得到至少一组所述嵌入向量组。
15.根据权利要求6所述的方法,其中,所述基于预设图神经网络对多个所述对象图像对应的图结构进行聚类处理,得到至少一组图结构组之前,所述方法还包括:
获取多组训练样本;其中,每组所述训练样本包括多个图结构样本和每个图结构样本对应的标记值,每个所述图结构样本对应一个图像样本,所述标记值用于表征所述图结构样本与其他图结构样本属于同一个移动对象的可能性;
利用多组所述训练样本训练图神经网络,得到所述预设图神经网络。
16.根据权利要求6所述的方法,其中,所述对所述移动特征进行时空点位匹配,得到所述移动对象的行驶轨迹,包括:
将每组所述图结构组对应的对象图像的时空特征输入预设序列模型进行时空点位匹配,得到每组所述图结构组对应的移动对象的行驶轨迹;其中,所述时空特征包括所述对象图像的采集时间和所述对象图像的采集地点。
17.根据权利要求16所述的方法,其中,所述预设序列模型包括隐马尔可夫模型和最短欧氏距离模型中的任一个。
18.根据权利要求17所述的方法,其中,所述行驶轨迹包括时间序列和地点序列。
19.一种数据处理方法,包括:
获取道路数据和移动对象的图像数据;其中,所述移动对象包括目标车辆;
基于所述图像数据,获取所述目标车辆的图像特征;
基于所述图像特征和所述道路数据,确定所述目标车辆的移动特征;
对所述移动特征进行时空点位匹配,得到所述目标车辆的行驶轨迹。
20.根据权利要求19所述的方法,其中,所述对所述移动特征进行时空点位匹配,得到所述目标车辆的行驶轨迹之后,所述方法还包括:
显示所述行驶轨迹。
21.根据权利要求19所述的方法,其中,所述对所述移动特征进行时空点位匹配,得到所述目标车辆的行驶轨迹之后,所述方法还包括:
获取所述目标车辆的实时位置;
基于所述实时位置和所述行驶轨迹,调整所述目标车辆的移动方向。
22.一种数据处理装置,包括:
第一获取模块,用于获取道路数据和移动对象的图像数据;
第一处理模块,用于基于所述图像数据,获取移动对象的图像特征;
第二处理模块,用于基于所述图像特征和所述道路数据,确定所述移动对象的移动特征;
第三处理模块,用于对所述移动特征进行时空点位匹配,得到所述移动对象的行驶轨迹。
23.一种数据处理装置,包括:
第二获取模块,用于获取道路数据和移动对象的图像数据;其中,所述移动对象包括目标车辆;
第四处理模块,用于基于所述图像数据,获取所述目标车辆的图像特征;
第五处理模块,用于基于所述图像特征和所述道路数据,确定所述目标车辆的移动特征;
第六处理模块,用于对所述移动特征进行时空点位匹配,得到所述目标车辆的行驶轨迹。
24.一种数据处理设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-18或权利要求19-21任意一项所述的数据处理方法。
25.一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指令,所述计算机程序指令被处理器执行时实现如权利要求1-18或权利要求19-21任意一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010441609.8A CN113703015B (zh) | 2020-05-22 | 2020-05-22 | 数据处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010441609.8A CN113703015B (zh) | 2020-05-22 | 2020-05-22 | 数据处理方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113703015A true CN113703015A (zh) | 2021-11-26 |
CN113703015B CN113703015B (zh) | 2024-05-03 |
Family
ID=78646244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010441609.8A Active CN113703015B (zh) | 2020-05-22 | 2020-05-22 | 数据处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113703015B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637884A (zh) * | 2022-05-16 | 2022-06-17 | 深圳前海中电慧安科技有限公司 | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7046822B1 (en) * | 1999-06-11 | 2006-05-16 | Daimlerchrysler Ag | Method of detecting objects within a wide range of a road vehicle |
CN101958046A (zh) * | 2010-09-26 | 2011-01-26 | 隋亚刚 | 一种车辆轨迹识别系统及车辆轨迹识别的方法 |
CN102147971A (zh) * | 2011-01-14 | 2011-08-10 | 赵秀江 | 基于视频图像处理技术的交通信息采集系统 |
US20170116477A1 (en) * | 2015-10-23 | 2017-04-27 | Nokia Technologies Oy | Integration of positional data and overhead images for lane identification |
CN107832364A (zh) * | 2017-10-26 | 2018-03-23 | 浙江宇视科技有限公司 | 一种基于时空数据锁定目标对象的方法及装置 |
KR20180041999A (ko) * | 2016-10-17 | 2018-04-25 | 박희구 | 교통 정보 수집 시스템 및 방법 |
CN108241829A (zh) * | 2016-12-23 | 2018-07-03 | 乐视汽车(北京)有限公司 | 车辆行驶图像识别方法 |
CN108346289A (zh) * | 2018-02-13 | 2018-07-31 | 重庆交通大学 | 一种高速公路人车关联系统及方法 |
CN109615862A (zh) * | 2018-12-29 | 2019-04-12 | 南京市城市与交通规划设计研究院股份有限公司 | 道路车辆交通运动状态参数动态获取方法及装置 |
US20190302795A1 (en) * | 2018-04-02 | 2019-10-03 | Honda Motor Co., Ltd. | Vehicle control device |
CN110751683A (zh) * | 2019-10-28 | 2020-02-04 | 北京地平线机器人技术研发有限公司 | 轨迹预测方法、装置、可读存储介质及电子设备 |
CN110942038A (zh) * | 2019-11-29 | 2020-03-31 | 腾讯科技(深圳)有限公司 | 基于视觉的交通场景识别方法、装置、介质及电子设备 |
CN111025297A (zh) * | 2019-12-24 | 2020-04-17 | 京东数字科技控股有限公司 | 一种车辆监测方法、装置、电子设备及存储介质 |
CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
CN111121797A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 道路筛选方法、装置、服务器及存储介质 |
-
2020
- 2020-05-22 CN CN202010441609.8A patent/CN113703015B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7046822B1 (en) * | 1999-06-11 | 2006-05-16 | Daimlerchrysler Ag | Method of detecting objects within a wide range of a road vehicle |
CN101958046A (zh) * | 2010-09-26 | 2011-01-26 | 隋亚刚 | 一种车辆轨迹识别系统及车辆轨迹识别的方法 |
CN102147971A (zh) * | 2011-01-14 | 2011-08-10 | 赵秀江 | 基于视频图像处理技术的交通信息采集系统 |
US20170116477A1 (en) * | 2015-10-23 | 2017-04-27 | Nokia Technologies Oy | Integration of positional data and overhead images for lane identification |
KR20180041999A (ko) * | 2016-10-17 | 2018-04-25 | 박희구 | 교통 정보 수집 시스템 및 방법 |
CN108241829A (zh) * | 2016-12-23 | 2018-07-03 | 乐视汽车(北京)有限公司 | 车辆行驶图像识别方法 |
CN107832364A (zh) * | 2017-10-26 | 2018-03-23 | 浙江宇视科技有限公司 | 一种基于时空数据锁定目标对象的方法及装置 |
CN108346289A (zh) * | 2018-02-13 | 2018-07-31 | 重庆交通大学 | 一种高速公路人车关联系统及方法 |
US20190302795A1 (en) * | 2018-04-02 | 2019-10-03 | Honda Motor Co., Ltd. | Vehicle control device |
CN111121797A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 道路筛选方法、装置、服务器及存储介质 |
CN109615862A (zh) * | 2018-12-29 | 2019-04-12 | 南京市城市与交通规划设计研究院股份有限公司 | 道路车辆交通运动状态参数动态获取方法及装置 |
CN110751683A (zh) * | 2019-10-28 | 2020-02-04 | 北京地平线机器人技术研发有限公司 | 轨迹预测方法、装置、可读存储介质及电子设备 |
CN110942038A (zh) * | 2019-11-29 | 2020-03-31 | 腾讯科技(深圳)有限公司 | 基于视觉的交通场景识别方法、装置、介质及电子设备 |
CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
CN111025297A (zh) * | 2019-12-24 | 2020-04-17 | 京东数字科技控股有限公司 | 一种车辆监测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
海涛;丛爽;鲍远律;: "彩色城市栅格地图道路网络自动获取方法", 西安交通大学学报, no. 12, 18 October 2011 (2011-10-18) * |
陈忠辉;王彪;冯心欣;郑海峰;: "基于隐马尔可夫模型的有向地图匹配算法研究", 信息技术与网络安全, no. 04 * |
麦新晨;杨明;王春香;王冰;: "一种基于多传感器融合的车辆检测与跟踪方法", 上海交通大学学报, no. 07 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637884A (zh) * | 2022-05-16 | 2022-06-17 | 深圳前海中电慧安科技有限公司 | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 |
CN114637884B (zh) * | 2022-05-16 | 2022-08-23 | 深圳前海中电慧安科技有限公司 | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113703015B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200133308A1 (en) | Vehicle to vehicle (v2v) communication less truck platooning | |
US11373413B2 (en) | Concept update and vehicle to vehicle communication | |
CN112069969B (zh) | 一种高速公路监控视频跨镜车辆跟踪方法及系统 | |
Piccoli et al. | Fussi-net: Fusion of spatio-temporal skeletons for intention prediction network | |
CN108460968A (zh) | 一种基于车联网获取交通路况信息的方法及装置 | |
CN112884815A (zh) | 一种基于多摄像机的车辆追踪方法 | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
CN114299456B (zh) | 一种基于实时轨迹检测的交叉口行人过街风险评估方法 | |
Bernuy et al. | Topological semantic mapping and localization in urban road scenarios | |
CN116403139A (zh) | 一种基于目标检测的视觉跟踪定位方法 | |
CN113799793A (zh) | 一种基于数据驱动的实现预测模型自动化迭代的系统 | |
CN105469599A (zh) | 车辆轨迹跟踪和车辆行为预测方法 | |
Xiong et al. | Vehicle re-identification with image processing and car-following model using multiple surveillance cameras from urban arterials | |
Minnikhanov et al. | Detection of traffic anomalies for a safety system of smart city | |
CN117593685B (zh) | 真值数据的构建方法和装置、存储介质 | |
CN113703015B (zh) | 数据处理方法、装置、设备及介质 | |
Deng et al. | Skeleton model based behavior recognition for pedestrians and cyclists from vehicle sce ne camera | |
Kumar et al. | A comparative study of deep learning based lane detection methods | |
Yadav et al. | Locality-constrained continuous place recognition for SLAM in extreme conditions | |
CN109344776B (zh) | 数据处理方法 | |
CN115311867B (zh) | 隧道场景的定位方法、装置、计算机设备、存储介质 | |
Imad et al. | Navigation system for autonomous vehicle: A survey | |
Yin et al. | Road traffic prediction based on base station location data by Random Forest | |
CN113762043A (zh) | 异常轨迹识别方法及装置 | |
Kress et al. | Start intention detection of cyclists using an LSTM network |
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 |