CN113723346A - 基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法 - Google Patents
基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法 Download PDFInfo
- Publication number
- CN113723346A CN113723346A CN202111056190.5A CN202111056190A CN113723346A CN 113723346 A CN113723346 A CN 113723346A CN 202111056190 A CN202111056190 A CN 202111056190A CN 113723346 A CN113723346 A CN 113723346A
- Authority
- CN
- China
- Prior art keywords
- track
- point
- portrait
- vehicle
- weight
- 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
- 206010034701 Peroneal nerve palsy Diseases 0.000 title claims abstract description 11
- 238000004458 analytical method Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002035 prolonged effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法，通过卡口视频并结合车辆人员的人像轨迹数据，将车辆和人员的轨迹进行绑定，进一步缩小嫌疑人落脚点范围和提高落脚点模型精度。通过赋予各轨迹点不同的权重值，最终找到和平时出行轨迹拟合度最高的轨迹。加入间隔时间和距离计算目标对象在各轨迹点停留的时间，去除因为距离长而导致时间间隔长的因素，并根据轨迹场是否闭合状态，分别判断其落脚点，大大提高了方法的准确率。
Description
技术领域
本发明涉及智慧交通技术领域，特别涉及一种基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法。
背景技术
随着移动互联网技术不断发展，人们一举一动不经意产生大量的位置轨迹痕迹。现有技术中，在进行落脚点分析时，主要通过人工查看监控或统计在各卡口出现的次数最多的位置作为用户落脚点判断，费时费力，时效性和准确率低，容易误报，抓捕效率低。
发明内容
本发明要解决的技术问题，在于提供一种基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法，通过将车辆和人员的轨迹进行绑定并计算权重，找到与平时出行轨迹拟合度最高的轨迹，大大提高了方法的准确率。
本发明包括如下步骤：
步骤10、提取目标车辆和目标人像一个时间周期内的所有轨迹；当获取的目标轨迹的条数大于等于设定值时，进入步骤20，否则延长时间周期，重新获取目标轨迹；
步骤20、通过车辆卡口数据中拍摄到的人像，将车辆轨迹和人像轨迹进行并联；
步骤30、以日期为单位将并联后的轨迹记录分成多条轨迹；
统计轨迹中各点位的出现次数和出现天数，并按出现天数和出现次数计算轨迹点的权重，将权重值在前M位的轨迹点连接成线，得到出行的虚拟轨迹，其中M为每天经过的点位数量平均值；
统计每个日期每一轨迹点与下个轨迹点的时间间隔和距离，得到车辆或人员在各轨迹点区域的停留时间；
步骤40、根据虚拟轨迹计算每条轨迹的加权平均值，将加权平均值最大的轨迹作为最优轨迹；
步骤50、判断所述最优轨迹是否闭合，若是，则将停留时间最长的轨迹点区域的开始点作为落脚点；若否，则对比轨迹起点和轨迹终点的权重，将二者中权重较大的点作为落脚点。
进一步地，所述步骤30中，按出现天数和出现次数计算轨迹点的权重，具体采用如下公式：
轨迹点的权重＝出现天数+出现次数/2。
进一步地，所述步骤30中，统计每个日期每一轨迹点与下个轨迹点的时间间隔和距离，得到车辆或人员在各轨迹点区域的停留时间，具体采用如下公式：
停留时间＝时间间隔-距离/平均速度。
进一步地，所述步骤40中，根据虚拟轨迹计算每条轨迹的加权平均值，具体为：
如当天经过的点包含在虚拟轨迹中，则通过乘法增加该点的权重，如不在虚拟轨迹中，则按原本点位权重进行计算。
进一步地，所述步骤50中，判断所述最优轨迹是否闭合，具体为：判断所述最优轨迹起点和终点的距离，当距离小于1公里时，判断结果为闭合。
本发明实施例具有如下技术效果或优点：
通过卡口视频并结合车辆人员的人像轨迹数据，将车辆和人员的轨迹进行绑定，进一步缩小嫌疑人落脚点范围和提高落脚点模型精度。通过赋予各轨迹点不同的权重值，最终找到和平时出行轨迹拟合度最高的轨迹。进一步地，加入间隔时间和距离计算目标对象在各轨迹点停留的时间，去除因为距离长而导致时间间隔长的因素，并根据轨迹场是否闭合状态，分别判断其落脚点，大大提高了方法的准确率。
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
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明实施例方法的流程图。
具体实施方式
本申请实施例中的技术方案，总体思路如下：
通过卡口视频并结合车辆人员的人像轨迹数据，将车辆和人员的轨迹进行绑定，进一步缩小嫌疑人落脚点范围和提高落脚点模型精度。通过赋予各轨迹点不同的权重值，最终找到和平时出行轨迹拟合度最高的轨迹。进一步加入间隔时间和距离计算目标对象在各轨迹点停留的时间，去除因为距离长而导致时间间隔长的因素，并根据轨迹场是否闭合状态，分别判断其落脚点，大大提高了方法的准确率。
请参考图1，本实施例提供一种基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法，包括：
步骤10、提取目标轨迹：
提取目标车辆和目标人像一个时间周期内的所有轨迹；可以以1-10周为一个时间周期，对获取的目标轨迹的条数进行最小值限制(比如，5条)，当获取的目标轨迹的条数大于等于设定值时，进入步骤20，否则延长时间周期，重新获取目标轨迹。
步骤20、轨迹并联合并：
通过车辆卡口数据中拍摄到的人像，将车辆轨迹和人像轨迹进行并联，从而得到得到车辆和人像的对应关系。由于在人的日常活动中，当驾驶车辆结束后，经常还需要步行到达目标地点，因此，将人像数据纳入分析，通过车辆卡口数据中拍摄到的人像与车辆数据进行并联，可以得到完整的轨迹路线，进一步缩小目标人物落脚点范围和提高落脚点模型精度。
步骤30、碰撞出主要出行轨迹：
以日期(天)为单位将并联后的轨迹记录分成多条轨迹。
统计轨迹中各点位的出现次数和出现天数，并按出现天数和出现次数计算轨迹点的权重，将权重值在前M位的轨迹点连接成线，得到出行的虚拟轨迹，其中M为每天经过的点位数量平均值；虚拟轨迹为目标人物的主要出行轨迹，因为人的活动习惯不同，每天经过的点数差异很大，所以通过计算每天经过的点位数量平均值，可以得到最为合理的虚拟轨迹点的取值范围。
统计每个日期每一轨迹点与下个轨迹点的时间间隔和距离，得到车辆或人员在各轨迹点区域的停留时间。
步骤40、碰撞出“最优轨迹”：
根据虚拟轨迹计算每条轨迹的加权平均值(比如，如当天经过的点包含在虚拟轨迹中，则通过乘法增加该点的权重，如不在虚拟轨迹中，则按原本点位权重进行计算，目的是找出拟合平时出行的轨迹，排除偶尔出行轨迹)，将加权平均值最大的轨迹作为最优轨迹。最优轨迹为与虚拟轨迹拟合度最高的实际活动轨迹。
步骤50、确定落脚点：
判断所述最优轨迹是否闭合(比如，判断所述最优轨迹起点和终点的距离，当距离小于1公里时，判断结果为闭合)，若是，则将停留时间最长的轨迹点区域的开始点作为落脚点；若否，则对比轨迹起点和轨迹终点的权重，将二者中权重较大的点作为落脚点。通过判断轨迹是否闭合，再结合各轨迹点区域的停留时间，得到最可能的落脚点。闭合的轨迹即代表人物出去后又返回，未闭合的轨迹代表出去后没有返回，实际应用当中会有很多出去和回来所经过的卡口或人像设备不一致，但是实际用户已经回到原来位置的情况，因此设置1公里的判断阈值，也可以根据实际需求对阈值进行调整。
较佳地，所述步骤30中，按出现天数和出现次数计算轨迹点的权重，具体采用如下公式：
轨迹点的权重＝出现天数+出现次数/2。
为了避免一些特殊情况使得在同一个区域记录到多次出现，使得出现次数对权重影响过大，故采用系数对出现次数的权重进行限制。经过测试，出现天数+出现次数/2可以得到比较合理的权重值。
较佳地，所述步骤30中，统计每个日期每一轨迹点与下个轨迹点的时间间隔和距离，得到车辆或人员在各轨迹点区域的停留时间，具体采用如下公式：
停留时间＝时间间隔-距离/平均速度。
为了去除因为距离长而导致时间间隔长的情况，将两点之间的正常所需的通行时间纳入考虑范围，使得停留时间更为精准，从而更为精确地得到落脚点结果。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。
Claims (5)
1.一种基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法，其特征在于，包括：
步骤10、提取目标车辆和目标人像一个时间周期内的所有轨迹；当获取的目标轨迹的条数大于等于设定值时，进入步骤20，否则延长时间周期，重新获取目标轨迹；
步骤20、通过车辆卡口数据中拍摄到的人像，将车辆轨迹和人像轨迹进行并联；
步骤30、以日期为单位将并联后的轨迹记录分成多条轨迹；
统计轨迹中各点位的出现次数和出现天数，并按出现天数和出现次数计算轨迹点的权重，将权重值在前M位的轨迹点连接成线，得到出行的虚拟轨迹，其中M为每天经过的点位数量平均值；
统计每个日期每一轨迹点与下个轨迹点的时间间隔和距离，得到车辆或人员在各轨迹点区域的停留时间；
步骤40、根据虚拟轨迹计算每条轨迹的加权平均值，将加权平均值最大的轨迹作为最优轨迹；
步骤50、判断所述最优轨迹是否闭合，若是，则将停留时间最长的轨迹点区域的开始点作为落脚点；若否，则对比轨迹起点和轨迹终点的权重，将二者中权重较大的点作为落脚点。
2.根据权利要求1所述的方法，其特征在于：所述步骤30中，按出现天数和出现次数计算轨迹点的权重，具体采用如下公式：
轨迹点的权重＝出现天数+出现次数/2。
3.根据权利要求1或2所述的方法，其特征在于：所述步骤30中，统计每个日期每一轨迹点与下个轨迹点的时间间隔和距离，得到车辆或人员在各轨迹点区域的停留时间，具体采用如下公式：
停留时间＝时间间隔-距离/平均速度。
4.根据权利要求1所述的方法，其特征在于：所述步骤40中，根据虚拟轨迹计算每条轨迹的加权平均值，具体为：
如当天经过的点包含在虚拟轨迹中，则通过乘法增加该点的权重，如不在虚拟轨迹中，则按原本点位权重进行计算。
5.根据权利要求1所述的方法，其特征在于：所述步骤50中，判断所述最优轨迹是否闭合，具体为：判断所述最优轨迹起点和终点的距离，当距离小于1公里时，判断结果为闭合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111056190.5A CN113723346A (zh) | 2021-09-09 | 2021-09-09 | 基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111056190.5A CN113723346A (zh) | 2021-09-09 | 2021-09-09 | 基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113723346A true CN113723346A (zh) | 2021-11-30 |
Family
ID=78682911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111056190.5A Pending CN113723346A (zh) | 2021-09-09 | 2021-09-09 | 基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723346A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105427586A (zh) * | 2015-12-16 | 2016-03-23 | 武汉烽火众智数字技术有限责任公司 | 一种基于多轨迹碰撞的车辆落脚点分析方法 |
| CN109448363A (zh) * | 2018-09-30 | 2019-03-08 | 佳都新太科技股份有限公司 | 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端 |
| US20190189005A1 (en) * | 2017-07-04 | 2019-06-20 | Shandong Provincial Communications Planning And Design Institute | Method for judging highway abnormal event |
| CN111985452A (zh) * | 2020-09-04 | 2020-11-24 | 山东合天智汇信息技术有限公司 | 一种人员活动轨迹及落脚点的自动生成方法及系统 |
-
2021
- 2021-09-09 CN CN202111056190.5A patent/CN113723346A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105427586A (zh) * | 2015-12-16 | 2016-03-23 | 武汉烽火众智数字技术有限责任公司 | 一种基于多轨迹碰撞的车辆落脚点分析方法 |
| US20190189005A1 (en) * | 2017-07-04 | 2019-06-20 | Shandong Provincial Communications Planning And Design Institute | Method for judging highway abnormal event |
| CN109448363A (zh) * | 2018-09-30 | 2019-03-08 | 佳都新太科技股份有限公司 | 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端 |
| CN111985452A (zh) * | 2020-09-04 | 2020-11-24 | 山东合天智汇信息技术有限公司 | 一种人员活动轨迹及落脚点的自动生成方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107507418B (zh) | 一种高速公路车辆进入服务区停留过程分析方法及装置 | |
| US10496881B2 (en) | PU classifier for detection of travel mode associated with computing devices | |
| CN110874362A (zh) | 一种数据关联分析方法及装置 | |
| WO2017092418A1 (zh) | 过车记录处理方法和装置 | |
| CN105547322A (zh) | 一种使用卫星定位数据进行车辆行驶里程计算的方法 | |
| US20180261082A1 (en) | Method and device for processing traffic road information | |
| CN104751631A (zh) | 基于gps定位和模糊理论判断出行链交通方式的方法 | |
| US10952026B2 (en) | Neural network classifier for detection of travel mode associated with computing devices | |
| CN110634290B (zh) | 一种基于自行车轨迹数据的逆行行为识别方法 | |
| CN108139423A (zh) | 记录装置、移动终端、分析装置、程序以及存储介质 | |
| CN112837533B (zh) | 一种考虑风险因素时变特征的公路事故频次预测方法 | |
| CN103854292A (zh) | 一种人数及人群运动方向的计算方法及装置 | |
| CN108922193B (zh) | 一种基于浮动车轨迹数据的交叉口信号周期估计方法 | |
| CN207440847U (zh) | 行车数据处理装置及系统 | |
| CN107563288A (zh) | 一种套牌车车辆的识别方法和装置 | |
| CN106683227B (zh) | 车辆行程划分方法及装置 | |
| CN106530704A (zh) | 一种基于多元数据融合的浮动车聚集检测方法 | |
| CN109034187A (zh) | 一种用户家庭工作地址挖掘流程 | |
| CN105744223A (zh) | 视频数据处理方法和装置 | |
| CN111445700B (zh) | 一种基于车牌识别数据的区域行停车辆的监测方法 | |
| CN111291216B (zh) | 一种基于人脸结构化数据的落脚点分析方法和系统 | |
| CN115239839A (zh) | 室内游泳轨迹数据处理方法 | |
| CN110021161A (zh) | 一种交通流向的预测方法及系统 | |
| CN201622624U (zh) | 运动记录器 | |
| CN113723346A (zh) | 基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211130 |