CN114091630A - 获取目标对象移动轨迹信息的方法、装置及系统 - Google Patents
获取目标对象移动轨迹信息的方法、装置及系统 Download PDFInfo
- Publication number
- CN114091630A CN114091630A CN202210076699.4A CN202210076699A CN114091630A CN 114091630 A CN114091630 A CN 114091630A CN 202210076699 A CN202210076699 A CN 202210076699A CN 114091630 A CN114091630 A CN 114091630A
- Authority
- CN
- China
- Prior art keywords
- target
- target object
- clustering
- result
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000004458 analytical method Methods 0.000 claims abstract description 52
- 230000033001 locomotion Effects 0.000 claims description 109
- 238000009826 distribution Methods 0.000 claims description 71
- 238000007621 cluster analysis Methods 0.000 claims description 31
- 238000007726 management method Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 29
- 230000000007 visual effect Effects 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 18
- 230000005540 biological transmission Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010408 sweeping Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000270322 Lepidosauria Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Abstract
本发明公开了一种获取目标对象移动轨迹信息的方法、装置及系统。其中，该方法包括：对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围；基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息。本发明解决了相关技术中对象识别逻辑简单导致区域内对象移动轨迹数据准确度低的技术问题。
Description
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种获取目标对象移动轨迹信息的方法、装置及系统。
背景技术
在物流、电子商务、餐饮、医疗等应用场景下，越来越多的机器人被投入日常操作使用中。用户可以运用大数据、人工智能等技术对应用场景进行数字化处理。机器人巡迹技术可以还原每个机器人在应用场景中的活动轨迹，进而帮助用户掌握机器人的活动情况。对此，机器人巡迹技术需要构建机器人视觉识别方案，即通过视觉识别为同一个机器人关联同一个ID，为不同的机器人分配不同的ID。
相关方案中，对机器人进行视觉识别的方法主要是：通过视觉采集设备捕捉机器人并提取该机器人的特征；将该机器人的特征与数据库中的现有特征数据进行匹配；若匹配成功则将该机器人关联至匹配的现有特征数据对应的机器人ID，若匹配失败则为该机器人分配新的机器人ID。然而，这种方法的缺陷在于：只能在全场尺度下进行匹配，灵活性差；容易将相似的机器人进行错误匹配。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种获取目标对象移动轨迹信息的方法、装置及系统，以至少解决相关技术中对象识别逻辑简单导致区域内对象移动轨迹数据准确度低的技术问题。
根据本发明实施例的一个方面，提供了一种获取目标对象移动轨迹信息的方法，包括：对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围；基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息。
根据本发明实施例的另一方面，还提供了一种获取目标对象移动轨迹信息的方法，包括：接收来自于企业客户端的区域信息，其中，区域信息用于确定目标区域，目标区域用于确定至少一个目标对象的活动范围；对目标区域进行多尺度划分以得到划分结果，基于划分结果利用至少一个目标对象的多种模态特征进行聚类分析以得到目标聚类结果，以及通过目标聚类结果获取至少一个目标对象在目标区域内的移动轨迹信息；将移动轨迹信息反馈至企业客户端。
根据本发明实施例的另一方面，还提供了一种机器设备管理方法，包括：获取目标区域的区域信息，其中，目标区域用于确定至少一个机器设备的活动范围；对目标区域进行多尺度划分以得到划分结果，基于划分结果利用至少一个机器设备的多种模态特征进行聚类分析以得到目标聚类结果，以及通过目标聚类结果获取至少一个机器设备在目标区域内的历史移动轨迹信息；获取目标区域的管理信息，基于历史移动轨迹信息和管理信息生成目标移动轨迹信息，其中，管理信息用于调整至少一个机器设备中部分或全部机器设备的移动轨迹，目标移动轨迹信息用于确定至少一个机器设备的目标移动轨迹。
根据本发明实施例的另一方面，还提供了一种获取目标对象移动轨迹信息的装置，包括：划分模块，用于对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围；聚类模块，用于基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；获取模块，用于通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息。
根据本发明实施例的另一方面，还提供了一种存储介质，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行任意一项上述的获取目标对象移动轨迹信息的方法。
根据本发明实施例的另一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行任意一项上述的获取目标对象移动轨迹信息的方法。
根据本发明实施例的另一方面，还提供了一种获取目标对象移动轨迹信息的系统，包括：处理器；以及存储器，与上述处理器连接，用于为上述处理器提供处理以下处理步骤的指令：对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围；基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息。
在本发明实施例中，首先对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围，采用基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析的方式，得到目标聚类结果，通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息，达到了在区域内通过多尺度划分和对象多模态特征聚类获得对应的对象移动轨迹的目的，从而实现了提高对象识别的灵活性和准确性进而得到更精准的移动轨迹信息的技术效果，进而解决了相关技术中对象识别逻辑简单导致区域内对象移动轨迹数据准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了一种用于实现获取目标对象移动轨迹信息的方法的计算机终端（或移动设备）的硬件结构框图；
图2是根据本发明实施例的一种获取目标对象移动轨迹信息的方法的流程图；
图3是根据本发明实施例的一种可选的机器人巡迹过程的示意图；
图4是根据本发明实施例的一种可选的区域相机分布的示意图；
图5是根据本发明实施例的一种可选的基础区域划分的结果的示意图；
图6是根据本发明实施例的一种可选的相邻区域划分的结果的示意图；
图7是根据本发明实施例的一种可选的获取目标对象移动轨迹信息的方法的流程图；
图8是根据本发明实施例的一种在云端服务器进行获取目标对象移动轨迹信息的的示意图；
图9是根据本发明实施例的一种机器设备管理方法的流程图；
图10是根据本发明实施例的一种获取目标对象移动轨迹信息的装置的结构示意图；
图11是根据本发明实施例的另一种获取目标对象移动轨迹信息的装置的结构示意图；
图12是根据本发明实施例的另一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本发明实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
尺度：本发明中是指对象移动区域的大小。尺度越大，该区域覆盖的范围越大。
聚类：本发明中是“聚类分析算法”的简称，是指将相同或者相似数据汇聚在一个类别内的算法。
实施例1
根据本发明实施例，还提供了一种获取目标对象移动轨迹信息的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现获取目标对象移动轨迹信息的方法的计算机终端（或移动设备）的硬件结构框图。如图1所示，计算机终端10（或移动设备10）可以包括一个或多个（图中采用102a、102b，……，102n来示出）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、键盘、光标控制设备（如鼠标）、输入/输出接口（I/O接口）、通用串行总线（USB）端口（可以作为BUS总线的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10（或移动设备）中的其他元件中的任意一个内。如本发明实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的获取目标对象移动轨迹信息的方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的获取目标对象移动轨迹信息的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与计算机终端10（或移动设备）的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备（或移动设备）可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备（或移动设备）中的部件的类型。
在上述运行环境下，本发明提供了如图2所示的一种获取目标对象移动轨迹信息的方法。图2是根据本发明实施例的一种获取目标对象移动轨迹信息的方法的流程图，如图2所示，该获取目标对象移动轨迹信息的方法包括：
步骤S202，对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围
步骤S204，基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；
步骤S206，通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息。
可选地，上述目标区域可以用于确定至少一个目标对象的活动范围。例如，该目标区域可以是百货商场、商业街、超市、物流集散地等区域，该目标区域中可以包含多个活动的机器人。
可选地，对上述目标区域进行多尺度划分，可以得到划分结果。例如，对物流集散地进行多尺度划分，可以包括：小尺度的划分，对应的划分结果为多个仓库区域；中尺度的划分，对应的划分结果为多个相邻仓库区域；大尺度的划分，对应的划分结果为收货区、发货区、中转区等。
可选地，基于上述划分结果，可以对至少一个上述目标对象的多种模态特征进行聚类分析，进而得到上述目标聚类结果。例如，该目标对象可以是机器人（如：家庭、公司等场景下的扫地机器人；餐厅、宾馆等场景下的服务机器人；医院、银行等场景下的引导机器人；仓库、物流集散地等场景下的送货机器人），该机器人的多种模态特征可以包括机器人的身份特征、尺寸特征、长相特征、种类特征等。对该机器人的多种模态特征进行聚类分析，可以是在该机器人的多种模态特征数据与数据库中已有的特征数据中将相同或者相似的特征数据汇聚在一个类别内。该目标聚类结果可以是对多个机器人的多模态特征数据进行聚类分析的分析结果。
可选地，通过上述目标聚类结果，可以获取至少一个目标对象在上述目标区域内的移动轨迹信息。例如，该移动轨迹信息可以是多个机器人在物流集散地内工作时的移动轨迹信息，可以包括轨迹位置信息、移动速度信息、轨迹密度信息等。在实际应用场景中，通过该多个机器人的移动轨迹信息，可以分析得到物流集散地内机器人的工作状态，进而进行物流集散地内机器人投放数量、机器人投放区域、仓库分配等调整以提高工作效率。
需要说明的是，上述至少一个目标对象可以包括：至少一个机器人和/或至少一只宠物。该至少一机器人的类型包括以下至少之一：扫地机器人、服务机器人、引导机器人、送货机器人；该至少一只宠物包括以下至少之一：爬行宠物、飞行宠物。例如：在某公园区域内，需要进行区分的至少一个目标对象可以包括：与游客随行的多只宠物猫、多只宠物狗、多只宠物鸟，以及该公园的服务区内的多个服务机器人、多个引导机器人等，以及该公园的多个服务区之间运行的多个送货机器人等。
在本发明实施例中，首先对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围，采用基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析的方式，得到目标聚类结果，通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息，达到了在区域内通过多尺度划分和对象多模态特征聚类获得对应的对象移动轨迹的目的，从而实现了提高对象识别的灵活性和准确性进而得到更精准的移动轨迹信息的技术效果，进而解决了相关技术中对象识别逻辑简单导致区域内对象移动轨迹数据准确度低的技术问题。
可选地，本发明所提供的上述获取目标对象移动轨迹信息的方法可以但不限于应用于物流、医疗、电子商务、线下零售批发等领域中的区域数字化、机器人巡迹等应用场景下。在上述应用场景下，可以通过预先划分区域，并通过相机捕获机器人的特征数据，使用多尺度聚类算法得到更精确的机器人移动轨迹信息，进而服务生产。
在一种可选的实施例中，在步骤S202中，对目标区域进行多尺度划分，得到划分结果，包括如下方法步骤：
步骤S221，获取目标区域内多个相机的分布信息以及多个相机中每个相机的可视范围；
步骤S222，基于分布信息和可视范围对目标区域进行多尺度划分，得到划分结果。
可选地，上述目标区域可以用于确定至少一个目标对象的活动范围。该目标区域内可以包括多个相机。获取该目标区域内多个相机的分布信息以及多个相机中每个相机的可视范围，可以基于该分布信息和该可视范围对目标区域进行多尺度划分，进而得到上述划分结果。该分布信息可以是该目标区域内多个相机的位置信息，该多个相机中每个相机的可视范围可以是该相机的可拍摄区域覆盖的范围。
例如，在对物流集散地Area1进行机器人巡迹时，可以使用本实施例提供的方法。图3是根据本发明实施例的一种可选的机器人巡迹过程的示意图，如图3所示，进行机器人巡迹时，首先对该物流集散地Area1进行两次区域划分，该两次区域划分可以基于该物流集散地Area1内包括的多个相机进行的。
具体地，图4是根据本发明实施例的一种可选的区域相机分布的示意图，如图4所示，在物流集散地Area1内包括N个相机，且该N个相机可以对应不同的拍摄方向。根据该N个相机的安装位置，可以获取该物流集散地Area1的相机分布信息Data1。根据该相机分布信息和该N个相机的拍摄方向，可以确定N个相机中每个相机的可视范围，记为Data_view。
在一种可选的实施例中，在步骤S222中，基于分布信息和可视范围对目标区域进行多尺度划分，得到划分结果，包括如下方法步骤：
步骤S2221，基于分布信息和可视范围，在第一尺度上对目标区域进行划分，得到多个第一区域；
步骤S2222，基于分布信息和可视范围，在第二尺度上对目标区域进行划分，得到多个第二区域，其中，第一尺度小于第二尺度，多个第二区域中每个第二区域包括：至少两个相邻的第一区域；
步骤S2223，通过多个第一区域和多个第二区域确定划分结果。
可选地，上述目标区域可以用于确定至少一个目标对象的活动范围。该分布信息可以是该目标区域内多个相机的位置信息，该多个相机中每个相机的可视范围可以是该相机的可拍摄区域覆盖的范围。基于该分布信息和可视范围，可以在上述第一尺度上对上述目标区域进行划分，进而得到上述多个第一区域。基于该分布信息和该可视范围，还可以在上述第二尺度上对上述目标区域进行划分，进而得到上述多个第二区域。
可选地，上述第一尺度小于第二尺度，上述多个第一区域中每个第一区域的范围可以小于上述第二区域中每个第二区域的范围。该多个第二区域中每个第二区域可以包括：至少两个相邻的第一区域。
可选地，通过上述多个第一区域和上述多个第二区域，可以确定上述划分结果。该划分结果可以包括多个第一区域和多个第二区域。
图5是根据本发明实施例的一种可选的基础区域划分的结果的示意图，如图5所示，根据物流集散地Area1内N个相机的相机分布信息Data1和N多个相机中每个相机的可视范围Data_view，可以在基础尺度（相当于上述第一尺度）上将该物流集散地Area1划分为12个基础区域（相当于上述第一区域），分别记为B1~B12。
图6是根据本发明实施例的一种可选的相邻区域划分的结果的示意图，如图6所示，根据物流集散地Area1内N个相机的相机分布信息Data1和N多个相机中每个相机的可视范围Data_view，可以在相邻区域尺度（相当于上述第二尺度）上将该物流集散地Area1划分为3个相邻区域（相当于上述第二区域），分别记为C1~C3。该基础尺度小于该相邻区域尺度。
如图5和图6所示，该3个相邻区域中的每个相邻区域可以包括多个相邻的基础区域。比如：相邻区域C1包括基础区域B1、B2和B3，其中，B1与B2相邻，B2与B1、B3相邻；相邻区域C2包括基础区域B4、B5和B6，其中，B4与B5、B6相邻，B5与B4、B6相邻；相邻区域C1包括基础区域B7、B8、B9、B10、B11和B12，其中，B7与B8、B9、B10相邻，B8与B7、B9相邻，B9与B7、B8、B10相邻，B10与B7、B9、B11相邻，B11与B10、B12相邻，B12与B11相邻。
根据物流集散地Area1内N个相机的相机分布信息Data1和N多个相机中每个相机的可视范围Data_view对该物流集散地Area1进行多尺度划分，得到的划分结果为上述12个基础区域和上述3个相邻区域。
在一种可选的实施例中，在步骤S204中，基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果，包括如下方法步骤：
步骤S241，针对多个第一区域，利用至少一个目标对象的多种模态特征进行聚类分析，得到第一聚类结果；
步骤S242，针对多个第二区域，利用第一聚类结果和至少一个目标对象的多种模态特征进行聚类分析，得到第二聚类结果；
步骤S243，针对目标区域，利用第二聚类结果和至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果。
可选地，上述划分结果可以包括上述多个第一区域和上述多个第二区域。上述目标区域可以用于确定至少一个目标对象的活动范围。例如，该目标区域可以是百货商场、商业街、超市、物流集散地等区域，该目标对象可以是在该目标区域中活动的机器人，该机器人的多种模态特征可以包括：身份特征、尺寸特征、长相特征、种类特征等。
可选地，针对上述多个第一区域，可以利用至少一个目标对象的上述多种模态特征进行聚类分析，进而得到第一聚类结果。针对上述多个第二区域，可以利用该第一聚类结果和至少一个目标对象的上述多种模态特征进行聚类分析，进而得到第二聚类结果。针对目标区域，可以利用该第二聚类结果和至少一个目标对象的上述多种模态特征进行聚类分析，进而得到目标聚类结果。
需要说明的是，不同于相关技术提供的方法，通过本实施例提供的上述方法，即针对多尺度划分的区域，进行目标对象的多种模态特征聚类，进而得到目标聚类结果用于获取该目标对象的移动轨迹信息，可以提高区域中对象视觉识别的准确度，进而得到更精准的移动轨迹信息。
在一种可选的实施例中，获取目标对象移动轨迹信息的方法还包括如下方法步骤：
步骤S208，对至少一个目标对象进行图像追踪，得到至少一个目标对象中每个目标对象的待处理图像集；
步骤S210，对待处理图像集进行特征提取，得到至少一个目标对象中每个目标对象的外貌特征和形体特征。
可选地，上述目标对象可以是在上述目标区域中活动的机器人。在该目标区域中使用相机对至少一个机器人进行图像追踪，可以得到该至少一个机器人中每个机器人的待处理图像集。该待处理图像集可以包括相机拍摄的多个包括该机器人的图像。
可选地，上述目标对象可以是在上述目标区域中活动的机器人。对上述至少一个目标对象中每个目标对象的待处理图像集进行特征提取，可以是对该待处理图像集中的每张图像进行分析并提取出该图像中显示的机器人的特征数据。该特征数据可以包括外貌特征数据（例如：机器人的长相特征等）和形体特征数据（例如：机器人的尺寸特征、肢体行为特征等）。
在一种可选的实施例中，在步骤S241中，针对多个第一区域，利用至少一个目标对象的多种模态特征进行聚类分析，得到第一聚类结果，包括如下方法步骤：
步骤S2411，针对多个第一区域中的每个第一区域，利用每个第一区域内选取的至少一个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；
步骤S2412，按照至少一个目标对象中每个目标对象的追踪标识、历史聚类结果标识、外貌特征和形体特征进行聚类分析，得到第一聚类结果，其中，历史聚类结果标识用于确定第一聚类结果对应的历史时间段内的聚类结果。
可选地，上述多个第一区域可以是基于上述目标区域内多个相机的分布信息和可视范围，在第一尺度上对该目标区域进行划分得到多个区域。针对该多个第一区域中的每个第一区域，可以利用每个第一区域内选取的至少一个相机对该第一区域内的至少一个目标对象进行追踪，进而确定该至少一个目标对象中每个目标对象的追踪标识。每个目标对象可以对应唯一的追踪标识，该追踪标识可以用于表示该目标对象的移动轨迹。
可选地，按照上述至少一个目标对象中每个目标对象的追踪标识、历史聚类结果标识、外貌特征和形体特征进行聚类分析，可以得到当前时间段对应的上述第一聚类结果。该历史聚类结果标识可以用于确定第一聚类结果对应的历史时间段内的聚类结果。
例如，在对物流集散地Area1进行机器人巡迹时，可以使用本实施例提供的方法。仍然如图3所示，需要对该物流集散地Area1中的机器人进行检测和追踪。使用该物流集散地Area1中的N个相机，对进入其中的机器人进行检测，可以检测得到多个机器人。对检测到的多个机器人中的每个机器人进行单相机追踪，得到该机器人的多个优选图像（相当于上述待处理图像集）。具体地，得到该多个优选图像可以包括如下方法步骤：
第一步，单个相机每隔5分钟获取过去60分钟内该机器人在该相机的可视范围内移动的视频，该视频包括多张图像帧。
第二步，筛选多张图像帧中显示该机器人正面的部分图像帧。
第三步，基于上述部分图像帧，每隔3秒从过去3秒内包含的图像帧中挑选一个优先级最高的图像帧作为优选图像，其中，图像帧的优先级由该图像帧中该机器人正面关键点的显示情况决定，图像帧中显示的该机器人正面关键点越多则该图像帧的优先级越高。
第四步，将选取的该机器人的优选图像关联到该机器人对应的追踪ID（相当于上述追踪标识）。
第五步，实时监测优选图像的数量，为每个机器人的追踪轨迹保留最多7张优选图像。当监测到历史保留的优选图像数量为7时，从历时保留的7张优选图像和当前选取的1张优选图像共8张图像中删除优先级最低的一张优选图像。
仍然例如，在对物流集散地Area1进行机器人巡迹时，可以使用本实施例提供的方法。对该物流集散地Area1中多个机器人中每个机器人的多个优选图像进行特征提取，可以得到该多个机器人中每个机器人的长相特征数据（相当于上述外貌特征）和肢体行为特征数据（包括上述形体特征）。
仍然如图3所示，每隔5分钟对过去60分钟内该物流集散地Area1中的机器人的特征数据进行基础区域聚类。在该物流集散地Area1划分得到12个基础区域（相当于上述第一区域）B1~B12中的每个基础区域中，对该基础区域中每个相机追踪到的每个机器人，基于该机器人对应的追踪ID、上一次（即上一个聚类时刻对应的过去5分钟）对该机器人进行基础区域聚类的聚类结果、该机器人在当前时间段（即当前时刻对应的过去5分钟）内提取的长相特征数据和肢体行为特征数据，使用多模态聚类算法得到该机器人在当前时间段对应的基础聚类结果（相当于上述第一聚类结果）。
在一种可选的实施例中，在步骤S242中，针对多个第二区域，利用第一聚类结果和至少一个目标对象的多种模态特征进行聚类分析，得到第二聚类结果，包括如下方法步骤：
步骤S2421，针对多个第二区域中的每个第二区域，利用每个第二区域内选取的至少一个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；
步骤S2422，将第一聚类结果设定为聚类初始值，按照至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，得到第二聚类结果。
可选地，上述多个第二区域可以是基于上述目标区域内多个相机的分布信息和可视范围，在第二尺度上对该目标区域进行划分得到多个区域。该多个第二区域中每个第二区域包括：至少两个相邻的上述第一区域。针对该多个第二区域中的每个第二区域，可以利用每个第二区域内选取的至少一个相机对上述至少一个目标对象进行追踪，进而确定该至少一个目标对象中每个目标对象的追踪标识。每个目标对象可以对应唯一的追踪标识，该追踪标识可以用于表示该目标对象的移动轨迹。
可选地，上述第一聚类结果可以是针对上述多个第一区域，利用至少一个目标对象的多种模态特征进行聚类分析得到聚类结果。将该第一聚类结果设定为聚类初始值，可以按照上述至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，进而得到当前时间段对应的上述第二聚类结果。该时空约束关系可以包括根据现实场景中目标对象的移动情况确定的时间特征约束和空间特征约束。
例如，在对物流集散地Area1进行机器人巡迹时，可以使用本实施例提供的方法。仍然如图3所示，每隔5分钟对过去60分钟内该物流集散地Area1中的机器人的特征数据进行相邻区域聚类。在该物流集散地Area1划分得到3个相邻区域（相当于上述第二区域）C1~C3中的每个相邻区域中，对该相邻区域中每个相机追踪到的每个机器人，基于该机器人对应的追踪ID、上述时空约束关系、当前时间段（即当前时刻对应的过去5分钟）对该机器人进行基础区域聚类的聚类结果、该机器人在当前时间段（即当前时刻对应的过去5分钟）内提取的长相特征数据和肢体行为特征数据，使用多模态聚类算法得到该机器人在当前时间段对应的相邻聚类结果（相当于上述第二聚类结果）。
特别地，对物流集散地Area1进行机器人巡迹时，上述时空约束关系可以包括根据现实场景中机器人的移动情况确定的时间特征约束。例如：机器人R1被某相机追踪到两条轨迹，第一条轨迹开始的时间为t1，追踪结束的时间为t2，第二条轨迹开始的时间为t3，追踪结束的时间为t4；可以计算得到该两条轨迹的时间差为Ts1=t3-t2；此时根据该时间差Ts1、该相机与其他相机间的最短可达时间、该区域与其他区域间的最短可达时间以及时间特征约束，可以确定该两条轨迹之间的关系。这里的时间特征约束可以是“机器人两次出现在同一个相机的可视范围内的时间差不可能小于相机间的最短可达时间”。
仍然如图3所示，当对物流集散地Area1进行区域划分后，可以根据该物流集散地Area1中N个相机的分布信息和可视范围，预先计算两两区域间的最短可达时间和两两相机间的最短可达时间。例如：设定机器人的移动速度为2m/s，认为机器人在相邻的区域间直接可达，机器人在不相邻的两个区域间移动的最短可达时间为该两个区域间的距离与该机器人移动速度的比值。再例如，认为机器人在同一个区域内的两个相机间直接可达，机器人在属于两个不同的区域的两个相机之间移动时，可以根据该两个区域之间最短可达时间计算该两个相机之间的最短可达时间。
特别地，对物流集散地Area1进行机器人巡迹时，上述时空约束关系可以包括根据现实场景中机器人的移动情况确定的空间特征约束。例如：在对基础聚类结果进行进一步聚类时，需要判断两个不同的基础聚类结果是否对应同一个机器人。由于每个机器人对应的追踪ID是唯一的，因此，这里空间特征约束可以是“两个不同的基础聚类结果对应的追踪ID不可能同时出现在同一个区域”。
在一种可选的实施例中，在步骤S243中，针对目标区域，利用第二聚类结果和至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果，包括如下方法步骤：
步骤S2431，针对目标区域，利用多个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；
步骤S2432，将第二聚类结果设定为聚类初始值，按照至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，得到目标聚类结果。
可选地，上述目标区域可以用于确定至少一个目标对象的活动范围，该目标区域可以包括多个相机。针对该目标区域，可以利用该多个相机对至少一个目标对象进行追踪，进而确定该至少一个目标对象中每个目标对象的追踪标识。每个目标对象可以对应唯一的追踪标识，该追踪标识可以用于表示该目标对象的移动轨迹。
可选地，上述第二聚类结果可以是针对上述多个第二区域，利用上述第一聚类结果和至少一个目标对象的多种模态特征进行聚类分析得到聚类结果。将该第二聚类结果设定为聚类初始值，可以按照该至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，得到当前时间段对应的目标聚类结果。该时空约束关系可以包括根据现实场景中目标对象的移动情况确定的时间特征约束和空间特征约束。
例如，在对物流集散地Area1进行机器人巡迹时，可以使用本实施例提供的方法。仍然如图3所示，每隔5分钟对过去60分钟内该物流集散地Area1中的机器人的特征数据进行全场（即整个物流集散地Area1）聚类。在整个物流集散地Area1中，对其中N个相机的每个相机追踪到的每个机器人，基于该机器人对应的追踪ID、上述时空约束关系、当前时间段（即当前时刻对应的过去5分钟）对该机器人进行相邻区域聚类的相邻聚类结果、该机器人在当前时间段（即当前时刻对应的过去5分钟）内提取的长相特征数据和肢体行为特征数据，使用多模态聚类算法得到该机器人在当前时间段对应的目标聚类结果。
需要说明的是，上述时空约束关系是根据现实场景中机器人的移动情况确定的，进行全场聚类时使用的时空约束关系可以由进行相邻区域聚类时使用的时空约束关系确定。
仍然例如，在对物流集散地Area1进行机器人巡迹时，可以使用本实施例提供的方法。基于前述步骤获取的目标聚类结果，对于该物流集散地Area1中多个机器人的每个机器人，选择该机器人优先级最高的图像与数据库中的已有机器人图像进行比对。如果该机器人图像与数据库中已有的机器人图像比对成功，则将该机器人关联至该比对成功的已有机器人的ID；如果该机器人图像与数据库中已有的机器人图像比对失败，则为该机器人关联新的ID并将该机器人加入数据库。
需要说明的是，本实施例提供的方法包括对目标区域内的至少一个目标对象进行实时聚类（例如：每过5分钟对过去60分钟的数据进行多层聚类），在实际应用场景中，在机器人工作时会进行多次聚类，可以为每次聚类的聚类结果分配一个聚类结果ID，该聚类结果ID可以用于标识该聚类结果，还可以用于取用该聚类结果。每次聚类可以达到以下效果：优化前一次聚类的聚类结果；将最近一次聚类对应的时间段（如5分钟）与历史聚类结果进行关联。
需要说明的是，在进行基础区域聚类（步骤S241）时，可以不考虑时空约束关系，因为可以认为在同一个区域内，时空关系都是合理的，没有被聚类的不同轨迹不可能对应同一个机器人。
可选地，本发明提供的方法中，目标对象的追踪标识可以是单相机下与该目标对象对应的唯一ID，也可以是单相机下该目标对象的再识别（re-Identification，简称reId）ID。reId技术是利用计算机视觉技术判断图像或者视频序列中是都存在特定对象的技术。例如：某区域中，一个机器人初次经过某个相机，可以获取该机器人的追踪ID。当该机器人再次经过该相机时，还可以获取一个新的追踪ID。此时，在单相机下使用reId技术，可以将该机器人的上述两个追踪ID进行合并，进而可以将得到的reId ID作为本发明提供的方法中的追踪标识。
需要说明的是，相关技术提供的方法可以适用于尺度较小的区域内的对象移动轨迹信息的召回场景。尺度越小，对应的区域所包含的相关数据越少，并且在小尺度下，对应的区域出现相似对象的概率小。然而，在大尺度下，出现相似对象的概率较大，相关技术提供的方法容易将相似的对象进行错误匹配。通过使用本发明提供的方法，将目标区域划分为多个尺度的子区域，对于不同尺度的子区域使用不同的阈值进行该区域内对象多模态特征的聚类，进而可以区分该目标区域内出现的相似对象，提升对象识别的灵活性和所得对象移动轨迹信息准确性。
此外，根据本发明提供的方法，将较小尺度的聚类结果作为较大尺度的聚类初始值，可以减少聚类过程中的计算量；根据区域内相机的可视范围进行目标区域的多尺度划分，其划分依据简单，便于在实际场景中应用；当存在被划分到不同区域的同一相机时，通过从单相机下的图像提取对象特征信息的方法，可以保证同一个对象在整个目标区域内轨迹ID的一致性。
本发明其中一实施例还提供了一种获取目标对象移动轨迹信息的方法，该获取目标对象移动轨迹信息的方法在云端服务器上运行，图7是根据本发明实施例的一种可选的获取目标对象移动轨迹信息的方法的流程图，如图7所示，该获取目标对象移动轨迹信息的方法，包括：
步骤S702，接收来自于企业客户端的区域信息，其中，区域信息用于确定目标区域，目标区域用于确定至少一个目标对象的活动范围；
步骤S704，对目标区域进行多尺度划分以得到划分结果，基于划分结果利用至少一个目标对象的多种模态特征进行聚类分析以得到目标聚类结果，以及通过目标聚类结果获取至少一个目标对象在目标区域内的移动轨迹信息；
步骤S706，将移动轨迹信息反馈至企业客户端。
可选地，图8是根据本发明实施例的一种在云端服务器进行获取目标对象移动轨迹信息的的示意图，如图8所示，企业用户通过企业客户端将区域信息上传至云端服务器，其中，区域信息用于确定目标区域，目标区域用于确定至少一个目标对象的活动范围；云端服务器对目标区域进行多尺度划分以得到划分结果，基于划分结果利用至少一个目标对象的多种模态特征进行聚类分析以得到目标聚类结果，以及通过目标聚类结果获取至少一个目标对象在目标区域内的移动轨迹信息。然后，云端服务器会向上述企业客户端反馈移动轨迹信息，最终的移动轨迹信息会通过企业客户端的图形用户界面提供给企业用户。
需要说明的是，本发明实施例所提供的上述获取目标对象移动轨迹信息的方法，可以但不限于适用于物流、医疗、电子商务、线下零售批发等领域中的区域数字化、机器人巡迹等实际应用场景。在上述实际应用场景中，通过SaaS服务端和企业客户端进行交互的方式，采用多尺度的区域划分和特征聚类的方法得到目标对象的移动轨迹信息，并将返回的移动轨迹信息通过企业客户端提供给企业用户。
本发明其中一实施例还提供了一种机器设备管理方法，图9是根据本发明实施例的一种机器设备管理方法的流程图，如图9所示，该机器设备管理方法包括：
步骤S901，获取目标区域的区域信息，其中，目标区域用于确定至少一个机器设备的活动范围；
步骤S902，对目标区域进行多尺度划分以得到划分结果，基于划分结果利用至少一个机器设备的多种模态特征进行聚类分析以得到目标聚类结果，以及通过目标聚类结果获取至少一个机器设备在目标区域内的历史移动轨迹信息；
步骤S903，获取目标区域的管理信息，基于历史移动轨迹信息和管理信息生成目标移动轨迹信息，其中，管理信息用于调整至少一个机器设备中部分或全部机器设备的移动轨迹，目标移动轨迹信息用于确定至少一个机器设备的目标移动轨迹。
可选地，上述目标区域可以用于确定至少一个机器设备的活动范围。例如：该目标区域可以是百货商场、商业街、超市、物流集散地等区域，该目标区域中可以包含多个活动的机器设备。该机器设备可以是机器人（如：家庭、公司等场景下的扫地机器人；餐厅、宾馆等场景下的服务机器人；医院、银行等场景下的引导机器人；仓库、物流集散地等场景下的送货机器人），该机器设备的多种模态特征可以包括机器人的身份特征、尺寸特征、长相特征、种类特征等。
可选地，对上述目标区域进行多尺度划分，可以得到划分结果。例如，对物流集散地进行多尺度划分，可以包括：小尺度的划分，对应的划分结果为多个仓库区域；中尺度的划分，对应的划分结果为多个相邻仓库区域；大尺度的划分，对应的划分结果为收货区、发货区、中转区等。
可选地，基于上述划分结果，可以对至少一个上述机器设备的多种模态特征进行聚类分析，进而得到上述目标聚类结果。例如：对该机器设备的多种模态特征进行聚类分析，可以是在该机器设备的多种模态特征数据与数据库中已有的特征数据中将相同或者相似的特征数据汇聚在一个类别内。该目标聚类结果可以是对多个机器设备的多模态特征数据进行聚类分析的分析结果。
可选地，通过上述目标聚类结果，可以获取至少一个机器设备在上述目标区域内的历史移动轨迹信息。该历史移动轨迹信息可以是在上述多种模态特征对应的特征提取时间范围内该至少一个机器设备的移动轨迹信息。
可选地，上述目标区域的管理信息可以是根据上述历史移动轨迹信息和预设管理规则生成的信息，也可以是技术人员根据实际应用场景的需求实时手动输入的信息。该管理信息可以用于调整上述至少一个机器设备中部分或全部机器设备的移动轨迹。例如：物流集散地内，技术人员发现T1仓库与T2仓库间送货需求增加，此时，可以根据历史移动轨迹信息，从该物流集散地内选取送货量较低的多个仓库，并从该送货量较低的多个仓库中选取部分送货机器人。针对该部分送货机器人生成管理信息，该管理信息可以是：将该部分送货机器人中每个送货机器人的目的地1设置为T1仓库，目的地2设置为T2仓库。
可选地，基于上述历史移动轨迹信息和上述管理信息，可以生成目标移动轨迹信息。该目标移动轨迹信息可以用于确定至少一个机器设备的目标移动轨迹。例如，物流集散地内，基于针对上述部分送货机器人生成的管理信息，以及该物流集散地内所有送货机器人的历史移动轨迹信息，可以得到调整后该物流集散地内所有送货机器人的目标移动轨迹。
通过本发明实施例提供的方法，在实际应用场景中，可以通过预先划分区域，并通过相机捕获机器设备的特征数据，使用多尺度聚类算法得到更精确的机器设备历史移动轨迹信息；基于该机器设备的历史移动轨迹信息可以根据实际需求生成管理信息，进而对区域内的至少一个机器设备进行管理。
通过本发明实施例提供的方法，可以实现对区域内至少一个机器设备的实时识别、巡迹和管理，可以提高机器设备识别的灵活性和准确性，还可以对机器设备进行实时管理以提高机器设备的工作效率，有利于实际场景中的应用。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的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设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例，还提供了一种用于实施上述获取目标对象移动轨迹信息的方法的装置，图10是根据本发明实施例的一种获取目标对象移动轨迹信息的装置的结构示意图，如图10所示，该装置包括：划分模块1001、聚类模块1002、获取模块1003，其中，
划分模块1001，用于对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围；聚类模块1002，用于基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；获取模块1003，用于通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息。
可选地，上述划分模块1001，还用于：获取目标区域内多个相机的分布信息以及多个相机中每个相机的可视范围；基于分布信息和可视范围对目标区域进行多尺度划分，得到划分结果。
可选地，上述划分模块1001，还用于：基于分布信息和可视范围，在第一尺度上对目标区域进行划分，得到多个第一区域；基于分布信息和可视范围，在第二尺度上对目标区域进行划分，得到多个第二区域，其中，第一尺度小于第二尺度，多个第二区域中每个第二区域包括：至少两个相邻的第一区域；通过多个第一区域和多个第二区域确定划分结果。
可选地，上述聚类模块1002，还用于：针对多个第一区域，利用至少一个目标对象的多种模态特征进行聚类分析，得到第一聚类结果；针对多个第二区域，利用第一聚类结果和至少一个目标对象的多种模态特征进行聚类分析，得到第二聚类结果；针对目标区域，利用第二聚类结果和至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果。
可选地，图11是根据本发明实施例的另一种获取目标对象移动轨迹信息的装置的结构示意图，如图11所示，该装置除包括图10所示的所有模块外，还包括：提取模块1004，用于对至少一个目标对象进行图像追踪，得到至少一个目标对象中每个目标对象的待处理图像集；对待处理图像集进行特征提取，得到至少一个目标对象中每个目标对象的外貌特征和形体特征。
可选地，上述聚类模块1002，还用于：针对多个第一区域中的每个第一区域，利用每个第一区域内选取的至少一个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；按照至少一个目标对象中每个目标对象的追踪标识、历史聚类结果标识、外貌特征和形体特征进行聚类分析，得到第一聚类结果，其中，历史聚类结果标识用于确定第一聚类结果对应的历史时间段内的聚类结果。
可选地，上述聚类模块1002，还用于：针对多个第二区域中的每个第二区域，利用每个第二区域内选取的至少一个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；将第一聚类结果设定为聚类初始值，按照至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，得到第二聚类结果。
可选地，上述聚类模块1002，还用于：针对目标区域，利用多个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；将第二聚类结果设定为聚类初始值，按照至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，得到目标聚类结果。
此处需要说明的是，上述划分模块1001、聚类模块1002、获取模块1003对应于实施例1中的步骤S202至步骤S206，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
在本发明实施例中，首先对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围，采用基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析的方式，得到目标聚类结果，通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息，达到了在区域内通过多尺度划分和对象多模态特征聚类获得对应的对象移动轨迹的目的，从而实现了提高对象识别的灵活性和准确性进而得到更精准的移动轨迹信息的技术效果，进而解决了相关技术中对象识别逻辑简单导致区域内对象移动轨迹数据准确度低的技术问题。
需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
实施例3
根据本发明实施例，还提供了一种电子装置的实施例，该电子装置可以是计算装置群中的任意一个计算装置。该电子装置包括：处理器和存储器，其中：
存储器，与上述处理器连接，用于为上述处理器提供处理以下处理步骤的指令：对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围；基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息。
在本发明实施例中，首先对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围，采用基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析的方式，得到目标聚类结果，通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息，达到了在区域内通过多尺度划分和对象多模态特征聚类获得对应的对象移动轨迹的目的，从而实现了提高对象识别的灵活性和准确性进而得到更精准的移动轨迹信息的技术效果，进而解决了相关技术中对象识别逻辑简单导致区域内对象移动轨迹数据准确度低的技术问题。
需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
实施例4
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行获取目标对象移动轨迹信息的方法中以下步骤的程序代码：对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围；基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息。
可选地，图12是根据本发明实施例的另一种计算机终端的结构框图，如图12所示，该计算机终端可以包括：一个或多个（图中仅示出一个）处理器122、存储器124、以及外设接口126。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的获取目标对象移动轨迹信息的方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的获取目标对象移动轨迹信息的方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围；基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息。
可选地，上述处理器还可以执行如下步骤的程序代码：获取目标区域内多个相机的分布信息以及多个相机中每个相机的可视范围；基于分布信息和可视范围对目标区域进行多尺度划分，得到划分结果。
可选地，上述处理器还可以执行如下步骤的程序代码：基于分布信息和可视范围，在第一尺度上对目标区域进行划分，得到多个第一区域；基于分布信息和可视范围，在第二尺度上对目标区域进行划分，得到多个第二区域，其中，第一尺度小于第二尺度，多个第二区域中每个第二区域包括：至少两个相邻的第一区域；通过多个第一区域和多个第二区域确定划分结果。
可选地，上述处理器还可以执行如下步骤的程序代码：针对多个第一区域，利用至少一个目标对象的多种模态特征进行聚类分析，得到第一聚类结果；针对多个第二区域，利用第一聚类结果和至少一个目标对象的多种模态特征进行聚类分析，得到第二聚类结果；针对目标区域，利用第二聚类结果和至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果。
可选地，上述处理器还可以执行如下步骤的程序代码：对至少一个目标对象进行图像追踪，得到至少一个目标对象中每个目标对象的待处理图像集；对待处理图像集进行特征提取，得到至少一个目标对象中每个目标对象的外貌特征和形体特征。
可选地，上述处理器还可以执行如下步骤的程序代码：针对多个第一区域中的每个第一区域，利用每个第一区域内选取的至少一个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；按照至少一个目标对象中每个目标对象的追踪标识、历史聚类结果标识、外貌特征和形体特征进行聚类分析，得到第一聚类结果，其中，历史聚类结果标识用于确定第一聚类结果对应的历史时间段内的聚类结果。
可选地，上述处理器还可以执行如下步骤的程序代码：针对多个第二区域中的每个第二区域，利用每个第二区域内选取的至少一个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；将第一聚类结果设定为聚类初始值，按照至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，得到第二聚类结果。
可选地，上述处理器还可以执行如下步骤的程序代码：针对目标区域，利用多个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；将第二聚类结果设定为聚类初始值，按照至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，得到目标聚类结果。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：接收来自于客户端的区域信息，其中，区域信息用于确定目标区域，目标区域用于确定至少一个目标对象的活动范围；对目标区域进行多尺度划分以得到划分结果，基于划分结果利用至少一个目标对象的多种模态特征进行聚类分析以得到目标聚类结果，以及通过目标聚类结果获取至少一个目标对象在目标区域内的移动轨迹信息；将移动轨迹信息反馈至客户端。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标区域的区域信息，其中，目标区域用于确定至少一个机器设备的活动范围；对目标区域进行多尺度划分以得到划分结果，基于划分结果利用至少一个机器设备的多种模态特征进行聚类分析以得到目标聚类结果，以及通过目标聚类结果获取至少一个机器设备在目标区域内的历史移动轨迹信息；获取目标区域的管理信息，基于历史移动轨迹信息和管理信息生成目标移动轨迹信息，其中，管理信息用于调整至少一个机器设备中部分或全部机器设备的移动轨迹，目标移动轨迹信息用于确定至少一个机器设备的目标移动轨迹。
在本发明实施例中，首先对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围，采用基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析的方式，得到目标聚类结果，通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息，达到了在区域内通过多尺度划分和对象多模态特征聚类获得对应的对象移动轨迹的目的，从而实现了提高对象识别的灵活性和准确性进而得到更精准的移动轨迹信息的技术效果，进而解决了相关技术中对象识别逻辑简单导致区域内对象移动轨迹数据准确度低的技术问题。
本领域普通技术人员可以理解，图12所示的结构仅为示意，计算机终端也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（MobileInternet Devices，MID）、PAD等终端设备。图12并不对上述电子装置的结构造成限定。例如，计算机终端还可包括比图12中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图12所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（RandomAccess Memory，RAM）、磁盘或光盘等。
根据本发明实施例，还提供了一种存储介质的实施例。可选地，在本实施例中，上述存储介质可以用于保存上述实施例1所提供的获取目标对象移动轨迹信息的方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：对目标区域进行多尺度划分，得到划分结果，其中，目标区域用于确定至少一个目标对象的活动范围；基于划分结果，利用至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；通过目标聚类结果，获取至少一个目标对象在目标区域内的移动轨迹信息。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标区域内多个相机的分布信息以及多个相机中每个相机的可视范围；基于分布信息和可视范围对目标区域进行多尺度划分，得到划分结果。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于分布信息和可视范围，在第一尺度上对目标区域进行划分，得到多个第一区域；基于分布信息和可视范围，在第二尺度上对目标区域进行划分，得到多个第二区域，其中，第一尺度小于第二尺度，多个第二区域中每个第二区域包括：至少两个相邻的第一区域；通过多个第一区域和多个第二区域确定划分结果。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：针对多个第一区域，利用至少一个目标对象的多种模态特征进行聚类分析，得到第一聚类结果；针对多个第二区域，利用第一聚类结果和至少一个目标对象的多种模态特征进行聚类分析，得到第二聚类结果；针对目标区域，利用第二聚类结果和至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：对至少一个目标对象进行图像追踪，得到至少一个目标对象中每个目标对象的待处理图像集；对待处理图像集进行特征提取，得到至少一个目标对象中每个目标对象的外貌特征和形体特征。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：针对多个第一区域中的每个第一区域，利用每个第一区域内选取的至少一个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；按照至少一个目标对象中每个目标对象的追踪标识、历史聚类结果标识、外貌特征和形体特征进行聚类分析，得到第一聚类结果，其中，历史聚类结果标识用于确定第一聚类结果对应的历史时间段内的聚类结果。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：针对多个第二区域中的每个第二区域，利用每个第二区域内选取的至少一个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；将第一聚类结果设定为聚类初始值，按照至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，得到第二聚类结果。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：针对目标区域，利用多个相机对至少一个目标对象进行追踪，确定至少一个目标对象中每个目标对象的追踪标识；将第二聚类结果设定为聚类初始值，按照至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，得到目标聚类结果。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：接收来自于客户端的区域信息，其中，区域信息用于确定目标区域，目标区域用于确定至少一个目标对象的活动范围；对目标区域进行多尺度划分以得到划分结果，基于划分结果利用至少一个目标对象的多种模态特征进行聚类分析以得到目标聚类结果，以及通过目标聚类结果获取至少一个目标对象在目标区域内的移动轨迹信息；将移动轨迹信息反馈至客户端。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标区域的区域信息，其中，目标区域用于确定至少一个机器设备的活动范围；对目标区域进行多尺度划分以得到划分结果，基于划分结果利用至少一个机器设备的多种模态特征进行聚类分析以得到目标聚类结果，以及通过目标聚类结果获取至少一个机器设备在目标区域内的历史移动轨迹信息；获取目标区域的管理信息，基于历史移动轨迹信息和管理信息生成目标移动轨迹信息，其中，管理信息用于调整至少一个机器设备中部分或全部机器设备的移动轨迹，目标移动轨迹信息用于确定至少一个机器设备的目标移动轨迹。
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。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (13)
1.一种获取目标对象移动轨迹信息的方法，其特征在于，包括：
对目标区域进行多尺度划分，得到划分结果，其中，所述目标区域用于确定至少一个目标对象的活动范围；
基于所述划分结果，利用所述至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；
通过所述目标聚类结果，获取所述至少一个目标对象在所述目标区域内的移动轨迹信息。
2.根据权利要求1所述的方法，其特征在于，对所述目标区域进行多尺度划分，得到所述划分结果包括：
获取所述目标区域内多个相机的分布信息以及所述多个相机中每个相机的可视范围；
基于所述分布信息和所述可视范围对所述目标区域进行多尺度划分，得到所述划分结果。
3.根据权利要求2所述的方法，其特征在于，基于所述分布信息和所述可视范围对所述目标区域进行多尺度划分，得到所述划分结果包括：
基于所述分布信息和所述可视范围，在第一尺度上对所述目标区域进行划分，得到多个第一区域；
基于所述分布信息和所述可视范围，在第二尺度上对所述目标区域进行划分，得到多个第二区域，其中，所述第一尺度小于所述第二尺度，所述多个第二区域中每个第二区域包括：至少两个相邻的第一区域；
通过所述多个第一区域和所述多个第二区域确定所述划分结果。
4.根据权利要求3所述的方法，其特征在于，基于所述划分结果，利用所述至少一个目标对象的所述多种模态特征进行聚类分析，得到所述目标聚类结果包括：
针对所述多个第一区域，利用所述至少一个目标对象的所述多种模态特征进行聚类分析，得到第一聚类结果；
针对所述多个第二区域，利用所述第一聚类结果和所述至少一个目标对象的所述多种模态特征进行聚类分析，得到第二聚类结果；
针对所述目标区域，利用所述第二聚类结果和所述至少一个目标对象的所述多种模态特征进行聚类分析，得到所述目标聚类结果。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
对所述至少一个目标对象进行图像追踪，得到所述至少一个目标对象中每个目标对象的待处理图像集；
对所述待处理图像集进行特征提取，得到所述至少一个目标对象中每个目标对象的外貌特征和形体特征。
6.根据权利要求5所述的方法，其特征在于，针对所述多个第一区域，利用所述至少一个目标对象的所述多种模态特征进行聚类分析，得到所述第一聚类结果包括：
针对所述多个第一区域中的每个第一区域，利用每个第一区域内选取的至少一个相机对所述至少一个目标对象进行追踪，确定所述至少一个目标对象中每个目标对象的追踪标识；
按照所述至少一个目标对象中每个目标对象的追踪标识、历史聚类结果标识、外貌特征和形体特征进行聚类分析，得到所述第一聚类结果，其中，所述历史聚类结果标识用于确定所述第一聚类结果对应的历史时间段内的聚类结果。
7.根据权利要求5所述的方法，其特征在于，针对所述多个第二区域，利用所述第一聚类结果和所述至少一个目标对象的所述多种模态特征进行聚类分析，得到所述第二聚类结果包括：
针对所述多个第二区域中的每个第二区域，利用每个第二区域内选取的至少一个相机对所述至少一个目标对象进行追踪，确定所述至少一个目标对象中每个目标对象的追踪标识；
将所述第一聚类结果设定为聚类初始值，按照所述至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，得到所述第二聚类结果。
8.根据权利要求5所述的方法，其特征在于，针对所述目标区域，利用所述第二聚类结果和所述至少一个目标对象的所述多种模态特征进行聚类分析，得到所述目标聚类结果包括：
针对所述目标区域，利用所述多个相机对所述至少一个目标对象进行追踪，确定所述至少一个目标对象中每个目标对象的追踪标识；
将所述第二聚类结果设定为聚类初始值，按照所述至少一个目标对象中每个目标对象的时空约束关系、追踪标识、外貌特征和形体特征进行聚类分析，得到所述目标聚类结果。
9.一种获取目标对象移动轨迹信息的方法，其特征在于，包括：
接收来自于企业客户端的区域信息，其中，所述区域信息用于确定目标区域，所述目标区域用于确定至少一个目标对象的活动范围；
对所述目标区域进行多尺度划分以得到划分结果，基于所述划分结果利用所述至少一个目标对象的多种模态特征进行聚类分析以得到目标聚类结果，以及通过所述目标聚类结果获取所述至少一个目标对象在所述目标区域内的移动轨迹信息；
将所述移动轨迹信息反馈至所述企业客户端。
10.一种机器设备管理方法，其特征在于，包括：
获取目标区域的区域信息，其中，所述目标区域用于确定至少一个机器设备的活动范围；
对所述目标区域进行多尺度划分以得到划分结果，基于所述划分结果利用所述至少一个机器设备的多种模态特征进行聚类分析以得到目标聚类结果，以及通过所述目标聚类结果获取所述至少一个机器设备在所述目标区域内的历史移动轨迹信息；
获取目标区域的管理信息，基于所述历史移动轨迹信息和所述管理信息生成目标移动轨迹信息，其中，所述管理信息用于调整所述至少一个机器设备中部分或全部机器设备的移动轨迹，所述目标移动轨迹信息用于确定所述至少一个机器设备的目标移动轨迹。
11.一种获取目标对象移动轨迹信息的装置，其特征在于，包括：
划分模块，用于对目标区域进行多尺度划分，得到划分结果，其中，所述目标区域用于确定至少一个目标对象的活动范围；
聚类模块，用于基于所述划分结果，利用所述至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；
获取模块，用于通过所述目标聚类结果，获取所述至少一个目标对象在所述目标区域内的移动轨迹信息。
12.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至10中任意一项所述的获取目标对象移动轨迹信息的方法。
13.一种获取目标对象移动轨迹信息的系统，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
步骤1，对目标区域进行多尺度划分，得到划分结果，其中，所述目标区域用于确定至少一个目标对象的活动范围；
步骤2，基于所述划分结果，利用所述至少一个目标对象的多种模态特征进行聚类分析，得到目标聚类结果；
步骤3，通过所述目标聚类结果，获取所述至少一个目标对象在所述目标区域内的移动轨迹信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210076699.4A CN114091630B (zh) | 2022-01-24 | 2022-01-24 | 获取目标对象移动轨迹信息的方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210076699.4A CN114091630B (zh) | 2022-01-24 | 2022-01-24 | 获取目标对象移动轨迹信息的方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114091630A true CN114091630A (zh) | 2022-02-25 |
| CN114091630B CN114091630B (zh) | 2022-05-06 |
Family
ID=80309279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210076699.4A Active CN114091630B (zh) | 2022-01-24 | 2022-01-24 | 获取目标对象移动轨迹信息的方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114091630B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020989A (zh) * | 2012-12-05 | 2013-04-03 | 河海大学 | 一种基于在线场景特征聚类的多视角目标跟踪方法 |
| CN105528955A (zh) * | 2014-09-30 | 2016-04-27 | 国际商业机器公司 | 生成道路网络的方法及其装置 |
| CN105719191A (zh) * | 2016-01-20 | 2016-06-29 | 东北大学 | 多尺度空间下不确定行为语义的社交群体发现系统及方法 |
| CN105825242A (zh) * | 2016-05-06 | 2016-08-03 | 南京大学 | 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统 |
| CN106778854A (zh) * | 2016-12-07 | 2017-05-31 | 西安电子科技大学 | 基于轨迹和卷积神经网络特征提取的行为识别方法 |
| CN107133269A (zh) * | 2017-04-01 | 2017-09-05 | 中国人民解放军国防科学技术大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
| CN107247961A (zh) * | 2017-05-10 | 2017-10-13 | 西安交通大学 | 一种应用模糊轨迹序列的轨迹预测方法 |
| CN107370983A (zh) * | 2016-05-13 | 2017-11-21 | 腾讯科技（深圳）有限公司 | 用于视频监控系统的行踪轨迹的获取方法和装置 |
| CN109541654A (zh) * | 2018-11-19 | 2019-03-29 | 北京金州世纪信息技术有限公司 | 一种车辆停靠点的计算方法及装置 |
| CN111145223A (zh) * | 2019-12-16 | 2020-05-12 | 盐城吉大智能终端产业研究院有限公司 | 多摄像头识别人员行为轨迹分析方法 |
| CN111426335A (zh) * | 2020-04-07 | 2020-07-17 | 北京控制工程研究所 | 一种星敏感器视场低频误差的地面标定方法 |
| CN111753906A (zh) * | 2020-06-24 | 2020-10-09 | 中科三清科技有限公司 | 污染物传输轨迹的聚类方法、装置、电子设备及存储介质 |
| CN112446241A (zh) * | 2019-08-29 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 用于获得目标对象的特征信息的方法、装置及电子设备 |
| CN112578673A (zh) * | 2020-12-25 | 2021-03-30 | 浙江科技学院 | 无人方程式赛车多传感器融合的感知决策与跟踪控制方法 |
| CN112902975A (zh) * | 2015-02-10 | 2021-06-04 | 御眼视觉技术有限公司 | 自主车辆导航的方法、可读设备、服务器、车辆及系统 |
| CN113096159A (zh) * | 2021-06-04 | 2021-07-09 | 城云科技（中国）有限公司 | 目标检测、轨迹跟踪方法、模型及其电子设备 |
| CN113362090A (zh) * | 2020-03-03 | 2021-09-07 | 北京沃东天骏信息技术有限公司 | 一种用户行为数据处理方法和装置 |
| CN113379795A (zh) * | 2021-05-21 | 2021-09-10 | 浙江工业大学 | 一种基于条件卷积和光流特征的多目标跟踪与分割方法 |
-
2022
- 2022-01-24 CN CN202210076699.4A patent/CN114091630B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020989A (zh) * | 2012-12-05 | 2013-04-03 | 河海大学 | 一种基于在线场景特征聚类的多视角目标跟踪方法 |
| CN105528955A (zh) * | 2014-09-30 | 2016-04-27 | 国际商业机器公司 | 生成道路网络的方法及其装置 |
| CN112902975A (zh) * | 2015-02-10 | 2021-06-04 | 御眼视觉技术有限公司 | 自主车辆导航的方法、可读设备、服务器、车辆及系统 |
| CN105719191A (zh) * | 2016-01-20 | 2016-06-29 | 东北大学 | 多尺度空间下不确定行为语义的社交群体发现系统及方法 |
| CN105825242A (zh) * | 2016-05-06 | 2016-08-03 | 南京大学 | 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统 |
| CN107370983A (zh) * | 2016-05-13 | 2017-11-21 | 腾讯科技（深圳）有限公司 | 用于视频监控系统的行踪轨迹的获取方法和装置 |
| CN106778854A (zh) * | 2016-12-07 | 2017-05-31 | 西安电子科技大学 | 基于轨迹和卷积神经网络特征提取的行为识别方法 |
| CN107133269A (zh) * | 2017-04-01 | 2017-09-05 | 中国人民解放军国防科学技术大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
| CN107247961A (zh) * | 2017-05-10 | 2017-10-13 | 西安交通大学 | 一种应用模糊轨迹序列的轨迹预测方法 |
| CN109541654A (zh) * | 2018-11-19 | 2019-03-29 | 北京金州世纪信息技术有限公司 | 一种车辆停靠点的计算方法及装置 |
| CN112446241A (zh) * | 2019-08-29 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 用于获得目标对象的特征信息的方法、装置及电子设备 |
| CN111145223A (zh) * | 2019-12-16 | 2020-05-12 | 盐城吉大智能终端产业研究院有限公司 | 多摄像头识别人员行为轨迹分析方法 |
| CN113362090A (zh) * | 2020-03-03 | 2021-09-07 | 北京沃东天骏信息技术有限公司 | 一种用户行为数据处理方法和装置 |
| CN111426335A (zh) * | 2020-04-07 | 2020-07-17 | 北京控制工程研究所 | 一种星敏感器视场低频误差的地面标定方法 |
| CN111753906A (zh) * | 2020-06-24 | 2020-10-09 | 中科三清科技有限公司 | 污染物传输轨迹的聚类方法、装置、电子设备及存储介质 |
| CN112578673A (zh) * | 2020-12-25 | 2021-03-30 | 浙江科技学院 | 无人方程式赛车多传感器融合的感知决策与跟踪控制方法 |
| CN113379795A (zh) * | 2021-05-21 | 2021-09-10 | 浙江工业大学 | 一种基于条件卷积和光流特征的多目标跟踪与分割方法 |
| CN113096159A (zh) * | 2021-06-04 | 2021-07-09 | 城云科技（中国）有限公司 | 目标检测、轨迹跟踪方法、模型及其电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| HONGLIANG LI等: "《Unsupervised Multiclass Region Cosegmentation via Ensemble Clustering and Energy Minimization》", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 * |
| 王亮等: "《基于多尺度空间划分与路网建模的城市移动轨迹模式挖掘》", 《自动化学报》 * |
| 董震等: "《车载激光扫描数据中多类目标的层次化提取方法》", 《测绘学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114091630B (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103839308B (zh) | 人数获取方法、装置及系统 | |
| CN110533685B (zh) | 对象跟踪方法和装置、存储介质及电子装置 | |
| CN110533700B (zh) | 对象跟踪方法和装置、存储介质及电子装置 | |
| CN110969644A (zh) | 人员轨迹追踪方法、装置及系统 | |
| CN111444422B (zh) | 物流信息推荐方法、装置、物流配送系统及服务器 | |
| CN111915020A (zh) | 检测模型的更新方法、装置及存储介质 | |
| CN103761500A (zh) | 一种基于二维码技术的智能图书定位装置 | |
| CN103238163A (zh) | 用于规定作为广告分发对象的设备，以及广告分发设备 | |
| US20190034876A1 (en) | Item registry system | |
| CN106303420A (zh) | 一种应用于运动目标的监控方法及监控系统 | |
| CN113255477A (zh) | 一种行人视频图像的综合管理系统及方法 | |
| CN113469200A (zh) | 数据处理方法和系统、存储介质、计算设备 | |
| CN109218660B (zh) | 一种视频处理方法及装置 | |
| CN104050599A (zh) | 一种基于视频回放的食用农产品质量安全追溯系统及方法 | |
| CN110225141B (zh) | 内容推送方法、装置及电子设备 | |
| JP2022503373A (ja) | データ処理方法、装置及び記憶媒体 | |
| CN114091630B (zh) | 获取目标对象移动轨迹信息的方法、装置及系统 | |
| CN112561954B (zh) | 目标对象跟踪轨迹的确定方法和装置、存储介质 | |
| CN104424485A (zh) | 一种基于图像识别来获取特定信息的方法与装置 | |
| CN110472537B (zh) | 一种自适应识别方法、装置、设备及介质 | |
| CN114005053A (zh) | 视频处理方法、装置、计算机设备及计算机可读存储介质 | |
| CN114595745A (zh) | 区分目标对象的方法、装置、存储介质及系统 | |
| Fahim et al. | AcTrak: Controlling a Steerable Surveillance Camera using Reinforcement Learning | |
| CN203616777U (zh) | 一种现实场景的数字管理系统 | |
| CN110826582A (zh) | 图像特征训练方法、装置和系统 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231127 Address after: Room 2801, 28th Floor, Building 9, Zone 4, Wangjing Dongyuan, Chaoyang District, Beijing, 100102 Patentee after: Alibaba Damo Academy (Beijing) Technology Co.,Ltd. Address before: 310023 Room 516, floor 5, building 3, No. 969, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee before: Alibaba Dharma Institute (Hangzhou) Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |