CN114637884A - 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 - Google Patents
一种电像计算时空轨迹与道路网的匹配方法、装置及设备 Download PDFInfo
- Publication number
- CN114637884A CN114637884A CN202210525672.9A CN202210525672A CN114637884A CN 114637884 A CN114637884 A CN 114637884A CN 202210525672 A CN202210525672 A CN 202210525672A CN 114637884 A CN114637884 A CN 114637884A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- state value
- calculation data
- matching
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种电像计算时空轨迹与道路网的匹配方法、装置及设备。该方法包括:实时采集目标地域的电像计算数据,并存储每条电像计算数据的采样参数,电像计算数据包括至少两种不同模态的数据;分别对各种电像计算数据进行建档,并基于建档结果以及采样参数确定各种电像计算数据之间的关联关系;基于关联关系,通过特征工程构造目标特征,并根据目标特征确定训练后的隐马尔可夫模型的目标观测状态值;根据目标观测状态值,使用隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据目标隐藏状态值确定对应的道路匹配信息。实现了将每条数据高效准确的匹配到道路网上,并更加贴近现实场景,从而让相关电像计算下游任务获取更有用的信息。
Description
技术领域
本发明实施例涉及数据映射技术领域,尤其涉及一种电像计算时空轨迹与道路网的匹配方法、装置及设备。
背景技术
电像计算是指收集手机IMSI、IMEI等智能终端感知源的数据与人脸图片、车牌图片等图像数据,并经过后台大数据和人工智能系统的分析,建立起不同感知设备捕获的不同模态数据之间的对应关系。通过建立的对应关系可以为侦查工作提供线索,为防控工作提供预警,因而电像计算系统有着广泛应用。在电像计算的场景中,采集到的空间信息以经纬度的形式存在,而在轨迹补全、轨迹预测、轨迹关联等下游算法任务以及交通流量监测、案件侦查、防控等应用场景中,单纯看经纬度难以得到符合现实场景的信息。需要将经纬度的空间信息映射到道路网上,解析出道路网上的语义信息,这样才能在相关任务与应用中得到切实有效的信息。
由于在电像计算问题中,各种感知设备具有一定的采样范围(通常为200m-1000m不等),而在采样范围内可能存在多条道路,因此在进行道路网匹配时,很难将一个采样记录准确的匹配到一个道路点上。
发明内容
本发明实施例提供一种电像计算时空轨迹与道路网的匹配方法、装置及设备,以在进行道路网匹配时,消除由于设备采样范围带来的不确定性,从而将电像计算数据的采样记录准确的匹配到对应的道路点上。
第一方面,本发明实施例提供了一种电像计算时空轨迹与道路网的匹配方法,该方法包括:
实时采集目标地域的电像计算数据,并存储每条所述电像计算数据的采样参数,所述电像计算数据包括至少两种不同模态的数据;
分别对各种所述电像计算数据进行建档,并基于建档结果以及所述采样参数确定各种所述电像计算数据之间的关联关系;
基于所述关联关系,通过特征工程构造目标特征,并根据所述目标特征确定训练后的隐马尔可夫模型的目标观测状态值;
根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息。
可选的,所述电像计算数据包括人脸数据、车牌数据和IMSI数据;
相应的,所述基于建档结果以及所述采样参数确定各种所述电像计算数据之间的关联关系,包括:
使用图码关联算法和车码关联算法,基于所述建档结果以及所述采样参数确定所述人脸数据和所述IMSI数据之间的关联关系,以及所述车牌数据和所述IMSI数据之间的关联关系。
可选的,在所述根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息之前,还包括:
获取所述目标地域的道路网信息,和历史电像计算数据及其历史采样参数;
分别对各种所述历史电像计算数据进行建档,并基于建档结果以及所述历史采样参数确定各种所述历史电像计算数据之间的历史关联关系;
基于所述历史关联关系,通过特征工程构造历史目标特征,并根据所述历史目标特征确定观测状态值;
将所述道路网信息作为隐藏状态值,并结合所述观测状态值建立所述隐马尔可夫模型。
可选的,在所述根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息之前,还包括:
对所述历史电像计算数据进行道路信息标注,以得到训练标注数据;
使用所述训练标注数据对所述隐马尔可夫模型进行训练,以得到训练后的所述隐马尔可夫模型。
可选的,所述目标特征包括关联特征、设备特征以及场景特征。
可选的,在所述实时采集目标地域的电像计算数据之后,还包括:
对各种所述电像计算数据的经纬度标准进行统一。
可选的,在所述实时采集目标地域的电像计算数据之后,还包括:
对各种所述电像计算数据中的异常数据进行筛除、补全或修复。
第二方面,本发明实施例还提供了一种电像计算时空轨迹与道路网的匹配装置,该装置包括:
数据采集模块,用于实时采集目标地域的电像计算数据,并存储每条所述电像计算数据的采样参数,所述电像计算数据包括至少两种不同模态的数据;
关联关系确定模块,用于分别对各种所述电像计算数据进行建档,并基于建档结果以及所述采样参数确定各种所述电像计算数据之间的关联关系;
目标观测状态值确定模块,用于基于所述关联关系,通过特征工程构造目标特征,并根据所述目标特征确定训练后的隐马尔可夫模型的目标观测状态值;
道路匹配信息确定模块,用于根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息。
第三方面,本发明实施例还提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所提供的电像计算时空轨迹与道路网的匹配方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的电像计算时空轨迹与道路网的匹配方法。
本发明实施例提供了一种电像计算时空轨迹与道路网的匹配方法,首先实时采集目标地域的电像计算数据,并存储每条电像计算数据的采样参数,然后分别对各种模态的电像计算数据进行建档,并基于建档结果和得到的采样参数确定各种模态的电像计算数据之间的关联关系,再基于该关联关系,通过特征工程构造目标特征,并根据目标特征确定训练后的隐马尔可夫模型的目标观测状态值,最后即可根据该目标观测状态值,使用训练后的隐马尔可夫模型推理得到对应的目标隐藏状态值,从而根据该目标隐藏状态值确定对应的道路匹配信息。本发明实施例所提供的电像计算时空轨迹与道路网的匹配方法,通过使用隐马尔可夫模型,并将不同模态数据之间的关联考虑进该模型,实现了将每条电像计算数据高效准确的匹配到道路网上,并更加贴近现实场景,从而让相关的电像计算下游任务获取更有用的信息,也可以在侦查、防控等工作中更好的掌握目标人员到过的地点信息,为社会安全提供助力。
附图说明
图1为本发明实施例一提供的电像计算时空轨迹与道路网的匹配方法的流程图;
图2为本发明实施例二提供的电像计算时空轨迹与道路网的匹配装置的结构示意图;
图3为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的电像计算时空轨迹与道路网的匹配方法的流程图。本实施例可适用于在进行电像计算时将获得的电像计算数据匹配到道路网的情况,该方法可以由本发明实施例所提供的电像计算时空轨迹与道路网的匹配装置来执行,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中。如图1所示,具体包括如下步骤:
S11、实时采集目标地域的电像计算数据,并存储每条所述电像计算数据的采样参数,所述电像计算数据包括至少两种不同模态的数据。
具体的,可以分区域的针对一个预设的目标地域来实现对电像计算数据在道路网上的匹配,该目标地域中针对每种模态的数据可以包括一个或多个相应的感知设备,且目标地域可以包括各个感知设备的采样范围,每个感知设备在采集到一条电像计算数据时,均可以确定相应的采样参数,具体可以包括采样时间和采样经纬度,则可以在每次采集到电像计算数据时,均对相应的采样参数进行存储。其中,电像计算数据包括至少两种不同模态的数据,以便将不同模态数据之间的关联考虑进来,可选的,电像计算数据可以包括人脸数据、车牌数据和IMSI数据等等,相应的,人脸数据可以通过人脸摄像机进行采集,车牌数据可以通过车牌摄像机进行采集,而IMSI数据可以通过多运营商特征采集设备进行采集。
可选的,在所述实时采集目标地域的电像计算数据之后,还包括:对各种所述电像计算数据的经纬度标准进行统一。以及,可选的,在所述实时采集目标地域的电像计算数据之后,还包括:对各种所述电像计算数据中的异常数据进行筛除、补全或修复。具体的,在获取到电像计算数据之后,可以首先对电像计算数据进行预处理,以进一步提高后续匹配的准确性。由于不同的感知设备所使用的经纬度标准可能不同,则可以在使用电像计算数据之前,首先对不同感知设备的经纬度标准进行统一,具体可以使用预先定义好的规则,将不同感知设备采集到的不同模态的电像计算数据的经纬度统一为相同标准。其次,在数据的采集和传输的过程中,可能产生一些异常数据,则可以在使用电像计算数据之前,首先使用电像计算过程中的异常数据处理方法,对所得到的电像计算数据中的异常数据进行筛除、补全或修复,其中,对于异常偏离程度较小的数据可以通过数据预处理进行补全或修复,而对于异常偏离程度较大的则可以直接进行删除。
S12、分别对各种所述电像计算数据进行建档,并基于建档结果以及所述采样参数确定各种所述电像计算数据之间的关联关系。
具体的,可以使用聚类算法对各种电像计算数据进行建档,以将每种模态的电像计算数据按照一定的标识进行归档,如针对人脸数据,可以将属于一个人的人脸数据归到一个档案,针对车牌数据,可以将属于一辆车的车牌数据归到一个档案,针对IMSI数据,可以将属于一个移动终端的IMSI数据归到一个档案等等。在完成建档后,可以根据建档结果和各个电像计算数据的采样参数确定不同电像计算数据之间的关联关系,具体可以首先根据各个电像计算数据的建档结果,查询得到对应的各个档案的所有历史数据,再结合该历史数据及其采样参数建立起关联关系,从而使得关联关系更加准确。可选的,所述基于建档结果以及所述采样参数确定各种所述电像计算数据之间的关联关系,包括:使用图码关联算法和车码关联算法,基于所述建档结果以及所述采样参数确定所述人脸数据和所述IMSI数据之间的关联关系,以及所述车牌数据和所述IMSI数据之间的关联关系。具体的,可以使用电像计算过程中的图码关联算法和车码关联算法,分别确定人脸数据和IMSI数据之间的关联关系,以及车牌数据和IMSI数据之间的关联关系,若两种数据之间存在关联,则说明该两种数据大概率可定位到同一个用户,具体可以通过计算与IMSI数据之间的最大皮尔逊相关系数来确定与该IMSI数据关联的人脸数据和车牌数据。
S13、基于所述关联关系,通过特征工程构造目标特征,并根据所述目标特征确定训练后的隐马尔可夫模型的目标观测状态值。
具体的,在确定了关联关系之后,可以基于该关联关系构造目标特征。其中,可选的,所述目标特征包括关联特征、设备特征以及场景特征。首先可以基于关联关系,如脸码关联和车码关联等关系构建电像计算数据之间的关联特征,其次还可以综合考虑设备特性和应用场景,根据感知设备的采样范围、采样率以及漏采率等构建设备特征,以及根据道路状态、人流量、车流量、人运动状态、车运动状态、人在一段时间内的流动信息以及车在一段时间内的流动信息等构建场景特征,其中,设备特征可以充分考虑设备本身的采样能力,从而可以进一步提高最终匹配结果的准确性,场景特征可以有效的去除不合理的道路匹配,以减小道路匹配结果的不确定性,通过将场景特征加入到隐马尔可夫模型的观测状态中,使得道路匹配可以取得更好的消歧效果,进而使得该方法可以拓展应用在采样范围较大的设备中。在完成目标特征的构建后,可以根据目标特征确定目标观测状态值,具体可以在确定了关联关系后,将各种电像计算数据关联成时间序列数据,则在确定目标观测状态值时,可以基于电像计算数据的时间戳将目标特征转换为目标观测状态值。
S14、根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息。
具体的,在确定了目标观测状态值之后,即可根据该目标观测状态值,使用训练后的隐马尔可夫模型推理得到对应的目标隐藏状态值。隐马尔可夫模型是一种统计机器学习模型,其中有不可观测的隐藏状态和可观测的观测状态,隐藏状态由前一时刻的隐藏状态决定,观测状态由当前时刻的隐藏状态决定。在本实施例中,可以将道路匹配信息作为隐藏状态,则在推理得到目标隐藏状态值之后,即可根据该目标隐藏状态值确定当前采集到的电像计算数据的道路匹配信息。
在上述技术方案的基础上,可选的,在所述根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息之前,还包括:获取所述目标地域的道路网信息,和历史电像计算数据及其历史采样参数;分别对各种所述历史电像计算数据进行建档,并基于建档结果以及所述历史采样参数确定各种所述历史电像计算数据之间的历史关联关系;基于所述历史关联关系,通过特征工程构造历史目标特征,并根据所述历史目标特征确定观测状态值;将所述道路网信息作为隐藏状态值,并结合所述观测状态值建立所述隐马尔可夫模型。
具体的,在使用模型进行推理之前,首先可以完成对模型的建立。则首先可以获取目标地域的道路网信息,具体可以从地图当中获取,并在转化为结构化的数据后进行存储,同时可以收集历史获取并存储的历史电像计算数据及其历史采样参数,并同样可以采用上述预处理的方式对历史电像计算数据进行处理。然后可以采用同样方式对历史电像计算数据进行建档、确定各种历史电像计算数据之间的历史关联关系以及构造历史目标特征,从而可以根据历史目标特征确定观测状态值,同时将获得的道路网信息作为隐藏状态值来建立所要使用的隐马尔可夫模型。
进一步可选的,在所述根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息之前,还包括:对所述历史电像计算数据进行道路信息标注,以得到训练标注数据;使用所述训练标注数据对所述隐马尔可夫模型进行训练,以得到训练后的所述隐马尔可夫模型。
具体的,在完成模型的建立之后,可以首先使用训练标注数据对模型进行训练,以得到最优的模型参数,并可对最优模型的结构和参数进行保存以便后续使用。具体可以为历史电像计算数据标注曾经实际所处的道路信息,从而得到所需的训练标注数据并可进行存储备用,进而使用训练标注数据对模型进行训练。
本发明实施例所提供的技术方案,首先实时采集目标地域的电像计算数据,并存储每条电像计算数据的采样参数,然后分别对各种模态的电像计算数据进行建档,并基于建档结果和得到的采样参数确定各种模态的电像计算数据之间的关联关系,再基于该关联关系,通过特征工程构造目标特征,并根据目标特征确定训练后的隐马尔可夫模型的目标观测状态值,最后即可根据该目标观测状态值,使用训练后的隐马尔可夫模型推理得到对应的目标隐藏状态值,从而根据该目标隐藏状态值确定对应的道路匹配信息。通过使用隐马尔可夫模型,并将不同模态数据之间的关联考虑进该模型,实现了将每条电像计算数据高效准确的匹配到道路网上,并更加贴近现实场景,从而让相关的电像计算下游任务获取更有用的信息,也可以在侦查、防控等工作中更好的掌握目标人员到过的地点信息,为社会安全提供助力。
实施例二
图2为本发明实施例二提供的电像计算时空轨迹与道路网的匹配装置的结构示意图,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中,用于执行本发明任意实施例所提供的电像计算时空轨迹与道路网的匹配方法,该装置可以对外提供数据接口服务,以便用户查询使用。如图2所示,该装置包括:
数据采集模块21,用于实时采集目标地域的电像计算数据,并存储每条所述电像计算数据的采样参数,所述电像计算数据包括至少两种不同模态的数据;
关联关系确定模块22,用于分别对各种所述电像计算数据进行建档,并基于建档结果以及所述采样参数确定各种所述电像计算数据之间的关联关系;
目标观测状态值确定模块23,用于基于所述关联关系,通过特征工程构造目标特征,并根据所述目标特征确定训练后的隐马尔可夫模型的目标观测状态值;
道路匹配信息确定模块24,用于根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息。
本发明实施例所提供的技术方案,首先实时采集目标地域的电像计算数据,并存储每条电像计算数据的采样参数,然后分别对各种模态的电像计算数据进行建档,并基于建档结果和得到的采样参数确定各种模态的电像计算数据之间的关联关系,再基于该关联关系,通过特征工程构造目标特征,并根据目标特征确定训练后的隐马尔可夫模型的目标观测状态值,最后即可根据该目标观测状态值,使用训练后的隐马尔可夫模型推理得到对应的目标隐藏状态值,从而根据该目标隐藏状态值确定对应的道路匹配信息。通过使用隐马尔可夫模型,并将不同模态数据之间的关联考虑进该模型,实现了将每条电像计算数据高效准确的匹配到道路网上,并更加贴近现实场景,从而让相关的电像计算下游任务获取更有用的信息,也可以在侦查、防控等工作中更好的掌握目标人员到过的地点信息,为社会安全提供助力。
在上述技术方案的基础上,可选的,所述电像计算数据包括人脸数据、车牌数据和IMSI数据;
相应的,关联关系确定模块22具体用于:
使用图码关联算法和车码关联算法,基于所述建档结果以及所述采样参数确定所述人脸数据和所述IMSI数据之间的关联关系,以及所述车牌数据和所述IMSI数据之间的关联关系。
在上述技术方案的基础上,可选的,该装置还包括:
道路网信息获取模块,用于在所述根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息之前,获取所述目标地域的道路网信息,和历史电像计算数据及其历史采样参数;
历史关联关系确定模块,用于分别对各种所述历史电像计算数据进行建档,并基于建档结果以及所述历史采样参数确定各种所述历史电像计算数据之间的历史关联关系;
观测状态值确定模块,用于基于所述历史关联关系,通过特征工程构造历史目标特征,并根据所述历史目标特征确定观测状态值;
模型建立模块,用于将所述道路网信息作为隐藏状态值,并结合所述观测状态值建立所述隐马尔可夫模型。
在上述技术方案的基础上,可选的,该装置还包括:
训练数据获得模块,用于在所述根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息之前,对所述历史电像计算数据进行道路信息标注,以得到训练标注数据;
模型训练模块,用于使用所述训练标注数据对所述隐马尔可夫模型进行训练,以得到训练后的所述隐马尔可夫模型。
在上述技术方案的基础上,可选的,所述目标特征包括关联特征、设备特征以及场景特征。
在上述技术方案的基础上,可选的,该装置还包括:
标准统一模块,用于在所述实时采集目标地域的电像计算数据之后,对各种所述电像计算数据的经纬度标准进行统一。
在上述技术方案的基础上,可选的,该装置还包括:
异常数据处理模块,用于在所述实时采集目标地域的电像计算数据之后,对各种所述电像计算数据中的异常数据进行筛除、补全或修复。
本发明实施例所提供的电像计算时空轨迹与道路网的匹配装置可执行本发明任意实施例所提供的电像计算时空轨迹与道路网的匹配方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,在上述电像计算时空轨迹与道路网的匹配装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三
图3为本发明实施例三提供的计算机设备的结构示意图,示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图3所示,该计算机设备包括处理器31、存储器32、输入装置33及输出装置34;计算机设备中处理器31的数量可以是一个或多个,图3中以一个处理器31为例,计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的电像计算时空轨迹与道路网的匹配方法对应的程序指令/模块(例如,电像计算时空轨迹与道路网的匹配装置中的数据采集模块21、关联关系确定模块22、目标观测状态值确定模块23及道路匹配信息确定模块24)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的电像计算时空轨迹与道路网的匹配方法。
存储器32可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器32可进一步包括相对于处理器31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设备。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。
输入装置33可用于实时采集各种电像计算数据,以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可包括显示屏等设备,可用于向用户展示查询内容等等。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,该计算机可执行指令在由计算机处理器执行时用于执行一种电像计算时空轨迹与道路网的匹配方法,该方法包括:
实时采集目标地域的电像计算数据,并存储每条所述电像计算数据的采样参数,所述电像计算数据包括至少两种不同模态的数据;
分别对各种所述电像计算数据进行建档,并基于建档结果以及所述采样参数确定各种所述电像计算数据之间的关联关系;
基于所述关联关系,通过特征工程构造目标特征,并根据所述目标特征确定训练后的隐马尔可夫模型的目标观测状态值;
根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的电像计算时空轨迹与道路网的匹配方法中的相关操作。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种电像计算时空轨迹与道路网的匹配方法,其特征在于,包括:
实时采集目标地域的电像计算数据,并存储每条所述电像计算数据的采样参数,所述电像计算数据包括至少两种不同模态的数据;
分别对各种所述电像计算数据进行建档,并基于建档结果以及所述采样参数确定各种所述电像计算数据之间的关联关系;
基于所述关联关系,通过特征工程构造目标特征,并根据所述目标特征确定训练后的隐马尔可夫模型的目标观测状态值;
根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息。
2.根据权利要求1所述的电像计算时空轨迹与道路网的匹配方法,其特征在于,所述电像计算数据包括人脸数据、车牌数据和IMSI数据;
相应的,所述基于建档结果以及所述采样参数确定各种所述电像计算数据之间的关联关系,包括:
使用图码关联算法和车码关联算法,基于所述建档结果以及所述采样参数确定所述人脸数据和所述IMSI数据之间的关联关系,以及所述车牌数据和所述IMSI数据之间的关联关系。
3.根据权利要求1所述的电像计算时空轨迹与道路网的匹配方法,其特征在于,在所述根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息之前,还包括:
获取所述目标地域的道路网信息,和历史电像计算数据及其历史采样参数;
分别对各种所述历史电像计算数据进行建档,并基于建档结果以及所述历史采样参数确定各种所述历史电像计算数据之间的历史关联关系;
基于所述历史关联关系,通过特征工程构造历史目标特征,并根据所述历史目标特征确定观测状态值;
将所述道路网信息作为隐藏状态值,并结合所述观测状态值建立所述隐马尔可夫模型。
4.根据权利要求3所述的电像计算时空轨迹与道路网的匹配方法,其特征在于,在所述根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息之前,还包括:
对所述历史电像计算数据进行道路信息标注,以得到训练标注数据;
使用所述训练标注数据对所述隐马尔可夫模型进行训练,以得到训练后的所述隐马尔可夫模型。
5.根据权利要求1所述的电像计算时空轨迹与道路网的匹配方法,其特征在于,所述目标特征包括关联特征、设备特征以及场景特征。
6.根据权利要求1所述的电像计算时空轨迹与道路网的匹配方法,其特征在于,在所述实时采集目标地域的电像计算数据之后,还包括:
对各种所述电像计算数据的经纬度标准进行统一。
7.根据权利要求1所述的电像计算时空轨迹与道路网的匹配方法,其特征在于,在所述实时采集目标地域的电像计算数据之后,还包括:
对各种所述电像计算数据中的异常数据进行筛除、补全或修复。
8.一种电像计算时空轨迹与道路网的匹配装置,其特征在于,包括:
数据采集模块,用于实时采集目标地域的电像计算数据,并存储每条所述电像计算数据的采样参数,所述电像计算数据包括至少两种不同模态的数据;
关联关系确定模块,用于分别对各种所述电像计算数据进行建档,并基于建档结果以及所述采样参数确定各种所述电像计算数据之间的关联关系;
目标观测状态值确定模块,用于基于所述关联关系,通过特征工程构造目标特征,并根据所述目标特征确定训练后的隐马尔可夫模型的目标观测状态值;
道路匹配信息确定模块,用于根据所述目标观测状态值,使用所述隐马尔可夫模型推理得到对应的目标隐藏状态值,并根据所述目标隐藏状态值确定对应的道路匹配信息。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的电像计算时空轨迹与道路网的匹配方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的电像计算时空轨迹与道路网的匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210525672.9A CN114637884B (zh) | 2022-05-16 | 2022-05-16 | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210525672.9A CN114637884B (zh) | 2022-05-16 | 2022-05-16 | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114637884A true CN114637884A (zh) | 2022-06-17 |
CN114637884B CN114637884B (zh) | 2022-08-23 |
Family
ID=81952931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210525672.9A Active CN114637884B (zh) | 2022-05-16 | 2022-05-16 | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114637884B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169588A (zh) * | 2022-09-06 | 2022-10-11 | 深圳前海中电慧安科技有限公司 | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 |
CN116089638A (zh) * | 2023-04-03 | 2023-05-09 | 南京小唐安朴科技有限公司 | 一种基于车图码轨迹多维关联实时建档的计算方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235933A (zh) * | 2013-04-15 | 2013-08-07 | 东南大学 | 一种基于隐马尔科夫模型的车辆异常行为检测方法 |
US20190204096A1 (en) * | 2017-12-29 | 2019-07-04 | Uber Technologies, Inc. | Measuring the accuracy of map matched trajectories |
CN111121791A (zh) * | 2019-11-29 | 2020-05-08 | 上饶市中科院云计算中心大数据研究院 | 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法 |
CN111694032A (zh) * | 2020-05-09 | 2020-09-22 | 杭州电子科技大学 | 一种基于聚类的大规模轨迹数据的快速地图匹配方法 |
CN112035591A (zh) * | 2020-09-07 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 一种路网匹配方法、装置、设备和存储介质 |
CN112866570A (zh) * | 2021-01-08 | 2021-05-28 | 北京码牛科技有限公司 | 一种图码联采、目标对象轨迹生成方法及装置 |
CN112882073A (zh) * | 2021-01-18 | 2021-06-01 | 中交智运有限公司 | 一种基于时间阈内的隐马尔可夫模型人车合一算法 |
CN113703015A (zh) * | 2020-05-22 | 2021-11-26 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及介质 |
CN114093014A (zh) * | 2022-01-20 | 2022-02-25 | 深圳前海中电慧安科技有限公司 | 一种图码关联强度计算方法、装置、设备及存储介质 |
CN114120428A (zh) * | 2022-01-18 | 2022-03-01 | 深圳前海中电慧安科技有限公司 | 一种图码联侦关联方法、装置、计算机设备及存储介质 |
CN114299464A (zh) * | 2021-08-11 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 车道定位方法、装置及设备 |
CN114396959A (zh) * | 2022-03-25 | 2022-04-26 | 华砺智行(武汉)科技有限公司 | 基于高精度地图的车道匹配定位方法、装置、设备及介质 |
CN114418175A (zh) * | 2021-12-13 | 2022-04-29 | 重庆紫光华山智安科技有限公司 | 一种人员管理方法、装置、电子设备及存储介质 |
CN114446056A (zh) * | 2022-02-14 | 2022-05-06 | 腾讯科技(深圳)有限公司 | 车辆信息码的生成以及车辆通行控制方法、装置及设备 |
CN114495244A (zh) * | 2022-04-08 | 2022-05-13 | 深圳前海中电慧安科技有限公司 | 电像计算数据异常检测方法、装置、设备及存储介质 |
-
2022
- 2022-05-16 CN CN202210525672.9A patent/CN114637884B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235933A (zh) * | 2013-04-15 | 2013-08-07 | 东南大学 | 一种基于隐马尔科夫模型的车辆异常行为检测方法 |
US20190204096A1 (en) * | 2017-12-29 | 2019-07-04 | Uber Technologies, Inc. | Measuring the accuracy of map matched trajectories |
CN111121791A (zh) * | 2019-11-29 | 2020-05-08 | 上饶市中科院云计算中心大数据研究院 | 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法 |
CN111694032A (zh) * | 2020-05-09 | 2020-09-22 | 杭州电子科技大学 | 一种基于聚类的大规模轨迹数据的快速地图匹配方法 |
CN113703015A (zh) * | 2020-05-22 | 2021-11-26 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及介质 |
CN112035591A (zh) * | 2020-09-07 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 一种路网匹配方法、装置、设备和存储介质 |
CN112866570A (zh) * | 2021-01-08 | 2021-05-28 | 北京码牛科技有限公司 | 一种图码联采、目标对象轨迹生成方法及装置 |
CN112882073A (zh) * | 2021-01-18 | 2021-06-01 | 中交智运有限公司 | 一种基于时间阈内的隐马尔可夫模型人车合一算法 |
CN114299464A (zh) * | 2021-08-11 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 车道定位方法、装置及设备 |
CN114418175A (zh) * | 2021-12-13 | 2022-04-29 | 重庆紫光华山智安科技有限公司 | 一种人员管理方法、装置、电子设备及存储介质 |
CN114120428A (zh) * | 2022-01-18 | 2022-03-01 | 深圳前海中电慧安科技有限公司 | 一种图码联侦关联方法、装置、计算机设备及存储介质 |
CN114093014A (zh) * | 2022-01-20 | 2022-02-25 | 深圳前海中电慧安科技有限公司 | 一种图码关联强度计算方法、装置、设备及存储介质 |
CN114446056A (zh) * | 2022-02-14 | 2022-05-06 | 腾讯科技(深圳)有限公司 | 车辆信息码的生成以及车辆通行控制方法、装置及设备 |
CN114396959A (zh) * | 2022-03-25 | 2022-04-26 | 华砺智行(武汉)科技有限公司 | 基于高精度地图的车道匹配定位方法、装置、设备及介质 |
CN114495244A (zh) * | 2022-04-08 | 2022-05-13 | 深圳前海中电慧安科技有限公司 | 电像计算数据异常检测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
卢毅: "4G无线探针在高速公路交通状态识别中的应用", 《江苏科技信息》 * |
陆健等: "隐马尔可夫模型路网匹配的MapReduce实现", 《计算机应用与软件》 * |
高强等: "轨迹大数据:数据处理关键技术研究综述", 《软件学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169588A (zh) * | 2022-09-06 | 2022-10-11 | 深圳前海中电慧安科技有限公司 | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 |
CN116089638A (zh) * | 2023-04-03 | 2023-05-09 | 南京小唐安朴科技有限公司 | 一种基于车图码轨迹多维关联实时建档的计算方法 |
CN116089638B (zh) * | 2023-04-03 | 2023-08-15 | 南京小唐安朴科技有限公司 | 一种基于车图码轨迹多维关联实时建档的计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114637884B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390262B (zh) | 视频分析方法、装置、服务器及存储介质 | |
CN114637884B (zh) | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 | |
US10740964B2 (en) | Three-dimensional environment modeling based on a multi-camera convolver system | |
CN110837582B (zh) | 数据关联方法、装置、电子设备和计算机可读存储介质 | |
CN112770265B (zh) | 一种行人身份信息获取方法、系统、服务器和存储介质 | |
CN112085952A (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN116778292B (zh) | 多模态车辆时空轨迹的融合方法、装置、设备及存储介质 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN112163446A (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
CN112905849A (zh) | 一种车辆数据处理的方法及装置 | |
CN111767432B (zh) | 共现对象的查找方法和装置 | |
CN108288025A (zh) | 一种车载视频监控方法、装置及设备 | |
CN113284144A (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN114430331A (zh) | 一种基于知识图谱的网络安全态势感知方法及系统 | |
EP3376438A1 (en) | A system and method for detecting change using ontology based saliency | |
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 | |
CN115169588A (zh) | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 | |
CN114495244B (zh) | 电像计算数据异常检测方法、装置、设备及存储介质 | |
CN112153341B (zh) | 一种任务监督方法、装置、系统、电子设备及存储介质 | |
CN112289028B (zh) | 一种涉车套牌发现方法、装置、设备和介质 | |
CN112182302B (zh) | 基于换乘管理的地铁乘车路线溯源方法及装置 | |
CN114067935B (zh) | 一种流行病调查方法、系统、电子设备及存储介质 | |
CN117493434B (zh) | 一种人脸图像存储方法、设备及介质 | |
WO2022142922A1 (zh) | 道路安全评估方法、视频处理中心及存储介质 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Dongfeng Inventor after: Yu Yiyang Inventor after: Si Min Inventor before: Wang Dongfeng Inventor before: Yu Yiyang Inventor before: Yang Dewu |