CN114663691B - 一种落脚点定位方法、装置及电子设备 - Google Patents

一种落脚点定位方法、装置及电子设备 Download PDF

Info

Publication number
CN114663691B
CN114663691B CN202210567406.2A CN202210567406A CN114663691B CN 114663691 B CN114663691 B CN 114663691B CN 202210567406 A CN202210567406 A CN 202210567406A CN 114663691 B CN114663691 B CN 114663691B
Authority
CN
China
Prior art keywords
data
track data
clustering
processed
time
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.)
Active
Application number
CN202210567406.2A
Other languages
English (en)
Other versions
CN114663691A (zh
Inventor
张友
俞择
杨鹏
陈刚
陈立力
周明伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202210567406.2A priority Critical patent/CN114663691B/zh
Publication of CN114663691A publication Critical patent/CN114663691A/zh
Application granted granted Critical
Publication of CN114663691B publication Critical patent/CN114663691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种落脚点定位方法、装置及电子设备，在该方法中先对目标对象的各类轨迹数据进行数据倾斜处理，得到数据量均匀分布的各类轨迹数据，然后对数据倾斜处理后的轨迹数据进行聚类，进而确定目标对象的落脚区域。在该方法中由于对各类轨迹数据进行了数据倾斜处理，因此可以避免直接根据轨迹数据出现频次预判落脚点而造成落脚点定位不准确的问题，进而提升了对落脚点定位的准确性。

Description

一种落脚点定位方法、装置及电子设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种落脚点定位方法、装置及电子设备。
背景技术
目前，通过前期视频图形监控网的建设，已经积累了大量的视频图像数据，比如人像、车辆等抓拍数据以及MAC设备采集数据。如何利用这类数据，对人员的时空信息进行预判，在现有的方式中，基于单个设备点位和人员纬度按照时间进行统计，通过出现的频率高低判定目标个体在该点位出现的概率，该方式仅仅通过单个设备判定人员所在点位出现的概率，导致对人员点位的预测准确性较差。
发明内容
本发申请提供了一种落脚点定位方法、装置及电子设备，用以解决仅仅通过单个设备判定人员所在点位出现的概率，导致对人员点位的预测准确性较差的问题。
第一方面，本申请实施例中提供了一种落脚点定位方法，所述方法包括：
对目标对象的各类轨迹数据进行数据倾斜处理，得到待处理轨迹数据，其中，所述待处理轨迹中包含了各类型的轨迹数据；
根据聚类算法，对所述待处理轨迹数据进行聚类，得到K个聚类中心，K为大于等于1的整数；
根据所述K个聚类中心中每个聚类中心对应坐标位置数据，确定所述目标对象的落脚点区域。
基于上述问题，本申请提供了一种落脚点定位方法，在该方法中先对目标对象的各类型的轨迹数据进行数据倾斜处理，得到数条各类型的轨迹数据，然后对数据倾斜处理后的数据进行聚类，进而确定目标对象的落脚区域。在该方法中由于对各类轨迹数据进行了数据倾斜处理，因此可以避免根据轨迹数据概率出现频次较高而造成落脚点定位不准确的问题，进而提升了对落脚点定位的准确性。
在一种可能的设计中，对目标对象的各类轨迹数据进行数据倾斜处理，得到待处理轨迹数据，包括：
分别获取各类采集设备的采集周期，并确定出最大采集周期；
按照所述最大采集周期作为时间窗口长度，并在所述时间窗口长度内分别在各类型的轨迹数据中选取出轨迹数据，并将选取出的各类型的轨迹数据作为所述待处理轨迹数据。
通过对各类轨迹数据进行数据倾斜处理，因此可以避免根据轨迹数据概率出现频次较高而造成落脚点定位不准确的问题，进而提升了对落脚点定位的准确性。
在一种可能的设计中，对目标对象的各类轨迹数据进行数据倾斜处理，得到待处理轨迹数据，包括：
对各类轨迹数据中的经度以及纬度进行泛化处理，将泛化处理后的轨迹数据中具有相同经度以及纬度的轨迹数据划分为一组；
分别获取各类采集设备的采集周期，并确定出最大采集周期；
按照所述最大采集周期作为时间窗口长度，并在所述时间窗口长度内分别在各组轨迹数据中选取出轨迹数据，并将选取出的各类型的轨迹数据作为所述待处理轨迹数据。
通过对各类轨迹数据进行数据倾斜处理，因此可以避免根据轨迹数据概率出现频次较高而造成落脚点定位不准确的问题，进而提升了对落脚点定位的准确性。
在一种可能的设计中，得到待处理轨迹数据，包括：
将各类型的轨迹数据中时间信息转换为时间标签，其中，所述时间标签用于标记一个时间段；
将转换时间标签的轨迹数据作为所述待处理轨迹数据。
通过该方式可以经纬度与采集时间之间的纲量差异，从而保证聚类结果的准确性。
在一种可能的设计中，根据所述K个聚类中心中每个聚类中心对应坐标位置数据，确定所述目标对象的落脚点区域，包括：
按照指定编码方式对K个聚类中心中每个聚类中心对应的经度以及纬度进行重新编码，得到每个聚类中心对应的坐标位置数据；
根据每个聚类中心的坐标位置数据，确定所述目标对象的落脚区域。
第二方面，本申请实施例提供了一种落脚点定位装置，所述装置包括：
数据处理模块，用于对目标对象的各类轨迹数据进行数据倾斜处理，得到待处理轨迹数据，其中，所述待处理轨迹中包含了各类型的轨迹数据；
聚类模块，用于根据聚类算法，对所述待处理轨迹数据进行聚类，得到K个聚类中心，根据所述K个聚类中心中每个聚类中心对应坐标位置数据，确定所述目标对象的落脚点区域，其中，K为大于等于1的整数。
在一种可能的设计中，所述数据处理模块，用于分别获取各类采集设备的采集周期，并确定出最大采集周期；按照所述最大采集周期作为时间窗口长度，并在所述时间窗口长度内分别在各类型的轨迹数据中选取出轨迹数据，并将选取出的各类型的轨迹数据作为所述待处理轨迹数据。
在一种可能的设计中，所述数据处理模块，具体用于对各类轨迹数据中的经度以及纬度进行泛化处理，将泛化处理后的轨迹数据中具有相同经度以及纬度的轨迹数据划分为一组；分别获取各类采集设备的采集周期，并确定出最大采集周期；按照所述最大采集周期作为时间窗口长度，并在所述时间窗口长度内分别在各组轨迹数据中选取出指定条数轨迹数据，并将选取出的轨迹数据作为所述待处理轨迹数据。
在一种可能的设计中，所述数据处理模块，还用于将各类型的轨迹数据中时间信息转换为时间标签，将转换时间标签的轨迹数据作为所述待处理轨迹数据，其中，所述时间标签用于标记一个时间段。
第三方面，本申请实施例提供了一种电子设备，包括：
存储器，用于存放计算机程序；
处理器，用于执行所述存储器上所存放的计算机程序时，实现上述的一种落脚点定位方法步骤。
第四方面，本申请实施例一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种落脚点定位方法步骤。
上述第二方面至第四方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明，这里不再重复赘述。
附图说明
图1为本申请提供的一种落脚点定位方法的流程图；
图2为本申请提供的一种落脚点定位装置的结构示意图；
图3为本申请提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。需要说明的是，在本申请的描述中“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。A与B连接，可以表示：A与B直接连接和A与B通过C连接这两种情况。另外，在本申请的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
目前，通过前期视频图像监控网的建设，已经积累了大量的视频图像数据，比如人像、车辆等抓拍数据以及MAC设备采集数据。如何利用这类数据，对人员的时空信息进行准确的预判成为一个需要解决的问题。
在现有的方式中，基于单个设备点位和目标人员纬度按照时间顺序进行统计，通过目标人员出现的频率高低判定目标人员在该点位出现的概率，该方式仅仅通过单个设备判定目标人员所在点位出现的概率，导致对目标人员点位的预测准确性较差。
基于上述问题，本申请提供了一种落脚点定位方法，在该方法中先对目标对象的各类轨迹数据进行数据倾斜处理，得到各类型的轨迹数据，然后对数据倾斜处理后的轨迹数据进行聚类，进而确定目标对象的落脚区域。在该方法中由于对各类型的轨迹数据进行了数据倾斜处理，因此可以避免直接根据轨迹数据出现频次预判落脚点而造成落脚点定位不准确的问题，进而提升了对落脚点定位的准确性。
下面结合附图，对本申请实施例进行详细描述。
如图1所示为本申请实施例提供的一种落脚点定位方法的流程图，该方法包括：
S1，对目标对象的各类轨迹数据进行数据倾斜处理，得到待处理轨迹数据；
首先来讲，在智能安防不断推进的情况下，将存在大量不同类型的视频采集点位，每天将产生大量的图像数据和解析后的结构化数据，其中主要采集的数据为：人脸人体图像数据、车辆图像数据、终端设备的MAC（Media Access Control Address，媒体存取控制位置）信息数据。
人脸人体图像数据包括：采集设备ID、主档ID、人脸区域坐标、采集时间、经纬度等属性。
车辆图像数据包括：号牌种类代码、机动车号牌号码、通道编码、采集时间、采集设备编号、采集设备名称、经纬度等属性。
终端设备的MAC数据包括：终端设备MAC地址、采集设备编号、采集设备名称、采集时间、经纬度等属性。
上述图像采集设备以及其他采集设备采集到的是目标对象的各类型的轨迹数据，其中就包含人员的轨迹数据、车辆的轨迹数据、终端设备的轨迹数据。在这些类别的轨迹数据中存在相互之间的关联，比如人脸图像数据与车辆图像数据可以通过人与车牌号之间的关系建立关联。因此在采集到上述数据情况下，就可以得到各个目标对象的轨迹数据，比如表1所示：
Figure 597393DEST_PATH_IMAGE001
表1
在表1中，将人、车、MAC设备相关的轨迹数据进行整合，通过设备自动从海量的各类型的轨迹数据中提取出关联关系，进而避免业务人员浏览大量的结构化数据，完可以提升对目标对象的落脚点区域判定准确性，节省时间以及人力。
在一种可能的实施方式中，由于各类采集设备的采集频率不同，将导致数据发生倾斜，这里的数据倾斜是指存在某一类数据较其他种类的数据更多，比如MAC数据的采集频率较高，而人脸人体图像数据采集频率较低，因此MAC数据相对于人脸人体图像数据多很多，因此出现各类型的数据分布不均匀的问题，这种数据倾斜会导致落脚点的定位结果会向数据量较大的一边倾斜，最终导致落脚点定位结果的准确性较差。
为了解决上述的数据倾斜问题，在本申请实施例中，将对各类轨迹数据进行数据倾斜处理。具体可以通过如下两种处理方式进行处理：
方式一：
分别获取各类型采集设备的采集周期，并确定出最大采集周期，按照最大采集周期作为时间窗口长度，并在该时间窗口长度内分别在各类型的轨迹数据中选取出轨迹数据，并将选取出的各类型的轨迹数据作为待处理轨迹数据。
比如说，MAC数据的采集周期为2分钟、人脸人体图像数据采集周期为4分钟、车辆图像数据采集周期为6分钟，此时将6分钟作为时间窗口长度，在该时间窗口长度内只取第一条MAC数据、第一条人脸人体图像数据、第一条车辆图像数据。通过该方式可以有效的避免数据倾斜问题，使得各类轨迹数据可以均匀分布。
方式二：
由于在不同位置铺设的各类采集设备的密度不同，因此也会导致数据倾斜问题，比如某一个区域内采集MAC数据的采集设备铺设较多，而人脸人体图像采集设备的铺设较少，导致MAC数据的量远远超过人脸人体图像数据的量，因此出现数据倾斜。
在本申请实施例中，首先会对轨迹数据中的经度以及纬度进行泛化处理，将泛化处理后的轨迹数据中具有相同经度以及纬度的轨迹数据划分为一组。具体来讲，将轨迹数据中经度以及纬度字段保留2位小数，使得经度或者纬度相同时，经度或纬度相差0.01度时距离相差1公里。然后根据处理后的经度以及纬度进行分组。在完成分组时，相同经纬度的轨迹数据将被划分为同一组。
基于分组的轨迹数据，分别获取各类采集设备的采集周期，并确定出最大采集周期，按照最大采集周期作为时间窗口长度，并在该时间窗口长度内分别在各类型的轨迹数据中选取出指定条数轨迹数据，并将选取出的轨迹数据作为待处理轨迹数据。
比如说，MAC数据的采集周期为2分钟、人脸人体图像数据采集周期为4分钟、车辆图像数据采集周期为6分钟，此时将6分钟作为时间窗口长度，在该时间窗口长度内只取第一条MAC数据、第一条人脸人体图像数据、第一条车辆图像数据。通过该方式可以有效的避免数据倾斜问题，使得各类轨迹数据可以均匀分布。
通过上述的两种方式可以有效的将轨迹数据中的时间与空间纬度的数据水平化处理，可减小由于设备差异导致的数据倾斜问题。
在对轨迹数据完成数据倾斜处理之后，就可以得到待处理轨迹数据。
S2，根据聚类算法，对待处理轨迹数据进行聚类，得到K个聚类中心；
在本申请实施例中，聚类算法可以是K-means聚类模型，该K-means聚类模型输入的数据格式为经度、纬度、采集时间。由于采集时间为系统的时间，因此该采集时间均由13位整数标识，单位为毫秒，经度和纬度与13位数的采集时间存在纲量差异。为了避免该问题，需要在执行K-means聚类之前，将采集时间转换为时间段映射值存储。
具体来讲，将各类型的轨迹数据中的时间信息转换为时间标签，将转换时间标签的轨迹数据作为待处理轨迹数据。比如，不同采集设备的采集周期最大值为6分钟，那设定6分钟为时间纬度的最小度量，一个自然日的时间刻度是24*60/6=240。从1到240对应自然日中的每个时间段，定义该种映射为时段映射值，1表示0点到0点10分，2代表0点10分到0点20分，依次类推。转换后最终输入k-means聚类模型的数据格式为经度，纬度，时段映射值。
在得到指定格式的轨迹数据之后，首先将所有的轨迹数据组成n个由m维向量表示的样本X={𝑥1, 𝑥2, ...,𝑥𝑛}，𝑥1={d1,d2,...,d𝑚}，𝑥1表示一个目标对象的所有轨迹数据，d1表示一条轨迹数据。将n个样本划分到c个不同类别中，用𝐺1、𝐺2…𝐺𝑐表示c个不同的划分类。上述的k-means聚类模型本质上是一个从样本到类别的函数，可以表示为l=𝛷(𝒙)，其中l属于c个类别中的一类。该聚类算法的具体实现流程如下：
1、在设定范围内选取为K赋值，K表征期望划分的类别；
2、从样本X中随机选取K个中心点z1；
3、计算X中的每个样本点与z1之间的距离，通过计算概率公式选出概率最大的值对应的中心点作为下一个中心点z2。概率公式如下：
Figure 514534DEST_PATH_IMAGE002
其中，p表征概率值, 𝐷(𝑥)表示每个样本点到最近质心的距离，z表征质心。
4、重复步骤2，直至选出K个初始质心；
按照上述的方式可以对单个目标对象完成聚类，对于其他目标对象也可以按照上述的方式得到聚类中心。从而可以实现对整个样本的聚类，计算每个样本到聚类中心的距离，将每个样本点划分到离其最近的质心所属的类中。计算当前各个类簇中各样本的均值作为新的质心，按照上述方式不断循环直到质心不再发生偏移。
通过上述的方式就可以得到K个由经度、纬度、时间标签组成的多维特征向量表示的质心，即：K个聚类中心。一般情况下，对目标对象落脚区域来讲，目标对象不会存在过多的落脚点，因此该质心的数量会在1-10之间。
S3，根据K个聚类中心中每个聚类中心对应坐标位置数据，确定目标对象的落脚点区域。
在本申请实施例中，在得到K个聚类中心之后，通过指定编码方式对K个聚类中心中的每个聚类中心对应的经度以及纬度进行重新编码，得到每个聚类中心对应的坐标位置数据。根据每个聚类中心的坐标位置数据，确定目标对象的落脚区域。
基于本申请实施例所提供的上述方案，在对目标对象进行落脚区域定位时，融合了人脸人体图像数据、车辆图像数据以及MAC设备数据，并且将这三类数据进行关联，从而保证准确的获得目标对象的落脚区域。
对应本申请实施例所提供的一种落脚点定位方法，本申请实施例中还提供了一种落脚点定位装置，用以解决仅仅通过单个设备判定人员所在点位出现的概率，导致对人员点位的预测准确性较差的问题，如图2所示为本申请实施例中一种落脚点定位装置的结构示意图，该装置包括：
数据处理模块201，用于对目标对象的各类轨迹数据进行数据倾斜处理，得到待处理轨迹数据，其中，所述待处理轨迹中包含了各类型的轨迹数据；
聚类模块202，用于根据指定聚类算法，对所述待处理轨迹数据进行聚类，得到K个聚类中心，根据所述K个聚类中心中每个聚类中心对应坐标位置数据，确定所述目标对象的落脚点区域，其中，K为大于等于2的整数。
在一种可能的设计中，所述数据处理模块201，用于分别获取各类采集设备的采集周期，并确定出最大采集周期；按照所述最大采集周期作为时间窗口长度，并在所述时间窗口长度内分别在各类轨迹数据中选取出轨迹数据，并将选取出的各类型的轨迹数据作为所述待处理轨迹数据。
在一种可能的设计中，所述数据处理模块201，具体用于对各类型的轨迹数据中的经度以及纬度进行泛化处理，将泛化处理后的轨迹数据中具有相同经度以及纬度的轨迹数据划分为一组；分别获取各类采集设备的采集周期，并确定出最大采集周期；按照所述最大采集周期作为时间窗口长度，并在所述时间窗口长度内分别在各组轨迹数据中选取出轨迹数据，并将选取出的各类型的轨迹数据作为所述待处理轨迹数据。
在一种可能的设计中，所述数据处理模块201，还用于将各类轨迹数据中时间信息转换为时间标签，将转换时间标签的轨迹数据作为所述待处理轨迹数据，其中，所述时间标签用于标记一个时间段。
基于同一发明构思，本申请实施例中还提供了一种电子设备，所述电子设备可以实现前述落脚区域的输出装置的功能，参考图3，所述电子设备包括：
至少一个处理器301，以及与至少一个处理器301连接的存储器302，本申请实施例中不限定处理器301与存储器302之间的具体连接介质，图3中是以处理器301和存储器302之间通过总线300连接为例。总线300在图3中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线300可以分为地址总线、数据总线、控制总线等，为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。或者，处理器301也可以称为控制器，对于名称不做限制。
在本申请实施例中，存储器302存储有可被至少一个处理器301执行的指令，至少一个处理器301通过执行存储器302存储的指令，可以执行前文论述的落脚区域的输出方法。处理器301可以实现图2所示的装置中各个模块的功能。
其中，处理器301是该装置的控制中心，可以利用各种接口和线路连接整个该控制设备的各个部分，通过运行或执行存储在存储器302内的指令以及调用存储在存储器302内的数据，该装置的各种功能和处理数据，从而对该装置进行整体监控。
在一种可能的设计中，处理器301可包括一个或多个处理单元，处理器301可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器301中。在一些实施例中，处理器301和存储器302可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器301可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的落脚点定位方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器302可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器302是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器302还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
通过对处理器301进行设计编程，可以将前述实施例中介绍的落脚点定位方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行图1所示的实施例的落脚点定位方法的步骤。如何对处理器301进行设计编程为本领域技术人员所公知的技术，这里不再赘述。
基于同一发明构思，本申请实施例还提供一种存储介质，该存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行前文论述落脚点定位方法。
在一些可能的实施方式中，本申请提供的落脚点定位方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在装置上运行时，程序代码用于使该控制设备执行本说明书上述描述的根据本申请各种示例性实施方式的落脚点定位方法中的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (6)

1.一种落脚点定位方法，其特征在于，所述方法包括：
对目标对象各类型的轨迹数据中的经度以及纬度进行泛化处理，将泛化处理后的轨迹数据中具有相同经度以及纬度的轨迹数据划分为一组；
分别获取各类采集设备的采集周期，并确定出最大采集周期；
按照所述最大采集周期作为时间窗口长度，并在所述时间窗口长度内分别在各组轨迹数据中选取出指定条数的轨迹数据，并将选取出的轨迹数据作为待处理轨迹数据；
根据聚类算法，对所述待处理轨迹数据进行聚类，得到K个聚类中心，K为大于等于1的整数；
按照指定编码方式对K个聚类中心中每个聚类中心对应的经度以及纬度进行重新编码，得到每个聚类中心对应的坐标位置数据；
根据每个聚类中心的坐标位置数据，确定所述目标对象的落脚区域。
2.如权利要求1所述的方法，其特征在于，得到待处理轨迹数据，包括：
将各类型的轨迹数据中时间信息转换为时间标签，其中，所述时间标签用于标记一个时间段；
将转换时间标签的轨迹数据作为所述待处理轨迹数据。
3.一种落脚点定位装置，其特征在于，所述装置包括：
数据处理模块，用于对目标对象各类型的轨迹数据中的经度以及纬度进行泛化处理，将泛化处理后的轨迹数据中具有相同经度以及纬度的轨迹数据划分为一组；分别获取各类采集设备的采集周期，并确定出最大采集周期；按照所述最大采集周期作为时间窗口长度，并在所述时间窗口长度内分别在各组轨迹数据中选取出指定条数的轨迹数据，并将选取出的轨迹数据作为待处理轨迹数据；
聚类模块，用于根据聚类算法，对所述待处理轨迹数据进行聚类，得到K个聚类中心，根据所述K个聚类中心中每个聚类中心对应坐标位置数据，确定所述目标对象的落脚点区域，其中，K为大于等于1的整数。
4.如权利要求3所述的装置，其特征在于，所述数据处理模块，还用于将各类型的轨迹数据中时间信息转换为时间标签，将转换时间标签的轨迹数据作为所述待处理轨迹数据，其中，所述时间标签用于标记一个时间段。
5.一种电子设备，其特征在于，包括：
存储器，用于存放计算机程序；
处理器，用于执行所述存储器上所存放的计算机程序时，实现权利要求1-2中任一项所述的方法步骤。
6.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-2任一项所述的方法步骤。
CN202210567406.2A 2022-05-24 2022-05-24 一种落脚点定位方法、装置及电子设备 Active CN114663691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210567406.2A CN114663691B (zh) 2022-05-24 2022-05-24 一种落脚点定位方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210567406.2A CN114663691B (zh) 2022-05-24 2022-05-24 一种落脚点定位方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN114663691A CN114663691A (zh) 2022-06-24
CN114663691B true CN114663691B (zh) 2022-09-20

Family

ID=82038271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210567406.2A Active CN114663691B (zh) 2022-05-24 2022-05-24 一种落脚点定位方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114663691B (zh)

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8855361B2 (en) * 2010-12-30 2014-10-07 Pelco, Inc. Scene activity analysis using statistical and semantic features learnt from object trajectory data
CN107133269B (zh) * 2017-04-01 2021-06-18 中国人民解放军国防科技大学 基于移动目标的频繁位置轨迹生成方法及装置
CN109697221B (zh) * 2018-11-22 2021-07-09 东软集团股份有限公司 轨迹规律的挖掘方法、装置、存储介质及电子设备
CN111798018A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 行为预测方法、装置、存储介质及电子设备
CN110334111B (zh) * 2019-06-13 2023-06-02 武汉市公安局视频侦查支队 一种多维轨迹分析方法及装置
CN110633279A (zh) * 2019-09-09 2019-12-31 四川东方网力科技有限公司 多源时空轨迹数据处理方法、装置、设备和存储介质
CN112182408A (zh) * 2020-10-28 2021-01-05 广东小天才科技有限公司 一种行动轨迹的呈现方法、系统、终端设备和存储介质
CN112685659B (zh) * 2021-03-19 2021-06-18 上海钐昆网络科技有限公司 目标地点确定方法、装置、电子设备及计算机存储介质
CN112995915B (zh) * 2021-03-25 2022-05-13 中兴飞流信息科技有限公司 一种统计用户在预设时间内运动轨迹的方法及系统
CN113342905B (zh) * 2021-06-07 2022-10-25 北京邮电大学 一种停留点确定方法及装置
CN113470079A (zh) * 2021-07-15 2021-10-01 浙江大华技术股份有限公司 一种落脚区域的输出方法、装置及电子设备
CN113779171A (zh) * 2021-09-26 2021-12-10 浙江大华技术股份有限公司 对象落脚点的确定方法、装置、存储介质及电子装置
CN114064834A (zh) * 2021-11-16 2022-02-18 深圳市中科明望通信软件有限公司 目标地点确定方法及装置、存储介质和电子设备

Also Published As

Publication number Publication date
CN114663691A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN109685092B (zh) 基于大数据的聚类方法、设备、存储介质及装置
CN113408561B (zh) 模型生成方法、目标检测方法、装置、设备及存储介质
US20160189359A1 (en) Sampling method and image processing apparatus of cs-ransac for estimating homography
CN112016617B (zh) 细粒度分类方法、装置及计算机可读存储介质
CN112668632A (zh) 一种数据处理方法、装置、计算机设备及存储介质
CN114550076A (zh) 区域异常行为监控方法、装置、设备及存储介质
CN116662839A (zh) 基于多维智能采集的关联大数据聚类分析方法及装置
CN114064834A (zh) 目标地点确定方法及装置、存储介质和电子设备
CN114663691B (zh) 一种落脚点定位方法、装置及电子设备
CN108932839A (zh) 一种同行车辆判断方法及装置
CN116843150A (zh) 基于智慧物联网的社区服务方法及系统
CN114708728B (zh) 一种识别交通高峰期的方法、电子设备及存储介质
CN115190587A (zh) Wifi位置确定方法、装置、电子设备及存储介质
CN114613124B (zh) 交通信息处理方法、装置、终端及计算机可读存储介质
CN113470079A (zh) 一种落脚区域的输出方法、装置及电子设备
CN112434648A (zh) 一种墙体形状变化检测方法及系统
CN113076451A (zh) 异常行为识别和风险模型库的建立方法、装置及电子设备
JP2016103084A (ja) 画像検索装置、及び画像検索システム
CN117349688B (zh) 一种基于峰值轨迹的轨迹聚类方法、装置、设备及介质
CN114691523B (zh) 一种gps系统调测方法及装置
CN114549885A (zh) 一种目标对象聚类方法、装置及电子设备
CN111898462B (zh) 对象属性的处理方法、装置、存储介质以及电子装置
CN113807445B (zh) 案卷复核方法、装置及电子装置、可读存储介质
CN114463563A (zh) 一种图像获取方法、装置及电子设备
CN118053110A (zh) 群体聚集检测方法、装置、电子设备及计算机存储介质

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