CN114862946A - 位置预测方法、系统、设备及介质 - Google Patents

Abstract

本发明实施例提供一种位置预测方法、系统、设备及介质，该方法通过获取目标对象的目标图像特征信息，基于目标图像特征信息从多个历史图像确定多个目标图像，获取各目标图像的采集时空信息生成目标图像的历史轨迹点，根据预设时间周期基于采集全周期时间标识将多个目标图像的历史轨迹点划分得到多个历史轨迹，基于各历史轨迹拟合得到拟合轨迹，根据拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置，能够快速的实现基于现有的图像数据对目标对象可能的常驻位置进行预判，提升了预测位置的确定效率、准确性，降低了预测位置确定事件的成本。

Description

位置预测方法、系统、设备及介质

技术领域

本发明实施例涉及通信技术领域，特别是涉及一种位置预测方法、系统、设备及介质。

背景技术

随着监控摄像头的普及，公共场所的摄像头分布越来越广，当发生如人口走失、目标人员查找事件时，基于摄像头所拍摄的图像能够帮助相关人员进行人员查找和人员落脚位置的研判。

但在实际场景下，对于人员的轨迹由于摄像机抓拍精度的影响、当前技术发展受限，多个摄像头所拍摄的图像往往是孤立的，需要人工进行图片筛选和整合，进而基于现有的图像数据对走失人员或目标人员可能的常驻位置实现预判，效率低、结果不准确、成本高。

发明内容

鉴于以上现有技术的缺点，本发明的目的在于提供一种位置预测方法、系统、设备及介质，用于解决相关技术中需要人工进行图片筛选和整合，进而基于现有的图像数据对走失人员或目标人员可能的常驻位置实现预判，效率低、结果不准确、成本高的技术问题。

针对于上述问题，本发明实施例提供了一种位置预测方法，方法包括：

获取目标对象的目标图像特征信息，基于所述目标图像特征信息从多个历史图像确定多个目标图像，获取各所述目标图像的采集时空信息生成所述目标图像的历史轨迹点，所述采集时空信息包括全周期时间标识、子周期时间标识和采集位置信息；

根据预设时间周期基于所述采集全周期时间标识将多个目标图像的历史轨迹点划分得到多个历史轨迹；

基于各所述历史轨迹拟合得到拟合轨迹，根据所述拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置。

可选的，所述基于各所述历史轨迹拟合得到拟合轨迹包括：

确定不同所述历史轨迹上历史轨迹点之间的第一时空距离，若满足条件轨迹点的数量大于第一预设数量阈值，将各所述满足条件轨迹点确定为一个目标轨迹点集合，所述第一时空距离包括空间距离和采集时差，所述空间距离根据采集位置信息确定，所述采集时差根据所述子周期时间标识确定，所述满足条件轨迹点为满足预设时空条件的第一时空距离对应的历史轨迹点，所述预设时空条件包括预设时间偏差系数和预设空间偏差系数，所述第一预设数量阈值小于或等于所述历史轨迹的数量；

基于一个所述目标轨迹点集合确定一个拟合轨迹点，根据确定得到的各所述目标轨迹点集合确定的所述拟合轨迹点生成拟合轨迹。

可选的，所述基于各所述历史轨迹拟合得到拟合轨迹包括：

从各所述历史轨迹中确定一个基准轨迹，将除所述基准轨迹外的其他历史轨迹确定为相关轨迹，所述基准轨迹的历史轨迹点数量大于或等于所述相关轨迹的历史轨迹点数量；

确定所述基准轨迹上历史轨迹点与各所述相关轨迹上历史轨迹点之间的第二时空距离，所述第二时空距离包括空间距离和采集时差，所述空间距离根据所述基准轨迹上历史轨迹点的采集位置信息和所述相关轨迹上历史轨迹点的采集位置信息确定，所述采集时差根据所述基准轨迹上历史轨迹点的子周期时间标识和所述相关轨迹上历史轨迹点的子周期时间标识确定；

若第一目标轨迹点的数量大于第二预设数量阈值，将各所述第一目标轨迹点与所述基准轨迹上历史轨迹点确定为一个目标轨迹点集合，所述第一目标轨迹点为满足预设时空条件的所述第二时空距离所对应的所述相关轨迹上历史轨迹点，所述第二预设数量阈值小于或等于所述相关轨迹的数量，所述预设时空条件包括预设时间偏差系数和预设空间偏差系数；

基于一个所述目标轨迹点集合确定一个拟合轨迹点，根据确定得到的各所述目标轨迹点集合确定的所述拟合轨迹点生成拟合轨迹。

可选的，若所述第一目标轨迹点的数量小于或等于第二预设数量阈值，从各所述相关轨迹上历史轨迹点中确定一个新增轨迹点，确定各历史轨迹上的历史轨迹点与所述新增轨迹点之间的第三时空距离；

若所述第二目标轨迹点的数量大于所述第二预设数量阈值，将各所述第二目标轨迹点确定为一个目标轨迹点集合，所述第二目标轨迹点为满足预设时空条件的所述第三时空距离所对应的所述历史轨迹点。

可选的，基于所述目标轨迹点集合确定拟合轨迹点包括：

获取所述目标轨迹点集合中各所述历史轨迹点的子周期时间标识和采集位置信息，根据各所述子周期时间标识确定拟合时间标识，根据各所述采集位置信息确定拟合位置信息；

基于所述拟合时间标识和所述拟合位置信息确定拟合轨迹点。

可选的，若所述拟合轨迹点的数量大于或等于2，根据所述拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置包括：

根据各所述拟合轨迹点的拟合时间标识确定所述拟合轨迹上相邻拟合轨迹点之间的拟合时差；

若存在至少一个预测时差，将各所述预测时差对应的各所述拟合轨迹点的拟合位置信息中至少之一确定为所述预测位置，所述预测时差为大于预设时差阈值的所述拟合时差。

可选的，将各所述拟合时差对应的各所述拟合轨迹点的拟合位置信息中至少之一确定为预测位置包括：

将大于所述预设时差阈值的所述拟合时差对应的两个拟合轨迹点确定为目标拟合组；

根据所述目标拟合组中各拟合轨迹点的拟合位置信息确定目标距离；

若所述目标距离小于预设距离阈值，将所述目标拟合组确定为疑似拟合组；

将确定得到的各疑似拟合组中各拟合轨迹点确定为疑似轨迹点，并将各疑似轨迹点的拟合位置信息中至少之一确定为所述预测位置。

可选的，将各疑似轨迹点的拟合位置信息中至少之一确定为所述预测位置包括：

获取预设置信度参数，并确定所述疑似轨迹点的拟合位置信息的置信度，所述预设置信度参数包括以下至少之一，拟合轨迹上拟合轨迹点数量、预设置信度系数、预设时间偏差系数、预设空间偏差系数、预设图像比对相似度、所述疑似轨迹点的拟合时差、所述历史轨迹的数量、采集位置范围包括所述疑似轨迹点的拟合位置信息的所述目标图像的数量、确定所述疑似轨迹点的所述目标轨迹点集合中历史轨迹点的数量；

将所述置信度最高的所述疑似轨迹点的拟合位置信息确定为所述预测位置。

可选的，所述置信度的确定方式包括：

R＝λ((Np/100)*L*Cn*f*T*△t))/(β*δ)*100％；

其中，R为置信度，λ为预设置信度系数，Np为采集位置范围包括所述疑似轨迹点的拟合位置信息的所述目标图像的数量，L为拟合轨迹上拟合轨迹点数量，Cn为确定所述疑似轨迹点的所述目标轨迹点集合中历史轨迹点的数量，f为预设图像比对相似度，T为所述历史轨迹的数量，△t为预设时差阈值或所述疑似轨迹点的拟合时差，β为预设空间偏差系数，δ为预设时间偏差系数。

可选的，所述目标图像特征信息包括目标面部特征信息和目标人体特征信息，基于所述目标图像特征信息从多个历史图像确定多个目标图像包括：

获取各所述历史图像的待比对面部特征信息和待比对人体特征信息，若所述历史图像满足预设比对条件，将所述历史图像确定为目标图像，所述预设比对条件包括以下至少之一，所述目标面部特征信息与所述待比对面部特征信息之间的相似度大于预设第一比对相似度，所述目标人体特征信息与所述待比对人体特征信息之间的相似度大于预设第二比对相似度。

可选的，基于各所述历史轨迹拟合得到拟合轨迹，根据所述拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置之后，所述方法还包括：

获取所述预测位置预设空间范围内的疑似落脚点的疑似落脚点位置信息；

根据所述疑似落脚点位置信息和所述预测位置的拟合位置信息确定落脚点距离；

基于所述落脚点距离对所述疑似落脚点进行排序，生成落脚点序列。

可选的，获取所述预测位置预设空间范围内的疑似落脚点的疑似落脚点位置信息之后，所述方法还包括在预设地图上标识预设标识信息，所述预设标识信息包括以下至少之一：

所述预测位置、各疑似落脚点、所述疑似落脚点的建筑性质、确定所述疑似轨迹点的所述目标轨迹点集合中历史轨迹点的数量、确定所述疑似轨迹点的所述目标轨迹点集合中历史轨迹点的子周期时间标识。

本发明实施例还提供了一种位置预测系统，所述系统包括：

历史轨迹点生成模块，用于获取目标对象的目标图像特征信息，将所述目标图像特征信息与多个历史图像进行比对，确定多个目标图像，获取各所述目标图像的采集时空信息生成所述目标图像的历史轨迹点，所述采集时空信息包括全周期时间标识、子周期时间标识和采集位置信息；

历史轨迹生成模块，用于根据预设时间周期基于所述采集全周期时间标识将多个目标图像的历史轨迹点划分得到多个历史轨迹；

预测位置确定模块，用于基于各所述历史轨迹拟合得到拟合轨迹，根据所述拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置。

本发明实施例还提供了一种电子设备，包括处理器、存储器和通信总线；

通信总线用于将处理器和存储器连接；

处理器用于执行存储器中存储的计算机程序，以实现如上述实施例中任一项的方法。

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，计算机程序用于使计算机执行如上述实施例中任一项的方法。

如上，本发明实施例提供的一种位置预测方法、系统、设备及介质，具有以下有益效果：

通过获取目标对象的目标图像特征信息，基于目标图像特征信息从多个历史图像确定多个目标图像，获取各目标图像的采集时空信息生成目标图像的历史轨迹点，根据预设时间周期基于采集全周期时间标识将多个目标图像的历史轨迹点划分得到多个历史轨迹，基于各历史轨迹拟合得到拟合轨迹，根据拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置，能够快速的实现基于现有的图像数据对目标对象可能的常驻位置进行预判，提升了预测位置的确定效率、准确性，降低了预测位置确定事件的成本。

附图说明

图1为本发明一实施例提供的实施环境的一种示意图；

图2为本发明一实施例提供的位置预测方法的一种流程示意图；

图3为本发明一实施例提供的多个历史轨迹的一种示例图；

图4为本发明一实施例提供的位置预测系统的一种结构示意图；

图5为一实施例提供的电子设备的一种结构示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。

随着监控摄像头的普及，公共场所的摄像头分布越来越广，当发生如人口走失、目标人员查找事件时，基于摄像头所拍摄的图像能够帮助相关人员进行人员查找和人员落脚位置的研判。

但在实际场景下，对于人员的轨迹由于摄像机抓拍精度的影响、当前技术发展受限，多个摄像头所拍摄的图像往往是孤立的，需要人工进行图片筛选和整合，进而基于现有的图像数据对走失人员或目标人员可能的常驻位置实现预判，效率低、结果不准确、成本高。

发明人发现，人脸、人体作为人的基础信息，由于其携带有特征信息，因此可用于人员的轨迹行为等分析，特别是对走失人员或目标人员的落脚点进行分析。但是在实际场景下，匿名人员的轨迹由于摄像机抓拍精度的影响，无法在短时间内与其他信息进行融合因此往往很难真正的进行业务应用，导致以下不足：

1、分析效率较低。分析人员，需要查询多天的抓拍图片，甚至在图片不清晰时，需要翻阅大量的录像视频来进行确认。

2、分析结果不准确。当因为被分析对象活动轨迹杂乱，或活动的轨迹上的摄像机点位抓拍遗漏，或活动点的抓拍相机有差异，往往会导致最终的分析结果出现偏差。

3、成本较高、对人员水平要求高。在被分析对象的落脚点过程中，耗费人员的大量时间，有较高的人力成本。并且要求对整个区域内的摄像机点位相当熟悉的人才能完成分析。

针对于上述不足，本申请实施例提出了一种位置预测方法，请参阅图1，图1是本申请一种实施环境的示意图，该实施环境示意图包括人脸/人体库结构化图片库生成模块101、目标特征检索模块102、位置预测模块103、落脚点筛选模块104和上层应用结果展示模块105，其中人脸/人体库结构化图片库生成模块、目标特征检索模块、位置预测模块、落脚点筛选模块和上层应用结果展示模块之间通过有线或者无线网络进行通信人脸/人体库结构化图片库生成模块、目标特征检索模块可以预先通过申请以合理合法的获取得到历史图像和进行图像比对以确定目标图像。其中，人脸/人体库结构化图片库生成模块具有以下功能：

1、人脸图像采集。利用人脸提取算法，对摄像机(图像采集设备)采集的视频或照片进行智能分析，将视频中的人脸图片进行截取得到人脸图片。

2、人脸特征提取。利用人脸特征提取算法，人脸图片进行人脸特征提取，得到人脸特征。

3、人体图像采集。利用人体提取算法，对摄像机采集的视频进行智能分析，将视频中的人体图片进行截取得到人体图片。

4、人体特征提取。利用人体特征提取算法，人体图片进行人体特征提取，得到人体特征。

目标特征检索模块利用人脸、人体特征提取算法，获得检索目标图片的特征后，在图片库进行对比搜索。例如设定75％度的阈值，筛选出抓拍库中相似度大于等于75％的图片。

位置预测模块具有以下功能：

轨迹回溯。通过抓拍图片(历史图像)的空间维度(点位的经纬度，采集位置信息)和时间维度(抓拍图片的时间点，全周期时间标识、子周期时间标识)，按预设时间周期，如天(00:00-24:00)生成相似度大于75％的目标对象的轨迹线路(历史轨迹)。同时标注周期(每天)最早出现的点位和最晚出现的点位。

预测位置确定。构建时空关系的模型，通过周期T(预设时间周期)内的时空关系，计算出预测位置F和置信度R。其中置信度R的大小，与周期T的个数(多少个周期，生成了多少个历史古迹)，周期内抓拍的点位数L(拟合轨迹上的拟合轨迹点的数量)，周期内抓拍的图片数NP(在该拟合轨迹点所在的位置和时间段共存在多少张目标图像)，多个周期内的轨迹重合度CD(有多少个历史轨迹点与拟合轨迹点的时间距离符合预设时空阈值)，图片搜索时的相似度S(预设图像比对相似度)强相关。

落脚点筛选模块用于落脚区域模型计算，通过模型计算后，得到预测位置的具体经纬度点位F和置信度后。再通过区域范围算法模型，拉取地图的相关信息。分析预测位置附近的300米(示例数据，本领域技术人员可以根据需要修改)范围内的环境，得到分析对象的落脚区域。例如点位(预测位置)附近为某小区，被分析对象(目标对象)消失的时间为晚上，出现的时间为早上。通过算法，判定被分析对象居住地为该小区。又例如，预测位置附近为办公楼，被分析对象消失为早上，出现为傍晚，判定被分析对象工作地为该办公楼。

上层应用结果展示模块用于落脚点应用展示，展示模型计算的结果-预测位置、落脚点区域(预设空间范围)、疑似落脚点、建筑性质(居住、办公等)、对应的时间(确定疑似轨迹点的目标轨迹点集合中历史轨迹点的子周期时间标识)、次数(在该拟合轨迹点所在的位置和时间段共存在多少张目标图像或者在全部历史轨迹中存在多少个历史轨迹点与该疑似落脚点的时空距离符合预设时空阈值)等信息。

在本实施方式的位置预测系统中，根据图2所示的流程图，实施以下的位置预测方法。

结合上述实施环境示例，下面将对本申请中位置预测方法进行介绍，请参阅图2，图2为本申请实施例提供的一种位置预测方法的流程图，该方法可以是由搭载有位置预测系统的服务器或终端执行的，如图2所示，位置预测方法至少包括步骤S201至步骤S203，详细介绍如下：

请参阅图2，本发明实施例提供的位置预测方法，包括：

步骤S201：获取目标对象的目标图像特征信息，基于目标图像特征信息从多个历史图像中确定多个目标图像，获取各目标图像的采集时空信息生成目标图像的历史轨迹点。

其中，采集时空信息包括全周期时间标识、子周期时间标识和采集位置信息。

可选的，全周期时间标识可以为X年X月X日X时X分X秒，子周期时间标识可以为X时X分X秒。可以理解，全周期时间标识为该目标对象被某一图像采集设备所采集到的目标图像在时间维度上的全局唯一标识，当存在至少两个图像采集设备时，可能存在两个图像采集设备所采集得到的两张目标图像具有相同的全周期时间标识，子周期时间标识为该目标对象被某一图像采集设备所采集到的目标图像在时间维度上某一预设时间周期内的唯一标识，但在不同预设时间周期中可能存在两个子周期时间标识相同的由一个或多个图像采集设备所采集的至少两张目标图像。例如，存在图像采集设备A和图像采集设备B，图像采集设备A采集了目标图像1、目标图像2，图像采集设备B采集了目标图像3、目标图像4，目标图像1的采集时间为2020年1月1日2时58分36秒，目标图像2的采集时间为2020年1月3日2时58分36秒，目标图像3的采集时间为2020年1月1日2时58分36秒，目标图像4的采集时间为2020年1月2日2时58分36秒，全周期时间标识为X年X月X日X时X分X秒，子周期时间标识可以为X时X分X秒，则目标图像1和目标图像3具有相同的全周期时间标识(2020年1月1日2时58分36秒)，目标图像1、目标图像2和目标图像4具有相同的子周期时间标识(2时58分36秒)。

可选的，子周期时间标识可以基于全周期时间标识生成，采集目标图像时的原始时空信息仅包括全周期时间标识和采集位置信息，后续再基于全周期时间标识生成子周期时间标识。如全周期时间标识(2020年1月1日2时58分36秒)，基于预设子周期时间标识规则可得到此时子周期时间标识(2时58分36秒)。

可选的，全周期时间标识与子周期时间标识也可以是没有重合信息，如全周期时间标识(2020年1月1日)，子周期时间标识(2时58分36秒)，此时可以由目标图像的采集时间(2020年1月1日2时58分36秒)拆分得到全周期时间标识(2020年1月1日)，子周期时间标识(2时58分36秒)。

以上为几种全周期时间标识与子周期时间标识的示例，本领域技术人员也可以根据需要自定设定规则。

在一个实施例中，目标图像特征信息包括目标面部特征信息和目标人体特征信息，基于目标图像特征信息从多个历史图像中确定多个目标图像包括：

获取各历史图像的待比对面部特征信息和待比对人体特征信息，若历史图像满足预设比对条件，将历史图像确定为目标图像，预设比对条件包括以下至少之一，目标面部特征信息与待比对面部特征信息之间的相似度大于预设第一比对相似度，目标人体特征信息与待比对人体特征信息之间的相似度大于预设第二比对相似度。

当然，目标图像特征信息还可以包括目标面部特征信息或目标人体特征信息，此时，对于历史图像的要求更为严格，将损失没有拍到目标对象面部的历史图像所带来的数据。

预设第一比对相似度、预设第二比对相似度可以由本领域技术人员根据需要进行设定，预设第一比对相似度和预设第二比对相似度可以是相等的，也可以是不等的。在后续确定置信度时，可以根据预设第一比对相似度和预设第二比对相似度确定预设图像比对相似度。一种可选的预设图像比对相似度的确定方式为：预设图像比对相似度＝(预设第一比对相似度+预设第二比对相似度)/2，或者预设图像比对相似度＝(a*预设第一比对相似度+b*预设第二比对相似度)/2，其中a、b为本领域技术人员根据需要所设定的参数。当然，预设图像比对相似度的确定方式还可以根据本领域技术人员的需要采用其他的方法。

可选的，通过多个抓拍摄像机等图像采集设备获取历史图像。当目标对象为人体时，目标图像特征信息可以包括人脸图像信息和人体图像信息。历史图像中存在有待比对人员，可以先通过目标识别对历史图像进行筛选，筛除不包括人体的图像。历史图像可以不包括有完整的人体图像。历史图像关联有其拍摄设备识别信息、拍摄设备位置信息(如经纬度等)，拍摄时间、图片质量等信息中至少之一。将拍摄设备位置信息作为采集位置信息，可以根据拍摄时间确定全周期时间标识、子周期时间标识。

可选的，目标面部特征信息、目标人体特征信息、待比对面部特征信息、待比对人体特征信息的确定方式可以通过本领域技术人员所知晓的方式实现。目标面部特征信息、目标人体特征信息、待比对面部特征信息、待比对人体特征信息可以通过人脸&人体检测算法实现确定，人脸&人体检测算法一般为神经网络模型，如MTCNN、YOLO系列等目标检测模型。历史图像中可能包含一个或多个人脸&人体，此时人脸&人体检测算法需要识别出抓拍场景图中所有的可能人脸&人体图像。

可选的，可以通过人脸解析服务对抓拍的人脸图像(历史图像)进行人脸特征向量与结构化信息提取。人脸解析服务一般为一个或多个多任务的神经网络解析模型，多任务的神经网络解析模型表示一个模型可以同时识别人脸图像的某几类或所有结构化信息与人脸特征信息。示例性地，如人脸解析模型为一个多任务神经网络模型，则通过该模型可以解析得到人脸特征并能回归预测所有结构化信息值，如人脸俯仰角度、水平角度、人脸质量分数、性别、年龄、是否带口罩等。人脸结构化信息包括人脸俯仰角度、水平角度、人脸质量分数、性别、年龄、是否带口罩等。示例性地，如人脸俯仰角度：0，水平角度：10，人脸质量分数：80，性别：0，年龄：30，是否带口罩：1等。

可选的，可以通过人体解析服务对抓拍的人体图像(历史图像)进行人体特征向量与结构化信息提取。人体解析服务一般为一个或多个多任务的Re-ID解析模型，多任务的Re-ID解析模型表示一个模型利用视觉技术判断图像或者视频序列中是否存在特定行人的技术，通过穿着、体态、发型等再不确定的场景中能够再次识别时同一个人，并以此描绘出个体轨迹的AI视觉技术。

确定被检索人脸或人体图片(包括有目标对象人脸或目标对象人体的图像)，提取目标图片的人脸人体特征(目标图像特征信息)。通过人脸关联人体或人体关联人脸，设置相似度阈值为f后，在多个历史图像中进行嫌疑目标筛选(确定目标图像)。将筛选出来的结果(目标图像)存于缓存中，同时获取筛选出来各抓拍图片(目标图像)的点位L(采集位置信息)、时间Time(采集时间信息)、图片质量Qp等参数进行存储。

可选的，获取各目标图像的采集时空信息生成目标图像的历史轨迹点之前，或者确定多个目标图像之前，还可以根据各历史图像的图片质量进行筛选，从高于预设图片质量的历史图像中确定目标图像。

可选的，获取各目标图像的采集时空信息生成目标图像的历史轨迹点的方式可以是以全周期时间标识和子周期时间标识作为一个坐标维度A、以采集位置信息作为另一个坐标维度B，基于坐标维度A和坐标维度B生成一个历史轨迹点，该历史轨迹点的表示方式可以是(子周期时间标识，采集位置信息)，将全周期时间标识对历史轨迹点进行进一步标识，以便后续根据预设时间周期进行历史轨迹点的划分。历史轨迹上包括一个或多个历史轨迹点，历史轨迹可以基于历史轨迹点进行历史轨迹点之间的轨迹预测连接例如通过已知地图的已知路径，基于历史轨迹点之间的采集时差和已知距离进行历史轨迹点之间的预测连接等，也可以为由一个或多个历史轨迹点的“散点图”，本领域技术人员可以根据需要进行历史轨迹的进一步设定。

步骤S202：根据预设时间周期基于全周期时间标识将多个目标图像的历史轨迹点划分得到多个历史轨迹。

预设时间周期可以由本领域技术人员根据需要进行设定，包括但不限于自然日、周、月、自起始时间每12小时作为一个周期等。

以全周期时间标识为X年X月X日X时X分X秒为例，预设时间周期为自然日(00：00-24：00)，目标图像的全周期时间标识最早为2022年1月1日08:32:16，最晚时间为2022年1月3日23:48:51，还包括2022年1月2日20:05:23，则可以分为三个历史轨迹。参见图3，图3为一种多个历史轨迹的示意图。历史轨迹点包括子周期时间标识(图3中的08:32:16等)和采集位置信息(点位Y等)。采集位置信息可以通过经纬度等本领域技术人员所预先设定的规则进行表示。

步骤S203：基于各历史轨迹拟合得到拟合轨迹，根据拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置。

其中，拟合轨迹上的拟合轨迹点的数量大于或等于2。

在一个实施例中，历史轨迹中各历史轨迹点可以按照子周期时间标识顺序进行排序，可参见图3，图3中各历史轨迹点的排序从左至右均是按照时间顺序排序。

在一个实施例中，基于各历史轨迹拟合得到拟合轨迹包括：

确定不同历史轨迹上历史轨迹点之间的第一时空距离，若满足条件轨迹点的数量大于第一预设数量阈值，将各满足条件轨迹点确定为一个目标轨迹点集合，第一时空距离包括空间距离和采集时差，空间距离根据采集位置信息确定，采集时差根据子周期时间标识确定，满足条件轨迹点为满足预设时空条件的第一时空距离对应的历史轨迹点，预设时空条件包括预设时间偏差系数和预设空间偏差系数，第一预设数量阈值小于或等于历史轨迹的数量，继续以图3为例，轨迹一上的第二个历史轨迹点(09:12:42，点位B)、轨迹二上的第二个轨迹点(08:54:22，点位B)，可见两者的空间距离可以近似看做为0(均为点位B),两者的采集时差为18分20秒，假设预设时间偏差系数为20分，则轨迹一上的第二个历史轨迹点与轨迹二上的第二个轨迹点之间的时空距离满足预设时空条件，且存在两个历史轨迹点为满足条件轨迹点，若第一预设数量阈值为2，则将轨迹一上的第二个历史轨迹点与轨迹二上的第二个轨迹点确定为目标轨迹点集合，需要说明的是，目标轨迹点集合的数量可以是一个，也可以是多个以上以为一种目标轨迹点集合的确定方法示例；

基于一个目标轨迹点集合确定一个拟合轨迹点，根据确定得到的各目标轨迹点集合确定的拟合轨迹点生成拟合轨迹，基于拟合轨迹点生成拟合轨迹的方式可以参考上述历史轨迹或历史轨迹的生成方式，在此不再赘述。

在一个实施例中，基于各历史轨迹拟合得到拟合轨迹包括：

从各历史轨迹中确定一个基准轨迹，将除基准轨迹外的其他历史轨迹确定为相关轨迹，基准轨迹的历史轨迹点数量大于或等于相关轨迹的历史轨迹点数量，可选的，得到多个历史轨迹后，可以分别获取各历史轨迹上的历史轨迹点的数量，若某一个历史轨迹上的历史轨迹点的数量最多，则将该历史轨迹作为基准轨迹，若存在至少两个历史轨迹上的历史轨迹点的数量相等，且多于其他历史轨迹上的历史轨迹点的数量，此时可以按照本领域技术人员的需要选择一个历史轨迹作为基准轨迹；

确定基准轨迹上历史轨迹点与各相关轨迹上历史轨迹点之间的第二时空距离，第二时空距离包括空间距离和采集时差，空间距离根据基准轨迹上历史轨迹点的采集位置信息和相关轨迹上历史轨迹点的采集位置信息确定，采集时差根据基准轨迹上历史轨迹点的子周期时间标识和相关轨迹上历史轨迹点的子周期时间标识确定，可选的，可以取基准轨迹上的一个历史轨迹点作为当前确定时空距离的目标点，分别确定各相关轨迹上各历史轨迹点与目标点之间的时空距离，继续参见图3，以轨迹二为基准轨迹为例，可以先取轨迹二上第一个轨迹点(07:11:16，点位F)为目标点，确定轨迹一上每一个历史轨迹点与目标点之间的时空距离，确定轨迹三上每一个历史轨迹点与目标点之间的时空距离，但不需要确定轨迹二上除目标点之外的其他历史轨迹点与目标点之间的时空距离；

若第一目标轨迹点的数量大于第二预设数量阈值，将各第一目标轨迹点与基准轨迹上历史轨迹点确定为一个目标轨迹点集合，第一目标轨迹点为满足预设时空条件的第二时空距离所对应的相关轨迹上历史轨迹点，第二预设数量阈值小于或等于相关轨迹的数量，预设时空条件包括预设时间偏差系数和预设空间偏差系数，可选的，目标轨迹点的确定方式与上述实施例的满足条件轨迹点的确定方式类似，在此不再赘述；

基于一个目标轨迹点集合确定一个拟合轨迹点，根据确定得到的各目标轨迹点集合确定的拟合轨迹点生成拟合轨迹。

可选的，若第一目标轨迹点的数量小于或等于第二预设数量阈值，从各相关轨迹上历史轨迹点中确定一个新增轨迹点，确定各历史轨迹上的历史轨迹点与新增轨迹点之间的第三时空距离，其中，新增轨迹点可以为各相关轨迹上历史轨迹点中与基准轨迹上历史轨迹点时空距离最近的一个历史轨迹点，或者是与基准轨迹上历史轨迹点在特定时空范围内的任意一个相关轨迹上的历史轨迹点；

若第二目标轨迹点的数量大于第二预设数量阈值，将各第二目标轨迹点确定为一个目标轨迹点集合，第二目标轨迹点为满足预设时空条件的第三时空距离所对应的历史轨迹点。

每一个基准轨迹上的历史轨迹点均确定一次第二时空距离，若第二时空距离满足预设时空条件，则将该相关轨迹上的历史轨迹点确定为第一目标轨迹点，当第一目标轨迹点的数量大于第二预设数量阈值，则说明基于该基准轨迹上的历史轨迹点存在一个目标轨迹点集合，否则，若第一目标轨迹点的数量小于或等于第二预设数量阈值，则说明基于该基准轨迹上的历史轨迹点不存在一个目标轨迹点集合，可以在各相关轨迹上历史轨迹点中确定一个新增轨迹点，该新增轨迹点可以为基准轨迹上的历史轨迹点对应的第二时空距离中最接近基准轨迹上的历史轨迹点的相关轨迹上的历史轨迹点之一。再基于新增轨迹点如上述方式类似的方式确定第三时空距离，重复上述方式直到确定到新增轨迹点对应的目标轨迹点集合或迭代预设次数阈值后，放弃该步骤，进行其他基准轨迹上的历史轨迹点的第二时空距离的确定。

在一个实施例中，基于各历史轨迹拟合得到拟合轨迹包括：

确定目标轨迹点集合，基于目标轨迹点集合确定拟合轨迹点，进而生成拟合轨迹，其中，目标轨迹点集合的确定方式包括以下任意之一，

确定不同历史轨迹上历史轨迹点之间的时空距离，若满足条件轨迹点的数量大于第一预设数量阈值，将各满足条件轨迹点确定为目标轨迹点集合，时空距离包括空间距离和采集时差，空间距离根据采集位置信息确定，采集时差根据子周期时间标识确定，满足条件轨迹点为满足预设时空条件的时空距离对应的历史轨迹点，预设时空条件包括预设时间偏差系数和预设空间偏差系数，第一预设数量阈值小于或等于历史轨迹的数量；

或，

从各历史轨迹中确定一个基准轨迹，将除基准轨迹外的其他历史轨迹确定为相关轨迹，基准轨迹的历史轨迹点数量大于或等于相关轨迹的历史轨迹点数量；确定基准轨迹上历史轨迹点与各相关轨迹上历史轨迹点之间的时空距离，时空距离包括空间距离和采集时差，空间距离根据基准轨迹上历史轨迹点的采集位置信息和相关轨迹上历史轨迹点的采集位置信息确定，采集时差根据基准轨迹上历史轨迹点的子周期时间标识和相关轨迹上历史轨迹点的子周期时间标识确定；若目标轨迹点的数量大于第二预设数量阈值，将目标轨迹点与基准轨迹上历史轨迹点确定为目标轨迹点集合，目标轨迹点为满足预设时空条件的时空距离所对应的相关轨迹上历史轨迹点，第二预设数量阈值小于或等于相关轨迹的数量，预设时空条件包括预设时间偏差系数和预设空间偏差系数。

可选的，一种确定不同历史轨迹上历史轨迹点之间的时空距离的方式包括：

从各历史轨迹中确定一个基准轨迹，将除基准轨迹外的其他历史轨迹确定为相关轨迹，基准轨迹的历史轨迹点数量大于或等于相关轨迹的历史轨迹点数量；

确定基准轨迹上历史轨迹点与各相关轨迹上历史轨迹点之间的时空距离，时空距离包括空间距离和采集时差，空间距离根据基准轨迹上历史轨迹点的采集位置信息和相关轨迹上历史轨迹点的采集位置信息确定，采集时差根据基准轨迹上历史轨迹点的子周期时间标识和相关轨迹上历史轨迹点的子周期时间标识确定。

在一个实施例中，目标轨迹点集合的确定还可以通过聚类的方式实现，以历史轨迹上的各历史轨迹点的子周期时间标识和采集位置信息为标准进行聚类，将时空距离满足预设时空条件的历史轨迹点聚为一个目标轨迹点集合。

在一个实施例中，基于目标轨迹点集合确定拟合轨迹点包括：

获取目标轨迹点集合中各历史轨迹点的子周期时间标识和采集位置信息，根据各子周期时间标识确定拟合时间标识，根据各采集位置信息确定拟合位置信息，可选的，将目标轨迹点集合中各历史轨迹点的子周期时间标识所代表的时刻取平均值，作为拟合时间标识，将目标轨迹点集合中各历史轨迹点的采集位置信息所代表的经纬度或其他标识位置的数值取平均值，作为拟合位置信息；

基于拟合时间标识和拟合位置信息确定拟合轨迹点，可选的，拟合轨迹点可以表示为(拟合时间标识、拟合位置信息)。

在一个实施例中，拟合轨迹点的数量大于或等于2，根据拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置包括：

根据各拟合轨迹点的拟合时间标识确定拟合轨迹上相邻拟合轨迹点之间的拟合时差，可选的，拟合轨迹上的拟合轨迹点也是按照拟合时间标识的时间顺序进行排序，根据相邻两个拟合轨迹点的拟合时间标识可以确定两者的拟合时差，若拟合轨迹上存在三个或三个以上的拟合轨迹点，此时将可以确定两个或两个以上拟合时差；

若存在至少一个预测时差，将各预测时差对应的各拟合轨迹点的拟合位置信息中至少之一确定为预测位置，预测时差为大于预设时差阈值的拟合时差，可选的，预设时差阈值可以由本领域技术人员根据需要进行设定，当存在两个或两个以上拟合时差大于预设时差阈值，则可以确定得到两个或两个以上的预测时差，此时可以找到各预测时差所对应的拟合轨迹点，将各拟合轨迹点的拟合位置信息中至少之一确定为预测位置，如拟合轨迹上按照时间排序有拟合轨迹点A、拟合轨迹点B、拟合轨迹点C、拟合轨迹点D、拟合轨迹点F，此时得到拟合时差1(根据拟合轨迹点B的拟合时间标识、拟合轨迹点A的拟合时间标识确定)、拟合时差2(根据拟合轨迹点C的拟合时间标识、拟合轨迹点B的拟合时间标识确定)、拟合时差3(根据拟合轨迹点D的拟合时间标识、拟合轨迹点C的拟合时间标识确定)、拟合时差4(根据拟合轨迹点F的拟合时间标识、拟合轨迹点D的拟合时间标识确定),假设拟合时差1和拟合时差1均大于预设时差阈值，此时可以将拟合轨迹点F的拟合位置信息、拟合轨迹点D的拟合位置信息、拟合轨迹点B的拟合位置信息、拟合轨迹点A的拟合位置信息中至少之一确定为预测位置。

在一个实施例中，将各拟合时差对应的各拟合轨迹点的拟合位置信息中至少之一确定为预测位置包括：

将大于预设时差阈值的拟合时差对应的两个拟合轨迹点确定为目标拟合组；

根据目标拟合组中各拟合轨迹点的拟合位置信息确定目标距离；

若目标距离小于预设距离阈值，将目标拟合组确定为疑似拟合组；

将确定得到的各疑似拟合组中各拟合轨迹点确定为疑似轨迹点，并将各疑似轨迹点的拟合位置信息中至少之一确定为预测位置。

以走失人员为例，其往往会存在一个栖身之所用于休息，此时，为保证睡眠时间，往往会停留一定的时间后再次出现，故对于拟合时差所对应的两个拟合轨迹点之间的拟合位置信息所确定的目标距离往往是比较小的，比如前后门、负一层车库和小区正门等，当目标距离较大，比如目标拟合组中两个拟合轨迹点一个在北京一个在上海，则说明该目标拟合组中所两个拟合轨迹点均不是需要的预测位置，通过上述方式可以有效的对无效拟合轨迹点进行筛除，减少后续工作量，提升准确度。

在一个实施例中，将各疑似轨迹点的拟合位置信息中至少之一确定为预测位置包括：

获取预设置信度参数，并确定疑似轨迹点的拟合位置信息的置信度，预设置信度参数包括以下至少之一，拟合轨迹上拟合轨迹点数量、预设置信度系数、预设时间偏差系数、预设空间偏差系数、预设图像比对相似度、疑似轨迹点的拟合时差、历史轨迹的数量、采集位置范围包括疑似轨迹点的拟合位置信息的目标图像的数量、确定疑似轨迹点的目标轨迹点集合中历史轨迹点的数量；

将置信度最高的疑似轨迹点的拟合位置信息确定为预测位置。

其中，预设置信度系数、预设时间偏差系数、预设空间偏差系数可以由本领域技术人员根据需要进行设定；预设图像比对相似度可以以预设第一比对相似度、预设第二比对相似度中任意之一来确定，或者预设图像比对相似度根据预设第一比对相似度和预设第二比对相似度确定；疑似轨迹点的拟合时差的确定方式可以为疑似轨迹点与其相邻的其他拟合轨迹点之间的拟合时差中较大的一个时差值，如上述实施例中提到的拟合轨迹点D的拟合位置信息作为预测位置时，其拟合时差为拟合时差3和拟合时差4中较大值，采集位置范围包括疑似轨迹点的拟合位置信息的目标图像的数量，换句话说，拍摄的目标图像所覆盖的位置范围中包括疑似轨迹点的拟合位置信息的目标图像的数量，由于疑似轨迹点为拟合轨迹点中的一个轨迹点，而拟合轨迹点可能是历史轨迹点中的一个，也可能是根据多个历史轨迹点所拟合的新的轨迹点，此时其所代表的位置与历史轨迹点的位置存在差异，但由于目标图像实质上拍摄的是一定范围内的图像，若目标图像包括该疑似轨迹点的拟合位置信息，则可以进行计数，将最终的计数结果作为采集位置范围包括疑似轨迹点的拟合位置信息的目标图像的数量；确定疑似轨迹点的目标轨迹点集合中历史轨迹点的数量即为疑似轨迹点对应的拟合轨迹点是基于哪一个目标轨迹点集合确定的，取该目标轨迹点集合中历史轨迹点的数量作为确定疑似轨迹点的目标轨迹点集合中历史轨迹点的数量。

在一个实施例中，置信度的确定方式包括：

R＝λ((Np/100)*L*Cn*f*T*△t))/(β*δ)*100％；

其中，R为置信度，λ为预设置信度系数，Np为采集位置范围包括疑似轨迹点的拟合位置信息的目标图像的数量，L为拟合轨迹上拟合轨迹点数量，Cn为确定疑似轨迹点的目标轨迹点集合中历史轨迹点的数量，f为预设图像比对相似度，T为历史轨迹的数量，△t为疑似轨迹点的拟合时差或预设时差阈值，β为预设空间偏差系数，δ为预设时间偏差系数。

为方便理解，下面通过一个具体的实施例对上述确定拟合轨迹点和拟合轨迹的过程进行示例性的说明。以子周期时间标识为X时X分X秒，采集位置信息为经纬度为例，根据时间范围内(预设时间周期)筛选出来的多条轨迹(历史轨迹)，通过模型对分析对象轨迹的时间和空间维度进行分析，首先选取轨迹线路中抓拍点位最多的一条轨迹作为基准轨迹，将基准轨迹的抓拍点位的时间和空间作为基准点，然后将其他轨迹中的抓拍点位按以下公式进行归类。

若(A(En，Nn)-B(Ey，Ny))/β≤1and(ATn-BTy)/δ≤1公式(1)

则可将轨迹点B与轨迹点A归为类MOn，否则，则归为类HAn。

其中A(En，Nn)为基准轨迹A中的轨迹点n的经纬度，ATn为轨迹A中轨迹点n的抓拍时间，B(Ey，Ny)为计算轨迹B中的轨迹点y的经纬度，BTy为轨迹B中轨迹点y的抓拍时间，β为经纬度偏差系数，δ为时间偏差系数。

循环比较除基准轨迹外的其他的所有历史轨迹上的历史轨迹点后(比较除基准轨迹外的其他的所有历史轨迹上的历史轨迹点的方式与轨迹B类似，不再赘述)，得到以基准轨迹为参考的两个集合：MOn和HAn,

若Len(MOn)≥m/2公式(2)

其中，Len(MOn)为集合中的个数，m为轨迹数，m/2为第一预设数量阈值，则取集合MOn中所有点位的平均值(经纬度、时间)作为新生成轨迹的轨迹点n。

New(En，Nn)＝Average(MOn)公式(3)

若Len(MOn)≤m/2，则取集合HAn中任意一点(U(Ek，Nk))作为基准轨迹点，按：

(U(Ek，Nk)-B(Ey，Ny))/β≤1and(UTk-BTy)/δ≤1公式(4)

其中，U(Ek，Nk)为集合HAn中任意一点的经纬度，UTk为集合HAn中任意一点k的抓拍时间，B(Ey，Ny)为计算轨迹B中的轨迹点y的经纬度，BTy为轨迹B中轨迹点y的抓拍时间，β为经纬度偏差系数，δ为时间偏差系数。

需要说明的是，若类Han中的轨迹点的数量超过m/2，且将类Han中任意一点按照上述公式(3)进行计算后得到的新的类Han中的轨迹点的数量均超过m/2，可以将该A(En，Nn)跳过，进行下一个轨迹点的集合确定。

按照上述步骤循环计算，最终得到筛选周期内，重合度较高(得到全部的新生成轨迹的轨迹点)的新的完整轨迹(拟合轨迹)。

在一个实施例中，基于各历史轨迹拟合得到拟合轨迹，根据拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置之后，该方法还包括：

获取预测位置预设空间范围内的疑似落脚点的疑似落脚点位置信息，其中，预设空间范围为本领域技术人员所预先设定的范围，如以预测位置为圆心方圆500米等，疑似落脚点可以通过对预测位置预设空间范围内的建筑物进行类别标识后，取特定类别的建筑物作为疑似落脚点，如类别为居民区的建筑物等；

根据疑似落脚点位置信息和预测位置的拟合位置信息确定落脚点距离；

基于落脚点距离对疑似落脚点进行排序，生成落脚点序列。

一般来说，与预测位置越接近，其可能存在有目标对象的可能性越高，故可以按照落脚点距离远近进行排序，越近排序越靠前。

可选的，获取预测位置预设空间范围内的疑似落脚点的疑似落脚点位置信息之后，方法还包括在预设地图上标识预设标识信息，预设标识信息包括以下至少之一：

预测位置、各疑似落脚点、疑似落脚点的建筑性质、确定疑似轨迹点的目标轨迹点集合中历史轨迹点的数量、确定疑似轨迹点的目标轨迹点集合中历史轨迹点的子周期时间标识。

可选的，可以预设地图中以色块或者色点的方式进行疑似落脚点的标注、预测位置的标注，通过提示框的形式显示疑似落脚点的建筑性质、确定疑似轨迹点的目标轨迹点集合中历史轨迹点的数量、确定疑似轨迹点的目标轨迹点集合中历史轨迹点的子周期时间标识，以供后续相关工作人员进行研判。

上述实施例提供的位置预测方法，通过获取目标对象的目标图像特征信息，基于目标图像特征信息从多个历史图像确定多个目标图像，获取各目标图像的采集时空信息生成目标图像的历史轨迹点，根据预设时间周期基于采集全周期时间标识将多个目标图像的历史轨迹点划分得到多个历史轨迹，基于各历史轨迹拟合得到拟合轨迹，根据拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置，能够快速的实现基于现有的图像数据对目标对象可能的常驻位置进行预判，提升了预测位置的确定效率、准确性，降低了预测位置确定事件的成本。

可选的，通过根据各历史轨迹上历史轨迹点之间的时空距离确定目标轨迹点集合，再基于目标轨迹点集合确定拟合轨迹点，进而生成拟合轨迹，能够使得拟合轨迹的可信度更佳，相对于人工对零散的图像数据进行重组而言更富有效率。

可选的，通过确定拟合时差，再基于两个拟合轨迹点之间的距离和置信度进一步的对拟合轨迹点进行筛选，根据筛选后的拟合轨迹点的拟合位置信息确定预测位置能够进一步的提升预测位置的准确度。

可选的，通过结合人脸和人体特征进行图像对比以确定目标图像，能够提升历史图像的利用度，对于那些没有拍摄到人脸的图像，通过人工比对较为困难，效率低下，但通过机器比对能够将拍摄有目标对象的历史图像更为全面的确定为目标图像，以提升对目标对象轨迹研判的数据量，进而提升预测位置的可信程度。

可选的，通过结合疑似落脚点的距离，能够更为有指向性的对目标对象可能的栖身之处进行预判，提升该方法的适用性。

可选的，通过将预设标识信息显示在预设地图上，能够更为直观的将相关信息展示给相关人员，方面相关人员进行进一步研判，提升效率。

下面通过一个具体示例对上述落脚地的分析进行示例性的说明。例如可以通过新生成的轨迹(拟合轨迹)中的时间维度和空间维度(拟合时间标识和拟合位置信息)的碰撞，根据落脚点分析模型计算分析对象的落脚点，其中落脚点分析模型的实现逻辑如下：

若|T(En，Nn)-T(En+1，Nn+1)|≥△t公式(5)

则落脚点＝(En，Nn)。

其中，(En，Nn)为新轨迹(拟合轨迹)中第n个拟合轨迹点经纬度对应的值，T(En，Nn)为第n个轨迹点的抓拍时间(拟合时间标识)，T(En+1，Nn+1)为第n+1个拟合轨迹点的抓拍时间(拟合时间标识)，△t为设置的两拟合轨迹点的阈值时间差(预设时差阈值)，当相邻两个点位的时间差(拟合时差)大于阈值时间(预设时差阈值)，则判定为落脚点。例如，设置△t为5小时，新轨迹中，点A1的时间与点A2的时间相差6小时，则认为目标对象在A1点消失了6小时，大于设置的阈值5小时，则认为A1点为对象的一个落脚点。同时根据输入参数的值，计算出落脚点的置信度。

置信度R＝λ((Np/100)*L*Cn*f*T*△t))/(β*δ)*100％公式(6)

其中，R为置信度，λ为置信度系数(预设置信度系数)，Np为统计的抓拍的图片数(采集位置范围包括所述疑似轨迹点的拟合位置信息的所述目标图像的数量)，L为新生成的轨迹的点位数(拟合轨迹上拟合轨迹点数量)，Cn为轨迹集合内(MOn)的点位重合数(确定所述疑似轨迹点的所述目标轨迹点集合中历史轨迹点的数量)，f为图片筛选时的相似度(预设图像比对相似度)，T为统计周期数(历史轨迹的数量)，△t为设置的两轨迹点的阈值时间差(疑似轨迹点的拟合时差或预设时差阈值)，β为经纬度偏差系数，δ为时间偏差系数。

可见，轨迹点位数(拟合轨迹上拟合轨迹点数量)、轨迹重合数(确定所述疑似轨迹点的所述目标轨迹点集合中历史轨迹点的数量)、抓拍图片数(采集位置范围包括所述疑似轨迹点的拟合位置信息的所述目标图像的数量)越多，统计周期数(历史轨迹的数量)、阈值时间差(预设时差阈值)、相似度(预设图像比对相似度)越大可信度(置信度)越高。经纬度偏差系数、时间偏差系数越小，可信度(置信度)越高。

以落脚点经纬度为中心点，拉取地图标注的300米(示例，本领域技术人员可以根据需要进行设定)范围内的区域信息，按照范围内区域信息分类同时通过离中心点的距离，进行落脚点排序。离中心点位置越近，落脚点区域的置信度越高。

假设中心点的经纬度为(LonA，LatA)，区域内某点的经纬度为(LonB，LatB)，若按照0度经线的基准，东经取经度的正值(Longitude)，西经取经度的负值(-Longitude)，北纬取90-纬度值(90-Latitude)，南纬取90+纬度值(90+Latitude)，则经过上述处理过后被计为(MLonA，MLatA)和(MLonB，MLatB)。那么根据三角推导，可以得到计算两点距离的如下公式：

C＝sin(MLatA)*sin(MlatB)*cos(MlonA-MlonB)+cos(MlatA)*cos(MLatB)公式(7)

Distance＝R*Arccos(C)*π/180公式(8)

其中，Distance为落脚点距离，R为地球半径。

可选的，上层应用通过接口，调取生成的结果(预测位置)，展示落脚区域(各疑似落脚点)、可信度(预测位置的置信度)，并按距离落脚中心点距离进行排序展示(按照落脚点序列进行疑似落脚点的显示)。

上述实施例通过引入时空碰撞的方式，基于人脸人体特征进行轨迹分析，同时基于多维度参数的模型计算，得到被分析对象(目标对象)的预测位置和落脚点能够：

1、提升了预测位置的分析效率，通过模型计算代替人工研判，极大的提升了分析效率，通过实际测算，能够实现从平均144小时的人工研判，提升效率至24小时。

2、提高了预测位置的分析准确率，通过模型算法的多维度输入，综合判定，通过测试对比，准确率从原来的67.46％提升至82.76％。

3、降低了预测位置分析成本，通过上层应用支持模型算法，可以极大的减少人工干预，减少了人力投入同时还降低了人员的专业研判技能要求。

请参阅图4，本实施例提供了一种位置预测系统400，该系统包括：

历史轨迹点生成模块401，用于获取目标对象的目标图像特征信息，将目标图像特征信息与多个历史图像进行比对，确定多个目标图像，获取各目标图像的采集时空信息生成目标图像的历史轨迹点，采集时空信息包括全周期时间标识、子周期时间标识和采集位置信息；

历史轨迹生成模块402，用于根据预设时间周期基于采集全周期时间标识将多个目标图像的历史轨迹点划分得到多个历史轨迹；

预测位置确定模块403，用于基于各历史轨迹拟合得到拟合轨迹，根据拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置。

在本实施例中，该系统实质上是设置了多个模块用以执行上述任一实施例中的方法，具体功能和技术效果参照上述方法实施例即可，此处不再赘述。

参见图5，本发明实施例还提供了一种电子设备1300，包括处理器1301、存储器1302和通信总线1303；

通信总线1303用于将处理器1301和存储器连接1302；

处理器1301用于执行存储器1302中存储的计算机程序，以实现如上述实施例一中的一个或多个的方法。

本发明实施例还提供了一种计算机可读存储介质，其特征在于，其上存储有计算机程序，

计算机程序用于使计算机执行如上述实施例一中的任一项的方法。

本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的实施例一所包含步骤的指令(instructions)。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (15)

1.一种位置预测方法，其特征在于，方法包括：

获取目标对象的目标图像特征信息，基于所述目标图像特征信息从多个历史图像确定多个目标图像，获取各所述目标图像的采集时空信息生成所述目标图像的历史轨迹点，所述采集时空信息包括全周期时间标识、子周期时间标识和采集位置信息；

根据预设时间周期基于所述采集全周期时间标识将多个目标图像的历史轨迹点划分得到多个历史轨迹；

基于各所述历史轨迹拟合得到拟合轨迹，根据所述拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置。

2.如权利要求1所述的位置预测方法，其特征在于，所述基于各所述历史轨迹拟合得到拟合轨迹包括：

确定不同所述历史轨迹上历史轨迹点之间的第一时空距离，若满足条件轨迹点的数量大于第一预设数量阈值，将各所述满足条件轨迹点确定为一个目标轨迹点集合，所述第一时空距离包括空间距离和采集时差，所述空间距离根据采集位置信息确定，所述采集时差根据所述子周期时间标识确定，所述满足条件轨迹点为满足预设时空条件的第一时空距离对应的历史轨迹点，所述预设时空条件包括预设时间偏差系数和预设空间偏差系数，所述第一预设数量阈值小于或等于所述历史轨迹的数量；

基于一个所述目标轨迹点集合确定一个拟合轨迹点，根据确定得到的各所述目标轨迹点集合确定的所述拟合轨迹点生成拟合轨迹。

3.如权利要求1所述的位置预测方法，其特征在于，所述基于各所述历史轨迹拟合得到拟合轨迹包括：

从各所述历史轨迹中确定一个基准轨迹，将除所述基准轨迹外的其他历史轨迹确定为相关轨迹，所述基准轨迹的历史轨迹点数量大于或等于所述相关轨迹的历史轨迹点数量；

确定所述基准轨迹上历史轨迹点与各所述相关轨迹上历史轨迹点之间的第二时空距离，所述第二时空距离包括空间距离和采集时差，所述空间距离根据所述基准轨迹上历史轨迹点的采集位置信息和所述相关轨迹上历史轨迹点的采集位置信息确定，所述采集时差根据所述基准轨迹上历史轨迹点的子周期时间标识和所述相关轨迹上历史轨迹点的子周期时间标识确定；

若第一目标轨迹点的数量大于第二预设数量阈值，将各所述第一目标轨迹点与所述基准轨迹上历史轨迹点确定为一个目标轨迹点集合，所述第一目标轨迹点为满足预设时空条件的所述第二时空距离所对应的所述相关轨迹上历史轨迹点，所述第二预设数量阈值小于或等于所述相关轨迹的数量，所述预设时空条件包括预设时间偏差系数和预设空间偏差系数；

基于一个所述目标轨迹点集合确定一个拟合轨迹点，根据确定得到的各所述目标轨迹点集合确定的所述拟合轨迹点生成拟合轨迹。

4.如权利要求3所述的位置预测方法，其特征在于，若所述第一目标轨迹点的数量小于或等于第二预设数量阈值，从各所述相关轨迹上历史轨迹点中确定一个新增轨迹点，确定各历史轨迹上的历史轨迹点与所述新增轨迹点之间的第三时空距离；

若所述第二目标轨迹点的数量大于所述第二预设数量阈值，将各所述第二目标轨迹点确定为一个目标轨迹点集合，所述第二目标轨迹点为满足预设时空条件的所述第三时空距离所对应的所述历史轨迹点。

5.如权利要求2-4任一项所述的位置预测方法，其特征在于，基于所述目标轨迹点集合确定拟合轨迹点包括：

获取所述目标轨迹点集合中各所述历史轨迹点的子周期时间标识和采集位置信息，根据各所述子周期时间标识确定拟合时间标识，根据各所述采集位置信息确定拟合位置信息；

基于所述拟合时间标识和所述拟合位置信息确定拟合轨迹点。

6.如权利要求2-4任一项所述的位置预测方法，其特征在于，若所述拟合轨迹点的数量大于或等于2，根据所述拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置包括：

根据各所述拟合轨迹点的拟合时间标识确定所述拟合轨迹上相邻拟合轨迹点之间的拟合时差；

若存在至少一个预测时差，将各所述预测时差对应的各所述拟合轨迹点的拟合位置信息中至少之一确定为所述预测位置，所述预测时差为大于预设时差阈值的所述拟合时差。

7.如权利要求6所述的位置预测方法，其特征在于，将各所述拟合时差对应的各所述拟合轨迹点的拟合位置信息中至少之一确定为预测位置包括：

将大于所述预设时差阈值的所述拟合时差对应的两个拟合轨迹点确定为目标拟合组；

根据所述目标拟合组中各拟合轨迹点的拟合位置信息确定目标距离；

若所述目标距离小于预设距离阈值，将所述目标拟合组确定为疑似拟合组；

将确定得到的各疑似拟合组中各拟合轨迹点确定为疑似轨迹点，并将各疑似轨迹点的拟合位置信息中至少之一确定为所述预测位置。

8.如权利要求7所述的位置预测方法，其特征在于，将各疑似轨迹点的拟合位置信息中至少之一确定为所述预测位置包括：

获取预设置信度参数，并确定所述疑似轨迹点的拟合位置信息的置信度，所述预设置信度参数包括以下至少之一，拟合轨迹上拟合轨迹点数量、预设置信度系数、预设时间偏差系数、预设空间偏差系数、预设图像比对相似度、所述疑似轨迹点的拟合时差、所述历史轨迹的数量、采集位置范围包括所述疑似轨迹点的拟合位置信息的所述目标图像的数量、确定所述疑似轨迹点的所述目标轨迹点集合中历史轨迹点的数量；

将所述置信度最高的所述疑似轨迹点的拟合位置信息确定为所述预测位置。

9.如权利要求8所述的位置预测方法，其特征在于，所述置信度的确定方式包括：

R＝λ((Np/100)*L*Cn*f*T*△t))/(β*δ)*100％；

其中，R为置信度，λ为预设置信度系数，Np为采集位置范围包括所述疑似轨迹点的拟合位置信息的所述目标图像的数量，L为拟合轨迹上拟合轨迹点数量，Cn为确定所述疑似轨迹点的所述目标轨迹点集合中历史轨迹点的数量，f为预设图像比对相似度，T为所述历史轨迹的数量，△t为预设时差阈值或所述疑似轨迹点的拟合时差，β为预设空间偏差系数，δ为预设时间偏差系数。

10.如权利要求1所述的位置预测方法，其特征在于，所述目标图像特征信息包括目标面部特征信息和目标人体特征信息，基于所述目标图像特征信息从多个历史图像确定多个目标图像包括：

获取各所述历史图像的待比对面部特征信息和待比对人体特征信息，若所述历史图像满足预设比对条件，将所述历史图像确定为目标图像，所述预设比对条件包括以下至少之一，所述目标面部特征信息与所述待比对面部特征信息之间的相似度大于预设第一比对相似度，所述目标人体特征信息与所述待比对人体特征信息之间的相似度大于预设第二比对相似度。

11.如权利要求1-4任一项所述的位置预测方法，其特征在于，基于各所述历史轨迹拟合得到拟合轨迹，根据所述拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置之后，所述方法还包括：

获取所述预测位置预设空间范围内的疑似落脚点的疑似落脚点位置信息；

根据所述疑似落脚点位置信息和所述预测位置的拟合位置信息确定落脚点距离；

基于所述落脚点距离对所述疑似落脚点进行排序，生成落脚点序列。

12.如权利要求11所述的位置预测方法，其特征在于，获取所述预测位置预设空间范围内的疑似落脚点的疑似落脚点位置信息之后，所述方法还包括在预设地图上标识预设标识信息，所述预设标识信息包括以下至少之一：

所述预测位置、各疑似落脚点、所述疑似落脚点的建筑性质、确定所述疑似轨迹点的所述目标轨迹点集合中历史轨迹点的数量、确定所述疑似轨迹点的所述目标轨迹点集合中历史轨迹点的子周期时间标识。

13.一种位置预测系统，其特征在于，所述系统包括：

历史轨迹点生成模块，用于获取目标对象的目标图像特征信息，将所述目标图像特征信息与多个历史图像进行比对，确定多个目标图像，获取各所述目标图像的采集时空信息生成所述目标图像的历史轨迹点，所述采集时空信息包括全周期时间标识、子周期时间标识和采集位置信息；

历史轨迹生成模块，用于根据预设时间周期基于所述采集全周期时间标识将多个目标图像的历史轨迹点划分得到多个历史轨迹；

预测位置确定模块，用于基于各所述历史轨迹拟合得到拟合轨迹，根据所述拟合轨迹上相邻拟合轨迹点之间的拟合时差确定预测位置。

14.一种电子设备，其特征在于，包括处理器、存储器和通信总线；

通信总线用于将处理器和存储器连接；

处理器用于执行存储器中存储的计算机程序，以实现如权利要求1-12中任一项的方法。

15.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，

计算机程序用于使计算机执行如权利要求1-12中任一项的方法。

Images