CN115033732A - 一种时空轨迹关联方法、装置、电子设备及存储介质 - Google Patents
一种时空轨迹关联方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115033732A CN115033732A CN202210958100.XA CN202210958100A CN115033732A CN 115033732 A CN115033732 A CN 115033732A CN 202210958100 A CN202210958100 A CN 202210958100A CN 115033732 A CN115033732 A CN 115033732A
- Authority
- CN
- China
- Prior art keywords
- time
- space
- trajectory
- track
- candidate
- 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 62
- 238000004590 computer program Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/58—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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种时空轨迹关联方法、装置、电子设备及存储介质。所述方法包括:确定第一轨迹和第二轨迹,所述第一轨迹根据获取的图像数据确定,所述第二轨迹根据获取的识别码数据确定;根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对,候选时空轨迹点对包括在时间和空间上存在交集的轨迹点;基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对。该方法能够对时空轨迹间存在长度不对称性、采集点异步性、大量离群点存在等问题进行了平衡处理,能够有效提升时空轨迹的关联准确度。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种时空轨迹关联方法、装置、电子设备及存储介质。
背景技术
随着城市化进程的推进,在城市智能安防系统中的数据源大部分带有时空特性。随着时空轨迹数据的可用性不断增加,对时空轨迹提出了更高的要求。
将两种时空轨迹建立关联可以丰富轨迹信息,可以极大辅助相关部门技侦,增强城市智能安防系统能力。时空轨迹数据是由不同设备采集得到,具有如下特点:轨迹间存在长度不对称、采集点异步性以及大量离群点等问题,从而导致时空轨迹关联成为一个难点问题。
现有技术中,基于最长公共子序列算法(Longest Common Subsequence,LCS)进行时空轨迹相似度度量,可以有效解决时空轨迹数据存在大量离群点问题,但是该方法无法解决由于采集点异步性导致的无法识别时空轨迹不相似部分的问题,因此,该方法计算出的时空轨迹的关联准确度较低。
发明内容
本发明提供了一种时空轨迹关联方法、装置、电子设备及存储介质,以解决现有技术无法解决由于采集点异步性导致的无法识别时空轨迹不相似部分的问题。
根据本发明的一方面,提供了一种时空轨迹关联方法,包括:
确定第一轨迹和第二轨迹,所述第一轨迹根据获取的图像数据确定,所述第二轨迹根据获取的识别码数据确定;
根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对,候选时空轨迹点对包括在时间和空间上存在交集的轨迹点;
基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对。
根据本发明的另一方面,提供了一种时空轨迹关联装置,包括:
第一确定模块,用于确定第一轨迹和第二轨迹,所述第一轨迹根据获取的图像数据确定,所述第二轨迹根据获取的识别码数据确定;
第二确定模块,用于根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对,候选时空轨迹点对包括在时间和空间上存在交集的轨迹点;
第三确定模块,用于基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的时空轨迹关联方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的时空轨迹关联方法。
本发明实施例的技术方案,解决了现有技术方法计算的时空轨迹的关联准确度较低的问题,该技术方案得到的强伴随时空轨迹点对的关联准确较高。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一所提供的一种时空轨迹关联方法的流程示意图;
图2为本发明实施例一所提供的第一轨迹的确定流程图;
图3为本发明实施例一所提供的第二轨迹的确定流程图;
图4为本发明实施例一所提供的候选时空轨迹点对的确定流程图;
图5为本发明实施例一所提供的一种轨迹伴随场景示意图;
图6为本发明实施例一所提供的一种强伴随时空轨迹点对的流程示意图;
图7为本发明实施例二所提供的一种时空轨迹关联方法的流程示例图;
图8为本发明实施例二所提供的一种时空轨迹关联方法的具体流程示例图;
图9为本发明实施例三所提供的一种时空轨迹关联装置的结构示意图;
图10为本发明实施例的时空轨迹关联方法的电子设备的结构示意图。
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。应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
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。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
需要说明的是,本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。在使用本发明各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本发明所涉及的图像数据、识别码数据的使用范围以及使用场景等告知用户,并获得用户的授权。
实施例一
图1为本发明实施例一所提供的一种时空轨迹关联方法的流程示意图,该方法可适用于对两种时空轨迹进行关联,以丰富目标对象的轨迹信息的情况,该方法可以由时空轨迹关联装置来执行,其中该装置可由软件和/或硬件实现,并一般集成在电子设备上,在本实施例中电子设备包括但不限于:计算机设备。
如图1所示,本发明实施例一提供的一种时空轨迹关联方法,包括如下步骤:
S110、确定第一轨迹和第二轨迹,所述第一轨迹根据获取的图像数据确定,所述第二轨迹根据获取的识别码数据确定。
其中,图像数据可以为表征用户外貌特征的图像数据,例如图像数据可以为用户画像数据,图像数据可以从摄像设备端获取;识别码数据可以为能够识别用户的数据,例如识别码数据可以为国际移动用户识别码,识别码数据可以从侦码设备端获取。需要说明的是,图像数据和识别码数据的获取均得到用户授权。
其中,图像数据和识别码数据可以包括时间和位置坐标,可以理解为图像数据为在t时刻、在(x,y)位置处获取的用户画像,根据识别码数据可以知晓用户在t时刻的位置坐标。在本实施例中,获取到的图像数据和识别码数据的形式为(x,y,t),(x,y)表示用户在t时刻的位置坐标。
在本实施例中,第一轨迹可以理解为由图像数据形成的用户画像轨迹,第一轨迹可以通过对所述图像数据进行聚类后得到。此处不限定通过其他方式得到第一轨迹。
示例性的,图2为本发明实施例一所提供的第一轨迹的确定流程图,如图2所示,第一轨迹的确定过程可以包括如下步骤:
步骤1、通过智能相机采集用户画像,通过深度学习算法提取其光学特征,分离用户画像的时空特性;
步骤2、在图像的光学特征和时空特性上,构建用户画像的相似度矩阵,相似度矩阵进行拉普拉斯变换,构建用户画像间的相似度图谱。
步骤3、将相似度图谱通过RatioCut切分后进行强弱关系聚类,将同一个用户的画像聚类到同一类中,得到每个用户的用户画像轨迹。
在本实施例中,第二轨迹可以理解为由识别码数据形成的用户识别码轨迹,第二轨迹通过对所述识别码数据进行聚类后得到。此处不限定通过其他方式得到第二轨迹。
示例性的,图3为本发明实施例一所提供的第二轨迹的确定流程图,如图3所示,第二轨迹的确定过程可以包括如下步骤:
步骤1、从侦码设备端获取IMSI信号,每张SIM卡具有唯一的IMSI信号。步骤2、将IMSI信号进行聚类得到用户识别码轨迹。
按照上述步骤得到的用户识别码轨迹为,其中N表示N个不同时刻的轨迹点。S120、根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对。其中,候选时空轨迹点对包括第一轨迹和第二轨迹在时间和空间上存在交集的轨迹点。
其中,候选时空轨迹点对可以理解为初步确定出的作为候选的轨迹点对,一个候选时空轨迹点对中的两个轨迹点由第一轨迹上的一个轨迹点以及第二轨迹上的一个轨迹点组成。
在本实施例中,对多个时空轨迹点对的确定方式不作具体限制,可以通过任意可行的方式确定时空轨迹点对。一种可行的方式可以为:在时空坐标系上,通过时空碰撞确定出多个候选时空轨迹点对。
具体的,所述根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对,包括:对所述第一轨迹和所述第二轨迹进行插值补全;将补全后的第一轨迹和补全后的第二轨迹投射到一个时空坐标系上;在时空坐标系上确定出在时间和空间上有交集的多个候选时空轨迹点对。
可以理解的是,为了丰富轨迹信息,可以对第一轨迹和第二轨迹进行插值补全。此处对插值补全的具体过程不做详细阐述。
示例性的,图4为本发明实施例一所提供的候选时空轨迹点对的确定流程图,如图4所示,在时空坐标系上,通过时空碰撞确定出多个候选时空轨迹点对过程可以包括如下步骤:
步骤1、将第一轨迹和第二轨迹结合地图和速度信息进行轨迹补全。
步骤2、将第一轨迹和第二轨迹投射到同一个离散的三维时空坐标系上。
其中,本步骤有助于适用于城市图码轨迹数据中,轨迹间存在长度不对称、采集点异步性的情况。
轨迹对候选集即组成的候选集
S130、基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对。
需要说明的是,每个轨迹只有有限数量的轨迹点,但轨迹点仍然具有很高的准确性和精度。那么,按照传统方法,对两个轨迹间计算碰撞次数或者碰撞区域面积或比例具有不同的偏见,因为即使是两个完美的伴随轨迹也可能只是在同一时间间隔内偶尔被观察到。图5为本发明实施例一所提供的一种轨迹伴随场景示意图,图5展示了在时空坐标系下,两个轨迹完全重合下的伴随情况,实心点和空心点分别表示两个轨迹上的轨迹点,虚线表示真实轨迹,如图5所示,两个轨迹的轨迹点并不是完全重合的,存在明显的时空差异,而且轨迹点位置和实际位置存在偏差,偏差即轨迹点到虚线的最近距离。针对上述问题,本发明通过从多个候选时空轨迹点对中确定出强伴随时空轨迹点对,从而可以保证轨迹关联的准确性。
本实施例中,不限定以何种方式确定出强伴随时空轨迹点对,一种可行的方式为:根据多个候选时空轨迹点对的关联强度确定出强伴随时空轨迹点对。
具体的,所述基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对,包括:基于所述多个候选时空轨迹点对确定所述多个候选时空轨迹点对的关联强度;根据所述候选时空轨迹点对的关联强度确定出强伴随时空轨迹点对。
本实施例中,确定所述多个候选时空轨迹点对的关联强度包括:针对每个候选时空轨迹点对,根据候选时空轨迹点对在同一时间同时出现的第一概率、候选时空轨迹点对在同一时间和同一空间同时出现的第二概率、第一概率总和和第二概率总和的占比、所述第一轨迹和所述第二轨迹在同一时空出现的总时长以及所述第一轨迹和所述第二轨迹在同一空间出现的总空间长度确定多个候选时空轨迹点对的关联强度。
进一步的,所述确定所述多个候选时空轨迹点对的关联强度,包括:针对每个候选时空轨迹点对,确定候选时空轨迹点对在同一时间同时出现的第一概率,确定候选时空轨迹点对在同一时间和同一空间同时出现的第二概率;计算多个候选时空轨迹点对所对应的第一概率总和与多个候选时空轨迹点对所对应的第二概率总和的比值得到第三概率;根据所述多个候选时空轨迹点对中连续在同一空间出现的轨迹点所对应的时间计算出所述第一轨迹和所述第二轨迹在同一时空出现的总时长;根据所述多个候选时空轨迹点对中连续在同一时间出现的轨迹点所对应的空间序列计算出所述第一轨迹和所述第二轨迹在同一空间出现的总空间长度;将多个候选时空轨迹点对所对应的第一概率、多个候选时空轨迹点对所对应的第二概率、所述第三概率、所述总时长以及所述总空间长度按照预设公式计算出多个候选时空轨迹点对对应的关联分数,根据所述关联分数确定所述多个候选时空轨迹点对的关联强度。
其中,第一概率可以理解为一个候选时空轨迹点对在同一时间同时出现的概率;第二概率可以理解为第一候选时空轨迹点对在同一时间和同一空间同时出现的概率。每个候选时空轨迹点对计算出的第一概率可以是不同的,每个候选时空轨迹点对计算出的第二概率也可以是不同的。
进一步的,确定候选时空轨迹点对在同一时间同时出现的第一概率,包括:确定候选时空轨迹点对中第一轨迹上的轨迹点在同一时间出现的第四概率;确定候选时空轨迹点对中第二轨迹上的轨迹点在同一时间出现的第五概率;将所述第四概率和所述第五概率相乘得到候选时空轨迹点对在同一时间出现的第一概率。
其中,第四概率可以理解为候选时空轨迹点对中第一轨迹上的轨迹点在同一时间出现的概率;第五概率可以理解为候选时空轨迹点对中第二轨迹上的轨迹点在同一时间出现的概率。每个候选时空轨迹点对计算出的第四概率可以不同,每个候选时空轨迹点对计算出的第五概率也可以不同。
本实施例中,在排除位置的干扰下,通过以下公式可以计算出第一概率,表示在时间维度上第一轨迹上的轨迹点和第二轨迹上的轨迹点同时出现的概率:
其中,第一概率的数值越大表示两个轨迹点强伴随的可能性越大,可以很好的解决第一轨迹和第二轨迹在时间维度上长度不一致的问题。
本实施例中,通过以下公式可以计算出第二概率,表示在时间维度和空间维度上第一轨迹和第二轨迹上的轨迹点在同一时刻出现在同一位置的概率:
其中,表示第一轨迹上的轨迹点在t时刻出现在位置s上的概率,表示第二轨迹上的轨迹点在t时刻出现在位置s上的概率。
其中,第二概率的越接近于1表示两个轨迹点强伴随的可能性越大,可以很好的解决第一轨迹和第二轨迹在时间维度和空间维度上上长度不一致的问题。
本实施例中,第一轨迹和第二轨迹上的轨迹点在同一位置上多次出现,而且时间跨度大,那么该轨迹点的轨迹关联强度应该得到加强,通过以下公式可以计算出第一轨迹和第二轨迹在同一时空出现的总时长:
本实施例中,第一轨迹和第二轨迹上的轨迹点在连续空间上出现时空碰撞,而且连续空间的区域长度大,那么该轨迹点的关联强度应该得到加强,通过以下公式可以计算出第一轨迹和所述第二轨迹在同一空间出现的总空间长度:
在本实施例中,预设公式可以理解为预先设置的打分公式,预设公式可以为:
其中,候选时空轨迹点对的关联分数可以表征候选时空轨迹点对的关联强度。根据所述关联分数确定所述多个候选时空轨迹点对的关联强度包括:一个候选时空轨迹点对的关联分数越高表示该候选时空轨迹点对的关联强度越强。
在本实施例中,基于所述候选时空轨迹点对的关联强度确定出强伴随时空轨迹点对的方式很多,此处不做具体限制。
可选的,所述基于所述候选时空轨迹点对的关联强度确定出强伴随时空轨迹点对,包括:将关联分数大于预设值的候选时空轨迹点对作为强伴随时空轨迹点对。
其中,预设值可以为2.5,将关联分数大于2.5的候选时空轨迹点对作为强伴随时空轨迹点对。
可选的,所述基于所述候选时空轨迹点对的关联强度确定出强伴随时空轨迹点对,包括:按照关联强度从强到弱的顺序对所述候选时空轨迹点对进行排序;将排序在前预设数量的候选时空轨迹点对作为强伴随时空轨迹点对。
其中,预设数量可以为5,可将排序在前5的候选时空轨迹点对作为强伴随时空轨迹点对。
图6为本发明实施例一所提供的一种强伴随时空轨迹点对的流程示意图,如图6所示,首先根据轨迹对候选集即多个候选时空轨迹点对计算候选时空轨迹点对中第一轨迹上的轨迹点在同一时间出现的概率即第四概率和候选时空轨迹点对中第二轨迹上的轨迹点在同一时间出现的概率即第五概率;根据第四概率和第五概率计算出候选时空轨迹点对在同一时间同时出现的概率即第一概率;计算候选时空轨迹点对在同一时间和同一空间同时出现的概率即第二概率;计算多个候选时空轨迹点对所对应的第一概率总和与多个候选时空轨迹点对所对应的第二概率总和的比值即第三概率;从轨迹对候选集中计算出第一轨迹和第二轨迹在同一时空出现的总时长;从轨迹对候选集中计算出第一轨迹和所述第二轨迹在同一空间出现的总空间长度;对关联强度进行综合评分得到强伴随时空图码轨迹对即强伴随时空轨迹点对。
本发明实施例一提供的一种时空轨迹关联方法,首先确定第一轨迹和第二轨迹,所述第一轨迹根据获取的图像数据确定,所述第二轨迹根据获取的识别码数据确定;然后根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对,候选时空轨迹点对包括在时间和空间上存在交集的轨迹点;最终基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对。上述方法通过第一概率、第二概率、第三概率、第一轨迹和第二轨迹在同一时空出现的总时长以及第一轨迹和第二轨迹在同一空间出现的总空间长度确定出强伴随时空轨迹点对,对时空轨迹间存在长度不对称性、采集点异步性、大量离群点存在等问题进行了平衡处理,能够有效提升时空轨迹的关联准确度。
实施例二
本发明实施例在上述各实施例的技术方案的基础上,提供了几种具体的实施方式。
图7为本发明实施例二所提供的一种时空轨迹关联方法的流程示例图,如图7所示,通过人脸智能相机采集人脸图像数据即图像数据,通过侦码设备采集用户手机上的IMIS信号即识别码数据;将人脸图像数据和IMIS数据通过单维数据处理器生成人脸轨迹即第一轨迹和IMIS轨迹即第二轨迹;在候选对生成模块可以得到候选集即多个候选时空轨迹点对;将候选集输入关联强度评估模块可以得到多个候选时空轨迹点对的关联强度;通过数据服务确定出强伴随时空轨迹点对。
图8为本发明实施例二所提供的一种时空轨迹关联方法的具体流程示例图,如图8所示,包括如下步骤:
步骤1、从摄像设备处采集人脸图像数据,提取人脸图像数据的光学和时空特征的相似度矩阵,通过强弱聚类生成人脸轨迹。
步骤2、从通过侦码设备获取用户手机上的IMIS信号,对IMIS信号进行聚类,分类生成IMSI轨迹。
步骤3、进行轨迹补全,将轨迹投射到时空坐标上,时空碰撞生成候选集。
步骤5、对关联强度进行综合评分。
步骤6、确定强伴随城市图码轨迹对即强伴随时空轨迹点对。
本发明实施例二提供的时空轨迹关联方法,该方法具备可伸缩、高效、稳健性,能够从根本上整合时空轨迹的空间和时间信息的算法,解决现有的城时空轨迹关联方法的局限性。
实施例三
图9为本发明实施例三所提供的一种时空轨迹关联装置的结构示意图,该装置可适用于对两种时空轨迹进行关联,以丰富目标对象的轨迹信息的情况,其中该装置可由软件和/或硬件实现,并一般集成在电子备上。
如图9所示,该装置包括:第一确定模块110、第二确定模块120以及第三确定模块130。
第一确定模块110,用于确定第一轨迹和第二轨迹,所述第一轨迹根据获取的图像数据确定,所述第二轨迹根据获取的识别码数据确定;
第二确定模块120,用于根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对,候选时空轨迹点对包括在时间和空间上存在交集的轨迹点;
第三确定模块130,用于基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对。
在本实施例中,该装置首先通过第一确定模块110确定第一轨迹和第二轨迹,所述第一轨迹根据获取的图像数据确定,所述第二轨迹根据获取的识别码数据确定;然后通过第二确定模块120根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对,候选时空轨迹点对包括在时间和空间上存在交集的轨迹点;最后通过第三确定模块130基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对。
本实施例提供了一种时空轨迹关联装置,能够有效提升时空轨迹的关联准确度。
进一步的,所述第一轨迹通过对所述图像数据进行聚类后得到,所述第二轨迹通过对所述识别码数据进行聚类后得到。
进一步的,第二确定模块120具体用于:所述第一轨迹通过对所述图像数据进行聚类后得到,所述第二轨迹通过对所述识别码数据进行聚类后得到。
在上述优化的基础上,第三确定模块130具体用于:基于所述多个候选时空轨迹点对确定所述多个候选时空轨迹点对的关联强度;根据所述候选时空轨迹点对的关联强度确定出强伴随时空轨迹点对。
基于上述技术方案,所述第三确定模块130包括第一确定单元,第一确定单元用于:针对每个候选时空轨迹点对,确定候选时空轨迹点对在同一时间同时出现的第一概率,确定候选时空轨迹点对在同一时间和同一空间同时出现的第二概率;计算多个候选时空轨迹点对所对应的第一概率总和与多个候选时空轨迹点对所对应的第二概率总和的比值得到第三概率;根据所述多个候选时空轨迹点对中连续在同一空间出现的轨迹点所对应的时间计算出所述第一轨迹和所述第二轨迹在同一时空出现的总时长;根据所述多个候选时空轨迹点对中连续在同一时间出现的轨迹点所对应的空间序列计算出所述第一轨迹和所述第二轨迹在同一空间出现的总空间长度;将多个候选时空轨迹点对所对应的第一概率、多个候选时空轨迹点对所对应的第二概率、所述第三概率、所述总时长以及所述总空间长度按照预设公式计算出多个候选时空轨迹点对对应的关联分数,根据所述关联分数确定所述多个候选时空轨迹点对的关联强度。
进一步的,确定时空轨迹点对在同一时间同时出现的第一概率,包括:确定候选时空轨迹点对中第一轨迹上的轨迹点在同一时间出现的第四概率;确定候选时空轨迹点对中第二轨迹上的轨迹点在同一时间出现的第五概率;将所述第四概率和所述第五概率相乘得到候选时空轨迹点对在同一时间出现的第一概率。
进一步的,所述第三确定模块130包括第二确定单元,第二确定单元用于:按照关联强度从强到弱的顺序对所述候选时空轨迹点对进行排序;将排序在前预设数量的候选时空轨迹点对作为强伴随时空轨迹点对。
上述时空轨迹关联装置可执行本发明任意实施例所提供的时空轨迹关联方法,具备执行方法相应的功能模块和有益效果。
实施例四
图10示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图10所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如时空轨迹关联方法。
在一些实施例中,时空轨迹关联方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的时空轨迹关联方法中的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行时空轨迹关联方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种时空轨迹关联方法,其特征在于,所述方法包括:
确定第一轨迹和第二轨迹,所述第一轨迹根据获取的图像数据确定,所述第二轨迹根据获取的识别码数据确定;
根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对,候选时空轨迹点对包括在时间和空间上存在交集的轨迹点;
基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对。
2.根据权利要求1所述的方法,其特征在于,所述第一轨迹通过对所述图像数据进行聚类后得到,所述第二轨迹通过对所述识别码数据进行聚类后得到。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对,包括:
对所述第一轨迹和所述第二轨迹进行插值补全;
将补全后的第一轨迹和补全后的第二轨迹投射到一个时空坐标系上;
在时空坐标系上确定出在时间和空间上有交集的多个候选时空轨迹点对。
4.根据权利要求1所述的方法,其特征在于,所述基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对,包括:
基于所述多个候选时空轨迹点对确定所述多个候选时空轨迹点对的关联强度;
根据所述候选时空轨迹点对的关联强度确定出强伴随时空轨迹点对。
5.根据权利要求4所述的方法,其特征在于,所述确定所述多个候选时空轨迹点对的关联强度,包括:
针对每个候选时空轨迹点对,确定候选时空轨迹点对在同一时间同时出现的第一概率,确定候选时空轨迹点对在同一时间和同一空间同时出现的第二概率;
计算多个候选时空轨迹点对所对应的第一概率总和与多个候选时空轨迹点对所对应的第二概率总和的比值得到第三概率;
根据所述多个候选时空轨迹点对中连续在同一空间出现的轨迹点所对应的时间计算出所述第一轨迹和所述第二轨迹在同一时空出现的总时长;
根据所述多个候选时空轨迹点对中连续在同一时间出现的轨迹点所对应的空间序列计算出所述第一轨迹和所述第二轨迹在同一空间出现的总空间长度;
将多个候选时空轨迹点对所对应的第一概率、多个候选时空轨迹点对所对应的第二概率、所述第三概率、所述总时长以及所述总空间长度按照预设公式计算出多个候选时空轨迹点对对应的关联分数,根据所述关联分数确定所述多个候选时空轨迹点对的关联强度。
6.根据权利要求5所述的方法,其特征在于,确定时空轨迹点对在同一时间同时出现的第一概率,包括:
确定候选时空轨迹点对中第一轨迹上的轨迹点在同一时间出现的第四概率;
确定候选时空轨迹点对中第二轨迹上的轨迹点在同一时间出现的第五概率;
将所述第四概率和所述第五概率相乘得到候选时空轨迹点对在同一时间出现的第一概率。
7.根据权利要求6所述的方法,其特征在于,所述基于所述候选时空轨迹点对的关联强度确定出强伴随时空轨迹点对,包括:
按照关联强度从强到弱的顺序对所述候选时空轨迹点对进行排序;
将排序在前预设数量的候选时空轨迹点对作为强伴随时空轨迹点对。
8.一种时空轨迹关联装置,其特征在于,所述装置包括:
第一确定模块,用于确定第一轨迹和第二轨迹,所述第一轨迹根据获取的图像数据确定,所述第二轨迹根据获取的识别码数据确定;
第二确定模块,用于根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对,候选时空轨迹点对包括在时间和空间上存在交集的轨迹点;
第三确定模块,用于基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的时空轨迹关联方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的时空轨迹关联方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958100.XA CN115033732B (zh) | 2022-08-11 | 2022-08-11 | 一种时空轨迹关联方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958100.XA CN115033732B (zh) | 2022-08-11 | 2022-08-11 | 一种时空轨迹关联方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115033732A true CN115033732A (zh) | 2022-09-09 |
CN115033732B CN115033732B (zh) | 2022-11-15 |
Family
ID=83129885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210958100.XA Active CN115033732B (zh) | 2022-08-11 | 2022-08-11 | 一种时空轨迹关联方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115033732B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092169A (zh) * | 2023-04-04 | 2023-05-09 | 南京小唐安朴科技有限公司 | 一种以采集频率与范围为权重的数据关联度计算方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160364472A1 (en) * | 2015-06-15 | 2016-12-15 | International Business Machines Corporation | Functional space-time trajectory clustering |
CN109669967A (zh) * | 2018-12-13 | 2019-04-23 | 深圳市信义科技有限公司 | 一种基于大数据技术的时空数据关联分析方法 |
CN111797295A (zh) * | 2020-06-19 | 2020-10-20 | 云从科技集团股份有限公司 | 一种多维时空轨迹融合方法、装置、机器可读介质及设备 |
CN111863270A (zh) * | 2020-05-20 | 2020-10-30 | 京东城市(北京)数字科技有限公司 | 疾病传染概率确定方法、装置、系统及存储介质 |
CN112818173A (zh) * | 2021-01-21 | 2021-05-18 | 浙江大华技术股份有限公司 | 关联对象的识别方法、装置及计算机可读存储介质 |
US20210269059A1 (en) * | 2020-02-29 | 2021-09-02 | Uatc, Llc | Trajectory Prediction for Autonomous Devices |
CN113468283A (zh) * | 2021-06-29 | 2021-10-01 | 北京市商汤科技开发有限公司 | 数据处理方法、装置、设备、存储介质 |
US20210383022A1 (en) * | 2020-06-05 | 2021-12-09 | Here Global B.V. | Method and apparatus for trajectory anonymization based on a trajectory exchange twist |
CN113903173A (zh) * | 2021-10-18 | 2022-01-07 | 苏州工业园区测绘地理信息有限公司 | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 |
CN114241016A (zh) * | 2021-12-09 | 2022-03-25 | 杭州海康威视数字技术股份有限公司 | 一种跨相机轨迹关联方法、装置及电子设备 |
CN114707616A (zh) * | 2022-04-29 | 2022-07-05 | 阿里云计算有限公司 | 轨迹间伴随关系的识别方法、装置及设备 |
-
2022
- 2022-08-11 CN CN202210958100.XA patent/CN115033732B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160364472A1 (en) * | 2015-06-15 | 2016-12-15 | International Business Machines Corporation | Functional space-time trajectory clustering |
CN109669967A (zh) * | 2018-12-13 | 2019-04-23 | 深圳市信义科技有限公司 | 一种基于大数据技术的时空数据关联分析方法 |
US20210269059A1 (en) * | 2020-02-29 | 2021-09-02 | Uatc, Llc | Trajectory Prediction for Autonomous Devices |
CN111863270A (zh) * | 2020-05-20 | 2020-10-30 | 京东城市(北京)数字科技有限公司 | 疾病传染概率确定方法、装置、系统及存储介质 |
US20210383022A1 (en) * | 2020-06-05 | 2021-12-09 | Here Global B.V. | Method and apparatus for trajectory anonymization based on a trajectory exchange twist |
CN111797295A (zh) * | 2020-06-19 | 2020-10-20 | 云从科技集团股份有限公司 | 一种多维时空轨迹融合方法、装置、机器可读介质及设备 |
CN112818173A (zh) * | 2021-01-21 | 2021-05-18 | 浙江大华技术股份有限公司 | 关联对象的识别方法、装置及计算机可读存储介质 |
CN113468283A (zh) * | 2021-06-29 | 2021-10-01 | 北京市商汤科技开发有限公司 | 数据处理方法、装置、设备、存储介质 |
CN113903173A (zh) * | 2021-10-18 | 2022-01-07 | 苏州工业园区测绘地理信息有限公司 | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 |
CN114241016A (zh) * | 2021-12-09 | 2022-03-25 | 杭州海康威视数字技术股份有限公司 | 一种跨相机轨迹关联方法、装置及电子设备 |
CN114707616A (zh) * | 2022-04-29 | 2022-07-05 | 阿里云计算有限公司 | 轨迹间伴随关系的识别方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
涂刚凯等: "时空轨迹相似度计算方法研究与实现", 《计算机与数字工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092169A (zh) * | 2023-04-04 | 2023-05-09 | 南京小唐安朴科技有限公司 | 一种以采集频率与范围为权重的数据关联度计算方法 |
CN116092169B (zh) * | 2023-04-04 | 2023-06-20 | 南京小唐安朴科技有限公司 | 一种以采集频率与范围为权重的数据关联度计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115033732B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
CN112581463A (zh) | 图像缺陷的检测方法、装置、电子设备、存储介质及产品 | |
KR20170100535A (ko) | 거래 위험 검출 방법 및 장치 | |
CN112652036B (zh) | 道路数据的处理方法、装置、设备及存储介质 | |
CN112785625A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN115033732B (zh) | 一种时空轨迹关联方法、装置、电子设备及存储介质 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN102855635A (zh) | 确定人体动作周期及识别人体动作的方法和装置 | |
CN115690545B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN110210564B (zh) | 相似户型检测方法及装置 | |
CN115953434B (zh) | 轨迹匹配方法、装置、电子设备和存储介质 | |
CN116881583A (zh) | 一种物联网感知数据与空间模型匹配度计算方法及装置 | |
US20220392192A1 (en) | Target re-recognition method, device and electronic device | |
US20210390334A1 (en) | Vehicle association method and device, roadside equipment and cloud control platform | |
CN114627310A (zh) | 一种换衣行人重识别方法、装置、设备及存储介质 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN117877100B (zh) | 一种行为模式的确定方法、装置、电子设备及存储介质 | |
CN113360688B (zh) | 信息库的构建方法、装置及系统 | |
Ding et al. | Who is partner: A new perspective on data association of multi-object tracking | |
CN115327497A (zh) | 雷达检测范围确定方法、装置、电子设备及可读介质 | |
CN115936282A (zh) | 一种清分模型的优化方法、装置、电子设备及存储介质 | |
CN116662788B (zh) | 一种车辆轨迹处理方法、装置、设备和存储介质 | |
CN116186549A (zh) | 模型的训练方法、装置、设备和介质 | |
CN117372477A (zh) | 一种目标跟踪匹配方法、装置、设备及介质 | |
CN117370371A (zh) | 基于知识图谱的感知数据查询方法、装置、设备及介质 |
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 |