CN115205330A - 轨迹信息生成方法、装置、电子设备和计算机可读介质 - Google Patents

轨迹信息生成方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN115205330A
CN115205330A CN202210683605.XA CN202210683605A CN115205330A CN 115205330 A CN115205330 A CN 115205330A CN 202210683605 A CN202210683605 A CN 202210683605A CN 115205330 A CN115205330 A CN 115205330A
Authority
CN
China
Prior art keywords
information
target
track
historical
track information
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
Application number
CN202210683605.XA
Other languages
English (en)
Other versions
CN115205330B (zh
Inventor
王远航
张昆鹏
李建华
李蹊
王贵东
张文萍
梅一多
马亚中
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.)
Zhongguancun Smart City Co Ltd
Original Assignee
Zhongguancun Smart City 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 Zhongguancun Smart City Co Ltd filed Critical Zhongguancun Smart City Co Ltd
Priority to CN202210683605.XA priority Critical patent/CN115205330B/zh
Publication of CN115205330A publication Critical patent/CN115205330A/zh
Application granted granted Critical
Publication of CN115205330B publication Critical patent/CN115205330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了轨迹信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定目标用户的历史移动轨迹信息；根据目标用户的当前位置信息，确定目标图像序列；对目标图像序列中的目标图像进行目标检测，以生成目标对象信息；根据目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息；根据历史移动轨迹信息，对对象移动轨迹信息集合进行拆分；根据历史移动轨迹信息、第一对象移动轨迹信息和第二对象移动轨迹信息集合，生成目标用户在目标时间段内的移动轨迹信息。该实施方式提高了生成移动轨迹信息的准确性和成功率。

Description

轨迹信息生成方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及轨迹信息生成方法、装置、电子设备和计算机可读介质。
背景技术
轨迹生成是根据用户的多个位置信息，生成用户的移动轨迹的一种技术。目前，在进行用户的轨迹信息生成时，通常采用的方式是：通过位置定位设备(如，卫星)采集的用户位置信息，以此确定用户的移动轨迹。
然而，当采用上述方式时，经常会存在如下技术问题：
第一，受位置定位设备覆盖范围的影响，导致采集得到的位置信息不连续，使得生成移动轨迹的成功率较低；
第二，受位置定位设备的定位精度的影响，导致采集得到的位置信息往往不够精准，使得生成的移动轨迹不够精准；
第三，当位置定位设备采集得到多个用户的位置信息时，往往无法对位置信息进行区分，使得生成的每个用户对应的移动轨迹不够精准；
第四，当根据位置定位设备采集得到的位置信息，生成多条移动轨迹时，往往无法筛选出与目标用户对应的轨迹，导致生成的移动轨迹信息的准确度低；
第五，目标用户在运动过程中，其他用户的行进轨迹会对目标用户的移动轨迹产生影响，仅依赖于目标用户的用户位置信息生成移动轨迹信息，得到的移动轨迹信息精准度较低。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了轨迹信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种轨迹信息生成方法，该方法包括：根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定上述目标用户的历史移动轨迹信息，其中，上述历史位置信息序列由目标基站采集；根据上述目标用户的当前位置信息，确定目标图像序列，其中，上述目标图像序列是目标摄像头采集的多张图像，上述目标摄像头是上述目标用户所在区域内的摄像头；对上述目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合；根据上述目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合；根据上述历史移动轨迹信息，对上述对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合，其中，上述第一对象移动轨迹信息是上述目标用户对应的对象移动轨迹信息；根据上述历史移动轨迹信息、上述第一对象移动轨迹信息和上述第二对象移动轨迹信息集合，生成上述目标用户在目标时间段内的移动轨迹信息。
第二方面，本公开的一些实施例提供了一种轨迹信息生成装置，装置包括：第一确定单元，被配置成根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定上述目标用户的历史移动轨迹信息，其中，上述历史位置信息序列由目标基站采集；
第二确定单元，被配置成根据上述目标用户的当前位置信息，确定目标图像序列，其中，上述目标图像序列是目标摄像头采集的多张图像，上述目标摄像头是上述目标用户所在区域内的摄像头；目标检测单元，被配置成对上述目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合；第一生成单元，被配置成根据上述目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合；拆分单元，被配置成根据上述历史移动轨迹信息，对上述对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合，其中，上述第一对象移动轨迹信息是上述目标用户对应的对象移动轨迹信息；第二生成单元，被配置成根据上述历史移动轨迹信息、上述第一对象移动轨迹信息和上述第二对象移动轨迹信息集合，生成上述目标用户在目标时间段内的移动轨迹信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的轨迹信息生成方法，提高了生成轨迹信息的成功率和精准度。具体来说，造成生成轨迹信息的成功率和精准度较低的原因在于：第一，受位置定位设备(例如，卫星)覆盖范围的影响，导致采集得到的位置信息不连续，使得生成移动轨迹的成功率较低。第二，受位置定位设备的定位精度的影响(例如，在有云层遮挡的情况下，卫星的定位精度会大大降低)，导致采集得到的位置信息往往不够精准，使得生成的移动轨迹不够精准。基于此，本公开的一些实施例的轨迹信息生成方法，首先，根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定上述目标用户的历史移动轨迹信息，其中，上述历史位置信息序列由目标基站采集。由于基站具有覆盖面积广、数量众多等优点。因此，通过基站可以获得较为连续的用户的位置信息，避免了因获取不到用户的位置信息，导致无法生成用户的移动轨迹的问题。其次，根据上述目标用户的当前位置信息，确定目标图像序列，其中，上述目标图像序列是目标摄像头采集的多张图像，上述目标摄像头是上述目标用户所在区域内的摄像头。由于在基站切换时，可能会丢失一部分用户的位置信息，或基站与基站之间存在采集不到用户的位置信息的区域。因此，通过用户的当前位置信息，获取摄像头采集的目标图像序列，以辅助确定用户的轨迹信息。接着，对上述目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合。通过目标检测，以此确定目标图像序列中的目标图像中包含的至少一个对象。进一步，根据上述目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合。通过每个对象对应的目标对象信息组，以此确定对象对应的移动轨迹。此外，根据上述历史移动轨迹信息，对上述对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合，其中，上述第一对象移动轨迹信息是上述目标用户对应的对象移动轨迹信息。实际情况中，目标检测得到的至少一个对象中包含上述目标用户和除目标用户之外的其他用户，因此，需要对上述至少一个对象进行拆分。最后，根据上述历史移动轨迹信息、上述第一对象移动轨迹信息和上述第二对象移动轨迹信息集合，生成上述目标用户在目标时间段内的移动轨迹信息。通过此种方式，结合目标基站和目标摄像头两个信息获取源，丰富了目标用户的位置数据的获取途径，同时两种信息获取源能够很好的互补，保证了生成的目标用户在目标时间段内的移动轨迹信息的准确性和成功率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的轨迹信息生成方法的一个应用场景的示意图；
图2是根据本公开的轨迹信息生成方法的一些实施例的流程图；
图3是根据本公开的轨迹信息生成方法的另一些实施例的流程图；
图4是候选历史位置信息组序列的生成示意图；
图5是融合轨迹信息对应的轨迹的示意图；
图6是图像采集时间的生成示意图；
图7是目标检测模型的网络结构的示意图；
图8是轨迹预测模型的网络结构的示意图；
图9是根据本公开的轨迹信息生成装置的一些实施例的结构示意图；
图10是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“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”。
本公开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。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的轨迹信息生成方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以根据目标用户的历史位置信息序列102中的历史位置信息包括的位置采集时间和位置坐标信息，确定上述目标用户的历史移动轨迹信息103，其中，上述历史位置信息序列102由目标基站采集；其次，计算设备101可以根据上述目标用户的当前位置信息104，确定目标图像序列105，其中，上述目标图像序列105是目标摄像头采集的多张图像，上述目标摄像头是上述目标用户所在区域内的摄像头；接着，计算设备101可以对上述目标图像序列105中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合106；进一步，计算设备101可以根据上述目标对象信息组集合106中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合107；此外，计算设备101可以根据上述历史移动轨迹信息103，对上述对象移动轨迹信息集合107进行拆分，以生成第一对象移动轨迹信息108和第二对象移动轨迹信息集合109，其中，上述第一对象移动轨迹信息108是上述目标用户对应的对象移动轨迹信息；最后，计算设备101可以根据上述历史移动轨迹信息103、上述第一对象移动轨迹信息108和上述第二对象移动轨迹信息集合109，生成上述目标用户在目标时间段内的移动轨迹信息110。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的轨迹信息生成方法的一些实施例的流程200。该轨迹信息生成方法，包括以下步骤：
步骤201，根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定目标用户的历史移动轨迹信息。
在一些实施例中，轨迹信息生成方法的执行主体(例如图1所示的计算设备101)可以根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定目标用户的历史移动轨迹信息。其中，上述目标用户可以是待进行移动轨迹信息生成的用户。历史位置信息序列由目标基站采集。目标基站可以是上述目标用户所在区域内的移动通信基站。例如，上述目标基站可以以固定时间间隔采集上述目标用户的历史位置信息。上述固定时间间隔是可以是人工设定的。如，上述固定时间间隔可以是5秒。历史位置信息可以包括：位置采集时间和位置坐标信息。位置采集时间是目标基站采集位置坐标信息的时间。位置坐标信息表征目标基站在位置采集时间，采集的上述目标用户的位置坐标。例如，上述历史位置信息序列可以是{[4-8-9:00:01，(20，30，40)]，[4-8-9:00:05，(40，70，40)]，[4-8-9:00:10，(60，30，50)]，[4-8-9:00:15，(80，40，40)]，[4-8-9:00:20，(10，30，40)]}。上述历史移动轨迹信息表征上述目标用户的历史移动轨迹。
作为示例，上述执行主体可以对上述历史位置信息序列中的历史位置信息包括的位置坐标信息进行线性拟合，以生成上述历史移动轨迹信息。
步骤202，根据目标用户的当前位置信息，确定目标图像序列。
在一些实施例中，上述执行主体可以根据目标用户的当前位置信息，确定目标图像序列。其中，上述目标图像序列是目标摄像头采集的多张图像。上述目标摄像头是上述目标用户所在区域内的摄像头。
作为示例，上述执行主体可以向上述目标摄像头发送图像采集指令，以使得上述目标摄像头采集上述目标图像序列。上述图像采集指令是控制上述目标摄像头采集图像的指令。
步骤203，对目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合。
在一些实施例中，上述执行主体可以对上述目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合。其中，目标对象信息组表征上述目标图像序列中同一对象的位置。例如，上述执行主体可以通过目标检测模型，对目标图像序列中的目标图像进行目标检测，以生成上述目标对象信息组集合。上述目标检测模型可以是YOLO V5(You Only Look Once Version 5)模型。
作为示例，目标对象信息组可以是：{对象编号：A；[图像索引：001，对象位置：(20，30，120)]，[图像索引：003，对象位置：(120，70，220)]}。其中，图像索引表征包含对象的目标图像。对象位置表征对象的位置。对象位置可以由对象在目标图像中的位置映射至世界坐标系下得到。
步骤204，根据目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合。
在一些实施例中，上述执行主体可以根据目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合。其中，对象移动轨迹信息表征对象的移动轨迹。上述执行主体可以对上述目标对象信息组中目标对象信息包括的对象位置进行线性拟合，以生成上述目标对象信息组对应的对象移动轨迹信息。
步骤205，根据历史移动轨迹信息，对对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合。
在一些实施例中，上述执行主体可以通过各种方式根据历史移动轨迹信息，对对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合。其中，第一对象移动轨迹信息是上述目标用户对应的对象移动轨迹信息。上述第一对象移动轨迹信息表征上述目标用户在采集目标图像序列的时间段内的移动轨迹。第二对象移动轨迹信息表征目标图像包含的除上述目标用户之外的对象的移动轨迹。
步骤206，根据历史移动轨迹信息、第一对象移动轨迹信息和第二对象移动轨迹信息集合，生成目标用户在目标时间段内的移动轨迹信息。
在一些实施例中，上述执行主体可以根据历史移动轨迹信息、第一对象移动轨迹信息和第二对象移动轨迹信息集合，生成目标用户在目标时间段内的移动轨迹信息。其中，目标时间段内可以是未来的一个时间段。移动轨迹信息表征预测的，上述目标用户在上述目标时间段内的轨迹。
作为示例，上述执行主体可以将历史移动轨迹信息、第一对象移动轨迹信息和第二对象移动轨迹信息集合输入轨迹预测模型，以生成上述移动轨迹信息。其中，上述轨迹预测模型可以包括：时间特征提取模块、空间特征提取模块、特征融合模块和轨迹预测模块。上述时间特征提取模块包括三个多头注意力层。上述空间特征提取模块可以是GNN(GraphAttention Networks，图注意力网络)。上述特征融合模块可以是FPN(Feature PyramidNetwork，特征金字塔网络)。上述轨迹预测模块可以包括：全连接层。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的轨迹信息生成方法，提高了生成轨迹信息的成功率和精准度。具体来说，造成生成轨迹信息的成功率和精准度较低的原因在于：第一，受位置定位设备(例如，卫星)覆盖范围的影响，导致采集得到的位置信息不连续，使得生成移动轨迹的成功率较低。第二，受位置定位设备的定位精度的影响(例如，在有云层遮挡的情况下，卫星的定位精度会大大降低)，导致采集得到的位置信息往往不够精准，使得生成的移动轨迹不够精准。基于此，本公开的一些实施例的轨迹信息生成方法，首先，根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定上述目标用户的历史移动轨迹信息，其中，上述历史位置信息序列由目标基站采集。由于基站具有覆盖面积广、数量众多等优点。因此，通过基站可以获得较为连续的用户的位置信息，避免了因获取不到用户的位置信息，导致无法生成用户的移动轨迹的问题。其次，根据上述目标用户的当前位置信息，确定目标图像序列，其中，上述目标图像序列是目标摄像头采集的多张图像，上述目标摄像头是上述目标用户所在区域内的摄像头。由于在基站切换时，可能会丢失一部分用户的位置信息，或基站与基站之间存在采集不到用户的位置信息的区域。因此，通过用户的当前位置信息，获取摄像头采集的目标图像序列，以辅助确定用户的轨迹信息。接着，对上述目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合。通过目标检测，以此确定目标图像序列中的目标图像中包含的至少一个对象。进一步，根据上述目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合。通过每个对象对应的目标对象信息组，以此确定对象对应的移动轨迹。此外，根据上述历史移动轨迹信息，对上述对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合，其中，上述第一对象移动轨迹信息是上述目标用户对应的对象移动轨迹信息。实际情况中，目标检测得到的至少一个对象中包含上述目标用户和除目标用户之外的其他用户，因此，需要对上述至少一个对象进行拆分。最后，根据上述历史移动轨迹信息、上述第一对象移动轨迹信息和上述第二对象移动轨迹信息集合，生成上述目标用户在目标时间段内的移动轨迹信息。通过此种方式，结合目标基站和目标摄像头两个信息获取源，丰富了目标用户的位置数据的获取途径，同时两种信息获取源能够很好的互补，保证了生成的目标用户在目标时间段内的移动轨迹信息的准确性和成功率。
进一步参考图3，其示出了轨迹信息生成方法的另一些实施例的流程300。该轨迹信息生成方法的流程300，包括以下步骤：
步骤301，根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定目标用户的历史移动轨迹信息。
在一些实施例中，轨迹信息生成方法的执行主体(例如图1所示的计算设备101)根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定目标用户的历史移动轨迹信息，可以包括以下步骤：
第一步，响应于确定上述历史位置信息序列中的各个历史位置信息包括的位置采集时间不连续，根据历史位置信息包括的位置采集时间，对上述历史位置信息序列进行分组处理，以生成候选历史位置信息组序列。
其中，候选历史位置信息组表征位置采集时间连续的多个历史位置信息。
作为示例，首先，上述执行主体可以历史位置信息序列中每两个相邻的历史位置信息包括的位置采集时间的时间差值，得到时间差值序列。然后，对于时间差值序列中的每个时间差值，响应于确定上述时间差值大于预设差值，上述执行主体可以将上述时间差值在上述时间差值序列中的位置，作为分隔位置。接着，上述执行主体可以根据得到的多个分隔位置，对上述历史位置信息序列进行分组，以生成上述候选历史位置信息组序列。例如，如图4所示的候选历史位置信息组序列的生成示意图，其中，历史位置信息序列可以包括：历史位置信息A、历史位置信息B、历史位置信息C、历史位置信息D和历史位置信息E。历史位置信息A和历史位置信息B对应的时间差值是“4秒”。历史位置信息B和历史位置信息C对应的时间差值是“115秒”。历史位置信息C和历史位置信息D对应的时间差值是“5秒”。历史位置信息D和历史位置信息E对应的时间差值是“60秒”。上述预设差值可以是50秒。则得到的多个分隔位置可以是[1，3]。所以，历史位置信息A和历史位置信息B属于一个候选历史位置信息组。历史位置信息C和历史位置信息D属于一个候选历史位置信息组。历史位置信息E属于一个候选历史位置信息组。
第二步，对于上述候选历史位置信息组序列中的每个候选历史位置信息组，根据上述候选历史位置信息组中的候选历史位置信息包括的位置采集时间和位置坐标信息，生成候选轨迹信息。
其中，候选轨迹信息表征候选理事位置信息组对应的轨迹。上述执行主体可以根据候选历史位置信息包括的位置坐标信息进行线性拟合，以生成候选轨迹信息。
第三步，根据得到的候选轨迹信息序列，执行以下轨迹融合步骤。
第一子步骤，从候选轨迹信息序列中分别取出第一位置的候选轨迹信息和第二位置的候选轨迹信息，以生成第一候选轨迹信息、第二候选轨迹信息和目标轨迹信息序列。
其中，第一位置是候选轨迹信息序列中正数第一个候选轨迹信息的位置。第二位置是候选轨迹信息序列中正数第二个候选轨迹信息的位置。目标轨迹信息序列是候选轨迹信息序列中除第一候选轨迹信息、第二候选轨迹信息以外的其它的候选轨迹信息。
第二子步骤，根据第一候选轨迹信息和第二候选轨迹信息的轨迹时间差，确定第一候选轨迹信息对应的轨迹和第二候选轨迹信息对应的轨迹之间的空缺位置点信息，得到空缺位置点信息集合。
其中，上述执行主体可以将第一候选轨迹信息对应的最后一个位置采集时间，和第二候选轨迹信息对应的第一个位置采集时间的时间差值，作为轨迹时间差。例如，轨迹时间差是50秒。空缺点位置信息表征第一候选轨迹信息对应的轨迹和第二候选轨迹信息对应的轨迹之间填补的点的位置。
作为示例，上述执行主体可以确定上述第一候选轨迹信息对应的轨迹和第二候选轨迹信息对应的轨迹之间的至少一个填补位置点，以生成空缺位置点信息集合。其中，空缺位置点信息集合中的空缺位置点信息的数量＝轨迹时间差/固定时间间隔。空缺位置点信息集合中的空缺位置点信息的数量为正整数。
第三子步骤，根据第一候选轨迹信息、第二候选轨迹信息和空缺位置点信息集合，生成融合轨迹信息。
作为示例，如图5所示的融合轨迹信息对应的轨迹的示意图，其中，轨迹A是第一候选轨迹信息对应的轨迹。轨迹B是第二候选轨迹信息对应的轨迹。轨迹A和轨迹B之间有6个空缺位置点信息对应的位置点。
第四子步骤，将融合轨迹信息作为目标轨迹信息，添加至目标轨迹信息序列。
第五子步骤，响应于确定轨迹添加后的目标轨迹信息序列中的目标轨迹信息的数量与目标值一致，将轨迹添加后的目标轨迹信息序列中的目标轨迹信息作为上述历史移动轨迹信息，以及结束上述轨迹融合步骤。
其中，目标值为1。
第四步，响应于确定轨迹添加后的目标轨迹信息序列中的目标轨迹信息的数量与目标值不一致，将轨迹添加后的目标轨迹信息序列作为候选轨迹信息序列，再次执行上述轨迹融合步骤。
步骤302，根据目标用户的当前位置信息，确定目标图像序列。
在一些实施例中，上述执行主体根据目标用户的当前位置信息，确定目标图像序列，可以包括以下步骤：
第一步，确定上述当前位置信息对应的位置的所在区域，以生成区域信息。
其中，上述区域信息表征上述当前位置信息对应的位置的所在区域。
第二步，获取上述区域信息对应的区域内的摄像头状态信息，得到摄像头信息集合。
其中，摄像头信息集合中的摄像头信息包括：摄像头状态信息和摄像头位置信息。摄像头状态信息表征摄像头是否可以进行图像采集。摄像头位置信息表征摄像头所处的位置。
第三步，从上述摄像头信息集合中筛选出包括的摄像头状态信息满足筛选条件的摄像头信息，作为候选摄像头信息。
其中，上述筛选条件为：摄像头状态信息表征摄像头可以进行图像采集。
第四步，根据上述当前位置信息、上述目标用户的移动速度信息和上述候选摄像头信息包括的摄像头位置信息，确定图像采集时间。
其中，上述移动速度信息包括：速度大小值和速度方向角度。速度方向角度表征目标用户的移动方向，与摄像头位置信息对应的位置和当前位置信息对应的位置连线之间的夹角。
作为示例，如图6所示的图像采集时间生成示意图，其中，线段B表征摄像头位置信息对应的位置602和当前位置信息对应的位置601之间的距离。线段A表示表示目标用户从当前位置信息对应的位置601开始移动，至候选摄像头信息对应的摄像头进行图像采集时的距离。e表示速度方向角度。上述执行主体可以根据上述当前位置信息、上述目标用户的移动速度信息和上述候选摄像头信息包括的摄像头位置信息，通过勾股定理和速度公式，确定上述图像采集时间。
第五步，响应于到达上述图像采集时间，通过上述候选摄像头信息对应的上述目标摄像头，采集多张图像，以生成上述目标图像序列。
响应于到达上述图像采集时间，上述执行主体可以向上述目标摄像头发送图像采集指令，以控制上述目标摄像头采集多张图像。
步骤303，对目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合。
在一些实施例中，上述执行主体对目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合，可以包括以下步骤：
第一步，将上述目标图像序列中的每张目标图像依次输入预先训练的对象识别模型中，以生成对象信息组，得到对象信息组集合。
其中，对象识别模型可以是用于对图像中包含的对象进行识别的模型。对象信息组集合中的对象信息包括：对象位置信息。对象信息组表征一张图像中包含的各个对象。上述对象识别模型可以是：YOLOV5模型。
第二步，对于上述目标图像序列中的每张目标图像，根据上述目标图像对应的对象信息组中的对象信息包括的对象位置信息，对上述目标图像进行对象标注，以生成标注后的目标图像。
第三步，将得到的标注后的目标图像序列中的标注后的目标图像，输入至预先训练的目标检测模型，以生成目标对象信息，得到上述目标对象信息组集合。
其中，上述目标检测模型包括：人脸特征提取模型、衣着特征提取模型、形体特征提取模型、特征融合模型和身份识别模型。上述人脸特征提取模型包括人脸识别模型和人脸特征提取子模型。上述衣着特征提取模型包括衣着识别模型和衣着特征提取子模型。上述形体特征提取模型包括：形体识别模型和形体特征提取子模型。其中，上述人脸特征提取模型用于进行人脸识别。上述衣着特征提取模型用于进行衣着识别。上述形体特征提取模型用于进行对象的形体特征提取。上述特征融合模型用于对特征进行融合。上述人脸特征提取子模型可以是：VGG(Visual Geometry Group)-32模型。上述衣着特征提取子模型可以是：VGG-16模型。上述形体特征提取子模型可以是：GNN(Graph Neural Networks，图神经网络)模型。上述人脸识别模型可以是CNN(Convolutional Neural Networks，卷积神经网络)模型。上述衣着识别模型可以是分类网络模型。上述形体识别模型可以是GCN(GraphConvolutional Network，图卷积神经网络)模型。上述身份识别模型可以是分类网络模型。
作为示例，上述目标检测模型的网络结构如图7所示，其中，上述执行主体可以将标注后的目标图像并行输入上述人脸特征提取模型、衣着特征提取模型和形体特征提取模型。上述特征融合模型可以将上述人脸特征提取子模型提取得到的特征、上述衣着特征提取子模型提取的得到的特征、上述形体特征提取子模型提取得到的特征、上述人脸识别模型得到的识别结果、上述衣着识别模型识别得到的结果、上述形体识别模型识别得到的结果进行融合。
上述目标检测模型作为本公开的一个发明点，解决了背景技术中的技术问题三，即“当位置定位设备采集得到多个用户的位置信息时，往往无法对位置信息进行区分，使得生成的每个用户对应的移动轨迹不够精准”，为了解决上述技术问题三，本公开通过结合人脸识别、衣着识别和形体识别，综合对对象进行分类，同时，考虑到人脸识别、衣着识别和形体识别所要提取的特征的复杂度和精度均不同，因此，在进行特征提取时，根据特征提取的要求不同，分别采用不同的特征提取模型进行特征提取，保证了提取得到的特征的全面性，以此大大提高了对象的分类准确度，从而提高了生成的目标对象信息组集合的准确度。
步骤304，根据目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合。
在一些实施例中，步骤304的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤204，在此不再赘述。
步骤305，根据历史移动轨迹信息，对对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合。
在一些实施例中，上述执行主体根据历史移动轨迹信息，对对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合，可以包括以下步骤：
第一步，对上述历史移动轨迹信息进行轨迹向量化处理，以生成历史移动轨迹向量。
上述历史移动轨迹向量可以包括：历史移动轨迹信息对应的轨迹方程的多个参数、历史移动轨迹信息对应的轨迹方程在位置坐标信息对应位置的导数值和位置坐标信息。
第二步，对上述对象移动轨迹信息集合中的每个对象移动轨迹信息进行轨迹向量化处理，以生成对象移动轨迹向量，得到对象移动轨迹向量集合。
其中，对象移动轨迹向量可以包括：对象移动轨迹信息对应的轨迹方程的多个参数、对象移动轨迹信息对应的轨迹方程的在对象位置信息对应位置的导数值和对象位置信息。
第三步，确定上述历史移动轨迹向量和上述对象移动轨迹向量集合中的每个对象移动轨迹向量的轨迹相关度，以生成轨迹相关度信息。
其中，上述执行主体可以通过以下公式，确定上述历史移动轨迹向量和对象移动轨迹向量的轨迹相关度：
Figure BDA0003699233430000161
其中，Tc表示轨迹相关度。α1表示第一权重。α2表示第二权重。其中，第一权重的取值范围为[0，1]。第二权重的取值范围为[0，1-α1)。p1表示第一坐标点，第一坐标点是上述历史移动轨迹向量包括的最后一个位置坐标信息对应的坐标点。p2表示第二坐标点，第二坐标点是上述对象移动轨迹向量包括的第一个对象位置信息对应的坐标点。f′第一导函数，第一导函数表示历史移动轨迹信息对应的移动轨迹的导函数。β′表示第二导函数，第二导函数表示对象移动轨迹信息对应的移动轨迹的导函数。
Figure BDA0003699233430000171
表示第一导函数在第一坐标点处的导数值。
Figure BDA0003699233430000172
表示第二导函数在第二坐标点处的导数值。t表示第一坐标点和第二坐标点之间的距离值。
Figure BDA0003699233430000173
表示第一坐标点的横坐标。
Figure BDA0003699233430000174
表示第一坐标点的纵坐标。
Figure BDA0003699233430000175
表示第二坐标点的横坐标。
Figure BDA0003699233430000176
表示第二坐标点的纵坐标。
步骤305中的内容作为本公开的一个发明点，解决了背景技术中的技术问题四，即“当根据位置定位设备采集得到的位置信息，生成多条移动轨迹时，往往无法筛选出与目标用户对应的轨迹，导致生成的移动轨迹信息的准确度低”。传统的相似度计算方法，往往仅能依据特征的相似度进行相似度计算。但在实际情况中，例如，两条轨迹分别为轨迹A和轨迹B均为用户A的移动轨迹。采用传统的相似度计算方法往往无法将轨迹A和轨迹B定位为用户A的移动轨迹。为了解决上述技术问题四，上述公式在已知轨迹A为用户A的移动轨迹的前提下，首先，对轨迹A和轨迹B进行导数值相似度计算，然后，确定第一坐标点和第二坐标点之间的距离值，最后将导数值相似度和距离值相似度进行加权求和，以此确定轨迹B是否为用户A的一段移动轨迹。同时，考虑到导数值相似度和第一坐标点和第二坐标点之间的距离值的量纲不同，通过指数函数对距离值进行缩放，以保证距离值和导数值相似度之间的量纲相同。通过此种方式，实现了较为精准的轨迹分类，从而提高了生成的移动轨迹信息的准确度。
第四步，从上述对象移动轨迹信息集合中筛选出对应的轨迹相关度信息满足轨迹筛选条件的对象移动轨迹信息，作为上述第一对象移动轨迹信息。
其中，轨迹筛选条件为轨迹相关度数值与对象移动轨迹信息集合对应的多个轨迹相关度数值中的最大值相同。
第五步，将上述对象移动轨迹信息集合中对应的轨迹相关度信息不满足上述轨迹筛选条件的对象移动轨迹信息，作为第二对象移动轨迹信息，得到上述第二对象移动轨迹信息集合。
步骤306，根据历史移动轨迹信息、第一对象移动轨迹信息和第二对象移动轨迹信息集合，生成目标用户在目标时间段内的移动轨迹信息。
在一些实施例中，上述执行主体根据历史移动轨迹信息、第一对象移动轨迹信息和第二对象移动轨迹信息集合，生成目标用户在目标时间段内的移动轨迹信息，可以包括以下步骤：
第一步，对于上述第二对象移动轨迹信息集合中的每个第二对象移动轨迹信息，执行以下轨迹处理步骤：
第一子步骤，确定上述第二对象移动轨迹信息对应的对象在上述目标时间段内的移动轨迹，以生成上述目标时间段内的预测移动轨迹信息。
其中，上述执行主体可以通过轨迹预测模型，确定第二对象移动轨迹信息对应的对象在上述目标时间段内的移动轨迹。例如，上述轨迹预测模型可以是图神经网络模型。
第二子步骤，将上述第二对象移动轨迹信息对应的移动轨迹和上述预测移动轨迹信息对应的移动轨迹进行轨迹拼接，以生成拼接轨迹，得到拼接轨迹信息。
第二步，将得到的拼接轨迹信息序列、上述历史移动轨迹信息和上述第一对象移动轨迹信息输入至预先训练的轨迹预测模型，以生成上述目标用户在上述目标时间段内的上述移动轨迹信息。
其中，上述轨迹预测模型包含多个轨迹特征提取模型和多个轨迹预测子模型。轨迹特征提取模型和轨迹预测子模型均可以是LSTM(Long Short-Term Memory，长短时记忆)模型。
作为示例，如图8所示，首先，上述执行主体可以将历史移动轨迹信息和上述第一对象移动轨迹信息输入轨迹特征提取模型A、将拼接轨迹信息序列中的拼接轨迹信息并行输入轨迹特征提取模型B、轨迹特征提取模型C…轨迹特征提取模型D。然后，上述执行主体可以将轨迹预测子模型A、轨迹预测子模型B、轨迹预测子模型C…轨迹预测子模型D的预测结果并行输入轨迹预测子模型E，以生成上述移动轨迹信息。
上述轨迹预测模型作为本公开的一个发明点，解决了背景技术中的技术问题五，即“目标用户在运动过程中，其他用户的行进轨迹会对目标用户的移动轨迹产生影响，仅依赖于目标用户的用户位置信息生成移动轨迹信息，得到的移动轨迹信息精准度较低”。为了解决上述技术问题五，首先，本公开根据目标用户的历史移动轨迹信息和上述第一对象移动轨迹信息进行初步的轨迹预测，同时，根据拼接轨迹信息序列对其他用户的进行轨迹预测。然后，根据其他用户的轨迹预测结果，对目标用户的轨迹预测结果进行约束，以进行二次轨迹预测。通过此种方式大大提高了生成的移动轨迹信息的准确度。
步骤307，在用户移动轨迹可视化界面，可视化移动轨迹信息对应的移动轨迹。
在一些实施例中，上述执行主体可以在用户移动轨迹可视化界面，可视化上述移动轨迹信息对应的移动轨迹。其中，上述用户移动轨迹可视化界面可以是可视化用户移动轨迹的界面。
从图3可以看出，与图2对应的一些实施例的描述相比，本公开通过结合人脸识别、衣着识别和形体识别，综合对对象进行分类，同时，考虑到人脸识别、衣着识别和形体识别所要提取的特征的复杂度和精度均不同，因此，在进行特征提取时，根据特征提取的要求不同，分别采用不同的特征提取模型进行特征提取，保证了提取得到的特征的全面性，以此大大提高了对象的分类准确度，从而提高了生成的目标对象信息组集合的准确度。
进一步参考图9，作为对上述各图所示方法的实现，本公开提供了一种轨迹信息生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图9所示，一些实施例的轨迹信息生成装置900包括：第一确定单元、第二确定单元、目标检测单元、第一生成单元、拆分单元和第二生成单元。其中，第一确定单元901，被配置成根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定上述目标用户的历史移动轨迹信息，其中，上述历史位置信息序列由目标基站采集；第二确定单元902，被配置成根据上述目标用户的当前位置信息，确定目标图像序列，其中，上述目标图像序列是目标摄像头采集的多张图像，上述目标摄像头是上述目标用户所在区域内的摄像头；目标检测单元903，被配置成对上述目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合；第一生成单元904，被配置成根据上述目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合；拆分单元905，被配置成根据上述历史移动轨迹信息，对上述对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合，其中，上述第一对象移动轨迹信息是上述目标用户对应的对象移动轨迹信息；第二生成单元906，被配置成根据上述历史移动轨迹信息、上述第一对象移动轨迹信息和上述第二对象移动轨迹信息集合，生成上述目标用户在目标时间段内的移动轨迹信息。
可以理解的是，该装置900中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置900及其中包含的单元，在此不再赘述。
下面参考图10，其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)1000的结构示意图。图10示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图10所示，电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
通常，以下装置可以连接至I/O接口1005：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1008；以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图10中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1008被安装，或者从ROM 1002被安装。在该计算机程序被处理装置1001执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定上述目标用户的历史移动轨迹信息，其中，上述历史位置信息序列由目标基站采集；根据上述目标用户的当前位置信息，确定目标图像序列，其中，上述目标图像序列是目标摄像头采集的多张图像，上述目标摄像头是上述目标用户所在区域内的摄像头；对上述目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合；根据上述目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合；根据上述历史移动轨迹信息，对上述对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合，其中，上述第一对象移动轨迹信息是上述目标用户对应的对象移动轨迹信息；根据上述历史移动轨迹信息、上述第一对象移动轨迹信息和上述第二对象移动轨迹信息集合，生成上述目标用户在目标时间段内的移动轨迹信息。
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一些实施例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系统、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，这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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、第二确定单元、目标检测单元、第一生成单元、拆分单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一生成单元还可以被描述为“根据上述目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种轨迹信息生成方法，包括：
根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定所述目标用户的历史移动轨迹信息，其中，所述历史位置信息序列由目标基站采集；
根据所述目标用户的当前位置信息，确定目标图像序列，其中，所述目标图像序列是目标摄像头采集的多张图像，所述目标摄像头是所述目标用户所在区域内的摄像头；
对所述目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合；
根据所述目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合；
根据所述历史移动轨迹信息，对所述对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合，其中，所述第一对象移动轨迹信息是所述目标用户对应的对象移动轨迹信息；
根据所述历史移动轨迹信息、所述第一对象移动轨迹信息和所述第二对象移动轨迹信息集合，生成所述目标用户在目标时间段内的移动轨迹信息。
2.根据权利要求1所述的方法，其中，所述方法还包括：
在用户移动轨迹可视化界面，可视化所述移动轨迹信息对应的移动轨迹。
3.根据权利要求2所述的方法，其中，所述根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定所述目标用户的历史移动轨迹信息，包括：
响应于确定所述历史位置信息序列中的各个历史位置信息包括的位置采集时间不连续，根据历史位置信息包括的位置采集时间，对所述历史位置信息序列进行分组处理，以生成候选历史位置信息组序列；
对于所述候选历史位置信息组序列中的每个候选历史位置信息组，根据所述候选历史位置信息组中的候选历史位置信息包括的位置采集时间和位置坐标信息，生成候选轨迹信息；
根据得到的候选轨迹信息序列，执行以下轨迹融合步骤：
从候选轨迹信息序列中分别取出第一位置的候选轨迹信息和第二位置的候选轨迹信息，以生成第一候选轨迹信息、第二候选轨迹信息和目标轨迹信息序列；
根据第一候选轨迹信息和第二候选轨迹信息的轨迹时间差，确定第一候选轨迹信息对应的轨迹和第二候选轨迹信息对应的轨迹之间的空缺位置点信息，得到空缺位置点信息集合；
根据第一候选轨迹信息、第二候选轨迹信息和空缺位置点信息集合，生成融合轨迹信息；
将融合轨迹信息作为目标轨迹信息，添加至目标轨迹信息序列；
响应于确定轨迹添加后的目标轨迹信息序列中的目标轨迹信息的数量与目标值一致，将轨迹添加后的目标轨迹信息序列中的目标轨迹信息作为所述历史移动轨迹信息，以及结束所述轨迹融合步骤；
响应于确定轨迹添加后的目标轨迹信息序列中的目标轨迹信息的数量与目标值不一致，将轨迹添加后的目标轨迹信息序列作为候选轨迹信息序列，再次执行所述轨迹融合步骤。
4.根据权利要求3所述的方法，其中，所述根据所述目标用户的当前位置信息，确定目标图像序列，包括：
确定所述当前位置信息对应的位置的所在区域，以生成区域信息；
获取所述区域信息对应的区域内的摄像头状态信息，得到摄像头信息集合，其中，所述摄像头信息集合中的摄像头信息包括：摄像头状态信息和摄像头位置信息；
从所述摄像头信息集合中筛选出包括的摄像头状态信息满足筛选条件的摄像头信息，作为候选摄像头信息；
根据所述当前位置信息、所述目标用户的移动速度信息和所述候选摄像头信息包括的摄像头位置信息，确定图像采集时间；
响应于到达所述图像采集时间，通过所述候选摄像头信息对应的所述目标摄像头，采集多张图像，以生成所述目标图像序列。
5.根据权利要求4所述的方法，其中，所述对所述目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合，包括：
将所述目标图像序列中的每张目标图像依次输入预先训练的对象识别模型中，以生成对象信息组，得到对象信息组集合，其中，所述对象信息组集合中的对象信息包括：对象位置信息；
对于所述目标图像序列中的每张目标图像，根据所述目标图像对应的对象信息组中的对象信息包括的对象位置信息，对所述目标图像进行对象标注，以生成标注后的目标图像；
将得到的标注后的目标图像序列中的标注后的目标图像，输入至预先训练的目标检测模型，以生成目标对象信息，得到所述目标对象信息组集合。
6.根据权利要求5所述的方法，其中，所述根据所述历史移动轨迹信息，对所述对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合，包括：
对所述历史移动轨迹信息进行轨迹向量化处理，以生成历史移动轨迹向量；
对所述对象移动轨迹信息集合中的每个对象移动轨迹信息进行轨迹向量化处理，以生成对象移动轨迹向量，得到对象移动轨迹向量集合；
确定所述历史移动轨迹向量和所述对象移动轨迹向量集合中的每个对象移动轨迹向量的轨迹相关度，以生成轨迹相关度信息；
从所述对象移动轨迹信息集合中筛选出对应的轨迹相关度信息满足轨迹筛选条件的对象移动轨迹信息，作为所述第一对象移动轨迹信息；
将所述对象移动轨迹信息集合中对应的轨迹相关度信息不满足所述轨迹筛选条件的对象移动轨迹信息，作为第二对象移动轨迹信息，得到所述第二对象移动轨迹信息集合。
7.根据权利要求6所述的方法，其中，所述根据所述历史移动轨迹信息、所述第一对象移动轨迹信息和所述第二对象移动轨迹信息集合，生成所述目标用户在目标时间段内的移动轨迹信息，包括：
对于所述第二对象移动轨迹信息集合中的每个第二对象移动轨迹信息，执行以下轨迹处理步骤：
确定所述第二对象移动轨迹信息对应的对象在所述目标时间段内的移动轨迹，以生成所述目标时间段内的预测移动轨迹信息；
将所述第二对象移动轨迹信息对应的移动轨迹和所述预测移动轨迹信息对应的移动轨迹进行轨迹拼接，以生成拼接轨迹，得到拼接轨迹信息；
将得到的拼接轨迹信息序列、所述历史移动轨迹信息和所述第一对象移动轨迹信息输入至预先训练的轨迹预测模型，以生成所述目标用户在所述目标时间段内的所述移动轨迹信息。
8.一种轨迹信息生成装置，包括：
第一确定单元，被配置成根据目标用户的历史位置信息序列中的历史位置信息包括的位置采集时间和位置坐标信息，确定所述目标用户的历史移动轨迹信息，其中，所述历史位置信息序列由目标基站采集；
第二确定单元，被配置成根据所述目标用户的当前位置信息，确定目标图像序列，其中，所述目标图像序列是目标摄像头采集的多张图像，所述目标摄像头是所述目标用户所在区域内的摄像头；
目标检测单元，被配置成对所述目标图像序列中的目标图像进行目标检测，以生成目标对象信息，得到目标对象信息组集合；
第一生成单元，被配置成根据所述目标对象信息组集合中的每个目标对象信息组，生成对象移动轨迹信息，得到对象移动轨迹信息集合；
拆分单元，被配置成根据所述历史移动轨迹信息，对所述对象移动轨迹信息集合进行拆分，以生成第一对象移动轨迹信息和第二对象移动轨迹信息集合，其中，所述第一对象移动轨迹信息是所述目标用户对应的对象移动轨迹信息；
第二生成单元，被配置成根据所述历史移动轨迹信息、所述第一对象移动轨迹信息和所述第二对象移动轨迹信息集合，生成所述目标用户在目标时间段内的移动轨迹信息。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
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至7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至7中任一所述的方法。
CN202210683605.XA 2022-06-17 2022-06-17 轨迹信息生成方法、装置、电子设备和计算机可读介质 Active CN115205330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210683605.XA CN115205330B (zh) 2022-06-17 2022-06-17 轨迹信息生成方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210683605.XA CN115205330B (zh) 2022-06-17 2022-06-17 轨迹信息生成方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN115205330A true CN115205330A (zh) 2022-10-18
CN115205330B CN115205330B (zh) 2023-03-24

Family

ID=83575901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210683605.XA Active CN115205330B (zh) 2022-06-17 2022-06-17 轨迹信息生成方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN115205330B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116524135A (zh) * 2023-07-05 2023-08-01 方心科技股份有限公司 一种基于图像的三维模型生成方法及系统
CN116777947A (zh) * 2023-06-21 2023-09-19 上海汉朔信息科技有限公司 一种用户轨迹识别预测方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3671272A1 (en) * 2018-12-20 2020-06-24 Veoneer Sweden AB Vehicle sensor fusion based on fuzzy sets
CN111401233A (zh) * 2020-03-13 2020-07-10 商汤集团有限公司 轨迹预测方法、装置、电子设备及介质
WO2021077818A1 (zh) * 2019-10-26 2021-04-29 华为技术有限公司 预测运动轨迹的方法和系统
CN112991380A (zh) * 2021-04-28 2021-06-18 北京每日优鲜电子商务有限公司 基于视频图像的轨迹生成方法、装置、电子设备和介质
CN114385772A (zh) * 2021-12-29 2022-04-22 北京京东振世信息技术有限公司 位置信息生成方法、装置、设备和计算机可读介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3671272A1 (en) * 2018-12-20 2020-06-24 Veoneer Sweden AB Vehicle sensor fusion based on fuzzy sets
WO2021077818A1 (zh) * 2019-10-26 2021-04-29 华为技术有限公司 预测运动轨迹的方法和系统
CN111401233A (zh) * 2020-03-13 2020-07-10 商汤集团有限公司 轨迹预测方法、装置、电子设备及介质
CN112991380A (zh) * 2021-04-28 2021-06-18 北京每日优鲜电子商务有限公司 基于视频图像的轨迹生成方法、装置、电子设备和介质
CN114385772A (zh) * 2021-12-29 2022-04-22 北京京东振世信息技术有限公司 位置信息生成方法、装置、设备和计算机可读介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777947A (zh) * 2023-06-21 2023-09-19 上海汉朔信息科技有限公司 一种用户轨迹识别预测方法、装置及电子设备
CN116777947B (zh) * 2023-06-21 2024-02-13 上海汉朔信息科技有限公司 一种用户轨迹识别预测方法、装置及电子设备
CN116524135A (zh) * 2023-07-05 2023-08-01 方心科技股份有限公司 一种基于图像的三维模型生成方法及系统
CN116524135B (zh) * 2023-07-05 2023-09-15 方心科技股份有限公司 一种基于图像的三维模型生成方法及系统

Also Published As

Publication number Publication date
CN115205330B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN108985259B (zh) 人体动作识别方法和装置
CN108764133B (zh) 图像识别方法、装置及系统
CN115205330B (zh) 轨迹信息生成方法、装置、电子设备和计算机可读介质
CN111222500B (zh) 一种标签提取方法及装置
CN110941978B (zh) 一种未识别身份人员的人脸聚类方法、装置及存储介质
CN113111684B (zh) 神经网络模型的训练方法、装置和图像处理系统
CN111783626A (zh) 图像识别方法、装置、电子设备及存储介质
CN112907628A (zh) 视频目标追踪方法、装置、存储介质及电子设备
CN112598673A (zh) 全景分割方法、装置、电子设备和计算机可读介质
CN115346145A (zh) 重复视频的识别方法、设备、储存介质及计算机程序产品
CN118053123A (zh) 报警信息生成方法、装置、电子设备与计算机介质
CN111126159A (zh) 用于实时跟踪行人的方法、装置、电子设备和介质
CN111008589A (zh) 人脸关键点检测方法、介质、装置和计算设备
US20220300774A1 (en) Methods, apparatuses, devices and storage media for detecting correlated objects involved in image
CN113297973A (zh) 关键点检测方法、装置、设备和计算机可读介质
CN113705293A (zh) 图像场景的识别方法、装置、设备及可读存储介质
CN113808134B (zh) 油罐布局信息生成方法、装置、电子设备、介质
CN115393755A (zh) 视觉目标跟踪方法、装置、设备以及存储介质
CN111666449B (zh) 视频检索方法、装置、电子设备和计算机可读介质
CN111652831B (zh) 对象融合方法、装置、计算机可读存储介质及电子设备
CN111291640B (zh) 用于识别步态的方法和装置
CN111968030A (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN117115139A (zh) 内窥镜视频检测方法、装置、可读介质及电子设备
CN118038535A (zh) 一种关键点检测方法、装置、设备及介质
CN114639147A (zh) 年龄信息生成方法、装置、电子设备和计算机可读介质

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