CN115964529A - 基于特征提取的车辆循迹方法、装置、设备和介质 - Google Patents

Abstract

本申请提供了一种基于特征提取的车辆循迹方法、装置、设备和介质，涉及数据处理技术领域，该方法包括：获取待查询车辆图片，基于待查询车辆图片确定图片特征值；基于图片特征值对应的数据类型确定目标搜索引擎，并通过目标搜索引擎检索后得到待查询车辆图片对应的目标采集信息；其中，数据类型包括热数据和冷数据；目标采集信息至少包括采集时间、采集地点、人车信息、行驶方向、坐标信息的一种或多种；基于目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，以进行车辆循迹。本申请提升了海量数据的查询速度和计算能力，进而提升了车辆循迹的计算效率。

Description

基于特征提取的车辆循迹方法、装置、设备和介质

技术领域

本申请涉及数据处理技术领域，尤其是涉及一种基于特征提取的车辆循迹方法、装置、设备和介质。

背景技术

对于庞大的大数据分析业务，几百台的hadoop集群处理P级的存储总量，每日上亿的入库和查询请求，需要对上万的设备去重，并关联百万的历史全表，进行曝光、点击、pv、uv、pr、日活、新增，给集群造成很大压力，系统负载高，任务响应慢，耗时久，不能及时响应请求。

相关技术中，在还原目标物体路径轨迹时，由于摄像头覆盖率及采集准确率的影响，设备故障导致数据丢失，导致数据记录颗粒度相对较大，提取完整的行驶轨迹比较困难。

发明内容

本申请的目的在于提供一种基于特征提取的车辆循迹方法、装置、设备和介质，提升了海量数据的查询速度和计算能力，进而提升了车辆循迹的计算效率。

第一方面，本发明提供一种基于特征提取的车辆循迹方法，方法包括：获取待查询车辆图片，基于待查询车辆图片确定图片特征值；基于图片特征值对应的数据类型确定目标搜索引擎，并通过目标搜索引擎检索后得到待查询车辆图片对应的目标采集信息；其中，数据类型包括热数据和冷数据；目标采集信息至少包括采集时间、采集地点、人车信息、行驶方向、坐标信息的一种或多种；基于目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，以进行车辆循迹。

在可选的实施方式中，基于图片特征值对应的数据类型确定目标搜索引擎，包括：当图片特征值对应的数据类型的热数据时，确定目标搜索引擎为预先构建的向量搜索引擎；当图片特征值对应的数据类型的冷数据时，确定目标搜索引擎为预先构建的雷霆数据库。

在可选的实施方式中，通过目标搜索引擎检索后得到待查询车辆图片对应的目标采集信息，包括：当图片特征值对应的数据类型的冷数据时，通过go接口进行判断后调用预先构建的雷霆数据库进行检索，得到待查询车辆图片对应的采集时间和采集坐标。

在可选的实施方式中，通过目标搜索引擎检索后得到待查询车辆图片对应的目标采集信息，包括：当图片特征值对应的数据类型的热数据时，查询预先构建的向量搜索引擎对应的目标代理；通过目标代理查询得到多个结果，并过结果进行合并处理；将合并后的结果匹配对应的标识符和目标相似度；基于标识符和目标相似度通过go接口调用预先构建的雷霆数据库，得到待查询车辆图片对应的物体标识、采集时间、行驶方向、坐标。

在可选的实施方式中，基于目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，包括：基于预设的间隔时间阈值对目标采集信息中出行轨迹进行分割，得到多个出行链；基于预设的路径算法生成与出行链对应的多条近似轨迹；对多条近似轨迹进行指标约束，得到最短出行轨迹，从而基于最短出行轨迹对车辆出行轨迹进行重构。

在可选的实施方式中，对多条近似轨迹进行指标约束，得到最短出行轨迹，包括：基于预先构建的出行特征决策模型，对出行特征决策模型进行指标归一化处理；根据归一化后的指标权值进行最优化，对多条近似轨迹进行指标约束，得到最短出行轨迹。

在可选的实施方式中，预先构建的出行特征决策模型至少包括以下出行特征指标的一种或多种：时距相符程度指标、路径权值指标、信号灯数量指标和出行惯性指标。

第二方面，本发明提供一种基于特征提取的车辆循迹装置，装置包括：特征确定模块，用于获取待查询车辆图片，基于待查询车辆图片确定图片特征值；数据检索模块，用于基于图片特征值对应的数据类型确定目标搜索引擎，并通过目标搜索引擎检索后得到待查询车辆图片对应的目标采集信息；其中，数据类型包括热数据和冷数据；目标采集信息至少包括采集时间、采集地点、人车信息、行驶方向、坐标信息的一种或多种；轨迹重构模块，用于基于目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，以进行车辆循迹。

第三方面，本发明提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现前述实施方式任一项的基于特征提取的车辆循迹方法。

第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现前述实施方式任一项的基于特征提取的车辆循迹方法。

本申请提供的基于特征提取的车辆循迹方法、装置、设备和介质，该方法首先获取待查询车辆图片，基于待查询车辆图片确定图片特征值，然后基于图片特征值对应的数据类型确定目标搜索引擎，并通过目标搜索引擎检索后得到待查询车辆图片对应的目标采集信息；其中，数据类型包括热数据和冷数据；目标采集信息至少包括采集时间、采集地点、人车信息、行驶方向、坐标信息的一种或多种，最后基于目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，以进行车辆循迹。该方法提升了海量数据的查询速度和计算能力，进而提升了车辆循迹的计算效率。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，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为本申请实施例提供的一种基于特征提取的车辆循迹方法的流程图；

图2为本申请实施例提供的一种Milvus存储架构的结构图；

图3为本申请实施例提供的一种LightningDB架构的结构图；

图4为本申请实施例提供的一种业务查询流程图；

图5为本申请实施例提供的一种数据写入milvus流程图；

图6为本申请实施例提供的一种基于特征提取的车辆循迹装置的结构图；

图7为本申请实施例提供的一种电子设备的结构图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

本申请实施例提供了一种基于特征提取的车辆循迹方法，参见图1所示，该方法主要包括以下步骤：

步骤S102，获取待查询车辆图片，基于待查询车辆图片确定图片特征值。

待查询车辆图片为通过监控设备、摄像头等获取到的图片，图片已通过摄像头获取到的时间和位置，及通过特征提取获取到物体特征，也即车辆特征。物体特征可以包括图片中包含的车辆特征。

步骤S104，基于图片特征值对应的数据类型确定目标搜索引擎，并通过目标搜索引擎检索后得到待查询车辆图片对应的目标采集信息。

上述数据类型包括热数据和冷数据；目标采集信息至少包括采集时间、采集地点、人车信息、行驶方向、坐标信息的一种或多种。

步骤S106，基于目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，以进行车辆循迹。

本申请实施例提供的基于特征提取的车辆循迹方法，首先获取待查询车辆图片，基于待查询车辆图片确定图片特征值，然后基于图片特征值对应的数据类型确定目标搜索引擎，并通过目标搜索引擎检索后得到待查询车辆图片对应的目标采集信息；其中，数据类型包括热数据和冷数据；目标采集信息至少包括采集时间、采集地点、人车信息、行驶方向、坐标信息的一种或多种，最后基于目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，以进行车辆循迹。该方法提升了海量数据的查询速度和计算能力，进而提升了车辆循迹的计算效率。

以下对本申请实施例提供的基于特征提取的车辆循迹方法进行详细说明。

在一可选的实施方式中，基于图片特征值对应的数据类型确定目标搜索引擎时，针对热数据和冷数据分别采用不同的方式：

1-1：当图片特征值对应的数据类型的热数据时，确定目标搜索引擎为预先构建的向量搜索引擎；

1-2：当图片特征值对应的数据类型的冷数据时，确定目标搜索引擎为预先构建的雷霆数据库。

上述向量搜索引擎可以为Milvus存储架构，参见图2所示，向量搜索数据库，支持多种索引，最快可达到80ms/亿的检索，使用standalone的milvus，运维难度低，容错率高，扩展方便，需要用自研的milvus代理，目的是把集群内互不关联的milvus单例进行联系，milvus代理包含以下功能：实现数据的写入和转发，对数据进行分发，实现数据的负载均衡。实现查询请求的转发和汇总。实现对分布式表的加载和释放，实现分布式表的删除，实现分布式表的索引创建和删除。由于milvus查询时必须保证数据全部再内存中，且加载时间较长，所以需要开发程序对每个周期的数据进行释放并加载新一周期的数据。

上述雷霆数据库为自研数据库lightningDB数据库，LightningDB架构设计参见图3所示，lightningDB是一个DBMS(Datebase Managment System，数据库管理系统)，具备以下功能：DDL(数据定义语言)：动态创建、修改、删除数据库、表和视图；DML(数据操作语言)：动态查询、插入、修改或删除数据；权限控制：给数据和永华设置权限，保证数据安全性；数据备份和恢复：支持数据备份导出与导入；分布式管理：支持集群模式，能够自动管理等多个数据库节点。

lightningDB特点是列式存储和数据压缩，属于同一列的数据会被保存在一起，列与列之间也会由不同的文件分别保存(这里主要指MergeTree表引擎)。数据默认使用LZ4算法压缩。列式存储除了能有效减少数据扫描范围和数据传输时的大小，降低IO和存储的压力之外，还为向量化执行做好了铺垫，LightningDB利用SSE4.2指令集实现向量化执行，通过数据并行以提高性能的一种实现方式(其他的还有指令级并行和线程级并行)，它的原理是在CPU寄存器层面实现数据的并行操作。数据分片，将数据进行横向切分，可以再海量数据的场景下，解决存储和查询瓶颈的有效手段。

进一步，通过目标搜索引擎检索后得到待查询车辆图片对应的目标采集信息，针对热数据和冷数据也分别采用不同的方式：

2-1：当图片特征值对应的数据类型的冷数据时，通过go接口进行判断后调用预先构建的雷霆数据库进行检索，得到待查询车辆图片对应的采集时间和采集坐标。

2-2：当图片特征值对应的数据类型的热数据时，查询预先构建的向量搜索引擎对应的目标代理；通过目标代理查询得到多个结果，并过结果进行合并处理；将合并后的结果匹配对应的标识符和目标相似度；基于标识符和目标相似度通过go接口调用预先构建的雷霆数据库，得到待查询车辆图片对应的物体标识、采集时间、行驶方向、坐标。

在一种示例中，参见图4所示的业务查询架构图，在执行查询前，图片已通过摄像头获取到的时间和位置，及通过特征提取获取到物体的特征存储在LightningDB的宽表中，将半年内数据存储在以开源向量搜索内存数据库milvus。

用户上传所查询图像时，根据所提取特征值，特征检索时，热数据走milvus，冷数据走雷霆。由于milvus数据需要全部加载到内存，内存资源会出现不足的情况，所以只能加载半年的数据存储到内存。

半年之外的数据，go接口进行判断，直接查询雷霆数据库进行特征比对,返回时间和坐标数据；半年内的数据，查询milvus代理，milvus代理会查询分布式集群，查询多个collection，进行结果合并，然后返回UUID和相似度给go接口，go接口去LightningDB查询。

查询结果返回物体ID(人员姓名、车牌号码等)、采集时间、行驶方向、坐标(属于WGS-84坐标系)。

进一步，上述基于目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，在具体实施时，可以包括以下步骤：

步骤1.1)，基于预设的间隔时间阈值对目标采集信息中出行轨迹进行分割，得到多个出行链；

步骤1.2)，基于预设的路径算法生成与出行链对应的多条近似轨迹；

步骤1.3)，对多条近似轨迹进行指标约束，得到最短出行轨迹，从而基于最短出行轨迹对车辆出行轨迹进行重构。

针对上述步骤步骤1.3)，对多条近似轨迹进行指标约束，得到最短出行轨迹，可以包括以下步骤：

步骤1.3.1)，基于预先构建的出行特征决策模型，对出行特征决策模型进行指标归一化处理；

步骤1.3.2)，根据归一化后的指标权值进行最优化，对多条近似轨迹进行指标约束，得到最短出行轨迹。

在一种实施方式中，上述预先构建的出行特征决策模型至少包括以下出行特征指标的一种或多种：时距相符程度指标、路径权值指标、信号灯数量指标和出行惯性指标。

时距相符程度：S_k表示第k条路径的长度，v表示两已知节点速度的平均值，Δt表示实际两节点的时间间隔。e₁越接近1，则说明该条路径越匹配，轨迹速度均值与进出节点时速度相同时，函数值达到1。

路径权值：在路网上的节点每两个默认权值为1，根据返回数据中所对应节点的行驶方向，修改对应节点方向朝向节点相邻路径的权值，且越靠近该节点，权值越高，依次递减，通过遍历轨迹节点，计算每条路径的权值：

出行惯性：R_k表示该节点出现频率，路网节点频率越高，则代表出行频率越高：

信号灯数量：N_k表示节点处红绿灯数量，两节点信号灯数量越少，选择概率越大。

使用z-score方法对所有指标进行归一化：

E为所有指标归一化后的权值，e_i属于时距相符程度、路径权值、出行惯性、信号灯数量4个指标的集合，μ表示当前指标均值。

在一种实施方式中，可以首先以间隔时间阈值分离出行链，然后基于K则最短路径算法(KSP)生成多个近似的候选轨迹。可选地，可以采用图5所示的方式进行最短路径选择。

进一步，根据时距相符程度、路径权值、信号灯数量、出行惯性，四个出行特征决策模型，归一化后根据权值决策模型进行最优化，实现出行轨迹的重构和补全。

综上，通过图搜引擎可以实现图片上亿数据秒级别查询，提升了向量搜索速度，通过lightningDB，可以实现海量数据的处理，外加其分布式的配置方式，为实现大数据存取提供了很好的引擎；通过循迹算法展现完整的目标物体路径轨迹，提升实时计算能力和查询速度。

基于上述方法实施例，本申请实施例还提供一种基于特征提取的车辆循迹装置，参见图6所示，该装置主要包括以下部分：

特征确定模块62，用于获取待查询车辆图片，基于待查询车辆图片确定图片特征值；

数据检索模块64，用于基于图片特征值对应的数据类型确定目标搜索引擎，并通过目标搜索引擎检索后得到待查询车辆图片对应的目标采集信息；其中，数据类型包括热数据和冷数据；目标采集信息至少包括采集时间、采集地点、人车信息、行驶方向、坐标信息的一种或多种；

轨迹重构模块66，用于基于目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，以进行车辆循迹。

本申请实施例提供的基于特征提取的车辆循迹装置，首先获取待查询车辆图片，基于待查询车辆图片确定图片特征值，然后基于图片特征值对应的数据类型确定目标搜索引擎，并通过目标搜索引擎检索后得到待查询车辆图片对应的目标采集信息；其中，数据类型包括热数据和冷数据；目标采集信息至少包括采集时间、采集地点、人车信息、行驶方向、坐标信息的一种或多种，最后基于目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，以进行车辆循迹。该方法提升了海量数据的查询速度和计算能力，进而提升了车辆循迹的计算效率。

在一些实施方式中，上述数据检索模块64，还用于：

当图片特征值对应的数据类型的热数据时，确定目标搜索引擎为预先构建的向量搜索引擎；

当图片特征值对应的数据类型的冷数据时，确定目标搜索引擎为预先构建的雷霆数据库。

在一些实施方式中，上述数据检索模块64，还用于：

当图片特征值对应的数据类型的冷数据时，通过go接口进行判断后调用预先构建的雷霆数据库进行检索，得到待查询车辆图片对应的采集时间和采集坐标。

在一些实施方式中，上述数据检索模块64，还用于：

当图片特征值对应的数据类型的热数据时，查询预先构建的向量搜索引擎对应的目标代理；

通过目标代理查询得到多个结果，并过结果进行合并处理；

将合并后的结果匹配对应的标识符和目标相似度；基于标识符和目标相似度通过go接口调用预先构建的雷霆数据库，得到待查询车辆图片对应的物体标识、采集时间、行驶方向、坐标。

在一些实施方式中，上述轨迹重构模块66，还用于：

基于预设的间隔时间阈值对目标采集信息中出行轨迹进行分割，得到多个出行链；

基于预设的路径算法生成与出行链对应的多条近似轨迹；

对多条近似轨迹进行指标约束，得到最短出行轨迹，从而基于最短出行轨迹对车辆出行轨迹进行重构。

在一些实施方式中，上述轨迹重构模块46，还用于：

基于预先构建的出行特征决策模型，对出行特征决策模型进行指标归一化处理；

根据归一化后的指标权值进行最优化，对多条近似轨迹进行指标约束，得到最短出行轨迹。

在一些实施方式中，预先构建的出行特征决策模型至少包括以下出行特征指标的一种或多种：时距相符程度指标、路径权值指标、信号灯数量指标和出行惯性指标。

本申请实施例提供的基于特征提取的车辆循迹装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，基于特征提取的车辆循迹装置的实施例部分未提及之处，可参考前述基于特征提取的车辆循迹方法实施例中相应内容。

本申请实施例还提供了一种电子设备，如图7所示，为该电子设备的结构示意图，其中，该电子设备100包括处理器71和存储器70，该存储器70存储有能够被该处理器71执行的计算机可执行指令，该处理器71执行该计算机可执行指令以实现上述任一项基于特征提取的车辆循迹方法。

在图7示出的实施方式中，该电子设备还包括总线72和通信接口73，其中，处理器71、通信接口73和存储器70通过总线72连接。

其中，存储器70可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线72可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线72可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器71可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器71中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器71可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器71读取存储器中的信息，结合其硬件完成前述实施例的基于特征提取的车辆循迹方法的步骤。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述基于特征提取的车辆循迹方法，具体实现可参见前述方法实施例，在此不再赘述。

本申请实施例所提供的基于特征提取的车辆循迹方法、装置、设备和介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种基于特征提取的车辆循迹方法，其特征在于，所述方法包括：

获取待查询车辆图片，基于所述待查询车辆图片确定图片特征值；

基于所述图片特征值对应的数据类型确定目标搜索引擎，并通过所述目标搜索引擎检索后得到所述待查询车辆图片对应的目标采集信息；其中，所述数据类型包括热数据和冷数据；所述目标采集信息至少包括采集时间、采集地点、人车信息、行驶方向、坐标信息的一种或多种；

基于所述目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，以进行车辆循迹。

2.根据权利要求1所述的基于特征提取的车辆循迹方法，其特征在于，基于所述图片特征值对应的数据类型确定目标搜索引擎，包括：

当所述图片特征值对应的数据类型的热数据时，确定目标搜索引擎为预先构建的向量搜索引擎；

当所述图片特征值对应的数据类型的冷数据时，确定目标搜索引擎为预先构建的雷霆数据库。

3.根据权利要求2所述的基于特征提取的车辆循迹方法，其特征在于，通过所述目标搜索引擎检索后得到所述待查询车辆图片对应的目标采集信息，包括：

当所述图片特征值对应的数据类型的冷数据时，通过go接口进行判断后调用预先构建的雷霆数据库进行检索，得到所述待查询车辆图片对应的采集时间和采集坐标。

4.根据权利要求3所述的基于特征提取的车辆循迹方法，其特征在于，通过所述目标搜索引擎检索后得到所述待查询车辆图片对应的目标采集信息，包括：

当所述图片特征值对应的数据类型的热数据时，查询预先构建的向量搜索引擎对应的目标代理；

通过所述目标代理查询得到多个结果，并过结果进行合并处理；

将合并后的结果匹配对应的标识符和目标相似度；基于所述标识符和目标相似度通过go接口调用预先构建的雷霆数据库，得到所述待查询车辆图片对应的物体标识、采集时间、行驶方向、坐标。

5.根据权利要求1所述的基于特征提取的车辆循迹方法，其特征在于，基于所述目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，包括：

基于预设的间隔时间阈值对所述目标采集信息中出行轨迹进行分割，得到多个出行链；

基于预设的路径算法生成与所述出行链对应的多条近似轨迹；

对多条所述近似轨迹进行指标约束，得到最短出行轨迹，从而基于所述最短出行轨迹对车辆出行轨迹进行重构。

6.根据权利要求5所述的基于特征提取的车辆循迹方法，其特征在于，对多条所述近似轨迹进行指标约束，得到最短出行轨迹，包括：

基于所述预先构建的出行特征决策模型，对所述出行特征决策模型进行指标归一化处理；

根据归一化后的指标权值进行最优化，对多条所述近似轨迹进行指标约束，得到最短出行轨迹。

7.根据权利要求6所述的基于特征提取的车辆循迹方法，其特征在于，所述预先构建的出行特征决策模型至少包括以下出行特征指标的一种或多种：时距相符程度指标、路径权值指标、信号灯数量指标和出行惯性指标。

8.一种基于特征提取的车辆循迹装置，其特征在于，所述装置包括：

特征确定模块，用于获取待查询车辆图片，基于所述待查询车辆图片确定图片特征值；

数据检索模块，用于基于所述图片特征值对应的数据类型确定目标搜索引擎，并通过所述目标搜索引擎检索后得到所述待查询车辆图片对应的目标采集信息；其中，所述数据类型包括热数据和冷数据；所述目标采集信息至少包括采集时间、采集地点、人车信息、行驶方向、坐标信息的一种或多种；

轨迹重构模块，用于基于所述目标采集信息和预先构建的出行特征决策模型，对车辆出行轨迹进行重构，以进行车辆循迹。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的基于特征提取的车辆循迹方法。

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可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的基于特征提取的车辆循迹方法。

Images