CN116451588A - 基于目标物预测轨迹确定提示信息的方法、介质及设备 - Google Patents
基于目标物预测轨迹确定提示信息的方法、介质及设备 Download PDFInfo
- Publication number
- CN116451588A CN116451588A CN202310457431.XA CN202310457431A CN116451588A CN 116451588 A CN116451588 A CN 116451588A CN 202310457431 A CN202310457431 A CN 202310457431A CN 116451588 A CN116451588 A CN 116451588A
- Authority
- CN
- China
- Prior art keywords
- target
- area
- region
- key
- preset
- 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 53
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,特别是涉及一种基于目标物预测轨迹确定提示信息的方法、介质及设备,该方法包括:响应于达到目标检测时间,若执行目标事件的目标物当前位于预设区域内,则获取目标事件的事件数据组B;将B输入机器学习模型,得到机器学习模型输出的第一概率组C,根据C获取目标第一概率组C1;根据C1中的每一目标第一概率对应的参考子区域内的特征点生成闭合曲线,并将闭合曲线内的区域作为预测区域;若预测区域与至少一个关键区域存在重合部分,则确定与预测区域存在重合部分的关键区域的数量是否为1,若是,则输出与预测区域存在重合部分的关键区域对应的提示信息。由此可知,可以提高确定提示信息的准确性。
Description
技术领域
本发明涉及数据处理领域,特别是涉及一种基于目标物预测轨迹确定提示信息的方法、存储介质及电子设备。
背景技术
目前在对移动的目标物(例如飞机等)进行位置检测并输出提示信息时,若检测到目标物移动至管控区域外靠近管控区域的位置,则输出提示信息。但是,若目标物位于靠近管控区域的位置,但目标物向远离管控区域的方向移动,此时仍会输出提示信息,但目标物后续移动至管控区域内的可能性较低,以致误提示的可能性较大,即降低了确定提示信息的准确性。
发明内容
针对上述技术问题,本发明采用的技术方案为:
根据本发明的一方面,提供了一种基于目标物预测轨迹确定提示信息的方法,该方法应用于预设区域,预设区域内设置有若干目标区域A1,A2,...,Ai,...,An,i=1,2,...,n;其中,Ai为预设区域内的第i个目标区域,Aj+1位于Aj内,j=1,2,...,n-1;n为预设区域内的目标区域的数量;Aj内Aj+1以外的区域设置为第j个关键区域Dj,An设置为第n个关键区域Dn;预设区域位于参考区域内,参考区域由若干参考子区域组成。
方法包括以下步骤:
S100,响应于达到目标检测时间,若执行目标事件的目标物当前位于预设区域内,则获取目标事件的事件数据组B=(b1,b2,...,bk,...,bm),bk=(bk 1,bk 2),k=1,2,...,m;其中,bk为目标事件在历史时间段内产生的第i个事件数据,历史时间段为以当前时间tnow为结束时间的时间段,m为目标事件在历史时间段内产生的事件数据的数量;bk 1为bk产生时目标物的速度,bk 2为bk产生时目标物的位置数据。
S200,将B输入机器学习模型,得到机器学习模型输出的第一概率组C=(c1,c2,...,cu,...,cv),u=1,2,...,v;其中,cu为预测得到的目标物在(tnow+Δt)时移动至第u个参考子区域内的第一概率,Δt为目标时长;v为参考子区域的数量。
S300,遍历C,若|cu-cpre|≤Δc,则将cu确定为目标第一概率;cpre为目标阈值,Δc为预设波动值,Δc<cpre。
S400,获取目标第一概率组C1=(c1 1,c2 1,...,cw 1,...,cz 1),w=1,2,...,z;其中,cw 1为C中的第w个目标第一概率;z为C中的目标第一概率的数量,z≤v。
S500,根据C1中的每一目标第一概率对应的参考子区域内的特征点生成闭合曲线,并将闭合曲线内的区域作为预测区域;C1中的每一目标第一概率对应的参考子区域内的特征点均位于闭合曲线上或靠近闭合曲线的位置。
S600,若预测区域与至少一个关键区域存在重合部分,则进入步骤S700。
S700,若与预测区域存在重合部分的关键区域的数量为1,则输出与预测区域存在重合部分的关键区域对应的提示信息;每一关键区域对应的提示信息不同。
根据本发明的另一方面,还提供了一种非瞬时性计算机可读存储介质,存储介质中存储有至少一条指令或至少一段程序,至少一条指令或至少一段程序由处理器加载并执行以实现上述基于目标物预测轨迹确定提示信息的方法。
根据本发明的另一方面,还提供了一种电子设备,包括处理器和上述非瞬时性计算机可读存储介质。
本发明至少具有以下有益效果:
本发明中在达到目标检测时间时,若执行目标事件的目标物当前位于预设区域内,则获取目标事件的事件数据组B,并将B输入机器学习模型,以得到机器学习模型输出的第一概率组C,然后若|cu-cpre|≤Δc则将cu确定为目标第一概率,再根据每一目标第一概率对应的参考子区域内的特征点确定出预测区域,若与该预测区域存在重合部分的关键区域的数量为1,则输出与预测区域存在重合部分的关键区域对应的提示信息。
相比于相关技术中目标物移动至预设区域内就进行报警,本发明中是根据执行目标事件的目标物在历史事件段内的速度和位置确定出第一概率组C,由于C中的每一第一概率为预测得到的目标物在(tnow+Δt)时移动至对应的参考子区域内的第一概率,因此目标物在(tnow+Δt)时较可能移动至根据C确定出的预测区域内,进而本发明中在与该预测区域存在重合部分的关键区域的数量为1时,输出与预测区域存在重合部分的关键区域对应的提示信息,可以减小目标物在预设区域内但向预设区域外移动时触发提示信息的输出的可能性,以提高确定提示信息的准确性。
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为本发明实施例提供的预设区域的示意图。
图2为本发明实施例提供的基于目标物预测轨迹确定提示信息的方法的流程图。
具体实施方式
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,都属于本发明保护的范围。
本发明实施例提供了一种基于目标物预测轨迹确定提示信息的方法,其中,该方法可以由以下任意一项或其任意组合完成:终端、服务器、其他具备处理能力的设备,本发明实施例对此不作限定。
该方法应用于预设区域,预设区域内设置有若干目标区域A1,A2,...,Ai,...,An,i=1,2,...,n。
其中,Ai为预设区域内的第i个目标区域,Aj+1位于Aj内,j=1,2,...,n-1;n为预设区域内的目标区域的数量;Aj内Aj+1以外的区域设置为第j个关键区域Dj,An设置为第n个关键区域Dn;预设区域位于参考区域内,参考区域由若干参考子区域组成。
具体的,参考子区域和参考区域均为矩形,任意两个参考子区域的大小均相同。每一参考子区域的面积远小于An的面积。预设区域、每一目标区域和参考区域均为二维的区域。
例如,照图1所示的预设区域的示意图,n=2,tar1为预设区域,A2和A1均位于tar1内;tar2为参考区域,tar3为参考子区域。
下面将参照图2所示的基于目标物预测轨迹确定提示信息的方法的流程图,对基于目标物预测轨迹确定提示信息的方法进行介绍。
该方法包括以下步骤:
S100,响应于达到目标检测时间,若执行目标事件的目标物当前位于预设区域内,则获取目标事件的事件数据组B=(b1,b2,...,bk,...,bm),bk=(bk 1,bk 2),k=1,2,...,m。
其中,bk为目标事件在历史时间段内产生的第i个事件数据,历史时间段为以当前时间tnow为结束时间的时间段,m为目标事件在历史时间段内产生的事件数据的数量;bk 1为bk产生时目标物的速度,bk 2为bk产生时目标物的位置数据。
在一种具体的实施方式中,周期性进行本发明实施例中记载的确定提示信息的方法,每一周期的开始时间均为目标检测时间。每一周期的时长为本领域技术人员根据实际应用场景进行设置,本发明实施例对此不作限定。
具体的,目标事件为目标航班,目标物为飞机,事件数据为航班数据。优选的,历史时间段的时长为本领域技术人员根据实际应用场景进行设置,本发明实施例对此不作限定,优选的,历史时间段的时长可以设置为1分钟-10分钟。bk 1为bk产生时目标物的三维矢量速度,bk 2为bk产生时目标物的三维坐标数据。
上述步骤S100的一种具体的实施方式可以为,响应于达到目标检测时间,若执行目标事件的目标物当前位于预设区域内,可以根据目标物的目标物标识从用于目标事件的事件信息的数据库中获取B。
S200,将B输入机器学习模型,得到机器学习模型输出的第一概率组C=(c1,c2,...,cu,...,cv),u=1,2,...,v。
其中,cu为第u个参考子区域对应的第一概率,第一概率为预测得到的目标物在(tnow+Δt)时移动至对应的参考子区域内的第一概率密度,Δt为目标时长;v为参考子区域的数量。
具体的,机器学习模型可以为训练完成的贝叶斯预测模型或神经网络模型等,本发明实施例对此不作限定。第一概率为第一概率密度。
S300,遍历C,若|cu-cpre|≤Δc,则将cu确定为目标第一概率。
其中,cpre为目标阈值,Δc为预设波动值,Δc<cpre。
具体的,Δc远小于cpre;Δc=num*cpre,num为缩小系数,0≤num≤0.1。
S400,获取目标第一概率组C1=(c1 1,c2 1,...,cw 1,...,cz 1),w=1,2,...,z。
其中,cw 1为C中的第w个目标第一概率;z为C中的目标第一概率的数量,z≤v。
S500,根据C1中的每一目标第一概率对应的参考子区域内的特征点生成闭合曲线,并将闭合曲线内的区域作为预测区域。
具体的,特征点为对应的参考子区域内的中心点、左上角顶点、右上角顶点、左下角顶点或右下角顶点等,本发明实施例对此不作限定。
其中,C1中的每一目标第一概率对应的参考子区域内的特征点均位于闭合曲线上或靠近闭合曲线的位置。
S600,若预测区域与至少一个关键区域存在重合部分,则进入步骤S700。
S700,若与预测区域存在重合部分的关键区域的数量为1,则输出与预测区域存在重合部分的关键区域对应的提示信息。
其中,每一关键区域对应的提示信息不同。
由此可知,本发明中在达到目标检测时间时,若执行目标事件的目标物当前位于预设区域内,则获取目标事件的事件数据组B,并将B输入机器学习模型,以得到机器学习模型输出的第一概率组C,然后若|cu-cpre|≤Δc则将cu确定为目标第一概率,再根据每一目标第一概率对应的参考子区域内的特征点确定出预测区域,若与该预测区域存在重合部分的关键区域的数量为1,则输出与预测区域存在重合部分的关键区域对应的提示信息。
相比于相关技术中目标物移动至预设区域内就进行报警,本发明中是根据执行目标事件的目标物在历史事件段内的速度和位置确定出第一概率组C,由于C中的每一第一概率为预测得到的目标物在(tnow+Δt)时移动至对应的参考子区域内的第一概率,因此目标物在(tnow+Δt)时较可能移动至根据C确定出的预测区域内,进而本发明中在与该预测区域存在重合部分的关键区域的数量为1时,输出与预测区域存在重合部分的关键区域对应的提示信息,可以减小目标物在预设区域内但向预设区域外移动时触发提示信息的输出的可能性,以提高确定提示信息的准确性。
可选的,Dj对应的级数为j。
基于此,步骤S700包括以下步骤:
S710,若与预测区域存在重合部分的关键区域的数量为1,则输出与预测区域存在重合部分的关键区域对应的提示信息;否则,将与预测区域存在重合部分的每一关键区域均作为目标关键区域,并进入步骤S720。
S720,对若干目标关键区域中对应的级数最大的目标关键区域进行获取处理。
具体的,步骤S720的一种具体的实施方式可以为,对全部目标关键区域中对应的级数最大的目标关键区域进行获取处理。
其中,获取处理包括以下步骤:
S721,将当前进行获取处理的目标关键区域作为当前区域。
S722,若当前区域不为若干目标关键区域中对应的级数最小的目标关键区域,则进入步骤S723。
上述步骤S722的一种具体的实施方式可以为,若当前区域不为全部目标关键区域中对应的级数最小的目标关键区域,则进入步骤S723。
S723,将预测区域与当前区域的重合部分作为重合区域coi。
S724,获取位置数据组S=(s1,s2,...,su,...,sv);其中,su为第u个参考子区域内的特征点的位置数据。
S725,遍历S,若su对应的特征点位于重合区域内,则将su作为目标位置数据。
S726,获取目标位置数据组S1=(s1 1,s2 1,...,se 1,...,sf 1),e=1,2,...,f;其中,se 1为S中的第e个目标位置数据,f为S中的目标位置数据的数量;se 1=(xe 1,ye 1),xe 1为se 1对应的位置在参考区域对应的直角坐标系中的横坐标,ye 1为se 1对应的位置在直角坐标系中的纵坐标。
S727,根据S1,获取可靠性参数rel=∫∫coiPe 1(X,Y)dXdY;其中,Pe 1(X,Y)为se 1对应的预测函数;X=xe 1且Y=ye 1时,Pe 1(X,Y)=we 1,we 1为se 1对应的参考子区域对应的第一概率;dXdY为面积元素。
具体的,rel用于表示预测得到的目标物在(tnow+Δt)时移动至coi内的第二概率。
∫∫coiPe 1(X,Y)dXdY用于以coi作为积分区域对Pe 1(X,Y)进行二重积分。
S728,若rel≥rel0,则输出与当前区域对应的提示信息;否则,进入步骤S729;rel0为预设参数。
S729,对若干目标关键区域中符合第一预设条件和第二预设条件的目标关键区域进行获取处理。
上述步骤S723的一种具体的实施方式为,对全部目标关键区域中符合第一预设条件和第二预设条件的目标关键区域进行获取处理。
其中,第一预设条件为对应的目标关键区域的级数与当前区域的级数差值最小,第二预设条件为对应的目标关键区域的级数小于当前区域的级数。
相比于在与预测区域存在重合部分的关键区域的数量不为1,直接输出级数最大的目标关键区域对应的提示信息,本发明中是在第二概率较大的目标关键区域中确定出级数最大的目标关键区域,进而可以使目标物在(tnow+Δt)时移动至提示信息对应的目标关键区域内的可能性较大,尽量避免目标物在(tnow+Δt)时移动至提示信息对应的目标关键区域的可能性较小的情况出现,减小了误提示的可能性,可以进一步提高确定提示信息的准确性,达到了更精准的确定出提示信息的目的。
在得到提示信息后,工作人员可以根据提示信息执行不同的安全防护措施,不同的提示信息对应的安全防护措施不同,提示信息对应的关键区域的级数越高,对应的安全防护措施越严格,以减小每一关键区域被非法入侵的可能性。多级关键区域和多种提示信息的设置可以进一步减小Dn被非法入侵的可能性。
可选的,步骤S722包括以下处理:
S7221,若当前区域不为若干目标关键区域中对应的级数最小的目标关键区域,则进入步骤S723;否则,输出与当前区域对应的提示信息。
上述步骤S7221的一种具体的实施方式可以为,若当前区域不为全部目标关键区域中对应的级数最小的目标关键区域,则进入步骤S723;否则,输出与当前区域对应的提示信息。
可选的,Δt≤dismin/Vmax。
其中,dismin为预设区域的边界上的任一点与A1的边界上的任一点的最小间距;Vmax=max(V1,V2,...,Vd,...,Vz),d=1,2,...,z;max()为预设的最大值确定函数,Vd为第d个候选物的最大预设移动速度,目标物为若干候选物中的任一;z为候选物的数量。
具体的,最大预设移动速度为预设的速度矢量的模的最大值,候选物为飞机等飞行器,不同的候选物对应的飞行器型号不同。目标物为全部候选物中的任一。
由此可知,相比于Δt>dismin/Vmax,本发明中设置Δt≤dismin/Vmax,可以减小由于Δt过大导致目标物刚进入预设区域时就会输出提示信息的可能性,尽量避免目标物在(tnow+Δt)时移动至提示信息对应的目标关键区域的可能性较小的情况出现,减小了误提示的可能性,可以进一步提高确定提示信息的准确性。
可选的,cpre=α*bmax 1+β*Lmax。
其中,α为第一预设系数,α>0;β为第二预设系数,β>0;bmax 1为目标物的最大速度,bmax 1=max(b1 1,b2 1,...,bk 1,...,bm 1),max()为预设的最大值确定函数;Lmax为最大加速度,Lmax=max(L1,L2,...,Lq,...,LQ);Lq为根据B得到的第q个加速度,Lq=(bq+1 1-bq 1)/(timeq+1-timeq),timeq+1为bq+1产生的时间,timeq为bq产生的时间;Q为根据B得到的加速度的数量,Q=m-1。
具体的,α>0,β>0,α和β的具体值为本领域技术人员根据具体的应用场景确定的,本发明实施例对此不作限定。
由此可知,本发明中bmax 1和Lmax均与cpre成正相关,因此bmax 1和Lmax越大时,说明目标物的攻击性越强,此时cpre越大可以使确定出的预测区域更加精准,因此,本发明中可以针对攻击性较强的目标物输出更准确的提示信息,降低关键区域被攻击性较强的目标物非法入侵的可能性,提高安全性。
优选的,α>β。
可选的,步骤S600包括以下步骤:
S610,若预测区域与至少一个关键区域存在重合部分,则进入步骤S700;否则,输出用于表示无提示信息的标识。
在一种具体的实施方式中,步骤S500包括以下步骤:
S510,将C1中的每一目标第一概率对应的参考子区域内的特征点作为目标特征点。
S520,在任意两个目标特征点之间均生成直线段。
S530,将若干直线段中,不存在相交的直线段的每一直线段均作为目标直线段;全部目标直线段组成闭合多段线。
上述步骤S530的一种,将若干直线段中,不存在相交的直线段的每一直线段均作为目标直线段;。
S540,将闭合多段线对应的闭合的贝塞尔曲线作为闭合曲线,并将闭合曲线内的区域作为预测区域。
在另一种具体的实施方式中,上述步骤S500还可以采用将C1中的每一目标第一概率对应的参考子区域内的特征点按照顺时针排布的顺序进行排序,然后按照已排序的顺序将若干特征点依次连接,形成闭合曲线,并将所述闭合曲线内的区域作为预测区域。
本发明对步骤S500的具体实施方式不作限定。
可选的,步骤S100包括以下步骤:
S110,响应于达到目标检测时间,若执行目标事件的目标物当前位于预设区域内,则获取目标事件的事件数据组B=(b1,b2,...,bk,...,bm),bk=(bk 1,bk 2),k=1,2,...,m;否则,输出用于表示未检测的标识。
本发明的实施例还提供了一种非瞬时性计算机可读存储介质,该存储介质可设置于电子设备之中以保存用于实现方法实施例中一种方法相关的至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述实施例提供的方法。
本发明的实施例还提供了一种电子设备,包括处理器和前述的非瞬时性计算机可读存储介质。
本发明的实施例还提供一种计算机程序产品,其包括程序代码,当程序产品在电子设备上运行时,程序代码用于使该电子设备执行本说明书上述描述的根据本发明各种示例性实施方式的方法中的步骤。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。
Claims (10)
1.一种基于目标物预测轨迹确定提示信息的方法,其特征在于,所述方法应用于预设区域,所述预设区域内设置有若干目标区域A1,A2,...,Ai,...,An,i=1,2,...,n;其中,Ai为所述预设区域内的第i个目标区域,Aj+1位于Aj内,j=1,2,...,n-1;n为所述预设区域内的目标区域的数量;Aj内Aj+1以外的区域设置为第j个关键区域Dj,An设置为第n个关键区域Dn;所述预设区域位于参考区域内,所述参考区域由若干参考子区域组成;
所述方法包括以下步骤:
S100,响应于达到目标检测时间,若执行目标事件的目标物当前位于所述预设区域内,则获取所述目标事件的事件数据组B=(b1,b2,...,bk,...,bm),bk=(bk 1,bk 2),k=1,2,...,m;其中,bk为所述目标事件在历史时间段内产生的第i个事件数据,所述历史时间段为以当前时间tnow为结束时间的时间段,m为所述目标事件在历史时间段内产生的事件数据的数量;bk 1为bk产生时所述目标物的速度,bk 2为bk产生时所述目标物的位置数据;
S200,将B输入机器学习模型,得到所述机器学习模型输出的第一概率组C=(c1,c2,...,cu,...,cv),u=1,2,...,v;其中,cu为预测得到的所述目标物在(tnow+Δt)时移动至第u个参考子区域内的第一概率,Δt为目标时长;v为参考子区域的数量;
S300,遍历C,若|cu-cpre|≤Δc,则将cu确定为目标第一概率;cpre为目标阈值,Δc为预设波动值,Δc<cpre;
S400,获取目标第一概率组C1=(c1 1,c2 1,...,cw 1,...,cz 1),w=1,2,...,z;其中,cw 1为C中的第w个目标第一概率;z为C中的目标第一概率的数量,z≤v;
S500,根据C1中的每一目标第一概率对应的参考子区域内的特征点生成闭合曲线,并将所述闭合曲线内的区域作为预测区域;C1中的每一目标第一概率对应的参考子区域内的特征点均位于所述闭合曲线上或靠近所述闭合曲线的位置;
S600,若所述预测区域与至少一个关键区域存在重合部分,则进入步骤S700;
S700,若与所述预测区域存在重合部分的关键区域的数量为1,则输出与所述预测区域存在重合部分的关键区域对应的提示信息;每一所述关键区域对应的提示信息不同。
2.根据权利要求1所述的方法,其特征在于,Dj对应的级数为j;
所述步骤S700包括以下步骤:
S710,若与所述预测区域存在重合部分的关键区域的数量为1,则输出与所述预测区域存在重合部分的关键区域对应的提示信息;否则,将与所述预测区域存在重合部分的每一关键区域均作为目标关键区域,并进入步骤S720;
S720,对若干所述目标关键区域中对应的级数最大的目标关键区域进行获取处理;所述获取处理包括以下步骤:
S721,将当前进行所述获取处理的目标关键区域作为当前区域;
S722,若所述当前区域不为若干所述目标关键区域中对应的级数最小的目标关键区域,则进入步骤S723;
S723,将所述预测区域与所述当前区域的重合部分作为重合区域coi;
S724,获取位置数据组S=(s1,s2,...,su,...,sv);其中,su为第u个参考子区域内的特征点的位置数据;
S725,遍历S,若su对应的特征点位于所述重合区域内,则将su作为目标位置数据;
S726,获取目标位置数据组S1=(s1 1,s2 1,...,se 1,...,sf 1),e=1,2,...,f;其中,se 1为S中的第e个目标位置数据,f为S中的目标位置数据的数量;se 1=(xe 1,ye 1),xe 1为se 1对应的位置在所述参考区域对应的直角坐标系中的横坐标,ye 1为se 1对应的位置在所述直角坐标系中的纵坐标;
S727,根据S1,获取可靠性参数rel=∫∫coiPe 1(X,Y)dXdY;其中,Pe 1(X,Y)为se 1对应的预测函数;X=xe 1且Y=ye 1时,Pe 1(X,Y)=we 1,we 1为se 1对应的参考子区域对应的第一概率;dXdY为面积元素;
S728,若rel≥rel0,则输出与所述当前区域对应的提示信息;否则,进入步骤S729;rel0为预设参数;
S729,对若干所述目标关键区域中符合第一预设条件和第二预设条件的目标关键区域进行所述获取处理;所述第一预设条件为对应的目标关键区域的级数与所述当前区域的级数差值最小,所述第二预设条件为对应的目标关键区域的级数小于所述当前区域的级数。
3.根据权利要求2所述的方法,其特征在于,所述步骤S722包括以下处理:
S7221,若所述当前区域不为若干所述目标关键区域中对应的级数最小的目标关键区域,则进入步骤S723;否则,输出与所述当前区域对应的提示信息。
4.根据权利要求1所述的方法,其特征在于,Δt≤dismin/Vmax;其中,dismin为所述预设区域的边界上的任一点与A1的边界上的任一点的最小间距;Vmax=max(V1,V2,...,Vd,...,Vz),d=1,2,...,z;max()为预设的最大值确定函数,Vd为第d个候选物的最大预设移动速度,所述目标物为若干所述候选物中的任一;z为所述候选物的数量。
5.根据权利要求1所述的方法,其特征在于,cpre=α*bmax 1+β*Lmax;其中,α为第一预设系数,α>0;β为第二预设系数,β>0;bmax 1为所述目标物的最大速度,bmax 1=max(b1 1,b2 1,...,bk 1,...,bm 1),max()为预设的最大值确定函数;Lmax为最大加速度,Lmax=max(L1,L2,...,Lq,...,LQ);Lq为根据B得到的第q个加速度,Lq=(bq+1 1-bq 1)/(timeq+1-timeq),timeq+1为bq+1产生的时间,timeq为bq产生的时间;Q为根据B得到的加速度的数量,Q=m-1。
6.根据权利要求1所述的方法,其特征在于,所述步骤S600包括以下步骤:
S610,若所述预测区域与至少一个关键区域存在重合部分,则进入步骤S700;否则,输出用于表示无提示信息的标识。
7.根据权利要求1所述的方法,其特征在于,所述步骤S500包括以下步骤:
S510,将C1中的每一目标第一概率对应的参考子区域内的特征点作为目标特征点;
S520,在任意两个目标特征点之间均生成直线段;
S530,将若干所述直线段中,不存在相交的直线段的每一直线段均作为目标直线段;全部所述目标直线段组成闭合多段线;
S540,将所述闭合多段线对应的闭合的贝塞尔曲线作为所述闭合曲线,并将所述闭合曲线内的区域作为所述预测区域。
8.根据权利要求1所述的方法,其特征在于,所述步骤S100包括以下步骤:
S110,响应于达到目标检测时间,若执行目标事件的目标物当前位于所述预设区域内,则获取所述目标事件的事件数据组B=(b1,b2,...,bk,...,bm),bk=(bk 1,bk 2),k=1,2,...,m;否则,输出用于表示未检测的标识。
9.一种非瞬时性计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,其特征在于,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-8中任意一项的所述方法。
10.一种电子设备,其特征在于,包括处理器和权利要求9中的所述非瞬时性计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457431.XA CN116451588B (zh) | 2023-04-25 | 2023-04-25 | 基于目标物预测轨迹确定提示信息的方法、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457431.XA CN116451588B (zh) | 2023-04-25 | 2023-04-25 | 基于目标物预测轨迹确定提示信息的方法、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116451588A true CN116451588A (zh) | 2023-07-18 |
CN116451588B CN116451588B (zh) | 2024-02-27 |
Family
ID=87125448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310457431.XA Active CN116451588B (zh) | 2023-04-25 | 2023-04-25 | 基于目标物预测轨迹确定提示信息的方法、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451588B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004157778A (ja) * | 2002-11-06 | 2004-06-03 | Advanced Telecommunication Research Institute International | 鼻位置の抽出方法、およびコンピュータに当該鼻位置の抽出方法を実行させるためのプログラムならびに鼻位置抽出装置 |
US20160267690A1 (en) * | 2015-03-10 | 2016-09-15 | Adobe Systems Incorporated | Flexible Video Object Boundary Tracking |
CN113570594A (zh) * | 2021-08-11 | 2021-10-29 | 无锡祥生医疗科技股份有限公司 | 超声图像中目标组织的监测方法、装置及存储介质 |
US20220148436A1 (en) * | 2020-11-12 | 2022-05-12 | Beihang University | Method, apparatus, device and storage medium for pre-warning of aircraft flight threat evolution |
WO2022105243A1 (zh) * | 2020-11-23 | 2022-05-27 | 北京旷视科技有限公司 | 事件检测方法、装置、电子设备及存储介质 |
CN115204044A (zh) * | 2022-07-11 | 2022-10-18 | 阿里巴巴(中国)有限公司 | 轨迹预测模型的生成以及轨迹信息处理方法、设备及介质 |
CN115294487A (zh) * | 2022-10-09 | 2022-11-04 | 国网电力空间技术有限公司 | 一种无人机风险等级获取方法、存储介质及电子设备 |
CN115965202A (zh) * | 2022-12-21 | 2023-04-14 | 国广顺能(上海)能源科技有限公司 | 一种数据处理方法、存储介质及电子设备 |
-
2023
- 2023-04-25 CN CN202310457431.XA patent/CN116451588B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004157778A (ja) * | 2002-11-06 | 2004-06-03 | Advanced Telecommunication Research Institute International | 鼻位置の抽出方法、およびコンピュータに当該鼻位置の抽出方法を実行させるためのプログラムならびに鼻位置抽出装置 |
US20160267690A1 (en) * | 2015-03-10 | 2016-09-15 | Adobe Systems Incorporated | Flexible Video Object Boundary Tracking |
US20220148436A1 (en) * | 2020-11-12 | 2022-05-12 | Beihang University | Method, apparatus, device and storage medium for pre-warning of aircraft flight threat evolution |
WO2022105243A1 (zh) * | 2020-11-23 | 2022-05-27 | 北京旷视科技有限公司 | 事件检测方法、装置、电子设备及存储介质 |
CN113570594A (zh) * | 2021-08-11 | 2021-10-29 | 无锡祥生医疗科技股份有限公司 | 超声图像中目标组织的监测方法、装置及存储介质 |
CN115204044A (zh) * | 2022-07-11 | 2022-10-18 | 阿里巴巴(中国)有限公司 | 轨迹预测模型的生成以及轨迹信息处理方法、设备及介质 |
CN115294487A (zh) * | 2022-10-09 | 2022-11-04 | 国网电力空间技术有限公司 | 一种无人机风险等级获取方法、存储介质及电子设备 |
CN115965202A (zh) * | 2022-12-21 | 2023-04-14 | 国广顺能(上海)能源科技有限公司 | 一种数据处理方法、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
王明佳;张旭光;王延杰;: "利用广义霍夫变换对相交目标进行轨迹预测", 光学技术, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN116451588B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516321B (zh) | 一种视频多目标跟踪方法及装置 | |
US11496507B2 (en) | Abnormality detection device, abnormality detection method and abnormality detection program | |
CN113835408A (zh) | 用于自主驾驶交通工具的稳健多模态传感器融合 | |
JP7229308B2 (ja) | 時系列データに対する普遍的敵対的攻撃から防御するための方法およびシステム | |
JP6047708B2 (ja) | 異常運転行動検出装置 | |
US20200151547A1 (en) | Solution for machine learning system | |
JP2017076289A (ja) | パラメータ決定装置、パラメータ決定方法及びプログラム | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
CN116451588B (zh) | 基于目标物预测轨迹确定提示信息的方法、介质及设备 | |
JP6590477B2 (ja) | 情報処理装置、情報処理方法、プログラム | |
JP2019191836A (ja) | 異常検知システムおよびプログラム | |
CN114078108A (zh) | 图像中异常区域的处理方法、装置和图像分割方法、装置 | |
CN112561967A (zh) | 一种车辆门锁的控制方法及装置 | |
US20230342951A1 (en) | Object tracking apparatus, object tracking method, and program | |
CN112836439A (zh) | 用于处理传感器数据的方法和设备 | |
CN116383814A (zh) | 一种神经网络模型后门检测方法和系统 | |
CN113269008A (zh) | 一种行人轨迹预测方法、装置、电子设备及存储介质 | |
CN116205885A (zh) | 异常状态检测方法、系统、电子设备及可读存储介质 | |
US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
Soni et al. | Fine-grained uncertainty modeling in neural networks | |
CN111368624A (zh) | 基于生成对抗网络的回环检测方法和装置 | |
CN111476814B (zh) | 目标跟踪方法、装置、设备及存储介质 | |
EP4322062A1 (en) | Method for automated monitoring of a deep neural network, computing system and vehicle | |
Jain et al. | Decision making under uncertainty with convolutional deep gaussian processes | |
JP2016040674A (ja) | 対象検出装置 |
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 |