基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法技术

本发明专利技术实施例公开了一种基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法，通过卡口视频并结合车辆人员的人像轨迹数据，将车辆和人员的轨迹进行绑定，进一步缩小嫌疑人落脚点范围和提高落脚点模型精度。通过赋予各轨迹点不同的权重值，最终找到和平时出行轨迹拟合度最高的轨迹。加入间隔时间和距离计算目标对象在各轨迹点停留的时间，去除因为距离长而导致时间间隔长的因素，并根据轨迹场是否闭合状态，分别判断其落脚点，大大提高了方法的准确率。率。率。

【技术实现步骤摘要】
基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法


[0001]本专利技术涉及智慧交通
，特别涉及一种基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法。

技术介绍

[0002]随着移动互联网技术不断发展，人们一举一动不经意产生大量的位置轨迹痕迹。现有技术中，在进行落脚点分析时，主要通过人工查看监控或统计在各卡口出现的次数最多的位置作为用户落脚点判断，费时费力，时效性和准确率低，容易误报，抓捕效率低。

技术实现思路

[0003]本专利技术要解决的技术问题，在于提供一种基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法，通过将车辆和人员的轨迹进行绑定并计算权重，找到与平时出行轨迹拟合度最高的轨迹，大大提高了方法的准确率。
[0004]本专利技术包括如下步骤：
[0005]步骤10、提取目标车辆和目标人像一个时间周期内的所有轨迹；当获取的目标轨迹的条数大于等于设定值时，进入步骤20，否则延长时间周期，重新获取目标轨迹；
[0006]步骤20、通过车辆卡口数据中拍摄到的人像，将车辆轨迹和人像轨迹进行并联；
[0007]步骤30、以日期为单位将并联后的轨迹记录分成多条轨迹；
[0008]统计轨迹中各点位的出现次数和出现天数，并按出现天数和出现次数计算轨迹点的权重，将权重值在前M位的轨迹点连接成线，得到出行的虚拟轨迹，其中M为每天经过的点位数量平均值；
[0009]统计每个日期每一轨迹点与下个轨迹点的时间间隔和距离，得到车辆或人员在各轨迹点区域的停留时间；
>[0010]步骤40、根据虚拟轨迹计算每条轨迹的加权平均值，将加权平均值最大的轨迹作为最优轨迹；
[0011]步骤50、判断所述最优轨迹是否闭合，若是，则将停留时间最长的轨迹点区域的开始点作为落脚点；若否，则对比轨迹起点和轨迹终点的权重，将二者中权重较大的点作为落脚点。
[0012]进一步地，所述步骤30中，按出现天数和出现次数计算轨迹点的权重，具体采用如下公式：
[0013]轨迹点的权重＝出现天数+出现次数/2。
[0014]进一步地，所述步骤30中，统计每个日期每一轨迹点与下个轨迹点的时间间隔和距离，得到车辆或人员在各轨迹点区域的停留时间，具体采用如下公式：
[0015]停留时间＝时间间隔
‑
距离/平均速度。
[0016]进一步地，所述步骤40中，根据虚拟轨迹计算每条轨迹的加权平均值，具体为：
[0017]如当天经过的点包含在虚拟轨迹中，则通过乘法增加该点的权重，如不在虚拟轨
迹中，则按原本点位权重进行计算。
[0018]进一步地，所述步骤50中，判断所述最优轨迹是否闭合，具体为：判断所述最优轨迹起点和终点的距离，当距离小于1公里时，判断结果为闭合。
[0019]本专利技术实施例具有如下技术效果或优点：
[0020]通过卡口视频并结合车辆人员的人像轨迹数据，将车辆和人员的轨迹进行绑定，进一步缩小嫌疑人落脚点范围和提高落脚点模型精度。通过赋予各轨迹点不同的权重值，最终找到和平时出行轨迹拟合度最高的轨迹。进一步地，加入间隔时间和距离计算目标对象在各轨迹点停留的时间，去除因为距离长而导致时间间隔长的因素，并根据轨迹场是否闭合状态，分别判断其落脚点，大大提高了方法的准确率。
[0021]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0022]下面参照附图结合实施例对本专利技术作进一步的说明。
[0023]图1为本专利技术实施例方法的流程图。
具体实施方式
[0024]本申请实施例中的技术方案，总体思路如下：
[0025]通过卡口视频并结合车辆人员的人像轨迹数据，将车辆和人员的轨迹进行绑定，进一步缩小嫌疑人落脚点范围和提高落脚点模型精度。通过赋予各轨迹点不同的权重值，最终找到和平时出行轨迹拟合度最高的轨迹。进一步加入间隔时间和距离计算目标对象在各轨迹点停留的时间，去除因为距离长而导致时间间隔长的因素，并根据轨迹场是否闭合状态，分别判断其落脚点，大大提高了方法的准确率。
[0026]请参考图1，本实施例提供一种基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法，包括：
[0027]步骤10、提取目标轨迹：
[0028]提取目标车辆和目标人像一个时间周期内的所有轨迹；可以以1
‑
10周为一个时间周期，对获取的目标轨迹的条数进行最小值限制(比如，5条)，当获取的目标轨迹的条数大于等于设定值时，进入步骤20，否则延长时间周期，重新获取目标轨迹。
[0029]步骤20、轨迹并联合并：
[0030]通过车辆卡口数据中拍摄到的人像，将车辆轨迹和人像轨迹进行并联，从而得到得到车辆和人像的对应关系。由于在人的日常活动中，当驾驶车辆结束后，经常还需要步行到达目标地点，因此，将人像数据纳入分析，通过车辆卡口数据中拍摄到的人像与车辆数据进行并联，可以得到完整的轨迹路线，进一步缩小目标人物落脚点范围和提高落脚点模型精度。
[0031]步骤30、碰撞出主要出行轨迹：
[0032]以日期(天)为单位将并联后的轨迹记录分成多条轨迹。
[0033]统计轨迹中各点位的出现次数和出现天数，并按出现天数和出现次数计算轨迹点
的权重，将权重值在前M位的轨迹点连接成线，得到出行的虚拟轨迹，其中M为每天经过的点位数量平均值；虚拟轨迹为目标人物的主要出行轨迹，因为人的活动习惯不同，每天经过的点数差异很大，所以通过计算每天经过的点位数量平均值，可以得到最为合理的虚拟轨迹点的取值范围。
[0034]统计每个日期每一轨迹点与下个轨迹点的时间间隔和距离，得到车辆或人员在各轨迹点区域的停留时间。
[0035]步骤40、碰撞出“最优轨迹”：
[0036]根据虚拟轨迹计算每条轨迹的加权平均值(比如，如当天经过的点包含在虚拟轨迹中，则通过乘法增加该点的权重，如不在虚拟轨迹中，则按原本点位权重进行计算，目的是找出拟合平时出行的轨迹，排除偶尔出行轨迹)，将加权平均值最大的轨迹作为最优轨迹。最优轨迹为与虚拟轨迹拟合度最高的实际活动轨迹。
[0037]步骤50、确定落脚点：
[0038]判断所述最优轨迹是否闭合(比如，判断所述最优轨迹起点和终点的距离，当距离小于1公里时，判断结果为闭合)，若是，则将停留时间最长的轨迹点区域的开始点作为落脚点；若否，则对比轨迹起点和轨迹终点的权重，将二者中权重较大的点作为落脚点。通过判断轨迹是否闭合，再结合各轨迹点区域的停留时间，得到最可能的落脚点。闭合的轨迹即代表人物出去后又返回，未闭合的轨迹代表出去后没有返回，实际应用当中会有很多出去和回来所经过的卡口或人像设备不一致，但是实际用户已经回到原来位置的情况，因此设置1公里的判断阈值，也可以根据实际需求对阈值进行调本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法，其特征在于，包括：步骤10、提取目标车辆和目标人像一个时间周期内的所有轨迹；当获取的目标轨迹的条数大于等于设定值时，进入步骤20，否则延长时间周期，重新获取目标轨迹；步骤20、通过车辆卡口数据中拍摄到的人像，将车辆轨迹和人像轨迹进行并联；步骤30、以日期为单位将并联后的轨迹记录分成多条轨迹；统计轨迹中各点位的出现次数和出现天数，并按出现天数和出现次数计算轨迹点的权重，将权重值在前M位的轨迹点连接成线，得到出行的虚拟轨迹，其中M为每天经过的点位数量平均值；统计每个日期每一轨迹点与下个轨迹点的时间间隔和距离，得到车辆或人员在各轨迹点区域的停留时间；步骤40、根据虚拟轨迹计算每条轨迹的加权平均值，将加权平均值最大的轨迹作为最优轨迹；步骤50、判断所述最优轨迹是否闭合，若是，则将停留时间最长的轨迹点区域的开始点作为落脚点；若否，则对比轨迹起点和轨迹终...

【专利技术属性】
技术研发人员：吴志雄，许仕明，陈忠卫，
申请(专利权)人：南威软件股份有限公司，
类型：发明
国别省市：